CN112381775B - 一种图像篡改检测方法、终端设备及存储介质 - Google Patents

一种图像篡改检测方法、终端设备及存储介质 Download PDF

Info

Publication number
CN112381775B
CN112381775B CN202011230556.1A CN202011230556A CN112381775B CN 112381775 B CN112381775 B CN 112381775B CN 202011230556 A CN202011230556 A CN 202011230556A CN 112381775 B CN112381775 B CN 112381775B
Authority
CN
China
Prior art keywords
image
tampered
layer
network model
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011230556.1A
Other languages
English (en)
Other versions
CN112381775A (zh
Inventor
林燕语
张光斌
高志鹏
尤俊生
赵建强
杜新胜
张辉极
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Meiya Pico Information Co Ltd
Original Assignee
Xiamen Meiya Pico Information Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Meiya Pico Information Co Ltd filed Critical Xiamen Meiya Pico Information Co Ltd
Priority to CN202011230556.1A priority Critical patent/CN112381775B/zh
Publication of CN112381775A publication Critical patent/CN112381775A/zh
Application granted granted Critical
Publication of CN112381775B publication Critical patent/CN112381775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种图像篡改检测方法、终端设备及存储介质，该方法中包括：S1：采集未篡改图像和对应的篡改图像，并将未篡改图像减去篡改图像得到篡改图像的差异图像，将未篡改图像和篡改图像共同组成训练集；S2：构建二分类网络模型，通过训练集对二分类网络模型进行训练，使得训练后的二分类网络模型能够区分图像是否被篡改；二分类网络模型包括特征提取层、图像注意力层和分类器；S3：通过训练后的二分类网络模型对图像是否被篡改进行识别。本发明将差异图像作为真实标签。以真实标签作为篡改监督信息，使用神经网络训练二值分类网络，引导网络获取准确的篡改检测概率值和伪造定位图，可以有效提升人脸篡改图像识别分类的性能。

