[发明专利]图像篡改识别方法、设备及计算机存储介质

说明书

本申请提供一种图像篡改识别方法、设备及计算机存储介质，主要包括检测图像中的目标对象，确定包含目标对象的目标检测框；根据图像中的目标检测框的位置信息，针对目标检测框执行外扩处理，获得目标对象的外扩检测框；识别外扩检测框中的目标图像，获得目标对象被篡改或未被篡改的识别结果。借此，本申请可以精准地识别图像中的目标对象是否被篡改，并具有更强的泛化能力。

技术领域

本申请实施例涉及视频识别技术领域，特别涉及一种云视频方法、设备及计算机存储介质。

背景技术

人脸识别技术在生活中的应用越来越广泛，并已成为个人身份鉴别的重要手段。但伴随着其便捷性与友好性，用户身份被冒充的风险也大大提升。例如一些不法分子可利用包含面部信息的打印纸张、面具，达到伪造他人身份的目的，从而实现对人脸识别系统的攻击。

目前，对于这类常见的攻击方式的判别已经纳入到人脸识别系统中。然而，随着智能手机拍摄分辨率的提升以及功能强大的图像处理软件的推陈出新，使得图像编辑篡改的门槛越来越低，篡改结果也越来越真实，这也促使了人脸拼接篡改这一新的伪造他人身份的方法的产生。当前，如何判别这种更加真实的伪造他人身份的攻击方式已经成为人脸识别技术的更大挑战。

现有针对人脸拼接篡改的判别方法主要分为两种：

其一为基于人工特征的方法：这类方法首先需要人为地对人脸篡改图像进分析，而后，有针对性的设计出特定的处理流程以及特征提取算子。例如，将图像从RGB空间转换到HSV空间，并分离出三个基色平面分量、再采用SIFT算法完成图像关键点的特征提取，最后通过特征点匹配完成篡改图像的判别。这类算法的缺点是极度依赖人为经验信息，并且由于是有针对性的对当前人脸篡改图像设计的处理方法，当出现新的人脸篡改图像时往往泛化能力较差，因此难以应对实际人脸识别系统中不同场景下可能出现的人脸篡改攻击。

其二为基于深度学习的方法：深度学习是目前人工智能领域最新研究趋势之一，它通过构造一个多层的非线性特征提取网络抽象出输入图像的高层次信息，从而实现对图像的自主表达。然而，目前针对图像拼接篡改检测的深度学习方法大多基于目标检测框架改进，如双流Faster RCNN。由于这类方法可同时完成图像拼接篡改的判断和定位，因此包含特征提取网络以及候选区生成网络两个部分，导致了算法架构较为复杂，此外还需要对输入数据同时进行RGB流和噪音流的处理，无论训练和还是测试均较为耗时。而对于人脸识别系统，较长的人脸验证时长会极大降低用户的使用体验，同时也会难以满足对实时性要求较高的场景。

有鉴于此，亟需一种泛化能力强且识别时间短的人脸篡改识别技术。

发明内容

鉴于上述问题，本申请提供一种图像篡改识别方法、设备及计算机存储介质，具有泛化能力强，处理效率高的优点。

本申请第一方面提供一种图像篡改识别方法，其包括：检测图像中的目标对象，确定包含所述目标对象的目标检测框；根据所述图像中的所述目标检测框的位置信息，针对所述目标检测框执行外扩处理，获得所述目标对象的外扩检测框；以及识别所述外扩检测框中的目标图像，获得所述目标对象被篡改或未被篡改的识别结果。

本申请第二方面提供一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述第一方面所述的方法。

本申请第三方面提供一种图像篡改识别设备，其包括图像检测模块，用于检测图像中的目标对象，确定包含所述目标对象的目标检测框；图像处理模块，用于根据所述图像中的所述目标检测框的位置信息，针对所述目标检测框执行外扩处理，获得所述目标对象的外扩检测框；图像识别模块，识别所述外扩检测框中的目标图像，获得所述目标对象被篡改或未被篡改的识别结果。