[发明专利]一种基于改进DPN网络的数字图像篡改检测方法

说明书

本发明公开了一种基于改进DPN网络的数字图像篡改检测方法，涉及数字图像安全领域。通过改进的DPN神经网络进行训练，利用已训练好的卷积神经网络提取篡改特征向量，通过网络的全连接层来获取篡改图像篡改的概率进而判定待检测图像的类型，最后对篡改检测网络模型进行评估。本发明结合传统图像处理方法和神经网络的优点，对现有的深度学习检测方法进行改进，使得网络特征提取更为充分，网络收敛更为快速，网络预测精度更高。

技术领域

本发明涉及数字图像安全领域，尤其涉及一种基于改进DPN网络的数字图像篡改检测方法。

背景技术

互联网的普及以及多媒体技术的迅速发展，社交媒体以其低成本高收益成为当下主要信息传播平台，其中数字图像以其直观地传达信息的特点在诸多领域中扮演着不可或缺的角色，但是同时也带来诸多困扰与挑战。一方面是图像编辑软件的流行以及数字图像处理技术的成熟，通过修改图像内容并对篡改痕迹进行后处理，使得篡改图像越难以简单通过人眼辨别，其次是多媒体技术和网络通信的发展，虚假图像呈现逐年上升的趋势，数字图像安全隐患日益严重，由此引发的盗版问题和信息安全隐患同样成为社会问题，因此如何有效辨别图像的真实性成为当前需迫切解决的问题。

针对篡改图像，当前主要分为两类：拼接，复制-粘贴，删除三种对图像内容进行修改，这类篡改方式误导性较大，其它的修改方式比如模糊，压缩，滤波大多是为掩盖篡改痕迹而进行的后处理操作危害性较小。研究发现，尽管篡改图像可能不会留下一些视觉上的线索，但是在篡改的过程中一定改变了图像的内在统计信息，而基于图像内容篡改特征提取的数字图像篡改的检测技术主要是分析数字图像的内在统计信息特征来对图像的真实性，完整性进行鉴别。目前基于图像内容的数字图像篡改检测技术主要可以分为两大类，一类基于传统数字图像处理方法的被动取证技术，另一类是基于深度学习的图像被动取证技术。传统的图像篡改检测技术通常通过分析篡改类型的独特性手动设计特征向量进行特征提取进而进行图像分类，但在人为的设计特征带来额外巨大工作量的同时特征提取与分类任务的分离在一定程度上制约了篡改检测的精确度。而随着深度学习的发展，卷积神经网络在数字图像领域取得巨大的进展。基于深度学习的数字图像篡改检测技术利用深度学习方法的自适应性在大量数据集的支撑下使得网络模型能够自动学习提取有效特征。早期有相关学者使用卷积神经网络实现端对端的图像篡改检测分类。但是由于篡改特征的特殊性，图像篡改分类需要更多关注网络低层的边缘特征信息，而非高层的语义特征信息，传统图像分类网络模型并不能有效的解决这类问题。

现有技术中，传统方法人为设计特征提取，提取特征工作量大，提取分类任务分离检测精确度低。由于篡改特征的特殊性，传统的深度学习分类网络不能有效提取篡改特征，精确度有待提高。深度学习分类任务中更多关注语义信息，而忽略低层的篡改边缘特征信息。

因此，本领域的技术人员致力于开发一种基于改进DPN网络的数字图像篡改检测方法。结合传统数字图像处理方法和深度学习方法的各自优势，有效解决人为提取特征的难题，使得图像篡改检测网络更加高效准确。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是解放了人为设计特征提取特征，实现端对端的图像自适应的特征提取，篡改检测；针对篡改特征的特殊性，通过深度学习与传统方法相结合，有效准确提取篡改特征；通过改进DPN网络关注低层篡改特征信息，提高图像篡改检测任务的准确率。

为实现上述目的，本发明提供了一种基于改进DPN网络的数字图像篡改检测方法，包括以下步骤：

步骤1、数据集准备及预处理；

步骤2、篡改检测模型搭建，搭建改进的DPN网络模型，包含特征提取环节与分类环节；

步骤3、篡改检测模型训练与调参，加载训练集与验证集，初始化超参数；

步骤4、篡改检测模型测试与评估，通过加载训练权重，在测试集上进行测试，最后对篡改检测模型的性能进行评估。