欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020101223036
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于Mask R-CNN图像篡改检测方法,其特征在于,包括以下步骤:S10、基于Mask R-CNN构建图像篡改检测网络,所述图像篡改检测网络包括主分支网络、噪声分支网络、Resnet-FPN骨干网络、RPN区域提议网络和ROI Align双线性池化网络;

S20、将所述篡改图像输入所述主分支网络;所述主分支网络提取篡改图像特征并输入所述Resnet-FPN骨干网络;

S30、输入所述主分支网络的所述篡改图像经过SRM滤波层提取篡改图像的局部噪声特征;将所述局部噪声特征输入所述噪声分支网络;

S40、所述噪声分支网络识别所述篡改图像局部噪声特征和噪声分类特征,并输入到所述Resnet-FPN骨干网络;

S50、根据输入的所述篡改图像特征、所述局部噪声特征和所述噪声分类特征通过所述Resnet-FPN骨干网络的FPN产生图像特征金字塔;

所述图像特征金字塔包括边界特征金字塔、图像分类特征金字塔和图像噪声特征金字塔;

S60、将所述图像分类特征金字塔和图像噪声特征金字塔输入所述ROI Align双线性池化网络;

S70、所述边界特征金字塔输入所述RPN区域提议网络产生图像篡改候选区域特征,并输入所述ROI Align双线性池化网络;

S80、所述ROI Align双线性池化网络对输入的所述图像分类特征、图像噪声特征和所述图像篡改候选区域特征进行特征合并,并输出所述篡改图像的分类、篡改区域定位和图像分割结果;

S90、使用数据集对图像篡改检测神经网络进行训练、测试;所述数据集为基于PASCAL VOC数据集合成创建了新的篡改数据集(PASCAL VOC-TP);所述新的篡改数据集(PASCAL VOC-TP)包括篡改图像、篡改区域坐标值和篡改区域的掩码值;

S100、将篡改图像输入训练完成后的图像篡改检测网络,得到篡改图像的分类、篡改区域定位和图像分割掩码预测。

2.权利要求1所述的图像篡改检测方法,其特征在于,步骤S30中所述SRM滤波层包括3个基本滤波器,所述基本滤波器的内核为:

3.权利要求1所述的图像篡改检测方法,其特征在于,步骤S50中所述图像特征金字塔结构为[P2,P3,P4,P5,P6],对于输入网络的原图上w×h的ROI,选择的合适特征图的尺度Pk,通过如下公式进行定义:其中,w×h表示ROI面积,K0设置为4,224为ImageNet输入图像大小。

4.权利要求1所述的图像篡改检测方法,其特征在于,步骤S70中所述RPN区域提议网络会对所述边界特征进行修正,所述RPN区域提议网络修正损失定义为:其中pi表示在一个mini-batch中锚点i是篡改区域的预测概率, 表示正锚点i相关联的真值,ti={tx,ty,tw,th}表示预测的4个参数化坐标, 是正锚点对应的真值坐标;Lcls表示RPN网络的交叉熵损失,Lreg表示smooth L1损失;Ncls表示RPN网络中mini-batch的的大小,Nreg表示锚点的数量;λ表示平衡这两个损失的超参数。

5.权利要求1所述的图像篡改检测方法,其特征在于,所述ROI Align双线性池化网络模型结构如图2所示。

6.权利要求1所述的图像篡改检测方法,其特征在于,所述篡改图像为三通道(RGB)彩色图像。