【技術實現步驟摘要】
本專利技術涉及圖形圖像安全處理，尤其涉及輕量高精的復制移動篡改檢測方法。
技術介紹
1、隨著圖像編輯軟件的快速發展和廣泛普及，人們可以輕易地偽造數字圖像中的內容，并且不會留下明顯的篡改痕跡。由于數字圖像在新聞、政治、犯罪偵查和保險索賠調查等領域可以被視為關鍵證據，惡意偽造的圖像可能會帶來嚴重的問題，因此，針對圖像篡改的準確檢測變得至關重要。圖像篡改有很多種類型，其中復制移動偽造檢測(copy-moveforgery?detection，cmfd)是最普遍、最容易執行的一種圖像篡改方式，它將圖像的一個或多個區域進行復制后，粘貼在圖像的其他位置上。為了使偽造的圖像更加真實，復制移動篡改通常會對篡改區域進行一些額外的操作，如亮度調整、對比度調整以及對篡改區域進行縮放、旋轉等幾何攻擊。
2、近年來有許多cmfd方法被提出，它們主要可以被分為兩類：基于手工設計特征的方法和基于深度學習的方法。前者可進一步劃分成基于塊的方法和基于關鍵點的方法。基于塊的方法首先將圖像劃分為重疊的塊，再利用離散余弦變換、主成分分析或zernik變換矩提取每個圖像塊的像素或頻域變換系數中的特征，然后通過兩兩比較塊與塊之間的相似特征來檢測copy-move篡改區域。基于塊的方法計算量較大，并且檢測精確度不高。不同于基于塊的方法通過圖像分塊來進行特征提取，基于關鍵點的方法首先通過使用sift、surf或orb等方法選取一些關鍵點，然后利用關鍵點之間的相似度來匹配并識別篡改區域。雖然基于關鍵點的方法對幾何攻擊有更強的魯棒性，但其難以檢測平滑的篡改區域。>
3、近年來，深度學習領域發展迅速，基于深度學習的方法被逐漸被應用于cmfd領域，使該領域在檢測性能上取得了重大進展。wu等提出的busternet是第一個基于卷積神經網絡的cmfd模型，它由mani-det和simi-det兩個分支組成，其中mani-det分支用于檢測被篡改的目標區域，而simi-det分支通過計算區域之間的特征相似性來定位源區域和目標區域。busternet的兩個分支需要同時完成正確定位，才能夠正確分類源區域和目標區域。為了解決這個問題，chen等改進了busternet，提出了兩個串行的子網絡，即cmsdnet與strdnet，其中cmsdnet用于檢測篡改圖像中的相似區域，而strdnet用于區分源區域和目標區域。zhu等提出了ar-net，它是一個結合了自適應注意力機制與殘差精煉模塊的端到端的cmfd網絡。liu等將自深度匹配與關鍵點匹配進行結合，提出了一個兩階段的cmfd框架。weng等提出了一種u-net形結構的cmfd網絡——ucm-net，它包含了三個模塊，即特征提取模塊(feature?extraction?module，fem)、篡改區域定位模塊(tampered?regionlocalization?module，trlm)以及fem和trlm之間的多個跨層連接。ucm-net為大面積的篡改區域和小面積的篡改區域分別設計了ucm-net-l和ucm-net-s，具體來說，ucm-net-l采用深度較深卷積骨干網絡為提取富含語義信息的高級特征，而ucm-net-s采用深度較淺的卷積骨干網絡提取富含局部細節信息的低級特征，在cmfd領域，局部細節信息對檢測小面積篡改區域十分關鍵，而高級語義信息對檢測大篡改區域有重要作用。ucm-net-l和ucm-net-s已經在多個公開的數據集上進行了測試，包括coverage數據集和comofod數據集。測試結果表明，ucm-net-l在coverage數據集上和ucm-net-s在comofod數據集上，相對于幾種最先進的cmfd算法實現了更優的檢測性能。然而ucm-net無法使用一個單獨的網絡，對含有不同大小篡改區域的圖像進行高精度的檢測。并且，其較高的參數量與計算復雜度使得網絡運行需要較大的內存空間以及較長的運行時間，這限制了ucm-net在計算資源受限的設備上的應用。
4、此外，現有的基于深度學習的cmfd網絡大多致力于提高檢測精度，而沒有考慮降低模型的參數量與計算復雜度。受限于自相關模塊的計算量，多數cmfd網絡，如busternet，cmsd-net，ar-net，two-stage等，僅在骨干網絡深層提取到的低分辨率特征圖上進行相關性計算，而沒有考慮高分辨率特征圖上的局部細節特征之間的相關性信息。ucm-net在多個不同尺度的特征圖上進行了自相關計算，但引入了更高的計算復雜度，并且ucm-net無法使用一個單獨的網絡，對不同大小的篡改區域進行高精度的檢測。
