[发明专利]基于类激活热力图的图像篡改检测与定位的方法及系统

权利要求书

1.一种基于类激活热力图的图像篡改检测与定位的方法，其特征在于，包括：

基于COCO数据集，使用图像修复的算法构造物体消去，拼接以及复制-粘贴的图像篡改数据集；

基于构造的卷积神经网络对所述图像篡改数据集进行图像篡改检测，得到所述图像篡改数据集的图像篡改分类结果；

针对所述图像篡改分类结果，基于模型可解释性的方法找出图像中影响分类结果的像素并生成类激活热力图，使用ResNet50网络生成最终的篡改定位区域。

2.根据权利要求1所述的方法，其特征在于，所述基于构造的卷积神经网络对所述图像篡改数据集进行图像篡改检测，得到所述图像篡改数据集的图像篡改分类结果，包括：

使用所述卷积神经网络对所述图像篡改数据集进行增强处理；

对增强处理后的图像篡改数据集进行特征提取；

基于提取到的特征决策出所述图像篡改数据集中被篡改的图像，以及被篡改图像的分类结果。

3.根据权利要求2所述的方法，其特征在于，所述使用所述卷积神经网络对所述图像篡改数据集进行增强处理，包括：

使用所述卷积神经网络的卷积层提取纹理特征和边特征；

使用所述卷积神经网络的约束卷积层和SRM滤波器提取噪声域特征；

融合所述纹理特征、边特征和噪声域特征，得到融合特征。

4.根据权利要求3所述的方法，其特征在于，所述对增强处理后的图像篡改数据集进行特征提取，包括：

使用所述卷积神经网络的5个卷积层和批标准化对所述融合特征进行特征提取，得到特征提取结果。

5.根据权利要求4所述的方法，其特征在于，基于提取到的特征决策出所述图像篡改数据集中被篡改的图像，以及被篡改图像的分类结果，包括：

基于所述特征提取结果，使用所述卷积神经网络的平均池化层和全连接层，最后经过Softmax激活函数决策出所述图像篡改数据集中被篡改的图像，以及被篡改图像的分类结果。

6.一种基于类激活热力图的图像篡改检测与定位的系统，其特征在于，包括：

构造模块，用于基于COCO数据集，使用图像修复的算法构造物体消去，拼接以及复制-粘贴的图像篡改数据集；

检测模块，用于基于构造的卷积神经网络对所述图像篡改数据集进行图像篡改检测，得到所述图像篡改数据集的图像篡改分类结果；

定位模块，用于针对所述图像篡改分类结果，基于模型可解释性的方法找出图像中影响分类结果的像素并生成类激活热力图，使用ResNet50网络生成最终的篡改定位区域。

7.根据权利要求6所述的系统，其特征在于，所述检测模块包括：

增强单元，用于使用所述卷积神经网络对所述图像篡改数据集进行增强处理；

特征提取单元，用于对增强处理后的图像篡改数据集进行特征提取；

决策单元，用于基于提取到的特征决策出所述图像篡改数据集中被篡改的图像，以及被篡改图像的分类结果。

8.根据权利要求7所述的系统，其特征在于，所述增强单元具体用于：

使用所述卷积神经网络的卷积层提取纹理特征和边特征；

使用所述卷积神经网络的约束卷积层和SRM滤波器提取噪声域特征；

融合所述纹理特征、边特征和噪声域特征，得到融合特征。

9.根据权利要求8所述的系统，其特征在于，所述特征提取单元具体用于：

使用所述卷积神经网络的5个卷积层和批标准化对所述融合特征进行特征提取，得到特征提取结果。

10.根据权利要求9所述的系统，其特征在于，所述决策单元具体用于：

基于所述特征提取结果，使用所述卷积神经网络的平均池化层和全连接层，最后经过Softmax激活函数决策出所述图像篡改数据集中被篡改的图像，以及被篡改图像的分类结果。