一种基于区域感知的伪造图像检测与定位方法及系统

1.一种基于区域感知的伪造图像检测与定位方法，其特征在于，所述方法包括：对输入视频进行数据预处理后得到输入图像，并为每个输入图像生成软标签；将所述输入图像输入编码器-解码器网络进行训练，所述编码器-解码器网络通过有监督的方式进行训练，编码器和解码器均由K个卷积模块串联组成，解码器的每个卷积模块的最后一层通过软标签进行监督学习；将所述编码器的输出图像通过分类预测网络进行训练，所述分类预测网络由M个卷积模块串联组成，在每个卷积模块后，分别设置不同的分类器，每个分类器通过硬标签进行监督学习；使用融合了二元交叉熵损失以及IoU损失的混合损失函数来训练编码器-解码器网络和分类预测网络；将待检测图像输入至训练后的编码器-解码器网络和分类预测网络，检测输出所述待检测图像的伪造区域和真伪识别结果；所述混合损失函数L hybrid 为：L hybrid ＝δ 1 L BCE +δ 2 L IoUL BCE ＝L BCE_map +L BCE_pixel其中，L BCE 是二元交叉熵损失，L IoU 是IoU损失，δ 1 和δ 2 表示权重，L BCE_map 为二元交叉熵损失在图像级上的表达式，L BCE_pixel 为二元交叉熵损失在像素级上的表达式，l (c) 表示分类预测网络中第c个分类器输出的二元交叉熵损失，C表示分类器的数量，α c 表示每个分类器输出的二元交叉熵损失的权重，s (k) 表示解码器中第k个卷积模块输出的二元交叉熵损失，K表示输出的mask数量，β k 表示解码器中每个卷积模块输出的二元交叉熵损失的权重，t (k) 表示解码器中第k个卷积模块输出的IoU损失，γ k 表示解码器中每个卷积模块输出的IoU损失的权重；分类预测网络中单个分类器的二元交叉熵损失为：l＝-[y·log(p)+(1-y)·log(1-p)]解码器中单个卷积模块输出的二元交叉熵损失为：解码器中单个卷积模块输出的IoU损失为其中，y、p分别表示输入图像的真实硬标签和预测其为真实图像的概率值，G(m,n)∈{0,1}表示输入图像在像素点(m,n)处的软标签值，S(m,n)表示模型预测为像素点(m,n)为伪造区域的概率值。 2.根据权利要求1所述的方法，其特征在于，所述编码器和解码器均由4个卷积模块组成，所述分类预测网络由3个卷积模块组成。 3.根据权利要求1所述的方法，其特征在于，所述分类预测网络在训练过程中得到M个预测结果，然后采用少数服从多数的原则来判断输入图像的真伪。 4.根据权利要求1-3任一项所述的方法，其特征在于，所述对输入视频进行数据预处理，包括：将输入视频转换为单帧图像；用MTCNN网络检测人脸区域，并进行裁切；将裁剪的人脸图像调整为统一大小，作为输入图像。 5.根据权利要求4所述的方法，其特征在于，所述用MTCNN网络检测人脸区域，并进行裁切，具体为：用MTCNN网络检测人脸区域，然后将检测到的人脸区域沿宽度和高度方向向外扩展1.2倍后进行裁切。 6.一种基于区域感知的伪造图像检测与定位系统，其特征在于，所述系统采用权利要求1-5中任意一项所述方法来检测伪造图像的真伪及伪造区域。