[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

说明书

本发明涉及一种基于对抗网络的图像设计作品抄袭检测方法，针对现有图像设计作品篡改样本缺乏，导致传统深层神经网络训练难以实现的问题，设计采用全新逻辑策略，针对生成网络根据原始抄袭图像所生成的模型篡改蒙版图像，结合人工标记的篡改蒙版图像，应用判别网络判断哪个蒙版图像是人工标记的，由此基于判断结果正确与否所表征生成网络与判别网络的准确性，执行相应的反馈训练操作，不断提高两者网络的准确性，如此即通过不断的对抗迭代，使两者网路准确性达到最终的平衡状态，所获生成网络即为图像检测模型，具备优越的作品抄袭识别性能，应用图像检测模型即可获得待判别图像的篡改蒙版图像，高效实现了图像设计作品的篡改检测。

技术领域

本发明涉及一种基于对抗网络的图像设计作品抄袭检测方法，属于图像作品篡改检测技术领域。

背景技术

设计作品抄袭检测与认定一直是一个设计界和学术界不可回避的问题，抄袭鉴定就是对作品之间存在雷同性的检测和雷同内容的确定。从抄袭的形式看，有原封不动或者基本原封不动地复制他人作品的行为，也有经改头换面后将他人受著作权保护的独创成份窃为己有的行为。平面设计作品的知识产权主要体现在图像色彩运用、构图及其表现的艺术性。但是当前设计作品的抄袭界定方法主要停留在人工鉴定阶段，费时费力，而且主观性大，容易引起纠纷。

数字图像取证技术作为对数字图像篡改、伪造等进行分析、鉴别和确认的一种重要手段，近年得到迅速发展。针对低级抄袭可以用以为数字图像拼接取证技术解决。设计界也开始尝试通过图像低层特征相似性计算对设计作品进行抄袭检测。尽管数字图像取证技术在多个领域中取得了显著成果，但是针对平面设计作品的抄袭检测领域，却鲜有学者涉及。这是由于作品高级抄袭一般较少直接从原图中拷贝，或者拷贝后常经过艺术化处理以隐藏抄袭痕迹。而且，设计作品抄袭往往是高度借鉴别人的设计思路(如：版式、形态、创意概念等)，也常使用临摹手绘等方式进行。这使得抄袭作品间的相似性难以确切描述，因此也较难生成量化指标。因此设计作品的高级抄袭判定需要从更高的认知层面出发，而此时，大多数图像取证方法将难以判断这种类型的抄袭。

尺度不变特征变换(SIFT)对篡改区域的旋转及亮度变化等攻击具有较好的鲁棒性，对视角变化、仿射变换以及噪声也保持一定稳定性。Amerini等人首次提出基于SIFT的复制粘贴取证方法，随后大量基于图像特征点的取证方案相继被提出，其中较为成功的特征包括SURF特征、Markov特征、DAISY特征等。近年来，不少学者提出用深度神经网络模型去解决图像克隆/拼接检测问题。然而，深度神经网络一般是擅长学习图像内容特征，而不是篡改特征。为了克服这一问题，Bayar和Stamm提出了一种新的卷积层形式，该卷积层专门用于抑制图像的内容并自适应地学习篡改特征，滤波作为一种常用的去噪和图像增强工具，在模糊降噪领域得到了广泛的应用。而重采样则是篡改图像另一个重要特征。Bunk等人提出了基于重采样特征和深度学习相结合的图像取证和定位方法,他们在重叠的图像块上计算重采样特征的Radon变换，然后应用长短期记忆(LSTM)网络进行分类和定位。Liu等人提出了一种基于分段的关键点分布策略来生成均匀分布的关键点，然后使用CNN对可疑图像进行复制粘贴取证。此外，现有技术还针对CNN进行了一些针对性设计，诸如提出应用空间丰富模型(SRM)中的30个高通滤波器来初始化网络第一层，实现有效抑制复杂图像内容的影响，加速网络的收敛。不仅如此，现有技术还设计了一种不同的深度网络结构，其中包括多尺度特征分析和层次特征匹配，以更好地适应不同的场景，然而CNN特征虽然相比于传统特征更具表示性，但仍然难以避免特征单一、语义信息相关性差等问题。而且在监督学习中，训练集需要大量的人工标记数据，这个过程成本高且效率低。因此，现有技术还提出使用生成对抗网络(Generative Adversarial Network,GAN)进行图像高层语义理解，并取得优秀的图像相似性计算结果。但是现有基于GAN的图像相似性计算方法大多针对于图像检索、目标跟踪、图像生成等领域。对于图像设计作品而言，由于样本较少的限制，因此现有技术还无法实现图像设计作品抄袭的检测。

发明内容