[发明专利]人脸防篡改水印生成方法、篡改检测方法及属性检测方法

说明书

本发明提供了一种人脸防篡改水印生成方法、篡改检测方法及属性检测方法，所述人脸防篡改水印生成方法包括以下步骤：步骤1，读取原始图片，检测原始图片中的人脸位置信息；步骤2，对原始图片进行截取，生成N个目标图片；步骤3，分别对目标图片进行人脸特征识别，获得N个人脸特征向量；步骤4，判断原始图片的像素信息是否低于像素阈值；若是，则执行并行压缩加密策略，获得并行字符特征向量；若否，则执行串行压缩加密策略，得到串行字符特征向量；步骤5，根据并行字符特征向量或者串行字符特征向量，生成人脸防篡改水印图像W。本发明不但能够快速生成自动适应不同像素容量原始图片的人脸防篡改水印，还能够提高人脸防篡改水印的保密性。

技术领域

本发明涉及人脸识别技术领域，具体的说，涉及了一种人脸防篡改水印生成方法、篡改检测方法及属性检测方法。

背景技术

作为机器学习的一个分支，深度学习已经在很多方面取得不错的成功，尤其是在图形图像领域，deepfake(AI换脸工具)的兴起使得人脸篡改的成本大大降低，眼见未必为实，随着计算机神经网络模型的不断进化以及计算机运算性能的提升，人眼很难辨别真假。

传统数字取证较难应用于deepfake的检测，目前主流的deepfake检测方式大多依靠训练神经网络检测模型，提取特征，检测人脸是否修改，这本质上是一个二分类问题，但由于deepfake的生成方案多种多样，使用神经网络检测模型很难针对所有生成方法优化，迁移性较差；训练神经网络需要大量的训练样本，针对未知的生成人脸方法识别成功率较低，且缺乏可解释性。

现有技术中，主要存在以下几种方式：

(1)基于卷积神经网络判断人脸是否伪造

尼科洛·博内蒂尼等人提出基于卷积神经网络的检测方法，在基础的EfficientNetB4网络中引入两个概念即注意力机制以及孪生网络训练，对有和无注意力机制的EfficientNetB4的网络模型，执行端到端训练以及孪生网络训练产生四种网络：EfficientNetB4：基础骨架网络，EfficientNetB4Att：加入注意力机制，并使用端到端进行训练，EfficientNetB4ST：基础骨架网络使用孪生网络的方法进行训练EfficientNetB4AttST：加入注意力机制，并使用孪生网络的方法进行训练，相比于传统的XceptionNet网络模型检测，有着更好的检测效果，且在论文中提出，在FF++和DFDC伪造数据集中均表现出较高的检测能力，且在实验中对四种模型的相关性进行校验，发现四种模型基本不存在相关性因此可以将四种结合以提升最终的检测成功率。

这个方式的缺点为：对未知的人脸检测算法的检测成功率差，难以检测所有的人脸篡改算法，且检测结果解释性不足。

(2)基于脆弱水印的篡改检测

传统的水印防篡改方案主要是利用脆弱水印的脆弱性，即对图形的变换和修改有很强的敏感性，这使得对嵌入脆弱水印的图片中的修改可以显示在水印上，以此定位图像修改的区域，典型的代表是LSB(最低有效位)算法，对于彩色图片(RGB方式)RGB三色各八位，八位中的最低位对人视觉影响最小，人眼很难看出这个位面与原图的相关性，利用低位对图形显示影响最小这一特性将水印嵌入这一位面，以减少对原图的影响。将全零的脆弱水印以最低位的形式嵌入原图，在恶意对原图的人脸区域篡改后最低位面也会受影响，通过提取最低位面水印，水印中1区域是被篡改过的，从而达到完整性检测的目的。

这个方式的缺点为：在有噪声的时候或者是图像经过压缩处理后最低位面的水印影响较大，此时无法检测人脸区域是否被篡改。

(3)特征脸水印：