区分来源和目标区域的图像copy-move伪造检测方法

Copy-move是一种常用的图像伪造手段,它通过复制图像的某一区域,移动并粘贴到同一图像的其他位置,达到掩盖重要信息或伪造虚假场景的目的。近年来,为了防止copy-move被用于违法犯罪,copy-move伪造检测技术迅猛发展,在维护社会运行秩序和信息安全方面发挥着积极作用。本文提出一种基于条件生成对抗网络(conditional Generative Adversarial Networks, cGANs)的copy-move伪造检测方法。针对图像copy-move伪造检测,该方法优化设计了cGANs的损失函数,并使用适量的弱监督样本来提升网络性能。不同于目前大部分检测算法,该方法不仅可以定位出图像中的相似区域,还可以有效区分伪造来源区域和伪造目标区域。实验结果表明,本文所提出的方法在检测准确率上显著优于现有方法。      

指数矩耦合局部敏感哈希的图像伪造检测算法

为了解决图像伪造检测算法在定位篡改内容时忽略了不同颜色分量之间的关系,使其对图像特征描述不足,导致其识别结果中存在误检与漏检等情况,本文提出了基于多元指数矩与欧式局部敏感哈希的图像伪造检测算法。引入高斯低通滤波,消除可疑图像中的噪声;随后,将滤波图像分割为一系列的重叠圆形子块,改善其对旋转等内容操作的鲁棒性;基于四元指数矩(QEM),计算每个圆形子块的QEM,以提取相应的鲁棒特征,将其组合成特征矢量;采用欧式局部敏感哈希机制,生成每个子块对应的哈希序列;计算任意两个相邻哈希元素之间的空间距离,通过与预设阈值比较,完成所有子块的匹配;最后,借助随机样本一致性方法来剔除错误匹配,通过形态学处理,定位出篡改内容。实验数据显示：较已有的伪造检测方法而言,在各种几何内容修改下,所提算法具有更高的伪造检测准确性。     

基于最近邻搜索耦合近邻损耗聚类的图像伪造检测算法

目的为了解决当前图像伪造检测算法在对图像进行伪造检测时,主要依靠全局搜索的方式来完成特征点匹配,导致其检测效率较低,且在对复杂伪造图像进行检测时,易出现检测精度不高和检测错误的不足。方法提出基于最近邻搜索耦合近邻损耗聚类的图像伪造检测算法。首先引入积分图像的方法,对图像进行预处理,借助Hessian矩阵行列式来提取特征点。利用特征点构建圆形区域,通过求取圆形区域内Haar小波响应获取特征点的特征描述符。然后通过特征描述符建立KD树索引,利用最近邻搜索方法代替SURF中全局搜索的方法,对SURF进行改进,完成特征点的匹配。最后,利用特征点间的近邻关系求取近邻函数值,通过近邻函数值对特征点进行聚类,完成图像的伪造检测。结果实验结果显示,与当前图像伪造检测算法相比,所提算法具有更高的检测效率以及更高的检测正确度。结论所提算法具备较高的检测精度,在印刷防伪与信息安全等领域具有较好的应用价值。     

基于自然图像统计特性的拼接图像检测算法

图像拼接被认为是最基本和最主要的图像非法编辑操作.拼接图像检测的关键问题之一是提取拼接图像有别于自然图像的区分性特征,将其转化为模式识别问题.本文从自然图像DCT 变换系数的统计特性出发,分别应用高斯分布和广义高斯分布来建立其直流分量和交流分量的统计分布模型,同时结合图像小波变换系数的能量分布特性,提取模型参数和小波域的能量分布特性形成特征向量,送入支持向量机,实现对拼接图像和自然图像的分类和检测.实验结果表明,本文算法达到了平均80%的准确率,性能优于Ng提出的基于双相干特征的拼接图像检测算法.     

多级特征全局一致性的伪造人脸检测

目的 随着深度伪造技术的快速发展,人脸伪造图像越来越难以鉴别,对人们的日常生活和社会稳定造成了潜在的安全威胁。尽管当前很多方法在域内测试中取得了令人满意的性能表现,但在检测未知伪造类型时效果不佳。鉴于伪造人脸图像的伪造区域和非伪造区域具有不一致的源域特征,提出一种基于多级特征全局一致性的人脸深度伪造检测方法。方法 使用人脸结构破除模块加强模型对局部细节和轻微异常信息的关注。采用多级特征融合模块使主干网络不同层级的特征进行交互学习,充分挖掘每个层级特征蕴含的伪造信息。使用全局一致性模块引导模型更好地提取伪造区域的特征表示,最终实现对人脸图像的精确分类。结果 在两个数据集上进行实验。在域内实验中,本文方法的各项指标均优于目前先进的检测方法,在高质量和低质量FaceForensics++数据集上,AUC(area under the curve)分别达到99.02%和90.06%。在泛化实验中,本文的多项评价指标相比目前主流的伪造检测方法均占优。此外,消融实验进一步验证了模型的每个模块的有效性。结论 本文方法可以较准确地对深度伪造人脸进行检测,具有优越的泛化性能,能够作为应对当前人脸伪造威胁的一种有效检测手段。     