技術實現思路
1、本專利技術的目的在于提供輕量高精的復制移動篡改檢測方法。
2、本專利技術采用的技術方案是：
3、輕量高精的復制移動篡改檢測方法，其包括以下步驟：
4、步驟1，構建檢測模型，檢測模型獲取輸入圖像并執行如下步驟：
5、步驟1-1，骨干網絡特征提取：將長寬尺寸為h×w,通道數為3的待檢測圖像輸入到以fasternet-t0為骨干網絡的lhcm-net；fasternet-t0包括4個依次串接的模塊，每個模塊都由一個下采樣層與多個fasternet?block組成；fasternet?block由一個部分卷積(partial?convolution，pconv)與兩個點卷積(pointwise?convolution，pwconv)依次連接組成，兩個pwconv之間進行批歸一化(batch?normalization，bn)與gelu激活；每個模塊開頭都將對輸入特征圖進行步長為2的卷積下采樣，四個模塊得到的四個特征圖，分別為f1、f2、f3和f4；
6、進一步地，部分卷積pconv僅對特征圖的部分通道做卷積核大小為3×3，步長為1的卷積運算，其余通道保持不變；點卷積pwconv對特征圖進行卷積核大小為1×1，步長為1的卷積運算。
7、步驟1-2，門控特征融合：將四個不同分辨率的特征圖輸入門控特征融合模塊(gated?feature?fusion?module，gffm)得到融合特征圖；步驟1-2具體包括以下步驟：
8、步驟1-2-1，首先將輸入的四張的特征圖分別經過pwconv，使得四個特征圖通過pwconv后的通道數將統一為c；
9、步驟1-2-2，通道數均為c的四張特征圖f1、f2、f3和f4被同時輸入兩個分支，即低分辨率分支lrb和高分辨率分支hrb；
10、步驟1-2-3，hrb將四張特征圖f1、f2、f3和f4統一上采樣到的尺寸，并在通道緯度上進行拼接得到了hrb分支的高分辨率特征圖，形狀為
11、步驟1-2-4，lrb將四個特征圖f1、f2、f3和f4統一下采樣到的尺寸后，在通道緯度上進行拼接得到了lrb分支的低分辨率特征圖，形狀為
12、步驟1-2-5，門控權重生成模塊gwgm在lrb的低分辨率特征圖上，對hrb的高分辨率特征圖進行權重分配；門控權重生成模塊gwgm包括依次連接的con本文檔來自技高網...
【技術保護點】
1.輕量高精的復制移動篡改檢測方法，其特征在于：其包括以下步驟：
2.根據權利要求1所述的輕量高精的復制移動篡改檢測方法，其特征在于：部分卷積PConv僅對特征圖的部分通道做卷積核大小為3×3，步長為1的卷積運算，其余通道保持不變；點卷積PWConv對特征圖進行卷積核大小為1×1，步長為1的卷積運算。
3.根據權利要求1所述的輕量高精的復制移動篡改檢測方法，其特征在于：步驟1-2-3中特征圖F1的空間分辨率已經為不進行任何操作，F2、F3和F4分別經過2倍、4倍和8倍的雙線性插值上采樣。
4.根據權利要求1所述的輕量高精的復制移動篡改檢測方法，其特征在于：步驟1-2-5中Conv?3-2卷積層包括3×3大小且步長為2的卷積層、Batch?Normalization層和GELU激活函數。
5.根據權利要求1所述的輕量高精的復制移動篡改檢測方法，其特征在于：L設置為4，4個DFB編碼器的膨脹率設置分別為1、2、4和8。
6.根據權利要求1所述的輕量高精的復制移動篡改檢測方法，其特征在于：步驟1-3具體包括以下步驟：
<...【技術特征摘要】
1.輕量高精的復制移動篡改檢測方法，其特征在于：其包括以下步驟：
2.根據權利要求1所述的輕量高精的復制移動篡改檢測方法，其特征在于：部分卷積pconv僅對特征圖的部分通道做卷積核大小為3×3，步長為1的卷積運算，其余通道保持不變；點卷積pwconv對特征圖進行卷積核大小為1×1，步長為1的卷積運算。
3.根據權利要求1所述的輕量高精的復制移動篡改檢測方法，其特征在于：步驟1-2-3中特征圖f1的空間分辨率已經為不進行任何操作，f2、f3和f4分別經過2倍、4倍和8倍的雙線性插值上采樣。
4.根據權利要求1所述的輕量高精的復制移動篡改檢測方法，其特征在于：步驟1-2-5中conv?3-2卷積層包括3×3大小且步長為2的卷積層、batch?normalization層和gelu激活函數。
5.根據權利要求1所述的輕量高精的復制移動篡改檢測方法，其...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。