Description

一种图像篡改检测方法、终端设备及存储介质
技术领域
本发明涉及图像监测领域，尤其涉及一种图像篡改检测方法、终端设备及存储介质。
背景技术
随着图像编辑技术和用户友好编辑软件的进步，对图像生成过程进行低成本的篡改现象已普遍存在。但是，这些进步也诱使产生真实的虚假内容，对人们生活造成重大影响。它们可以用来生成假脸，并在无处不在的社交网络上传播，更甚者会用来破解人脸识别***，对安全造成了严重危害。因此，开发能够可靠检测此类操作的方法至关重要，并且最近几年，对这一目标的关注日益增加。
人脸篡改检测方法主要分为两种：基于传统方法和基于深度学习的方法。基于传统方法是根据某一种类型的篡改方法设计手工特征，对特定的篡改方法有效，例如CFA差值算法、模式噪声估计算法、JPEG量化表算法等；基于深度学习的方式是将人脸篡改图像看作目标检测、异常检测问题，利用深度学习模型自动提取有效的特征进行篡改检测，例如基于约束卷积、多尺度、GAN等多种模型。
当前基于传统方法和基于深度学习的方法的篡改检测方法虽然都能起到一定的检测效果，但是还存在着缺陷。传统方法大部分都是针对某种篡改方法设计的，因此鲁棒性和可扩展性差，不适用于多样的篡改检测。而基于深度学习的方法大部分都是进行篡改检测，定位能力较弱或者没有，准确性受到一定限制。
发明内容
为了解决上述问题，本发明提出了一种图像篡改检测方法、终端设备及存储介质。
具体方案如下：
一种图像篡改检测方法，包括以下步骤：
S1：采集未篡改图像和对应的篡改图像，并将未篡改图像减去篡改图像得到篡改图像的差异图像，将未篡改图像和篡改图像共同组成训练集；
S2：构建二分类网络模型，通过训练集对二分类网络模型进行训练，使得训练后的二分类网络模型能够区分图像是否被篡改；
二分类网络模型包括特征提取层、图像注意力层和分类器；
特征提取层由双流网络组成，分别为RGB流卷积层和SRM流卷积层，RGB流卷积层通过输入RGB图像进行特征提取，SRM流卷积层通过一个SRM滤波层后获取噪声图像，将噪声图像输入卷积层进行特征提取；
图像注意力层将RGB流卷积层和SRM流卷积层提取的特征进行拼接后作为输入，通过对输入的特征图像进行运算后得到差异图像，将差异图像与输入的特征图像进行融合后作为图像注意力层的输出；
分类器对图像注意力层的输出进行分类，判断其是否为篡改图像；
S3：通过训练后的二分类网络模型对图像是否被篡改进行识别。
进一步的，步骤S1中差异图像为未篡改图像减去篡改图像的差值进行归一化处理后的图像。
进一步的，步骤S1中组成训练集中的图像还包括以下操作：通过人脸检测算法获取未篡改图像中的人脸，然后使用获取的人脸对应的人脸区域的位置来截取篡改图像中的人脸，将截取的人脸组成训练集。
进一步的，RGB流卷积层和SRM流卷积层分别通过残差网络的前三层结构进行特征提取。
进一步的，图像注意力层对输入的特征图像的运算为通过两个卷积层和一个sigmoid函数对输入进行运算。
进一步的，分类器中采用残差网络的最后两层卷积对输入进行特征提取，然后采用一个池化层和三个全连接层进行二分类训练。
进一步的，模型的损失函数L为：
L＝Lcls+α*Lmap
其中，Lcls表示用于分类器的二分类交叉熵损失函数，α表示损失函数权重，Lmap表示用于图像注意力层的L1损失函数。
一种图像篡改检测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，克服了人脸图像篡改检测和定位技术上的缺陷，通过将差异图像作为真实标签(GroundTruth，GT)。以真实标签GT作为篡改监督信息，使用神经网络训练二值分类网络，引导网络获取准确的篡改检测概率值和伪造定位图，可以有效提升人脸篡改图像识别分类的性能。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中SRM流卷积层使用的滤波器示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种图像篡改检测方法，如图1所示，所述方法包括以下步骤：
S1：采集未篡改图像和对应的篡改图像，并将未篡改图像减去篡改图像得到篡改图像的差异图像，将未篡改图像和篡改图像共同组成训练集。
为了提高模型的泛化能力，使得模型学习到更能识别出未篡改图像与篡改图像的判别性特征，该实施例中篡改图像使用多种篡改方式，例如人脸属性操作、复制-粘贴、人脸合成、身份变换等，使得训练集中包含多种不同类型的篡改图像。
该实施例中差异图像具体采用如下方式生成：
使用人脸检测算法获取未篡改图像中的人脸，然后使用获取的人脸对应的人脸区域的位置来截取篡改图像中的人脸。这样做的目的是保证了未篡改图像与篡改图像中人脸位置的一致性。通过将未篡改图像减去篡改图像，并根据差值的绝对值得到差异图像，对差异图像进行归一化到[0,1]的范围内。
为了降低图像采样造成的影响，该实施例中设置了像素值阈值为0.1，将大于像素值阈值的像素值设为1，小于等于像素值阈值的像素值设为0。
差异图像的计算公式如下：
Xgt＝||X-Xtp||/255.0 (1)
其中，X表示未篡改图像，Xtp表示篡改图像，Xgt表示归一化后的差异图像。
S2：构建二分类网络模型，通过训练集对二分类网络模型进行训练，使得训练后的二分类网络模型能够区分图像是否被篡改。
二分类网络模型包括特征提取层、图像注意力层和分类器。
(1)特征提取层
该实施例中特征提取层采用双流网络结构，其由两个网络流组成：RGB流卷积层和隐写分析丰富模型(steganalysis rich model，SRM)流卷积层。RGB流卷积层通过输入RGB图像进行特征提取，SRM流卷积层通过一个SRM滤波层后获取噪声图像，将噪声图像输入卷积层进行特征提取。两者的卷积层均为残差网络的前三层结构，RGB流卷积层和SRM流卷积层均通过残差网络的前三层结构进行特征提取。SRM流卷积层可以利用图像的局部噪声分布来提供额外的证据，因为篡改图像与未篡改图像的噪声分布不一致。