基于深度对齐网络的生成对抗网络伪造人脸检测

针对现有的生成对抗网络（GAN）伪造人脸图像检测方法在有角度及遮挡情况下存在的真实人脸误判问题,提出了一种基于深度对齐网络（DAN）的GAN伪造人脸图像检测方法。首先,基于DAN设计面部关键点提取网络,以提取真伪人脸关键点位置;然后,采用主成分分析（PCA）方法将每一组关键点映射到三维空间,从而减少冗余信息以及降低特征维度;最后,利用支持向量机（SVM）五折交叉验证对特征进行分类,并计算准确率。实验结果表明,该方法通过提高面部关键点定位准确度改善了由于定位误差引起的面部不协调问题,进而降低了真实人脸误判率。与VGG19、XceptionNet和Dlib-SVM方法相比,正脸情况下,该方法的ROC下面积（AUC）值提高了4.48到32.96个百分点,平均精度（AP）提高了4.26到33.12个百分点;有角度及遮挡人脸情况下,该方法的AUC值提高了10.56到30.75个百分点,AP提高了7.42到42.45个百分点。     

离散小波变换耦合静电场理论的图像快速伪造检测算法

为了解决当前图像伪造检测算法主要是在图像空域中定位伪造区域,难以降低图像维数,使其复杂度大;且不能有效检测几何变换篡改形式的伪造区域,导致其鲁棒性不佳的不足,提出了离散小波变换耦合静电场理论的图像伪造检测算法;首先,引入离散小波变换,提取伪造图像的低频子带,降低图像空间;再基于静电场理论,将提取子带映射到虚拟电场中,提取鲁棒性较强的特征,利用Radix排序算法对特征完成重组,形成特征矩阵;最后,定义相同仿射变换,并用其处理排序矩阵,完成伪造区域检测;实验测试结果显示:与当前的移动复制伪造检测技术相比,所提算法具有更高的定位效率与检测精度;同时拥有较强的鲁棒性,有效抗击几何变换篡改;该算法能够高效精确检测几何变换伪造形式的图像内容。     

基于块间光照不一致性的深度伪造检测算法

深度伪造技术的迅速发展和广泛传播引起了社会的广泛关注,但深度伪造技术的恶意应用也给社会带来了潜在威胁。因此,如何检测出此类深度伪造内容成为热门研究课题。以往的多数深度伪造检测算法着重于捕捉像素级别的细微伪造痕迹。目前的深度伪造算法大多忽略了伪造前后的光照信息,导致原始人脸与伪造人脸之间存在一定的光照不一致性,这为使用光照不一致性来检测深度伪造提供了可能。从引入光照不一致性信息和为特定任务设计网络结构模块两个角度设计了对应的算法。针对光照的引入,通过设计对应的通道融合算法,将更多的光照不一致信息提供给网络特征提取层,从而衍生出新的网络结构。为了保证该网络结构的可移植性,将特征通道融合的过程置于网络提取信息之前,从而使所提算法能够完整移植至常见的深度伪造检测网络。针对网络结构的设计,从网络结构和损失函数设计两个角度出发,提出了基于块间相似性的光照不一致性深度伪造检测算法。对于网络结构,基于伪造图像篡改区域和背景区域不一致的特性,在网络特征层中对提取特征进行分块,通过对比块间余弦相似度得到特征层相似矩阵,使网络拟合重心更偏向于光照不一致性。在此基础上,基于特征层相似性对比方案,通过将输入图像与该图像的未篡改图像进行块间真伪性对比,为这一任务设计了独立的真实数据参考及损失函数。实验结果表明,与基线算法相比,所提算法对于深度伪造检测的准确性有明显提升。     

基于超分辨率重建的强压缩深度伪造视频检测

经典的深度伪造(DeepFake)视频检测方法一般使用卷积神经网络进行检测,但在强压缩深度伪造换脸视频数据集上表现较差,并会对真实数据做出大量误检测。针对这个问题,该文提出一种基于超分辨率重建的强压缩深度伪造视频检测方法。该方法基于深度神经网络检测模型,通过融入超分辨率重建技术,恢复强压缩视频所损失的空间与时间信息,进而提升对强压缩视频的检测准确率。使用FaceForensics++及DFDC数据集进行实验,针对强压缩的深度伪造视频,该方法较ResNet50提高了单帧以及视频的测试准确率,有效缓解强压缩真实视频的误检测问题。     

理解UVLED的使用和防护

正紫外线的波长介于可见光和X光之间。其波长范围是10~400nm。然而,许多光电厂商认为430nm的波长也属于紫外线。尽管许多紫外线并不为人眼所见,其仍为产生部分紫罗兰色的可见光谱而得名,UV LED在过去几年已经取得了长足的进步。这不单是生产固态UV器件技术进步的结果,还得益于对生产无害环境的UV灯的需求增加。