[发明专利]基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法

说明书

本发明公开了一种基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法。包括如下步骤：1：将输入图像进行重采样操作，划分为不交叠的图像块；2：对图像块进行不同的颜色空间变换；3：将从不同颜色空间提取的颜色分量输入到完成训练的三通道卷积神经网络中，将卷积神经网络第一个全连接层的输出作为高维特征表达；4：将高维特征表达输入完成训练的随机森林分类器，得到每个图像块的分类结果；5：将分类结果使用多数投票法判断输入图像是否为计算机生成图像。本发明方法避免了神经网络对于图像内容的过拟合问题，有效提升检测算法对添加高斯噪声或平滑滤波等后处理操作的鲁棒性。此外，随机森林分类器显著增强了算法对于不同测试样本的泛化能力。

技术领域

本发明涉及图像篡改检测方法技术领域，具体地，涉及一种基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法。

背景技术

随着信息技术的高速发展，数字图像等多媒体信息载体已经在人们日常生活中得到广泛应用，包括金融，教育和医疗等领域。然而，近年来计算机生成图片技术取得空前发展，已经能够自动生成高清晰度的数字图像，并且效果逼真难以通过肉眼区分。与传统基于计算机图形图像学的图像生成算法不同，最新的计算机图片生成算法采用生成对抗网络技术(Generative Adversarial Network，简称GAN)从大量图像样本中学习自然图像的局部模式，能够生成更加逼真的图像。如果上述计算机生成图片被用于非法用途，将对社会造成巨大的经济损失和安全隐患，例如将计算机生成图片用于伪造电子证据。因此，判断数字图像是否由计算机生成具有重要的实际应用价值。计算机生成图片检测方法已经受到了国内外学者的重视。

现有的计算机生成图片检测手段大致分为基于手工特征和基于神经网络两个方面。基于手工特征的检测手段一般需要根据计算机生成图片在颜色和纹理等方面表现的异常特性设计分类特征，再将分类特征结合分类器(例如支持向量机分类器)完成检测。然而，GAN的结构种类繁多，不同的网络结构对生成图像造成的影响也截然不同。因此，仅依靠手工设计的特征进行检测，难以取得较好的检测鲁棒性。本发明所采用的是基于神经网络的检测算法，此类方法从训练样本中自动学习计算机生成图片的异常模式进行检测。由于计算机生成图片的过程可以视为图像篡改的一种方式，目前公开发表的专利中，有下列专利与本发明方法具有一定相似性；公开号为CN108510483A，题为《一种采用VLAD编码和SVM的计算生成彩色图像篡改检测方法》的专利采用ResNet网络生成颜色特征，再对特征进行VLAD编码，最后利用SVM分类器判断图像是否经历篡改操作。该方法采用的ResNet具有较深的网络层数，包含大量需要训练优化的网络参数。因此该方法在训练集样本数量有限的情况下检测性能会出现明显下降，并且没有考虑恶意后处理操作带来的影响。本发明方法采用多颜色空间卷积神经网络结合随机森林的检测方法对于计算机生成图片具有良好的特征表达能力。随机森林分类器采用集成学习的思想能够有效克服样本数量有限和恶意后处理操作等因素的影响。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法。

一种基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法，包括如下步骤：

步骤1：将输入图像进行重采样操作，然后划分为不交叠的图像块；

步骤2：对图像块进行不同的颜色空间变换，保留对应的颜色分量；

步骤3：将从不同颜色空间提取的颜色分量输入到完成训练的三通道卷积神经网络中，将卷积神经网络第一个全连接层的输出作为高维特征表达；

步骤4：将高维特征表达输入完成训练的随机森林分类器，得到每个图像块的分类结果。

步骤5：将输入图像所有图像块的分类结果使用多数投票法，判断输入图像是否为计算机生成图像。

优选的，步骤1包括如下步骤：