[发明专利]一种端到端的图像拼接定位方法和系统

说明书

本发明提供一种端到端的图像拼接定位方法和系统。该方法包括：构建图像拼接定位网络模型，包括篡改检测模块和残差精细化模块；篡改检测模块采用编码器‑解码器架构；在编码器中，先采用特征提取网络提取输入图像的多尺度特征，然后将其中的高级特征依次输入至CBAM模块和空间金字塔池化模块进行处理；在解码器中，将特征提取网络提取的其中两种尺度的低级特征与编码器输出的高级特征进行融合重构，得到一个粗预测图；残差精细化模块对粗预测图作优化，得到最终的拼接定位结果；定义图像拼接定位网络模型的损失函数；准备数据集，采用数据集对图像拼接定位网络模型进行训练；利用训练好的图像拼接定位网络模型对待测图像进行拼接定位。

技术领域

本发明涉及图像取证技术领域，尤其涉及一种端到端的图像拼接定位方法和系统。

背景技术

随着网络和电子设备的发展，人们浏览信息变得越来越方便。然而，网络上却充斥着或真或假的事件。其中，数字图像被篡改变得尤为简单。非专业人士使用简单的图像编辑软件(如Photoshop，美图等等)就可以做到以假乱真。常见的图像篡改方式可以分为复制粘贴、拼接、移除。图像拼接是图像篡改方式中最普遍的操作之一，它通过复制外部的一张图像粘贴到源图像中。在粘贴前，复制的区域可能会经过裁剪，旋转等操作，以隐藏视觉上可感知的篡改痕迹。经过篡改后的图像更加难以辨别真伪。如果这些伪造的图像被误用和传播，则有可能引发严重的安全问题。

为了解决上述图像安全问题，越来越多的研究人员投身到图像取证领域。主流的篡改图像取证方法可以分为基于图像级的篡改检测和基于像素级的篡改定位。图像拼接检测是一种图像级的分类问题，它的目的是确定一张图像是否被拼接。而图像拼接定位则是比图像拼接检测更具挑战性和重要性的任务。因为它是像素级的，需要判断每一个像素是否被篡改，并且可以得到篡改区域预测掩膜。

近些年，传统的图像篡改检测方法有很多。传统的篡改检测方法可以通过分析图像的统计特性达到较好的检测效果。但是传统的定位方法只关注图像中某一种特定的属性，并不适用于所有的拼接情况。例如，在利用传感器噪声鉴别是否存在拼接操作的检测方法中，如果使用同一种相机拍摄的照片进行拼接，那么基于传感器噪声检测的方法将会失效，使检测性能明显下降。并且传统的篡改检测方法的设计很大程度上依赖于设计者的先验知识。在经过社交网络的传输时，往往会对图像本身的属性隐藏或者修改，使检测过程变得越来越复杂和困难。

随着深度学习在目标检测和语义分割等各种计算机视觉任务中的成功，许多基于深度学习的方法已经被开发出来用于图像拼接篡改检测和定位。很多学者使用深度学习技术检测并定位伪造图像并已经取得了一些较为不错的成绩。对于图像级的拼接检测问题，基本已经能够很好解决，哪怕是在拼接尺寸较小的情况也能有不错的性能，这对篡改定位的发展提供帮助。目前仍存在的问题是，拼接图像定位不够准确，不能较完整的生成拼接区域的掩膜。这其中一个原因与图像拼接的复杂性有关。通常，拼接伪造图像不会以简单的方式直接拼接，而是经过后处理操作来调整被拼接的区域，使其难以分辨真伪。因此需要网络提取更细致可识别的特征。

发明内容

针对目前图像拼接定位方法依赖于设计者的先验知识以及定位精度较低的情况，本发明提供一种端到端的图像拼接定位方法和系统。

一方面，本发明提供一种端到端的图像拼接定位方法，包括：

步骤1：构建图像拼接定位网络模型，包括篡改检测模块和残差精细化模块；其中，所述篡改检测模块采用编码器-解码器架构；在所述编码器中，先采用特征提取网络提取输入图像的多尺度特征，然后将其中的高级特征依次输入至CBAM模块和空间金字塔池化模块进行处理；在所述解码器中，将所述特征提取网络提取的其中两种尺度的低级特征与编码器输出的高级特征进行融合重构，得到一个粗预测图；所述残差精细化模块对所述粗预测图作优化，得到最终的拼接定位结果；

步骤2：定义所述图像拼接定位网络模型的损失函数；

步骤3：准备数据集，采用所述数据集对所述图像拼接定位网络模型进行训练；