[发明专利]基于持续学习方法改进的卷积神经网络翻拍图像检测系统

说明书

一种基于持续学习方法改进的卷积神经网络翻拍图像检测系统，包括：卷积神经网络模块、持续学习支持模块和独立数据集分类模块，其中：包含提取网络的卷积神经网络模块从以数据集序列形式输入的图像中提取出深度特征；由若干串联的子网络组成的持续学习支持模块针对不同的数据集序列生成对应的子网络参数；由若干独立的分类器组成的独立数据集分类模块对不同的数据集序列中的每一个数据集生成独立的分类器用于针对性分类并最终得到翻拍检测结果。本发明针对不同的数据集序列，对每个数据集生成独立的子网络结构用于记忆其独特的特征，最终使得整体网络在每个不同的数据集上达到较好的检测准确率。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种基于持续学习方法改进的卷积神经网络翻拍图像检测系统。

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。现有翻拍图像检测的技术都是针对单一数据集，由于不同数据集所含图像存在大小、分辨率等差异，不同摄像头的不同参数问题，不同场景中存在着图像内容变化、复杂背景变化，不同的图像显示介质造成的纹理变化等，使得同一模型在切换数据集训练时，会造成灾难性遗忘。在实际应用场景中，这一特性表现为针对单一数据集的检测方法往往因为待检测图像的多变性而导致检测率大幅度波动。

发明内容

本发明针对现有翻拍图像检测技术面对不同数据集所含的不同内容、不同分辨率、不同背景、不同设备等等情况时的准确率低下的问题，提出一种基于持续学习方法改进的卷积神经网络翻拍图像检测系统，针对不同的数据集序列，对每个数据集生成独立的子网络结构用于记忆其独特的特征，最终使得整体网络在每个不同的数据集上达到较好的检测准确率。

本发明是通过以下技术方案实现的：

本发明涉及一种基于持续学习方法改进的卷积神经网络翻拍图像检测系统，包括：卷积神经网络模块、持续学习支持模块和独立数据集分类模块，其中：包含提取网络的卷积神经网络模块从以数据集序列形式输入的图像中提取出深度特征；由若干串联的子网络组成的持续学习支持模块针对不同的数据集序列生成对应的子网络参数；由若干独立的分类器组成的独立数据集分类模块对不同的数据集序列中的每一个数据集生成独立的分类器用于针对性分类并最终得到翻拍检测结果。

所述的深度特征在训练时将随着数据集序列的改变而更新；子网络参数在数据集序列改变时不再更新。

所述的卷积神经网络模块包括：若干卷积层、三个全连接层和正则化层，其中：卷积层和第一全连接层组成提取网络，通过神经元从输入的数据集序列中提取出每一个数据集对应的深度特征并分别输出至持续学习支持模块和第二全连接层，经三个全连接层降低特征维度，通过正则化层匹配提取网络的学习速度，通过捷径连接保持低维度特征权重并输出深度特征至独立数据集分类模块。

所述的提取网络中的卷积层与卷积层之间、卷积层与第一全连接层之间设有捷径连接，即跳过某一层直接进入下一层的连接以提高低维特征权重。

所述的提取网络通过卷积层与持续学习支持模块的全连接层的连接实现线性计算和通过卷积层与卷积神经网络模块全连接层的连接实现非线性计算。

所述的持续学习支持模块中各个子网络结构相同，每个子网络均包括：两个全连接层与一个正则化层，其中：每个子网络分别记录卷积神经网络模块提取出的不同深度特征，并保持其不变。

所述的持续学习支持模块通过设置超参数，即卷积神经网络模块和持续学习支持模块输出的权重比控制其子网络对卷积神经网络模块的影响力。

所述的独立数据集分类模块中的每个分类器根据对应各个数据集生成并初始化，在测试阶段各个分类器根据提取网络得到的深度特征得到对应的检测概率，将其中最大值作为最终结果，最终形成翻拍与直拍两类图像的分类。

技术效果