SRM流卷积层使用的滤波器如图2所示，其是噪声分析中常用并且有效的滤波器，由三个卷积滤波器组成，通过将三个卷积滤波器转换成卷积核，然后调整每个卷积核的权重来构建SRM卷积层，同时不对SRM卷积进行反向传播，公式如下：
XSRM＝WSRM*X (2)
其中，
Figure BDA0002765052210000061
表示SRM卷积核参数，
Figure BDA0002765052210000062
表示输入图像，
Figure BDA0002765052210000063
表示经过SRM滤波器处理后生成的图像。
SRM流卷积层能够提取篡改图像中分布不一致的噪声，有利于网络捕获未篡改图像与篡改图像的差异，更好地检测出未篡改图像和篡改图像。
将双流网络的RGB流卷积层和SRM流卷积层的特征进行拼接，作为图像注意力层的输入，使用的公式如下：
yout＝concat(yfRGB,yfSRM) (3)
其中，yfRGB和yfSRM表示经过残差网络前三层获取的特征值；concat表示拼接操作，将yfRGB和yfSRM在通道上进行拼接，可表示为N*(k1+k2)*H*W，N表示batch size，k1、k2分别表示yfRGB和yfSRM的通道数，H和W表示当前特征图的宽和高。
(2)图像注意力层
因为注意力图能够突出被篡改的图像区域，从而引导网络对这些区域进行检测。因此，基于注意力的层可以应用于分类模型的任何特征映射，并将网络的注意力集中在区分区域上。
该实施例中，图像注意力层的输入是拼接的特征图像的卷积特征图
Figure BDA0002765052210000064
其中H表示高度，W表示宽度，C表示通道数。然后使用两个卷积层和一个sigmoid函数对输入进行运算，求解差异图像，计算公式如下：
Figure BDA0002765052210000065
其中，
Figure BDA0002765052210000071
表示卷积操作。
Figure BDA0002765052210000072
表示网络生成的差异图像。
注意力图中每个像素的强度对于真实区域接近于0，对于篡改区域接近于1。可以理解为，注意力图的像素表示的是图像中像素是篡改区域的概率。因此，将差异图像加入网络特征中，更有利于图像区分篡改图像。所以，该实施例中将差异图像和输入的特征图像进行融合并输出，融合公式如下：
F′＝Xin⊙Mgr (5)
其中，⊙表示按元素的乘法；
Figure BDA0002765052210000075
表示强化后的特征。
(3)分类器
通过图像注意力层来获取二分类网络模型的特征映射，学习到可以突出显示篡改图像中影响卷积网络决策的区域，并指导网络学习到判别性的特征，提高网络的分类能力。该实施例中采用残差网络的最后两层卷积，对融合图像注意力层的特征进行特征提取，然后采用一个池化层和三个全连接层进行二分类训练，判别图像是否为篡改图像。
(4)损失函数
为了训练二分类网络，该实施例中模型的损失函数L为：
L＝Lcls+α*Lmap (6)
其中，Lcls表示用于分类器的训练的二分类交叉熵损失函数；α表示损失函数权重，用于平衡两种损失函数的权值；Lmap表示用于图像注意力层的差异图像的训练的损失函数，通过该损失函数使得图像注意力层运算得到的差异图像作为标签与二分类网络模型的输入图像对应的差异图像作为真实标签GT的差异最小，其中，如果训练过程中输入二分类网络模型的图像为未篡改图像，其差异图像为值全为“0”的图像，即全黑图像；如果训练过程中输入二分类网络模型的图像为篡改图像，则其差异图像为步骤S1中计算的差异图像。该实施例中Lmap采用L1损失函数，具体公式如下：
Figure BDA0002765052210000081
其中，Mgt表示网络训练得到的差异图像，
Figure BDA0002765052210000082
表示真实的差异图像，同时
Figure BDA0002765052210000083
是通过缩放操作将Xgt缩放到跟Mgt一样的宽和高。
通过上述损失函数能够训练出一个检测出真实标签GT的二分类网络，能够区分出篡改区域，还能够提升二分类的准确性。
S3：通过训练后的二分类网络模型对图像是否被篡改进行识别。
本发明实施例一可以判别多种篡改操作，例如拼接、复制-粘贴、删除等篡改类型。通过设计一个注意力层，定位出篡改区域得到真实标签GT。并将真实标签GT融合进特征中，作为二分类器的输入，引导网络对这些区域进行检测，以进一步改进二分类器的性能。为人脸图像篡改检测提供了一种全新思路。
实施例二：
本发明还提供一种图像篡改检测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述图像篡改检测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述图像篡改检测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述图像篡改检测终端设备的组成结构仅仅是图像篡改检测终端设备的示例，并不构成对图像篡改检测终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述图像篡改检测终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述图像篡改检测终端设备的控制中心，利用各种接口和线路连接整个图像篡改检测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述图像篡改检测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述图像篡改检测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (7)

