本技術(shù)涉及偽造圖像檢測，特別是涉及基于圖像自融合的偽造圖像檢測方法、裝置、設(shè)備和介質(zhì)。

背景技術(shù)：

1、隨著時代的發(fā)展和技術(shù)的進(jìn)步，針對面部篡改技術(shù)的研究日新月異。這些研究使得攻擊者能夠輕易地修改現(xiàn)有圖像中的面部特征，從而生成新的偽造圖像。這種能力不僅改變了身份信息和面部屬性，而且對于人眼來說，辨別圖像是否被篡改也變得越來越困難。這種感知上的挑戰(zhàn)為惡意用戶帶來了重大的機(jī)會，他們可以利用這些技術(shù)進(jìn)行身份欺詐、制造虛假證據(jù)或冒充犯罪活動。這種濫用行為對社會安全和個人隱私構(gòu)成了嚴(yán)重威脅。

2、因此，在當(dāng)前環(huán)境下，迫切需要開發(fā)有效的防篡改檢測技術(shù)，以應(yīng)對這一挑戰(zhàn)。

3、現(xiàn)有技術(shù)中，在面部篡改偽造檢測領(lǐng)域，大多數(shù)現(xiàn)有的研究工作采取了有監(jiān)督的學(xué)習(xí)方法。這些方法通過利用已知的面部操縱技術(shù)，能夠在特定測試集上實現(xiàn)高達(dá)98％的檢測準(zhǔn)確率。

4、但是，當(dāng)將這些方法應(yīng)用于現(xiàn)實世界時，它們往往會出現(xiàn)過擬合的問題，這會導(dǎo)致檢測性能顯著下降，在某些情況下甚至不如隨機(jī)猜測的結(jié)果。具體來說，這些方法之所以會遇到過擬合問題，是因為它們直接使用現(xiàn)有的篡改技術(shù)來訓(xùn)練深度偽造檢測模型，這種做法在已知的篡改技術(shù)上能夠取得較好的效果，但卻損害了模型在面對未知篡改偽造方法時的泛化能力；換句話說，這些模型可能在它們訓(xùn)練時見過的特定篡改類型的數(shù)據(jù)上表現(xiàn)良好，但當(dāng)遇到新的、未知的篡改技術(shù)時，它們的性能就會大打折扣。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種基于圖像自融合的偽造圖像檢測方法、裝置、設(shè)備和介質(zhì)，能夠提高深度偽造圖像檢測的泛化能力和魯棒性。

2、基于圖像自融合的偽造圖像檢測方法，包括：

3、獲取自然圖像，提取面部標(biāo)記和面部輪廓；

4、采用圖像處理方法，對自然圖像的面部標(biāo)記和面部輪廓進(jìn)行處理，得到目標(biāo)圖像和源圖像；對源圖像進(jìn)行尺寸縮放和平移變換處理，得到變換圖像；

5、對變換圖像進(jìn)行增強(qiáng)處理，得到增強(qiáng)圖像；對增強(qiáng)圖像進(jìn)行基于圖像塊池化處理，得到掩碼圖像；

6、將目標(biāo)圖像、變換圖像以及掩碼圖像進(jìn)行圖像自融合，得到融合圖像；

7、以自然圖像和融合圖像為一個圖像對，將多個圖像對輸入初始模型進(jìn)行訓(xùn)練，直至滿足預(yù)設(shè)條件時，得到檢測模型，以檢測偽造圖像。

8、在一個實施例中，對增強(qiáng)圖像進(jìn)行基于圖像塊池化處理，得到掩碼圖像，包括：

9、將增強(qiáng)圖像根據(jù)像素點的空間位置劃分成多個圖像塊，且每個圖像塊內(nèi)的灰度值被統(tǒng)一為相應(yīng)圖像塊灰度的平均值，得到基于圖像塊池化處理后的掩碼圖像。

10、在一個實施例中，將增強(qiáng)圖像根據(jù)像素點的空間位置劃分成多個圖像塊，包括：

11、

12、每個圖像塊內(nèi)的灰度值被統(tǒng)一為相應(yīng)圖像塊灰度的平均值，包括：

13、mpb(i·s:(i+1)·s,j·s:(j+1)·s)＝μi,j

14、式中，μi,j為面部的灰度值掩碼m中第i行第j列圖像塊的平均像素值，i為灰度值掩碼m中圖像塊的行索引，j為灰度值掩碼m中圖像塊的列索引，s為正方形圖像塊的邊長，x為圖像塊內(nèi)部相對橫坐標(biāo)，y為圖像塊內(nèi)部相對縱坐標(biāo)，m為由掩碼生成器創(chuàng)建的面部灰度值掩碼，mpb為掩碼圖像。

15、在一個實施例中，初始模型進(jìn)行訓(xùn)練的目標(biāo)函數(shù)，包括：

16、

17、式中，為模型訓(xùn)練中使用的交叉熵?fù)p失函數(shù)，n為訓(xùn)練過程中使用的樣本總數(shù)，c為第k張訓(xùn)練圖像的真實類別標(biāo)簽，為整個訓(xùn)練圖像的數(shù)據(jù)集，為模型對第k張訓(xùn)練圖像的預(yù)測類別標(biāo)簽。

