1.一种人脸合成图像的检测方法,其特征在于,所述方法包括:
将待检测图像输入已训练的网络模型,以由所述网络模型中的人脸检测网络基于待检测图像获得包含人脸框的图像并输出给所述网络模型中的真伪判别网络;
所述真伪判别网络基于包含人脸框的图像判别所述待检测图像是否为人脸合成图像。
2.根据权利要求1所述的方法,其特征在于,人脸检测网络基于待检测图像获得包含人脸框的图像,包括:
通过所述人脸检测网络中的预处理层对所述待检测图像进行不同尺寸的缩放得到多帧不同尺寸的图像,并通过尺寸从大到小的顺序制作图像金字塔输出给所述人脸检测网络中的pnet网络;
所述pnet网络基于所述图像金字塔提取人脸候选框并输出给所述人脸检测网络中的细化网络;
所述细化网络对人脸候选框进行细化调整并输出给所述人脸检测网络中的输出网络;
所述输出网络对人脸候选框进一步细化调整得到最终的人脸框,并将人脸框在待检测图像中对应区域包含的像素值置为1,其他区域包含的像素值置为0得到包含人脸框的图像,并对包含人脸框的图像进行降采样。
3.根据权利要求2所述的方法,其特征在于,所述真伪判别网络基于包含人脸框的图像判别所述待检测图像是否为人脸合成图像,包括:
所述真伪判别网络中的特征提取网络提取待检测图像的全局特征图并输出给所述真伪判别网络中的融合层;
所述融合层将所述全局特征图与包含人脸框的图像进行点乘运算得到人脸特征图并输出给所述真伪判别网络中的分类网络;
所述分类网络分别计算所述人脸特征图的真人脸的概率和合成人脸的概率,并输出概率大的结果。
4.根据权利要求3所述的方法,其特征在于,所述分类网络包括最大池化层、全连接层和softmax层。
5.根据权利要求1所述的方法,其特征在于,所述网络模型的训练过程包括:
获取训练样本集,所述训练样本集包括真人脸图像和对应的合成人脸图像,所述合成人脸图像为使用换脸技术对真人脸图像进行换脸得到的图像;
利用所述训练样本集中的每对真人脸图像和合成人脸图像对已构建网络模型中的参数进行优化训练,直至所述网络模型的准确率达到预设数值。
6.一种人脸合成图像的检测装置,其特征在于,所述装置包括:
模型检测模块,用于将待检测图像输入已训练的网络模型,以由所述网络模型中的人脸检测网络基于待检测图像获得包含人脸框的图像并输出给所述网络模型中的真伪判别网络;所述真伪判别网络基于包含人脸框的图像判别所述待检测图像是否为人脸合成图像;
获取模块,用于获取所述网络模型输出的判别结果。
7.根据权利要求6所述的装置,其特征在于,所述模型检测模块,具体用于在人脸检测网络基于待检测图像获得包含人脸框的图像过程中,通过所述人脸检测网络中的预处理层对所述待检测图像进行不同尺寸的缩放得到多帧不同尺寸的图像,并通过尺寸从大到小的顺序制作图像金字塔输出给所述人脸检测网络中的pnet网络;所述pnet网络基于所述图像金字塔提取人脸候选框并输出给所述人脸检测网络中的细化网络;所述细化网络对人脸候选框进行细化调整并输出给所述人脸检测网络中的输出网络;所述输出网络对人脸候选框进一步细化调整得到最终的人脸框,并将人脸框在待检测图像中对应区域包含的像素值置为1,其他区域包含的像素值置为0得到包含人脸框的图像,并对包含人脸框的图像进行降采样。
8.根据权利要求7所述的装置,其特征在于,所述模型检测模块,具体用于在所述真伪判别网络基于包含人脸框的图像判别所述待检测图像是否为人脸合成图像过程中,所述真伪判别网络中的特征提取网络提取待检测图像的全局特征图并输出给所述真伪判别网络中的融合层;所述融合层将所述全局特征图与包含人脸框的图像进行点乘运算得到人脸特征图并输出给所述真伪判别网络中的分类网络;所述分类网络分别计算所述人脸特征图的真人脸的概率和合成人脸的概率,并输出概率大的结果。
9.根据权利要求8所述的装置,其特征在于,所述分类网络包括最大池化层、全连接层和softmax层。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
训练模块,用于获取训练样本集,所述训练样本集包括真人脸图像和对应的合成人脸图像,所述合成人脸图像为使用换脸技术对真人脸图像进行换脸得到的图像;利用所述训练样本集中的每对真人脸图像和合成人脸图像对已构建网络模型中的参数进行优化训练,直至所述网络模型的准确率达到预设数值。