1.一种图像篡改检测方法，其特征在于，包括以下步骤：
S1：采集未篡改图像和对应的篡改图像，并将未篡改图像减去篡改图像得到篡改图像的差异图像，将未篡改图像和篡改图像共同组成训练集；
S2：构建二分类网络模型，通过训练集对二分类网络模型进行训练，使得训练后的二分类网络模型能够区分图像是否被篡改；
二分类网络模型包括特征提取层、图像注意力层和分类器；
特征提取层由双流网络组成，分别为RGB流卷积层和SRM流卷积层，RGB流卷积层通过输入RGB图像进行特征提取，SRM流卷积层通过一个SRM滤波层后获取噪声图像，将噪声图像输入卷积层进行特征提取；
图像注意力层将RGB流卷积层和SRM流卷积层提取的特征进行拼接后作为输入，通过对输入的特征图像进行运算后得到图像注意力层的差异图像，将图像注意力层的差异图像与输入的特征图像进行融合后作为图像注意力层的输出；
分类器对图像注意力层的输出进行分类，判断其是否为篡改图像；
其中，所述二分类网络模型的损失函数L为：
L＝Lcls+α*Lmap
其中，Lcls表示用于分类器的二分类交叉熵损失函数，α表示损失函数权重，Lmap表示用于图像注意力层的差异图像的训练的L1损失函数，
Figure FDA0003910015740000011
其中，Mgt表示网络训练得到的差异图像，
Figure FDA0003910015740000012
表示真实的差异图像；
其中，使用两个卷积层和一个sigmoid函数对图像注意力层的输入进行运算来得到所述Mgt，计算公式为：
Figure FDA0003910015740000013
其中，Xin为作为图像注意力层输入的、拼接的特征图像的卷积特征图，
Figure FDA0003910015740000021
Figure FDA0003910015740000022
H表示高度，W表示宽度，C表示通道数,其中，
Figure FDA0003910015740000023
表示卷积操作；S3：通过训练后的二分类网络模型对图像是否被篡改进行识别。
2.根据权利要求1所述的图像篡改检测方法，其特征在于：步骤S1中差异图像为未篡改图像减去篡改图像的差值进行归一化处理后的图像。
3.根据权利要求1所述的图像篡改检测方法，其特征在于：步骤S1中组成训练集中的图像还包括以下操作：通过人脸检测算法获取未篡改图像中的人脸，然后使用获取的人脸对应的人脸区域的位置来截取篡改图像中的人脸，将截取的人脸组成训练集。
4.根据权利要求1所述的图像篡改检测方法，其特征在于：RGB流卷积层和SRM流卷积层分别通过残差网络的前三层结构进行特征提取。
5.根据权利要求1所述的图像篡改检测方法，其特征在于：分类器中采用残差网络的最后两层卷积对输入进行特征提取，然后采用一个池化层和三个全连接层进行二分类训练。
6.一种图像篡改检测终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～5中任一所述方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～5中任一所述方法的步骤。
CN202011230556.1A 2020-11-06 2020-11-06 一种图像篡改检测方法、终端设备及存储介质 Active CN112381775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011230556.1A CN112381775B (zh) 2020-11-06 2020-11-06 一种图像篡改检测方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011230556.1A CN112381775B (zh) 2020-11-06 2020-11-06 一种图像篡改检测方法、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN112381775A CN112381775A (zh) 2021-02-19
CN112381775B true CN112381775B (zh) 2023-02-21

