伪造图像检测方法、装置、设备和介质与流程

1.本发明涉及图像处理技术领域，特别涉及一种伪造图像检测方法、装置、设备和介质。


背景技术：

2.在金融领域中，随着时代的进步，科技的不断发展，例如，在办理银行业务时，对于金融账号的注册、账号信息的验证由线下办理转移至线上办理，在线上办理过程中，对于身份的验证，仅依靠用户的人脸图像即可完成身份验证，极大改善办理程序，使得我们的生活更快捷、更简单。然而，随着人脸图像验证的推广，也存在很大的风险，一些不法分子通过网络技术进行人脸图像伪造，以伪造图像骗取用户的身份信息，进而谋取利益等，给人们的生活带来了困扰。目前，针对伪造人脸图像的检测技术层出不穷，例如基于图像篡改痕迹进行伪造图像检测，基于gan图像特征进行伪造图像检测，或是基于生物特征进行伪造图像检测，但上述方法缺乏对真假面部的本质差异的关注，也没有关注面部的局部细节。
3.因此，如何优化对伪造人脸图像的检测技术，进而获取高置信度的检测结果是目前需要解决的问题。


技术实现要素：

4.本发明提供一种伪造图像检测方法、装置、设备和介质，旨在优化对伪造人脸图像的检测技术，进而获取高置信度的检测结果。
5.为了实现上述发明目的，本发明第一方面提出一种伪造图像检测方法，所述方法包括：
6.将训练图像输入待训练伪造人脸检测模型，其中，所述训练图像包括真实人脸图像和伪造人脸图像；
7.将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素；
8.基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域；
9.以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。
10.进一步地，所述将训练图像输入待训练伪造人脸检测模型之前，还包括：
11.获取真实人脸图像；
12.通过深度神经网络对所述真实人脸图像进行特征提取，得到人脸特征；
13.基于所述人脸特征进行图像构造，得到伪造人脸图像；
14.根据所述真实人脸图像和所述伪造人脸图像生成训练图像。
15.进一步地，所述将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪
造人脸图像的篡改像素，包括：
16.获取所述真实人脸图像的第一像素值；以及，
17.获取所述伪造人脸图像的第二像素值；
18.将所述第一像素值减去所述第二像素值，得到像素差值；
19.将所述像素差值与第一阈值进行比较，以获取所述像素差值大于所述第一阈值对应的所述第二像素值；
20.将所述第二像素值记为篡改像素，得到所述伪造图像的篡改像素。
21.进一步地，所述以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型，包括：
22.以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，并根据预设的损失函数计算所述真实像素区域和所述伪造像素区域之间的损失数值；
23.将所述损失数值与损失阈值进行比较，判断所述损失数值是否小于所述损失阈值；
24.若所述损失数值小于所述损失阈值，则根据所述损失数值对应的训练参数调整所述待训练伪造人脸检测模型的参数，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。
25.进一步地，所述根据预设的损失函数计算所述真实像素区域和所述伪造像素区域之间的损失数值，包括：
26.根据第一损失函数计算所述真实像素区域和所述伪造像素区域之间的第一损失数值；
27.根据第二损失函数计算所述真实像素区域中像素点的第二损失数值；
28.根据预设的损失函数结合所述第一损失数值及所述第二损失数值计算所述真实像素区域和所述伪造像素区域之间的损失数值。
29.进一步地，所述损失函数为其中，
30.表示第一损失数值；
31.表示第二损失数值。
32.进一步地，所述得到伪造人脸检测模型之后，还包括：
33.获取待检测人脸图像；
34.将所述待检测人脸图像输入所述伪造人脸检测模型；
35.基于所述伪造人脸检测模型对所述待检测人脸图像进行检测分析，输出检测结果。
36.本技术还提供一种伪造图像检测装置，其特征在于，所述装置包括：
37.输入模块，用于将训练图像输入待训练伪造人脸检测模型，其中，所述训练图像包括真实人脸图像和伪造人脸图像；
38.比对模块，用于将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素；
39.划分模块，用于基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域；
40.训练模块，用于以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。
41.本技术还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的伪造图像检测方法的步骤。
