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。