[发明专利]基于方向一致性卷积神经网络的图像增强检测方法及系统

说明书

本发明公开了基于方向一致性卷积神经网络的图像增强检测方法，包括以下步骤：选择一幅待测图像，并裁剪为固定尺寸，裁剪选择中心裁剪；将裁剪后的图像输入到预先训练好的基于方向一致性卷积神经网络模型，计算待测图像经过图像增强操作和未经过图像增强操作的概率；比较待测图像经过图像增强操作和未经过图像增强操作的概率大小，最终判断待测图像是否经过图像增强操作。本发明还公开了基于方向一致性卷积神经网络的图像增强检测系统，包括获取模块、计算模块、判断模板。本发明针对特定的图像增强操作进行取证，实现了较高的图像检测率，解决了现有的训练方法费时费力且极易造成过拟合的缺陷。

技术领域

本发明涉及图像取证领域，更具体地，涉及基于方向一致性卷积神经网络的图像增强检测方法及系统。

背景技术

随着多媒体信息时代的到来，数字设备和图像处理工具的高速普及，一方面加快了数字图像技术的进步，为人们的生活带来了极大的便利；另一方面使得数字图像更容易遭到篡改，降低了图像的安全性和可靠性。因此，确定图像的原始来源以及检验图像内容的真实性和完整性显得尤为重要。近年来，图像取证技术突飞猛进，特别是基于卷积神经网络的图像篡改检测技术，极大地提高了图像取证的准确率。然而现有的基于卷积神经网络的图像篡改检测技术大都需要训练大量参数，这就要求我们必须通过一个庞大的图像数据库来训练，这种方法费时费力，还极易造成过拟合。本发明提出一种基于方向一致性的卷积神经网络，针对特定的图像增强操作进行取证，实现了较高的图像检测率。

发明内容

本发明的目的是解决上述一个或多个缺陷，提出一种基于方向一致性卷积神经网络的图像增强检测方法及系统

为实现以上发明目的，采用的技术方案是：

基于方向一致性卷积神经网络的图像增强检测方法，包括以下步骤：

S1：选择一幅待测图像，并裁剪为固定尺寸，裁剪选择中心裁剪；

S2：将裁剪后的图像输入到预先训练好的基于方向一致性卷积神经网络模型，计算待测图像经过图像增强操作和未经过图像增强操作的概率；

S3：比较待测图像经过图像增强操作和未经过图像增强操作的概率大小，最终判断待测图像是否经过图像增强操作。

优选的是，步骤S1所述固定尺寸为256*256。

其中步骤S2还包括获取预先训练好的基于方向一致性卷积神经网络模型，包括以下步骤：

S2.1：基于标签标记的监督学习方法，将图像数据库中的原始图片标记为标签0，经过图像增强的对应图像标记为1；

S2.2：对所述标记图像进行深度学习训练，得到对应于所述标记原始图片和经过图像增强操作后图片的特征信息；

S2.3：利用随机梯度下降方法对所述特征信息进行训练，得到对应于监测图像是否经过增强操作的深度学习网络模型。

其中所述深度学习网络模型为5层结构卷积神经网络，包括卷积层、归一化层、激活层、池化层和全连接层；

其中卷积层包括一般性卷积层、约束性卷积层和方向一致性卷积层，约束性卷积层中各个位置权值均通过以下公式严格约束：

w(0.0)＝-1，∑_l，m≠0w(l，m)＝1；

激活层为带参数的激活层；

池化层包括最大池化层和平均池化层。

其中所述卷积神经网络还包括损失函数，其中损失函数为总体训练样本的分类损失。

基于方向一致性卷积神经网络的图像增强检测系统，包括获取模块、计算模块和判断模块；

其中获取模块用于将待测图像剪裁成特定大小的图像；