42.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述任一项所述的伪造图像检测方法的步骤。
43.有益效果：本技术通过将训练图像输入待训练伪造人脸检测模型，将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素，基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域；以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，进而提高所述待训练伪造人脸检测模型对所述篡改像素检测的精确度，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型，所述伪造人脸检测模型具备对精细伪造的人脸图像进行真伪检测的性能，可精准的捕捉到伪造人脸图像中的篡改像素，进而得到高置信度的检测结果，该检测结果可用于辅助金融领域的工作人员对伪造人脸图像进行识别，提高对伪造人脸图像识别的处理效率。
附图说明
44.图1为本技术伪造图像检测方法的一实施例流程示意图；
45.图2为本技术伪造人脸检测方法的另一实施例流程示意图；
46.图3为本技术伪造图像检测方法的另一实施例流程示意图；
47.图4为本技术伪造图像检测方法的另一实施例流程示意图；
48.图5为本技术伪造图像检测方法的另一实施例流程示意图；
49.图6为本技术伪造图像检测方法的另一实施例流程示意图；
50.图7为本技术伪造图像检测装置的一实施例结构示意图；
51.图8为本技术计算机设备的一实施例结构示意框图。
52.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
53.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
54.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“上述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件、模块和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、模块、组件和/或它们的组。应该理解，当我们
称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一模块和全部组合。
55.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
56.参照图1，本发明实施例提供一种伪造图像检测方法，包括以下步骤s1-s4：
57.s1：将训练图像输入待训练伪造人脸检测模型，其中，所述训练图像包括真实人脸图像和伪造人脸图像。
58.本实施例应用于金融领域，特别是应用于金融领域中的伪造人脸图像的检测，优先为，银行中伪造人脸图像的检测。为获取具备检测伪造人脸图像的伪造人脸检测模型，将使用训练图像对待训练伪造人脸检测模型进行训练，其中，所述训练图像包括真实人脸图像和伪造人脸图像，所述伪造人脸图像基于所述真实人脸图像进行构建，具体的，获取真实人脸图像，通过深度神经网络对所述真实人脸图像进行特征提取，得到人脸特征，基于所述人脸特征进行图像构造，得到伪造人脸图像，根据所述真实人脸图像和所述伪造人脸图像生成训练图像，为训练所述待训练伪造人脸检测模型提供训练样本。
59.s2：将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素。
60.将训练图像输入待训练伪造人脸检测模型之后，将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素。具体的，获取所述真实人脸图像的第一像素值，以及获取所述伪造人脸图像的第二像素值；将所述第一像素值减去所述第二像素值，得到像素差值，将所述像素差值与第一阈值进行比较，判断所述像素差值是否大于所述第一阈值；若所述像素差值大于所述第一阈值，判定所述像素差值对应的所述第二像素值为篡改像素，将所述第二像素值记为篡改像素，得到所述伪造图像的篡改像素。确定伪造图像的篡改像素为后续依据所述篡改像素划分所述伪造图像提供有效依据。
61.s3：基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域。
62.将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素之后，根据所述篡改像素将所述伪造人脸图像进行划分，得到所述伪造人脸图像的伪造像素区域，和非伪造像素区域，所述非伪造像素区域即为真实像素区域，将所述伪造人脸图像进行划分，为后续训练待训练伪造人脸检测模型提供有效依据。
63.s4：以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。
64.基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域之后，以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，其目的是挖掘伪造图像，以找出所述伪造图像中的篡改像素，然后通过
