一种基于检测-分割架构的图像篡改盲取证方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113570540A(43)申请公布日2021.10.29(21)申请号202010350900.4(22)申请日2020.04.28(71)申请人上海舜瞳科技有限公司地址201210上海市浦东新区中国（上海）自由贸易试验区张江路665号三层(72)发明人周大可张志伟吴子涵(74)专利代理机构上海汉盛律师事务所31316代理人郭海锋(51)Int.Cl.G06T7/00(2017.01)G06T7/11(2017.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书1页说明书5页附图2页(54)发明名称一种基于检测-分割架构的图像篡改盲取证方法(57)摘要本发明公开了一种基于检测-分割架构的图像篡改盲取证方法，属于深度学习及计算机视觉领域。该方法从语义分割的角度来处理图像的篡改检测问题，采用改进的MaskR-CNN网络进行篡改区域检测与区域分割。在数据预处理阶段，对原始图片进行数据增强，增强样本丰富性。在特征提取阶段，新增一条自下而上的路径实现多级特征信息的融合，进一步获得充足的上下文语义信息。在RPN训练阶段，采用FocalLoss以解决正负样本不平衡问题，使网络更容易收敛。在后处理阶段，采用Soft-NMS算法，以解决重叠检测框所造成的误检、漏检的情况，提高检测召回率。本发明方法实现了在复杂场景下对多种篡改(方式)图像进行盲取证，有效地提高了篡改区域的检测与定位精度。CN113570540ACN113570540A权利要求书1/1页1.一种基于检测-分割架构的图像篡改盲取证方法，包括如下具体步骤：步骤1：图像数据预处理，即对篡改图像数据集CASIA和Columbia数据集中的图像进行增强预处理，并标注图像得到篡改区域二值模板，划分训练集、验证集和测试集；步骤2：设计检测-分割网络，即在MaskR-CNN基础上，针对篡改区域特性，新增一条自下而上、侧向连接的路径以获得多尺度的信息融合，更好捕捉篡改区域位置；步骤3：计算网络的损失函数，即在网络的RPN阶段选用Focalloss损失函数以处理样本类别不平衡问题，为整体网络设计损失函数以满足检测-分割任务的需要；步骤4：训练网络，即选择优化器以及设置超参数，利用训练集和验证集对步骤2和步骤3中所设计的检测-分割网络进行训练。步骤5：网络输出后处理，即将测试集中待检测图片输入训练好的检测-分割网络，采用非极大值抑制法去除重叠程度较高的预测框，进而得到最终篡改区域分割结果。2.根据权利要求1所述基于检测-分割网络的图像篡改盲取证方法，其特征在于，所述步骤1中的数据预处理包括：随机旋转、随机裁剪、随机亮度、饱和度和对比度变化以及随机水平翻转等操作，所述的训练集、验证集和测试集按照6:2:2划分。3.根据权利要求1所述基于检测-分割网络的图像篡改盲取证方法，其特征在于，所述的步骤2中的MaskR-CNN结构生成多种尺度特征图{C2，C3，C4，C5}，并采用特征金字塔结构生成特征表示{P2，P3，P4，P5}。而本发明在特征金字塔基础上新增一条自下而上的路径，并进行侧向连接，生成一组新的特征表示{N2，N3，N4，N5}，以实现多级尺度信息的进一步融合。4.根据权利要求1所述基于检测-分割网络的图像篡改盲取证方法，其特征在于，所述步骤3中的损失函数为FocalLoss形式为：γFL(gi)＝-α(1-gi)log(gi)其中，α为权重因子，γ为聚焦参数，gi代表anchori为篡改区域的概率。5.根据权利要求1所述基于检测-分割网络的图像篡改盲取证方法，其特征在于，所述步骤4中所述的优化器为SGD优化器，所述的超参数包括学习率、batch_size、学习率衰减。6.根据权利要求1所述基于检测-分割网络的图像篡改盲取证方法，其特征在于，所属的非极大值抑制算法为Enhanced-NMS算法，Enhanced-NMS算法采用基于高斯加权的置信得分重置函数，定义为：式中，σ是高斯函数的标准差，置于0.5。此外，Enhanced-NMS算法每一步的计算复杂度为O(N)，N为图片中检测框的数量。2CN113570540A说明书1/5页一种基于检测-分割架构的图像篡改盲取证方法技术领域[0001]本发明涉及数字图像取证、计算机视觉以及数字图像处理等领域，具体是一种在没有任何先验信息的情况下对数字图像进行真实性、完整性检测的方法。背景技术[0002]数字图像盲取证技术凭借其不依赖于任何先验信息、直接对图像内容进行取证而成为数字图像取证领域的一个研究重点。随着计算机技术和信息技术的发展，图像篡改变得越来越普及，篡改内容越来越多样，篡改手段越来越复杂，造成了对篡改图像进行盲取证的难度也日益加大。因此