18、在一個實施例中，獲取自然圖像，提取面部標(biāo)記和面部輪廓，包括：

19、獲取自然圖像，提取面部標(biāo)記和面部邊界；

20、對面部邊界添加預(yù)設(shè)范圍的邊距，得到面部輪廓。

21、在一個實施例中，采用圖像處理方法，對自然圖像的面部標(biāo)記和面部輪廓進(jìn)行處理，得到目標(biāo)圖像和源圖像，包括：

22、同時采用多種圖像處理方法，對自然圖像的面部標(biāo)記和面部輪廓進(jìn)行處理，以區(qū)分顏色和頻率，得到目標(biāo)圖像和源圖像。

23、在一個實施例中，對變換圖像進(jìn)行增強(qiáng)處理，得到增強(qiáng)圖像，包括：

24、對變換圖像，進(jìn)行標(biāo)志位檢測，得到標(biāo)志圖像；

25、對標(biāo)志圖像，采用凸包方法進(jìn)行內(nèi)外臉分割，得到分割圖像；

26、對分割圖像，進(jìn)行掩碼增強(qiáng)，得到增強(qiáng)圖像。

27、基于圖像自融合的偽造圖像檢測裝置，包括：

28、獲取模塊，用于獲取自然圖像，提取面部標(biāo)記和面部輪廓；；

29、處理模塊，用于采用圖像處理方法，對自然圖像的面部標(biāo)記和面部輪廓進(jìn)行處理，得到目標(biāo)圖像和源圖像；對源圖像進(jìn)行尺寸縮放和平移變換處理，得到變換圖像；

30、池化模塊，用于對變換圖像進(jìn)行增強(qiáng)處理，得到增強(qiáng)圖像；對增強(qiáng)圖像進(jìn)行基于圖像塊池化處理，得到掩碼圖像；

31、融合模塊，用于將目標(biāo)圖像、變換圖像以及掩碼圖像進(jìn)行圖像自融合，得到融合圖像；

32、檢測模塊，用于以自然圖像和融合圖像為一個圖像對，將多個圖像對輸入初始模型進(jìn)行訓(xùn)練，直至滿足預(yù)設(shè)條件時，得到檢測模型，以檢測偽造圖像。

33、一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)以下步驟：

34、獲取自然圖像，提取面部標(biāo)記和面部輪廓；

35、采用圖像處理方法，對自然圖像的面部標(biāo)記和面部輪廓進(jìn)行處理，得到目標(biāo)圖像和源圖像；對源圖像進(jìn)行尺寸縮放和平移變換處理，得到變換圖像；

36、對變換圖像進(jìn)行增強(qiáng)處理，得到增強(qiáng)圖像；對增強(qiáng)圖像進(jìn)行基于圖像塊池化處理，得到掩碼圖像；

37、將目標(biāo)圖像、變換圖像以及掩碼圖像進(jìn)行圖像自融合，得到融合圖像；

38、以自然圖像和融合圖像為一個圖像對，將多個圖像對輸入初始模型進(jìn)行訓(xùn)練，直至滿足預(yù)設(shè)條件時，得到檢測模型，以檢測偽造圖像。

39、一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)以下步驟：

40、獲取自然圖像，提取面部標(biāo)記和面部輪廓；

41、采用圖像處理方法，對自然圖像的面部標(biāo)記和面部輪廓進(jìn)行處理，得到目標(biāo)圖像和源圖像；對源圖像進(jìn)行尺寸縮放和平移變換處理，得到變換圖像；

42、對變換圖像進(jìn)行增強(qiáng)處理，得到增強(qiáng)圖像；對增強(qiáng)圖像進(jìn)行基于圖像塊池化處理，得到掩碼圖像；

43、將目標(biāo)圖像、變換圖像以及掩碼圖像進(jìn)行圖像自融合，得到融合圖像；

44、以自然圖像和融合圖像為一個圖像對，將多個圖像對輸入初始模型進(jìn)行訓(xùn)練，直至滿足預(yù)設(shè)條件時，得到檢測模型，以檢測偽造圖像。

45、上述基于圖像自融合的偽造圖像檢測方法、裝置、設(shè)備和介質(zhì)，是一種基于圖像塊自融合的高泛化性深度偽造圖像檢測方法，將目標(biāo)圖像、變換圖像以及掩碼圖像進(jìn)行圖像自融合，以模擬深度偽造圖像的特征和固有偽造痕跡，并將原有的自然圖像以及得到的融合圖像座位樣本對，用于訓(xùn)練高泛化性能的深度偽造圖像檢測模型，為檢測模型提供了更為豐富的信息源，并提供了更具挑戰(zhàn)性的訓(xùn)練數(shù)據(jù)，以利用vit系列模型輸入數(shù)據(jù)的特性在訓(xùn)練圖像數(shù)據(jù)上執(zhí)行圖像塊級別的自融合。與現(xiàn)有的最優(yōu)的方法相比，本技術(shù)的方法在面對未知深度偽造方法時取得了令人印象深刻的檢測性能，采用本技術(shù)方法訓(xùn)練得到的檢測模型，能夠?qū)W習(xí)到偽造圖像數(shù)據(jù)中的高泛化性表征，顯著提高了其在檢測深度偽造圖像(篡改圖像)的泛化能力和魯棒性，有效地提高了實際應(yīng)用場景下的圖像偽造檢測的可靠性和實用性。