1.一种用于检测变形的或平均化的面部图像的装置,其中所述变形的或平均化的图像是合成生成的图像,所述合成生成的图像包括来自两个或更多个不同的源图像的信息,所述两个或更多个不同的源图像对应于两个或更多个主体,所述装置包括:
特征提取模块,其用于接收输入图像并输出该图像的一组描述符特征特性;以及
分类器模块,其被配置为,基于所述描述符特征而将所述输入图像认定为第一类型或第二类型,所述第一类型表明图像已经变形或平均化,所述第二类型表明图像没有变形或平均化;
其中所述分类器模块包括机器学习系统,所述机器学习系统被训练为使用训练数据集对单个图像进行分类,所述训练数据集包括变形的或平均化的图像以及没有变形或平均化的图像。
2.根据权利要求1所述的装置,其中所述特征提取模块包括机器学习系统,并且所述描述符特征取决于参数,所述参数由对包括图像的训练数据集的使用而确定。
3.根据权利要求2所述的装置,其中所述训练数据集包括变形的或平均化的图像以及没有变形或平均化的图像。
4.根据前述任意一项权利要求所述的装置,其中所述变形的或平均化的图像是变形的或平均化的面部图像。
5.根据前述任意一项权利要求所述的装置,进一步包括图像预处理模块,所述图像预处理模块被布置为从所述图像提取并归一化感兴趣的区域(例如,人的面部),并将预处理后的图像发送给所述特征提取模块。
6.根据前述任意一项权利要求所述的装置,其中所述特征提取模块包括一组滤波器,所述滤波器与所述输入图像的斑块进行卷积,以提供一组描述符特征。
7.根据权利要求6所述的装置,其中所述一组描述符特征包括一串从卷积导出的二值化量,例如bsif,正如此处所描述的。
8.根据前述任意一项权利要求所述的装置,其中所述分类器模块包括线性支持向量机或概率协同表示分类器。
9.根据前述任意一项权利要求所述的装置,其中所述特征提取模块包括至少一个卷积神经网络。
10.根据权利要求9所述的装置,其中所述特征提取模块包括多个实质上统计独立的神经网络,所述神经网络向所述分类器模块提供互补性的描述符特征。
11.根据权利要求9或10所述的装置,其中所述神经网络包括深度卷积神经网络,优选地具有三个或更多个卷积层。
12.根据权利要求11所述的装置,其中所述描述符特征从每个深度卷积神经网络的第一完全连接层提取。
13.根据权利要求10至12中任意一项所述的装置,其中所述装置进一步包括特征级融合模块,用于将来自每个神经网络的描述符特征数据组合并将融合的(例如,级联的)特征数据发送给所述分类器模块。
14.根据权利要求9至13中任意一项所述的装置,其中使用包括变形的或平均化的图像和没有变形或平均化的图像的一组图像来对所述神经网络分别训练,以便训练它们的滤波器,从而提供适于确定一图像是否已经变形或平均化的描述符特征。
15.一种用于检测变形的或平均化的图像的装置,其中所述变形的或平均化的图像是合成生成的图像,所述合成生成的图像包括来自两个或更多个不同的源图像的信息,所述两个或更多个不同的源图像对应于两个或更多个主体,所述装置包括:
特征提取模块,其用于接收输入图像并输出该图像的一组描述符特征特性;以及
分类器模块,其被配置为,基于所述描述符特征而将所述输入图像认定为第一类型或第二类型,所述第一类型表明图像已经变形或平均化,所述第二类型表明图像没有变形或平均化;其中
所述特征提取模块包括多个神经网络,所述神经网络向所述分类器模块提供互补性的描述符特征;
该装置还包括融合模块,用于将来自每个神经网络的描述符特征数据组合并将融合的特征数据发送给所述分类器模块;并且
所述分类器模块包括机器学习系统,所述机器学习系统被训练为使用训练数据集将图像分类,所述训练数据集包括变形的或平均化的图像以及没有变形或平均化的图像。
16.根据权利要求15所述的装置,其中所述神经网络是不同的深度卷积神经网络。
17.根据权利要求15或16所述的装置,其中所述神经网络实质上是统计独立的。
18.根据权利要求15、16或17所述的装置,其中所述变形的或平均化的图像是变形的或平均化的面部图像。
19.根据权利要求15所述的装置,进一步包括权利要求2至14中任意一项的特征。
20.一种检测变形的或平均化的图像的方法,其中所述变形的或平均化的图像是合成生成的图像,所述合成生成的图像包括来自两个或更多个不同的源图像的信息,所述两个或更多个不同的源图像对应于两个或更多个主体,所述装置包括:
接收输入图像;
生成该图像的一组描述符特征特性;
基于所述描述符特征,通过将该图像认定为第一类型或第二类型而将该图像分类,所述第一类型表明图像已经变形或平均化,所述第二类型表明图像没有变形或平均化;
其中分类步骤包括使用机器学习系统,所述机器学习系统被训练为使用训练数据集对单个图像进行分类,所述训练数据集包括变形的或平均化的图像以及没有变形或平均化的图像。
21.根据权利要求20所述的方法,其中生成所述描述符特征的步骤包括使用多个优选为实质上统计独立的神经网络,所述神经网络向所述分类器模块提供互补性的描述符特征;并且来自每个神经网络的描述符特征数据在分类前被组合。
22.根据权利要求20或21所述的方法,进一步包括训练在所述分类步骤中使用的分类器的步骤。
23.根据权利要求20至22中任意一项所述的方法,包括训练特征提取模块,所述特征提取模块使用包括变形的或平均化的图像和没有变形或平均化的图像的一组图像来生成描述符特征,以便训练所述模块,从而提供适于确定一图像是否已经变形或平均化的描述符特征。
24.根据权利要求20至23中任意一项所述的方法,包括使用根据权利要求1至18中任意一项所述的装置。
25.一种软件产品,用于编程或以其他方式配置计算机,以执行权利要求20至24中任意一项所述的方法。