一种基于边缘特征采集的人脸深伪检测方法与流程

本发明涉及人脸识别，尤其涉及一种基于边缘特征采集的人脸深伪检测方法。

背景技术：

1、随着深度学习技术的发展，人工智能技术在人脸识别领域得到广泛应用，但是也会带来一定的安全风险，例如人脸深度伪造。人脸深度伪造技术是指利用深度学习等技术生成逼真的人脸虚假图像，这些虚假图像可以欺骗人脸识别系统。

2、当前出现了关于人脸深度伪造检测方法，但在实际应用中，由于图像深度伪造技术的不断更新和升级，该技术还存在对新型深度伪造技术的适应性和鲁棒性不足的问题。此外，该方法依赖大量的深度学习模型和算法，需要大量的计算资源和数据集的支持，因此在实际应用中存在一定的限制。

3、因此，急需一种基于边缘特征采集的人脸深伪检测方法，用来提高人脸识别的安全性。

技术实现思路

1、本发明提供了一种基于边缘特征采集的人脸深伪检测方法，以解决现有技术中存在的当前出现了关于人脸深度伪造检测方法，但在实际应用中，由于图像深度伪造技术的不断更新和升级，该技术还存在对新型深度伪造技术的适应性和鲁棒性不足的问题。此外，该方法依赖大量的深度学习模型和算法，需要大量的计算资源和数据集的支持，因此在实际应用中存在一定的限制的上述问题。

2、为了达到上述目的，本发明提供如下技术方案：

3、一种基于边缘特征采集的人脸深伪检测方法，包括：

4、s101：获取待检测图像后，通过边缘特征提取操作获取图像的第一边缘特征；

5、s102：运用计算机视觉技术和深度学习方法对图像的第一边缘特征进行细节分析和脸部特征向量提取，构建展示脸部结构信息的第二边缘特征；

6、s103：将第二边缘特征与预设的真实人脸边缘特征进行智能比对和相似度计算，基于算法判断获取的图像是否属于深度伪造图像，并根据判断结果输出检测结果。

7、其中，s101步骤包括：

8、s1011：获取待检测图像后，通过预置的人脸边缘特征检测模型定位待检测图像中的人脸区域对应的边缘特征，提取该人脸区域对应的边缘特征作为待处理图像；

9、s1012：利用面部边缘特征提取操作对待处理图像进行关键点检测，通过关键点检测结果将脸部的五官进行定位并采取对应的操作，该操作包括边缘连接、边缘填充和轮廓提取，在待处理图像中确定脸部关键区域的边缘特征；

10、s1013：从确定的脸部关键区域的边缘特征中提取反映图像真实性的特征集，包括纹理、光照、颜色的多维度特征，构建鲁棒的图像的第一边缘特征。

11、其中，s102步骤包括：

12、s1021：通过计算机视觉技术对图像的第一边缘特征进行分析，获取特征分析结果；

13、s1022：基于深度学习方法和特征分析结果，对面部关键区域的边缘特征进行特征重组和表征学习，以构建展示脸部结构信息的高维特征向量；

14、s1023：基于采样和池化技术，将高维特征向量进行降维和标准化处理，生成第二边缘特征。

15、其中，s103步骤包括：

16、s1031：通过将构建出的第二边缘特征与预设的真实人脸边缘特征进行智能比对和相似度计算，分析第二边缘特征与预设的真实人脸边缘特征之间的差异；

17、s1032：基于机器学习算法，对相似度计算的结果进行评估和判别，根据设定的阈值进行深度伪造图像与真实人脸图像的区分，获取算法判断结果；

18、s1033：将所得到的算法判断结果输出，获取当前待检测图像是否属于深度伪造图像的检测结果，并对检测结果进行后续的处理和分析。

19、其中，s1011步骤包括：

20、获取待检测图像后，确定图像处理的类型，类型包括：主动处理和被动处理；

21、当图像处理的类型为主动处理时，基于预置的人脸边缘特征检测模型，生成特征提取模板，根据待检测图像，生成第一人脸边缘特征提取规则；

22、执行第一人脸边缘特征提取规则，从待检测图像中定位出人脸区域对应的边缘特征；

23、当图像处理的类型为被动处理时，基于预设的特征聚类模板，对待检测图像进行特征聚类提取，获得聚类特征；

24、基于人脸边缘特征检测模型生成模板，根据聚类特征，生成第二人脸边缘特征提取规则；

25、执行第二人脸边缘特征提取规则，从待检测图像中定位出人脸区域对应的边缘特征；

26、将定位出的人脸区域对应的边缘特征提取出来，作为待处理图像，为后续的图像处理和分析提供准确的输入数据。

27、其中，s1013步骤包括：

28、从确定的脸部关键区域的边缘特征中提取反映图像真实性的特征集，其中，对于纹理特征的提取，通过局部二值模式算法从每个像素周围的邻域中提取对应的纹理特征，获得相邻像素对应的数量；对于光照特征的提取，利用颜色聚类方法将区域中的像素分成若干个颜色类别，统计各个类别的出现次数和比例，以及颜色均值和标准差，来描述图像中的光照特征；针对颜色特征的提取，采用颜色多维特征算法将区域中像素的颜色信息进行统计和计算，获取颜色的多维特征，颜色的多维特征包括平均色调和饱和度；