加大所述篡改像素的权重，以增加所述篡改像素的出现比例，强迫模型多关注所述篡改像素，提高模型对所述篡改像素检测的准确性；直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。具体的，在伪造图像中对于真实人脸的表征在特征空间中应该相对集中，而与伪造人脸的表征相距较远，因此，以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，增大所述伪造像素区域中篡改像素的权重，以增加所述篡改像素的出现比例；并根据预设的损失函数计算所述真实像素区域和所述伪造像素区域之间的损失数值，并将所述损失数值与损失阈值进行比较，判断所述损失数值是否小于所述损失阈值；若所述损失数值小于所述损失阈值，则判定所述损失数值对应的训练参数符合训练要求，将所述训练参数保留，并将所述训练参数作为下一训练阶段的初始训练参数，重复该训练过程直至所述待训练伪造人脸检测模型中的参数收敛，将在最后训练阶段中期望训练结果的对应期望参数作为所述待训练伪造人脸检测模型的固定参数，得到伪造人脸检测模型。所述伪造人脸检测模型具备对精细伪造的人脸图像进行真伪检测的性能，可精准的捕捉到所述人脸图像中的篡改像素，得到高置信度的检测结果。
65.本实施例提供了一种伪造图像检测方法，将训练图像输入待训练伪造人脸检测模型，将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素，基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域；以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，进而提高所述待训练伪造人脸检测模型对所述篡改像素检测的精确度，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型，所述伪造人脸检测模型具备对精细伪造的人脸图像进行真伪检测的性能，可精准的捕捉到伪造人脸图像中的篡改像素，进而得到高置信度的检测结果，该检测结果可用于辅助金融领域的工作人员对伪造人脸图像进行识别，提高对伪造人脸图像识别的处理效率。
66.参照图2，在一个实施例中，上述将训练图像输入待训练伪造人脸检测模型之前，还包括：
67.s11：获取真实人脸图像；
68.可通过摄像头采集真实人脸图像，或是于公开网站获取真实人脸图像，该真实人脸图像的获取为相关用户经过授权之后获取的。
69.s12：通过深度神经网络对所述真实人脸图像进行特征提取，得到人脸特征；
70.深度神经网络是机器学习(ml，machine learning)领域中一种技术。
71.s13：基于所述人脸特征进行图像构造，得到伪造人脸图像；
72.基于所述人脸特征进行人脸图像构造，得到与所述真实人脸图像对应的伪造人脸图像，所述伪造人脸图像中包括真实人脸信息和根据所述真实人脸信息构造的伪造人脸信息，即所述伪造人脸图像中包含真实像素和篡改像素。
73.s14：根据所述真实人脸图像和所述伪造人脸图像生成训练图像。
74.如上所述，通过摄像头采集真实人脸图像，或是于公开网站获取真实人脸图像，将所述真实人脸图像输入深度神经网络中，通过所述深度神经网络对所述真实人脸图像进行特征提取，得到人脸特征；然后基于所述人脸特征进行人脸图像构造，得到与所述真实人脸图像对应的伪造人脸图像，其中，所述伪造人脸图像中包含真实像素和篡改像素；根据所述
真实人脸图像和所述伪造人脸图像生成训练图像，所述训练图像为后续训练待训练伪造人脸检测模型提供训练样本。
75.参照图3，在一个实施例中，上述将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素，包括：
76.s21：获取所述真实人脸图像的第一像素值；以及。
77.s22：获取所述伪造人脸图像的第二像素值。
78.s23：将所述第一像素值减去所述第二像素值，得到像素差值。
79.将所述真实人脸图像和所述伪造人脸图像进行配对，并对其进行像素值上的减法，以获取所述真实人脸图像和所述伪造人脸图像之间每一个像素点的像素差值，即将所述第一像素值减去所述第二像素值，得到像素差值。
80.s24：将所述像素差值与第一阈值进行比较，以获取所述像素差值大于所述第一阈值对应的所述第二像素值。
81.将所述像素差值与第一阈值进行比较，以确定所述伪造图像的篡改像素，即当所述像素差值大于所述第一阈值，则所述像素差值对应的所述第二像素值为所述伪造图像的篡改像素，将所述第二像素值标记为1；当所述像素差值小于所述第一阈值，则所述第二像素值为所述伪造图像的真实像素，将所述第二像素值标记为0。
82.s25：将所述第二像素值记为篡改像素，得到所述伪造图像的篡改像素。
