[发明专利]一种提升DeepFake视频检测精度的方法

说明书

本发明公开一种提升DeepFake视频检测精度的方法，包括步骤：对真实人脸视频及对应的伪造人脸视频分别解码，按帧存储为不同图像序列；对伪造人脸图像序列逐个进行人脸检测；对人脸检测框位置修正，提取修正后人脸检测框内人脸区域关键点信息；用修正后人脸检测框位置裁剪真实人脸，构建Soft Label扩增数据，形成多个不同融合图像；对裁剪的真实人脸进行人脸姿态矫正；将真实人脸视频与伪造人脸视频中不同ID人脸与Soft Label扩增后人脸分别存储，用于后续模型训练。本发明通过人脸跟踪技术的使用可大幅缩减检测时间；通过用Soft Label进行数据扩增，可以让标签更为平滑，训练更容易收敛，最终提升模型性能。

技术领域

本发明涉及人脸视频伪造检测技术领域，特别是涉及一种提升DeepFake视频检测精度的方法。

背景技术

换脸技术Deepfake是由“deep machine learning”(深度机器学习)和“fakephoto”(假照片)组合而成，该技术出现后，给大众带来欢乐的同时，也在被不少人滥用，对社会造成危害。因此就需要相应的视频检测以识别检测其真伪，即对视频流中的伪造人脸进行伪造检测以识别其中的人脸的真伪，以满足用户对人脸伪造视频甄别的要求。然而现有人脸伪造检测技术在视频检测精度、检测时间以及运行速度上均有待进一步提升。

发明内容

本发明的目的是针对现有技术中存在的技术缺陷，而提供一种提升DeepFake视频检测精度的方法。

为实现本发明的目的所采用的技术方案是：

一种提升DeepFake视频检测精度的方法，包括步骤如下：

对真实人脸视频及基于该真实人脸视频形成的伪造人脸视频分别解码，并按帧存储为不同的图像序列；

对输入的伪造人脸图像序列逐个进行人脸检测；

利用跟踪方法对人脸检测中提取的人脸检测框位置修正，保存修正后人脸检测框的位置；

利用关键点检测算法提取修正后人脸检测框内人脸区域的关键点信息；

利用修正后人脸检测框位置裁剪真实人脸图像序列中真实人脸视频中对应的真实人脸，构建Soft Label扩增数据；

利用所述关键点信息，根据人脸对齐算法对裁剪的真实视频中的人脸进行人脸姿态矫正；

图像序列遍历完成后，将真实人脸视频与伪造人脸视频中不同ID人脸与SoftLabel扩增后人脸分别存储，用于后续深度伪造鉴别模型训练。

本发明通过对伪造人脸序列进行检测跟踪，保存人脸检测框，然后直接在对应到真实人脸序列中提取直实人脸位置，可以大幅缩减检测时间。

本发明通过利用Soft Label(软标签)进行数据扩增，可以让标签更为平滑，训练更容易收敛，同时通过设置不同的权重参数weight可以对训练数据扩增，进行高效增广，最终提升模型性能。

附图说明

图1是本发明实施例的提升DeepFake视频检测精度的方法的整体流程示意图。

图2为本发明实施例的提升DeepFake视频检测精度的方法处理过程的示意图。

图3为本发明实施例的通过Soft Label形成的多个融合图像的示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例的提升DeepFake视频检测精度的方法，包括步骤：

对真实人脸视频及基于该真实人脸视频形成的伪造人脸视频分别解码，并按帧存储为不同的图像序列；