Family

ID=74578960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011230556.1A Active CN112381775B (zh) 2020-11-06 2020-11-06 一种图像篡改检测方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN112381775B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950564B (zh) * 2021-02-23 2022-04-01 北京三快在线科技有限公司 一种图像检测方法、装置、存储介质及电子设备
CN112949469A (zh) * 2021-02-26 2021-06-11 中国科学院自动化研究所 针对人脸篡改图像特点分布的图像识别方法、***及设备
CN113129261A (zh) * 2021-03-11 2021-07-16 重庆邮电大学 一种基于双流卷积神经网络的图像篡改检测方法
CN113065592A (zh) * 2021-03-31 2021-07-02 上海商汤智能科技有限公司 图像分类方法、装置、电子设备及存储介质
CN113673568B (zh) * 2021-07-19 2023-08-22 华南理工大学 篡改图像的检测方法、***、计算机设备和存储介质
CN113705397A (zh) * 2021-08-16 2021-11-26 南京信息工程大学 基于双流cnn结构融合prnu的gan生成人脸检测方法
CN113989245B (zh) * 2021-10-28 2023-01-24 杭州中科睿鉴科技有限公司 多视角多尺度图像篡改检测方法
CN114218613A (zh) * 2021-12-14 2022-03-22 云从科技集团股份有限公司 图像篡改检测方法、装置以及计算机可读存储介质
CN114444565A (zh) * 2021-12-15 2022-05-06 厦门市美亚柏科信息股份有限公司 一种图像篡改检测方法、终端设备及存储介质
CN114419633A (zh) * 2021-12-30 2022-04-29 厦门市美亚柏科信息股份有限公司 一种用于证件文档类图像篡改的检测方法和***
CN114820436A (zh) * 2022-03-14 2022-07-29 支付宝(杭州)信息技术有限公司 篡改检测方法、装置、存储介质及电子设备
CN115001937B (zh) * 2022-04-11 2023-06-16 北京邮电大学 面向智慧城市物联网的故障预测方法及装置
CN115396237A (zh) * 2022-10-27 2022-11-25 浙江鹏信信息科技股份有限公司 网页恶意篡改识别方法、***及可读存储介质
CN115578631B (zh) * 2022-11-15 2023-08-18 山东省人工智能研究院 基于多尺度交互和跨特征对比学习的图像篡改检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378254A (zh) * 2019-07-03 2019-10-25 中科软科技股份有限公司 车损图像修改痕迹的识别方法、***、电子设备及存储介质
CN110992238A (zh) * 2019-12-06 2020-04-10 上海电力大学 一种基于双通道网络的数字图像篡改盲检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6859565B2 (en) * 2001-04-11 2005-02-22 Hewlett-Packard Development Company, L.P. Method and apparatus for the removal of flash artifacts

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378254A (zh) * 2019-07-03 2019-10-25 中科软科技股份有限公司 车损图像修改痕迹的识别方法、***、电子设备及存储介质
CN110992238A (zh) * 2019-12-06 2020-04-10 上海电力大学 一种基于双通道网络的数字图像篡改盲检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Learning Rich Features for Image Manipulation Detection;Peng Zhou等;《IEEE Xplore》;20181231;第1-9页 *
基于AT-PGGAN的增强数据车辆型号精细识别;杨昌东等;《中国图象图形学报》;20200316(第03期);第1-9页 *

Also Published As

Publication number Publication date
CN112381775A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN112381775B (zh) 一种图像篡改检测方法、终端设备及存储介质
Wang et al. An effective method for plate number recognition
Wang et al. Background-driven salient object detection
Türkyılmaz et al. License plate recognition system using artificial neural networks
Zhang et al. Boundary-based image forgery detection by fast shallow cnn
WO2020164278A1 (zh) 一种图像处理方法、装置、电子设备和可读存储介质
CN111275685A (zh) 身份证件的翻拍图像识别方法、装置、设备及介质
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
Thajeel et al. A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern.
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
Wang et al. S 3 D: Scalable pedestrian detection via score scale surface discrimination
Lin et al. Convolutional neural networks for face anti-spoofing and liveness detection
He et al. Aggregating local context for accurate scene text detection
Velliangira et al. A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images
CN114444565A (zh) 一种图像篡改检测方法、终端设备及存储介质
Jwaid et al. Study and analysis of copy-move & splicing image forgery detection techniques
Booysens et al. Ear biometrics using deep learning: A survey
Isaac et al. Image forgery detection using region–based Rotation Invariant Co-occurrences among adjacent LBPs
Liu et al. Presentation attack detection for face in mobile phones
Mannan et al. Optimized segmentation and multiscale emphasized feature extraction for traffic sign detection and recognition
CN113486715A (zh) 图像翻拍识别方法、智能终端以及计算机存储介质
CN111178398B (zh) 检测身份证图像信息篡改的方法、***、存储介质及装置
CN112686122A (zh) 人体及影子的检测方法、装置、电子设备、存储介质
CN111340139A (zh) 一种图像内容复杂度的判别方法及装置
Ghandour et al. Building shadow detection based on multi-thresholding segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant