技术摘要：
本发明涉及一种基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，包括利用主流人脸生成模型生成虚假人脸；对训练用的真实人脸以及生成人脸图片数据集进行成对预处理，并制定标签；以深度卷积神经网络为基础构建共同特征提取网络以及分类网络；利用对比损失，向  全部
背景技术：
随着人工智能技术的发展，视频/图像篡改技术在为人类生活带来便利的同时也 引发了社会公共安全方面极大的担忧。计算机视觉领域，利用各类优秀的生成式模型生成 的各类图像可以被用来为特定的人和不适当的事件生成被篡改的视频或者虚假的图片，特 别是虚假人脸图像，会产生对个人非常有害的影响，甚至可能影响到个人的安全。传统的虚 假人脸图像鉴别方法直接学习二进制位分类器，但针对目前各类基于神经网络的生成式模 型生成的人脸图像，很难找到用于判断来自不同生成模型的虚假图像的常见鉴别特征，因 此传统虚假人脸图像鉴别手段不能很好的被应用至目前新兴技术所生成的各类人脸图像。
技术实现要素：
本发明的目的是克服了上述现有技术的缺点，提供了一种满足结构简单、效率高、 覆盖面广的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法。 为了实现上述目的，本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴 定的方法如下： 该基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，其主要特点是， 所述的方法包括以下步骤： (1)利用主流人脸生成模型生成虚假人脸； (2)对训练用的真实人脸以及生成人脸图片数据集进行成对预处理，并制定标签； (3)以深度卷积神经网络为基础构建共同特征提取网络以及分类网络； (4)利用对比损失，向共同特征提取网络输入训练用成对人脸图像进行训练； (5)将训练后的共同特征提取网络与分类网络进行级联，输入生成的或者真实单 人脸图像进行训练； (6)根据经过训练后得到的级联网络模型进行生成式虚假人脸图像鉴定。 较佳地，所述的步骤(1)中主流人脸生成模型包括ProGAN、StyleGAN、StyleGAN2、 BigGAN。 较佳地，所述的步骤(2)中成对处理的处理过程具体为从真实人脸与生成人脸混 合集中随机选两张人脸图像组成图像对。 较佳地，所述的步骤(2)中的预处理的处理过程包括压缩图像JEPG格式、添加随机 噪声和裁剪。 较佳地，所述的步骤(2)中预处理后的人脸图像大小为2N×2N，其中，N为大于等于6 且小于等于9的正整数。 较佳地，所述的步骤(2)中压缩图像JEPG格式的处理过程具体为： 4 CN 111597983 A 说　明　书 2/5 页 随机选取50％人脸图像进行JEPG格式压缩，其中，压缩比设置为10:1～30:1均匀 分布。 较佳地，所述的步骤(2)中添加的随机噪声标准差为0～3均匀分布。 较佳地，所述的步骤(2)中的制定标签的处理过程具体为： 对成对图像进行判断，如果成对图像为一张真实图像与一张生成图像，则成对标 识结果为0；如果成对图像中两张均为生成图像，则成对标识结果为1；如果成对图像中两张 均为真实图像，则成对标识结果为1。 较佳地，所述的步骤(3)中共同特征提取网络包含卷积层、池化、残差层以及全连 接层，所述的卷积层和全连接层均经过激活处理。 较佳地，所述的步骤(3)中分类网络包含卷积层、池化、以及全连接层，所述的卷积 层和全连接层均经过激活处理。 较佳地，所述的步骤(4)中的对比损失具体为通过从成对信息异构训练人脸图像 中学习联合差异特征。 较佳地，所述的步骤(5)中的级联的处理过程具体为将分类网络直接连接至共同 特征提取网络中最后一个残差网络之后。 采用了本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法，由 于生成技术会导致图像本质特征发生改变，通过检查从图像中提取的内在特征的统计特性 可检测图像是否是生成的。由于其采用深度图像学习技术，从所收集的生成图像以及真实 图像训练集中学习到联合鉴别的特征，最终训练分类器得到了可以自动检测生成式虚假人 脸图像的鉴别网络。本发明利用对比损失的方法来更好地寻找由不同生成模型生成的虚假 图像的典型特征，核心就在于搭建的网络结构简单，鉴别速度快，最终的鉴别网络模型对虚 假人脸图片有很好的检测能力，而且能够鉴别不同生成式网络生成的虚假人脸图片，在虚 假生物特征图像鉴别以及人脸图像安全领域都有广阔的应用前景。 附图说明 图1为本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法的步 骤示意图。 图2为本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法的训 练用人脸图像预处理示意图。 图3为本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法的共 同特征提取网络流程示意图。 图4为本发明的基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法的分 类网络流程示意图。