[发明专利]一种基于固有特征挖掘的AI伪造人脸检测方法

说明书

本发明提供了一种基于固有特征挖掘的AI伪造人脸检测方法。该方法包括：对待取证的人脸图像和视频分别从相机成像角度和制造AI伪造视频不可缺少的步骤两个方面进行固有痕迹挖掘；通过特征提取得到RGB通道残差流特征和频谱流特征；使用基于注意力机制的特征融合模块自适应地加权融合RGB通道残差流特征和频谱流特征，得到固有特征；根据不同的AI伪造技术采用对齐模块消除固有特征的分布偏差，得到有效特征；将有效特征输入到分类器中，分类器输出待取证的人脸图像和视频是否为AI伪造的检测结果。本发明提成了提出面向未知伪造技术具有良好泛化能力的AI伪造人脸取证算法，聚焦挖掘AI伪造人脸的固有和泛化特征，有效提升了AI伪造人脸检测的泛化能力。

技术领域

本发明涉及数字图像检测技术领域，尤其涉及一种基于固有特征挖掘的AI伪造人脸检测方法。

背景技术

随着数字成像设备和互联网的迅速发展，数字图像的采集、发布和共享成为现代社会网络中流行的信息传输和交换手段。同时，数字图像编辑软件也变得更加强大并且易于操作。近年来，数字图像的安全问题引起了人们的广泛关注，特别是在司法和刑事侦查领域。因此，数字图像取证技术作为一种多媒体安全技术，可以用来验证数字图像的原始性、真实性和可靠性，这对司法公正和社会秩序具有重要意义。

人脸图像属于数字图像中的一种，包含个人信息，在日常生活中发挥重要作用，如交流，访问控制和日常支付。随着AI(Artificial Intelligence，人工智能)技术的快速发展，人脸伪造技术变得更加简单，如图1展示了使用不同的AI伪造技术生成的四种类型的伪造人脸，包括(a)人脸整体生成；(b)面部表情伪造；(c)面部属性伪造；(d)身份伪造。与简单的人脸伪造技术不同，AI伪造人脸技术可以更加容易地制造更加逼真的伪造人脸图像，因此，AI伪造人脸取证技术是迫切需要的。

AI伪造人脸取证技术的研究问题在于如何有效区分人脸是相机拍摄的，还是AI技术制造的。针对AI伪造人脸取证的研究，国内外学者已提出一系列方案。目前，现有技术中的AI伪造人脸检测方法可以分为两类：基于人工设计特征的方法和基于深度学习的方法。

基于人工设计特征的方法试图突出伪造人脸处理过程中的特定缺陷来检测深度伪造的人脸图像和视频。Matern等人基于视觉伪影来检测DeepFake和Face2Face视频，如眼睛颜色变化、不令人信服的镜面反射、牙齿区域细节缺失。Li等人发现伪造人脸视频没有很好的捕捉到人体固有的生理信号—眨眼，利用检测眨眼来检测伪造视频。Ciftci等人通过检测心跳在面部产生的细微差别来区分视频的真假。但是这些特征主要取决于伪造过程中的特定缺陷，因此，上述基于人工设计特征的方法的主要缺点是随着深度伪造技术的发展，它们可能很快失效。

基于深度学习的取证方法主要包括一些基于CNN(Convolutional NeuralNetworks,卷积神经网络)的简单方法。Afchar等人通过两个网络(Meso-4和MesoInception-4)检测到DeepFake和Face2Face视频，其中网络的层数较少，它们专注于图像的介观特性。Rossler等人构建了面部伪造数据集FaceForensics++，并利用Xception提高了强压缩条件下伪造检测的准确性。Qian等人提出了基于两种不同但互补的频率感知线索的F3-Net来检测伪造人脸视频。为了进一步考虑所有伪造类型伪造人脸的检测，Wang等人基于监视神经元行为提出了FakeSpotter来鉴别深度伪造人脸视频和图像。然而，AI人脸伪造技术层出不穷，上述基于深度学习的取证方法的缺点是仅限于他们接受过训练的篡改技术，这些检测方法在新型的篡改技术上表现不佳。