基于梯度残差U型卷积神经网络的图像篡改检测技术.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CN113920094A(43)申请公布日2022.01.11(21)申请号202111197057.1G06N3/08(2006.01)(22)申请日2021.10.14(71)申请人厦门大学地址361001福建省厦门市思明南路422号(72)发明人江保祥夏靖波李仕彦王燕婷吴耀翔宋夏雯(74)专利代理机构北京中济纬天专利代理有限公司11429代理人张磊(51)Int.Cl.G06T7/00(2017.01)G06V10/44(2022.01)G06V10/764(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)权利要求书2页说明书5页附图4页(54)发明名称基于梯度残差U型卷积神经网络的图像篡改检测技术(57)摘要本发明涉及一种基于梯度残差U型卷积神经网络的图像篡改检测技术，其特征在于，它包括以下步骤：S1.输入待检测的篡改图像；S2.对输入的篡改图像进行数据增强；S3.将四组图像输入编码器提取图像本质特征和篡改的边缘梯度信息；S4.编码器对四组图像提取的特征图进行解码获取逐像素篡改预测图；S5.对三组测试图像获得的预测图进行增强的逆向还原；S6.将篡改图像获得的预测图和三组测试图像还原后的预测图进行加权融合获得最终逐像素篡改概率预测图。本发明的目的为用于证件资质文档类图像核查、人脸图像核实等。本发明的优点在于：能够提高在多种篡改方式共同作用下的准确率，使模型具有较好的鲁棒性。CN113920094ACN113920094A权利要求书1/2页1.一种基于梯度残差U型卷积神经网络的图像篡改检测技术，其特征在于，它包括以下步骤：S1.输入待检测的篡改图像；S2.对输入的篡改图像进行数据增强，获得三组增强的测试图像；S3.将篡改图像和测试图像依次输入到预训练的编码器中进行下采样，编码器设置4个下采样层，每个下采样层包括自适应中心差分卷积和最大池化层；下采样层先通过Sobel算子残差模块提取输入图像的篡改的边缘梯度信息，再通过自适应中心差分卷积和最大池化层提取输入图像的本质属性特征，最后将本质属性特征与边缘梯度信息结合并归一化后得到特征图，特征图输入至下一下采样层，同时复制特征图用于跨连接；S4.编码器还设置4个上采样层和1个分类层，最后一个下采样层得到的特征图输入至上采样层，每个上采样层包括自适应中心差分卷积、上采样卷积和RELU激活；编码器将下采样层获取的复制特征图通过跨连接的方法输入到解码器对应的上采样层，上采样层先将输入图像与解码器中相同分辨率的跨连接特征图进行连接操作，再通过Sobel算子残差模块提取连接后图像的篡改的边缘梯度信息，连接后的图像接着通过自适应中心差分卷积和上采样卷积提取本质属性特征，最后将本质属性特征与边缘梯度信息结合并归一化后得到新特征图，新特征图输入至下一上采样层；最后一个上采样层得到的新特征图输入至分类层，新特征图与下采样层同分辨率的跨连接特征图进行连接操作后，再通过中心差分卷积提取连接后图像的本质属性特征，最后经过一个1*1的中心差分卷积获得逐像素篡改概率的预测图；S5.将步骤4中的三组测试图像获得的预测图进行增强的逆向还原；S6.将篡改图像获得的预测图和三组测试图像还原后的预测图进行加权融合获得最终逐像素篡改概率预测图。2.根据权利要求1所述的基于梯度残差U型卷积神经网络的图像篡改检测技术，其特征在于：步骤2中数据增强方式包括高斯噪声、顺时针旋转90°以及水平翻转；步骤5中对顺时针旋转90°后的测试图像获得的预测图进行逆时针旋转90°还原，对水平翻转后的测试图像的预测图进行水平翻转还原，对高斯噪声处理后的预测图则不进行还原操作。3.根据权利要求1所述的基于梯度残差U型卷积神经网络的图像篡改检测技术，其特征在于：每个下采样层包括两个3*3的自适应中心差分卷积；每个上采样层包括两个3*3的自适应中心差分卷积。4.根据权利要求2所述的基于梯度残差U型卷积神经网络的图像篡改检测技术，其特征在于：步骤6中的加权融合的公式如下：P＝0.5Pori+0.2Pfold+0.2Pspin+0.1Pnoise其中，Pori为原输入的篡改图像的预测结果，Pfold为水平翻转增强后图像的预测结果，Pspin顺时针旋转90°增强后图像的预测结果，Pnoise高斯噪声增强后图像的预测结果。5.根据权利要求1所述的基于梯度残差U型卷积神经网络的图像篡改检测技术，其特征2CN113920094A权利要求书2/2页在于，编码器的预训练过程如下：选取若干未经过篡改的图像作为原始图像，通过图像编辑程序对这些图像进行复制‑粘贴、拼接、移除篡改操作，并且制作对应的二值篡改标签图，篡改区域为黑，无篡改区域为白，将篡改操作后的图像作