[发明专利]域泛化的尺度对齐翻拍图片检测系统

说明书

一种域泛化的尺度对齐翻拍图片检测系统，包括：预处理模块、对称的对抗学习模块、任务模块、全局的尺度关系对齐模块以及局部特征三元损失挖掘模块，本发明能够提升综合多个小数据集训练时算法在未知数据上的翻拍检测准确度，可以大幅度提升实际应用场景下多数据来源、未知应用场景、图像尺度不一致情况下的准确度。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种域泛化的尺度对齐翻拍图片检测 系统。

背景技术

数字图像取证中的一个分支为对翻拍图像(Recaptured Image)的鉴定。对直接拍摄得到 的图像，使用某种方式重现后，再次使用拍摄设备获取重现的图像称之为翻拍图像。现有的分 类方法通过综合多个来源，或者采用数据增强的手段解决数据量缺乏的问题。而不同来源的数 据集本身具有多种不同的特征的边缘分布，构成了迁移学习中的多个独立的域。使用与训练时 使用到的域不同的域的数据进行测试，称为域切换，这种测试方法更加贴近实际生产使用场景。 直接将多个不同的域合成为一个数据集的域的做法由于分布上的偏差，导致对算法学习到的特 征而言，其性能容易受域切换的影响。在实际应用场景中，通常其检测内容的分布等信息在训 练时是未知的，因而对翻拍检测算法的泛化能力提出了现实挑战。

发明内容

本发明针对现有翻拍图像检测技术针对不同数据来源的分布偏差问题以及不同尺度下 决策函数分布不一致的问题，提出一种域泛化的尺度对齐翻拍图片检测系统，能够提升综合多 个小数据集训练时算法在未知数据上的翻拍检测准确度，可以大幅度提升实际应用场景下多数 据来源、未知应用场景、图像尺度不一致情况下的准确度。

本发明是通过以下技术方案实现的：

本发明涉及一种域泛化的尺度对齐翻拍检测系统，包括：预处理模块、对称的对抗学习 模块、任务模块、全局的尺度关系对齐模块以及局部特征三元损失挖掘模块，其中：预处理模 块对待测图像进行窗口提取并生成尺度金字塔，对抗学习模块在训练模式下接收尺度金字塔中 大小两级尺度一一对应的两种不同尺度级别的输入，将其分别嵌入特征空间，任务模块根据嵌 入的特征空间中的特征向量信息得到最终翻拍和直拍的概率值，全局的尺度关系对齐模块根据 任务模块对预处理模块产生的同一个图像的一大一小两个尺度级别上的尺度金字塔层级所计 算的向量值，即分类的打分进行对称的KL散度计算，得到KL散度值，局部特征三元损失挖掘 模块根据嵌入的特征空间中的特征向量信息，每次随机选取一个特征向量作为锚点，再从锚点 所属的类别中选取一个特征向量作为正样本，从另一类里面选取一个特征向量作为负样本，分 别计算锚点与正负样本的特征空间上的欧式距离之和作为三元组的损失，并穷举输入数据中的 所有三元组，对所有三元组的损失求平均值，得到总损失，训练过程中将该损失最小化从而在 特征空间进行局部的三元损失挖掘，提升特征嵌入的紧凑性，保证清晰的决策边界。

所述的尺度金字塔共两层且分别对应每张输入图像所产生的大小两级尺度。

所述的对称是指：同一张图像输入在预处理模块产生一大一小两个尺度级别，在对抗学 习过程中不作区分；且对翻拍、直拍的类别也不进行区分。因此一大一小的尺度、翻拍直拍的 类别在该模块中计算的意义下是对称的，因此具有对称性。

所述的对抗学习模块包括：两个并联的ResNet 18骨干网络构成的特征生成单元和一个 域判别器，其中：两个ResNet 18骨干网络组成对称的两组特征嵌入网络，两部分通过一个梯 度反向层连接，最后使用分类损失单元计算域判别器的损失。

所述的对称的两组特征嵌入网络是指：两个骨干网络采用参数共享的策略对图像进行特 征提取，通过梯度反向层相连的域判别器与特征嵌入网络进行对抗，从而将不同域的数据分布 对齐，使特征嵌入网络学习共享的特征空间。

所述的任务模块包括：两个级联的线性层结点，其中：线性层结点根据嵌入的特征空间 中的特征向量信息得到一个向量值，作为分类的打分，再使用Softmax函数进行向量值的归一 化，得到最终翻拍和直拍的概率值。