29、利用加权平均的方式将不同类型的多维特征进行融合，构建鲁棒的图像的第一边缘特征。

30、其中，s1021步骤包括：

31、接收待分析的图像数据，并通过预设的图像处理模块，识别图像中的初步边缘特征，以确定至少一个第一边缘特征；

32、根据所识别的第一边缘特征，选择关联的边缘分析类别，边缘分析类别包括：主动边缘分析和被动边缘分析；

33、在主动边缘分析中，激活边缘特征分析模型，对第一边缘特征进行深入分析，以提取边缘特征的详细信息，并计算得到边缘特征的第一分析度；

34、在被动边缘分析中，获取第一边缘特征的相关图像处理流程和属性信息，将图像处理流程细化为多个处理步骤，并为每个步骤分配顺序标识；

35、构建一个分析流程线，按照步骤的顺序标识，将各处理步骤有序地排列在流程线上；

36、对每个处理步骤执行特征提取操作，以获取一组特征数据；

37、将提取的特征数据与预设的特征标准库进行比对，以确定匹配的特征类型，并将匹配的处理步骤定义为关键分析步骤；

38、对于每个关键分析步骤，根据其特征类型，选择相应的检验项，包括检验方向、检验范围和检验策略；

39、执行检验策略，对关键分析步骤进行质量检验，若检验结果符合预设标准，则计算得到该步骤的第二分析度；

40、若检验结果不符合预设标准，则记录不符合项的影响值；

41、将第一分析度、第二分析度以及所有不符合项的影响值进行综合计算，以得出图像的整体边缘特征分析结果，完成图像的边缘特征分析过程。

42、其中，s1022步骤包括：

43、对面部关键区域的边缘特征中的特征向量进行分类，并对每个分类的特征向量进行加权处理；基于得到的加权特征向量，通过深度学习方法进行特征重组和表征学习操作，对加权特征向量进行重新组合；将通过重组和表征学习获取的高维展示特征向量与面部结构信息一一对应，并将高维展示特征向量存储于高维特征向量库；通过特定的矩阵计算方式，将新的面部图像转换为高维展示特征向量空间内的特征向量，在特征向量中利用k-近邻算法，找到距离该特征向量最近的特征向量；通过最近的特征向量，确定新面部图像的部分及整体结构，并从高维特征向量库中获取相关的面部结构信息，根据面部结构信息，生成展示面部结构的高保真图像。

44、其中，s1031步骤包括：

45、获取构建的第二边缘特征集合及预设的真实人脸边缘特征集合；

46、获取预设的人脸边缘特征对应的智能比对规则集；

47、基于智能比对规则，执行第二边缘特征与真实人脸边缘特征之间的相似度计算，得出相似度值；

48、获取相似度值对应的预设差异度-评分库；

49、根据相似度值及其对应的差异度-评分库，确定差异度评分，并将该评分与第二边缘特征进行关联；

50、计算第二边缘特征关联的差异度评分总和；

51、若差异度评分总和小于等于预设的差异度评分阈值，则认定第二边缘特征与真实人脸边缘特征匹配，进行配对，得到配对项；

52、将配对项进行整合并存入数据库，构建完成人脸边缘特征匹配库；

53、其中，差异度为第二边缘特征与真实人脸边缘特征相似度计算得出的值与完全匹配值之间的偏差程度。

54、其中，s1033步骤包括：

55、输出应用于当前待检测图像的算法判断结果；

56、获取并记录算法判断结果，以确定待检测图像是否为深度伪造图像；

57、若算法判断结果指示所述图像为深度伪造图像，则标记该图像为验证对象；

58、对所标记的验证对象进行深入分析，包括伪造图像的生成方法、伪造特征点、以及对应的伪造动机；

59、将深入分析的结果汇总，形成检测报告；

60、根据检测报告，更新深度伪造图像的特征数据库，将检测结果及后续处理和分析的详细报告存档。

61、与现有技术相比，本发明具有以下优点：

62、一种基于边缘特征采集的人脸深伪检测方法，包括：获取待检测图像后，通过边缘特征提取操作获取图像的第一边缘特征；运用计算机视觉技术和深度学习方法对图像的第一边缘特征进行细节分析和脸部特征向量提取，构建展示脸部结构信息的第二边缘特征；将第二边缘特征与预设的真实人脸边缘特征进行智能比对和相似度计算，基于算法判断获取的图像是否属于深度伪造图像，并根据判断结果输出检测结果。通过面部边缘特征提取操作、计算机视觉技术和深度学习方法，能够更准确地提取与识别面部关键边缘特征，从而提高了深度伪造图像的识别准确度。

63、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

64、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。