[发明专利]一种全局特征引导的多任务篡改图像检测方法

说明书

本发明公开了一种全局特征引导的多任务篡改图像检测方法，涉及图像被动取证领域。针对现有深度学习的篡改图像检测方法中征提取方式感受野有限和任务模式单一的局限性。利用基于Transformer的全局特征提取层学习像素间相关性，为像素提供不同的关注度，使网络更加聚焦拼接痕迹信息；引入自适应融合机制有效避免冗余信息带来的干扰；全局感知模块从整体对篡改区域进行感知；采用多任务架构从全局和局部对拼接特征进行整体感知和细节学习，与任务对应的损失函数也能指导网络优化得到较好的检测效果。本发明能够有效提升篡改图像的检测准确率，多任务输出可使用不同现实场景，具有实用价值。

技术领域

本发明涉及图像取证技术领域，特别是一种全局特征引导的多任务篡改图像检测方法。

背景技术

图像作为信息交流的媒介被广泛应用于各行各业，但图像编辑技术的普及也使得图像篡改操作变得容易。篡改后的图像破坏了图像内容的完整性，若被用于非法用途将对网络空间安全的稳定带来影响。因此，篡改图像检测已成为信息安全领域多媒体取证技术的一个急需解决的问题。篡改图像对自然图像进行编辑，篡改区域来源图像为供体图像，接收篡改区域的图像成为受体图像。根据供体图像和受体图像之间的来源一致性可将篡改图像分为同源篡改图像和异源篡改图像。其中，同源篡改图像中供体和受体图像为同一张图像，例如复制粘贴(copy-move)篡改图像。异源篡改中供体和受体图像非同一张图像，且供体图像可能有多张，例如拼接(splicing)篡改图像。篡改过程会留下固有痕迹，如篡改区域边缘的不连续性以及篡改区域与非篡改区域的不一致性等，可用于检测篡改图像以及定位篡改的区域。现有基于深度学习的篡改图像检测方法利用卷积进行特征提取，感受野受限，难以对伪造区域进行整体感知(Liu B,Pun C M.Exposing splicing forgery inrealistic scenes using deep fusionnetwork[J].In:Information Sciences,2020,526:133-150)。此外，现有方法大多采用物体分割网络定位篡改区域，仅关注预测区域的准确性，任务模式单一(Zhang Y X,Zhang J G,Xu S B.Ahybrid convolutionalarchitecture for accurate image manipulation localization at the pixel-level[J].In:Multimedia Tools and Applications,2021,80:23377–23392)。现有检测方法将不同取证特征进行融合提升检测性能，融合方式较为直接，例如：特征按照元素相加或按照通道堆叠，无法对不同特征自适应分配权重，导致引入过多相关性较弱的特征影响网络学习效果(Bappy J H,Simons C,Nataraj L,et al.Hybrid LSTM and encoder-decoderarchitecture for detection of image forgeries[J].In:IEEE Transactions onImage Processing,2019,28(7):3286–3300；Myung-Joon Kwon,In-Jae Yu,Seung-HunNam,et al.CAT-Net:Compression artifact tracing network for detection andlocalization of image splicing[C].In:IEEE/CVF Winter Conference onApplications of Computer Vision(WACV),2021:375-384)。因此，现有基于深度学习的篡改图像检测方法无法充分提取篡改图像的强相关性痕迹来进行通用检测。

发明内容

本发明的目的在于解决上述局限性，提供一种全局特征引导的多任务篡改图像检测方法法，进一步提高对篡改区域的识别与检测的准确性。

实现本发明目的的技术方案如下：