[发明专利]一种基于对抗网络的图像设计作品抄袭检测方法

权利要求书

1.一种基于对抗网络的图像设计作品抄袭检测方法，其特征在于：包括图像检测模型构建方法，以及应用图像检测模型针对待判别图像进行检测，获得待判别图像所对应的篡改蒙版图像；图像检测模型构建方法包括如下步骤：

步骤A. 针对预设数目分别包含篡改图像区的训练样本图像，以训练样本图像中指定的图像特征作为输入，以训练样本图像中针对差距大于预设相应图像特征阈值的不同图像特征数据所对应不同区域的分别标记为输出，针对预设深度神经网络进行训练，获得生成网络，然后进入步骤B；

步骤B. 分别针对各幅训练样本图像，应用生成网络获得训练样本图像中的区域标记，即该训练样本图像所对应的模型篡改蒙版图像，进而获得各幅训练样本图像分别所对应的模型篡改蒙版图像，然后进入步骤C；

步骤C. 分别针对各幅训练样本图像，以训练样本图像与其来自生成网络的模型篡改蒙版图像，构成训练样本图像组，同时以训练样本图像与其对应预设人工标记篡改图像区的人工篡改蒙版图像，构成训练样本图像组；进而获得各个训练样本图像组，然后进入步骤D；

步骤D. 针对各个训练样本图像组，以训练样本图像组为输入，以判别训练样本图像组中篡改蒙版图像是否为人工篡改蒙版图像为输出，针对预设卷积神经网络进行训练，获得判别网络，然后进入步骤E；

步骤E. 针对预设数目分别包含篡改图像区的验证样本图像，按步骤B至步骤C的方法，获得各个验证样本图像组，然后进入步骤F；

步骤F. 应用判别网络依次针对各验证样本图像组进行判别，获得各验证样本图像分别所对应的判别结果，并获得全部验证样本图像组所对应判别结果的正确率，然后进入步骤G；

步骤G. 若正确率大于或等于预设正确率阈值，则进入步骤H；若正确率小于预设正确率阈值，则进入步骤J；

步骤H. 按步骤A的方法，针对生成网络继续进行训练，更新获得训练后的生成网络，并应用该生成网络，针对全部验证样本图像，按步骤E至步骤F的方法，获得全部验证样本图像组所对应判别结果的正确率，然后进入步骤I；

步骤I. 判断该正确率较上一次正确率之间的差值是否属于预设波动范围，是则表示生成网络趋向于稳定，并进入步骤L；否则返回步骤H；

步骤J. 按步骤D的方法，针对判别网络继续进行训练，更新获得训练后的判别网络，并应用该判别网络，针对全部验证样本图像，按步骤F的方法，获得全部验证样本图像组所对应判别结果的正确率，然后进入步骤K；

步骤K. 判断该正确率较上一次正确率之间的差值是否属于预设波动范围，是则表示判别网络趋向于稳定，并进入步骤L；否则返回步骤J；

步骤L. 若仅生成网络趋向于稳定，则进入步骤J；若仅判别网络趋向于稳定，则进入步骤H；若生成网络与判别网络均趋向于稳定，则获得生成网络，即为图像检测模型。

2.根据权利要求1所述一种基于对抗网络的图像设计作品抄袭检测方法，其特征在于：所述步骤A中，针对预设数目分别包含篡改图像区的训练样本图像，以训练样本图像中图像噪声量级特征作为输入，以训练样本图像中针对差距大于预设噪声阈值的不同图像噪声量级所对应不同区域的分别标记为输出，针对预设深度神经网络进行训练，获得生成网络，然后进入步骤B。

3.根据权利要求1所述一种基于对抗网络的图像设计作品抄袭检测方法，其特征在于：所述步骤A中，针对预设数目分别包含篡改图像区的训练样本图像，以训练样本图像中图像纹理特征作为输入，以训练样本图像中针对差距大于预设纹理阈值的不同图像纹理数据所对应不同区域的分别标记为输出，针对预设深度神经网络进行训练，获得生成网络，然后进入步骤B。

4.根据权利要求1所述一种基于对抗网络的图像设计作品抄袭检测方法，其特征在于：所述步骤A当中的预设深度神经网络为卷积神经网络，卷积神经网络包括全连接层、分类层、以及至少一个深度特征学习模块；

其中，各深度特征学习模块分别均包括卷积层和噪声线性整流层，卷积层的输入端构成深度特征学习模块的输入端，卷积层的输出端对接噪声线性整流层的输入端，噪声线性整流层的输出端构成深度特征学习模块的输出端；

各个深度特征学习模块依次串联，第一级深度特征学习模块的输入端构成卷积神经网络的输入端，最后一级深度特征学习模块的输出端对接全连接层的输入端，全连接层的输出端对接分类层的输入端，分类层的输出端构成卷积神经网络的输出端。