买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：厦门大学

摘要：本发明涉及一种基于梯度残差U型卷积神经网络的图像篡改检测技术，其特征在于，它包括以下步骤：S1.输入待检测的篡改图像；S2.对输入的篡改图像进行数据增强；S3.将四组图像输入编码器提取图像本质特征和篡改的边缘梯度信息；S4.编码器对四组图像提取的特征图进行解码获取逐像素篡改预测图；S5.对三组测试图像获得的预测图进行增强的逆向还原；S6.将篡改图像获得的预测图和三组测试图像还原后的预测图进行加权融合获得最终逐像素篡改概率预测图。本发明的目的为用于证件资质文档类图像核查、人脸图像核实等。本发明的优点在于：能够提高在多种篡改方式共同作用下的准确率，使模型具有较好的鲁棒性。

主权项：1.一种基于梯度残差U型卷积神经网络的图像篡改检测方法，其特征在于，它包括以下步骤：S1.输入待检测的篡改图像；S2.对输入的篡改图像进行数据增强，获得三组增强的测试图像；S3.将篡改图像和测试图像依次输入到预训练的编码器中进行下采样，编码器设置4个下采样层，每个下采样层包括自适应中心差分卷积和最大池化层；下采样层先通过Sobel算子残差模块提取输入图像的篡改的边缘梯度信息，再通过自适应中心差分卷积和最大池化层提取输入图像的本质属性特征，最后将本质属性特征与边缘梯度信息结合并归一化后得到特征图，特征图输入至下一下采样层，同时复制特征图用于跨连接；S4.编码器还设置4个上采样层和1个分类层，最后一个下采样层得到的特征图输入至上采样层，每个上采样层包括自适应中心差分卷积、上采样卷积和RELU激活；编码器将下采样层获取的复制特征图通过跨连接的方法输入到解码器对应的上采样层，上采样层先将输入图像与解码器中相同分辨率的跨连接特征图进行连接操作，再通过Sobel算子残差模块提取连接后图像的篡改的边缘梯度信息，连接后的图像接着通过自适应中心差分卷积和上采样卷积提取本质属性特征，最后将本质属性特征与边缘梯度信息结合并归一化后得到新特征图，新特征图输入至下一上采样层；最后一个上采样层得到的新特征图输入至分类层，新特征图与下采样层同分辨率的跨连接特征图进行连接操作后，再通过中心差分卷积提取连接后图像的本质属性特征，最后经过一个1*1的中心差分卷积获得逐像素篡改概率的预测图；S5.将步骤4中的三组测试图像获得的预测图进行增强的逆向还原；S6.将篡改图像获得的预测图和三组测试图像还原后的预测图进行加权融合获得最终逐像素篡改概率预测图；步骤6中的加权融合的公式如下：P＝0.5Pori+0.2Pfold+0.2Pspin+0.1Pnoise其中，Pori为原输入的篡改图像的预测结果，Pfold为水平翻转增强后图像的预测结果，Pspin顺时针旋转90°增强后图像的预测结果，Pnoise高斯噪声增强后图像的预测结果；Sobel算子残差模块的工作过程如下：先对输入图像进行1*1卷积，再将1*1卷积后的图像分别输入到垂直Sobel运算和水平Sobel运算当中，最后将垂直Sobel运算和水平Sobel运算的残差输出相加；水平和垂直边缘梯度可以通过以下卷积获得： 其中代表深度卷积运算，x代表输入图像，FH代表水平Sobel运算，FV代表垂直Sobel运算；垂直Sobel运算和水平Sobel运算的残差输出相加公式如下：yf＝NFVF1x,{Wi}2+FHF1x，{Wi}2其中x代表输入图像，F1代表1*1卷积，N代表归一化层，Wi代表卷积的权重参数。

全文数据：

权利要求：

百度查询： 厦门大学 基于梯度残差U型卷积神经网络的图像篡改检测技术