83.如上所述，众所周知，金融领域中基于伪造图像进行欺诈行为层出不断，为更好识别出伪造图像，需将真实人脸图像和伪造人脸图像进行比对，确定伪造人脸图像中的篡改像素，即获取所述真实人脸图像的第一像素值，以及获取所述伪造人脸图像的第二像素值；将所述真实人脸图像和所述伪造人脸图像进行配对，并对其进行像素值上的减法，以获取所述真实人脸图像和所述伪造人脸图像之间每一个像素点的像素差值，即将所述第一像素值减去所述第二像素值，得到像素差值；将所述像素差值与第一阈值进行比较，当所述像素差值大于所述第一阈值，则所述像素差值对应的所述第二像素为所述伪造图像的篡改像素，将所述第二像素值标记为1；当所述像素差值小于所述第一阈值，则所述像素差值对应的所述第二像素值为所述伪造图像的真实像素，将所述第二像素值标记为0；将带有标记为1的所述第二像素值进行整理，得到所述伪造图像的篡改像素。确定伪造图像的篡改像素为后续依据所述篡改像素划分所述伪造图像提供有效依据。
84.参照图4，在一个实施例中，上述以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型，包括：
85.s41：以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，并根据预设的损失函数计算所述真实像素区域和所述伪造像素区域之间的损失数值。
86.以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，其目的是挖掘伪造图像，以找出伪造图像中的篡改像素，然后通过加大篡改像素的权重，以增加所述篡改像素的出现比例，强迫模型多关注篡改像素，提高模型对所述篡改像素检测的准确率；损失函数计算的是所述真实像素区域和所述伪造像素区域之间的相似度损失，其中，在伪造图像中，真实人脸的表征在特征空间中应该相对集中，而与伪
造人脸的表征相距较远，计算所述相似度损失是为了拉近相似数据(真实人脸)，推开不相似数据(伪造人脸)，使得模型有效地学习数据表征。
87.s42：将所述损失数值与损失阈值进行比较，判断所述损失数值是否小于所述损失阈值。
88.s43：若所述损失数值小于所述损失阈值，则根据所述损失数值对应的训练参数调整所述待训练伪造人脸检测模型的参数，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。
89.如上所述，以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，并根据预设的损失函数计算所述真实像素区域和所述伪造像素区域之间相似度的损失数值，将所述损失数值与损失阈值进行比较，并判断所述损失数值是否小于所述损失阈值；若所述损失数值小于所述损失阈值，则判定所述损失数值对应的训练参数符合训练要求，将所述训练参数保留，并将所述训练参数作为下一训练阶段的初始训练参数，重复该训练过程直至所述待训练伪造人脸检测模型中的参数收敛，将在最后训练阶段中期望训练结果的对应期望参数作为所述待训练伪造人脸检测模型的固定参数，得到伪造人脸检测模型，所述伪造人脸检测模型具备对精细伪造的人脸图像进行真伪检测的性能，可精准的捕捉到所述人脸图像中的篡改像素，该伪造人脸检测模型可应用于金融领域中，辅助金融领域的工作人员对伪造人脸图像进行识别，得到高置信度的检测结果，提高对伪造人脸图像识别的处理效率。
90.参照图5，在一个实施例中，上述根据预设的损失函数计算所述真实像素区域和所述伪造像素区域之间的损失数值，包括：
91.s411：根据第一损失函数计算所述真实像素区域和所述伪造像素区域之间的第一损失数值。
92.其中，所述第一损失函数是计算所述真实像素区域和所述伪造像素区域之间像素点相似度的计算，以所述真实像素区域像素为标准样本，计算所述伪造像素区域的篡改像素与所述真实像素区域像素的相似度；再根据所述相似度判断所述伪造像素区域的篡改像素的真伪程度，进而提高模型对所述篡改像素的关注。
93.s412：根据第二损失函数计算所述真实像素区域中像素点的第二损失数值。
94.其中，所述第二损失函数的计算是为了减少模型对真实像素的类内方差，保持特征空间中的类间的多样性的同时，拉近正样本(真实像素)拉开负样本(篡改像素)，提高模型对所述篡改像素的检测的准确性。所述类内方差表征的是两区域内部数据的离散程度，我们需要分割成的两区域内部数据越接近越好，即类内方差越小越好。
95.s413：根据预设的损失函数结合所述第一损失数值及所述第二损失数值计算所述真实像素区域和所述伪造像素区域之间的损失数值。
96.如上所述，根据第一损失函数计算所述真实像素区域和所述伪造像素区域之间的第一损失数值，其中，所述第一损失函数是计算所述真实像素区域和所述伪造像素区域之间像素点相似度的计算，以所述真实像素区域像素为监督(标准样本)，计算所述伪造像素区域的篡改像素与所述真实像素区域像素的相似度；再根据所述相似度判断所述伪造像素区域的篡改像素的真伪程度，进而提高模型对所述篡改像素的关注；根据第二损失函数计算所述真实像素区域中像素点的第二损失数值，其中，所述第二损失函数的是计算是为了
减少模型对真实像素的类内方差，保持特征空间中的类间的多样性的同时，拉近正样本(真实像素)拉开负样本(篡改像素)，提高模型对所述篡改像素的检测的准确性；根据预设的损失函数结合所述第一损失数值及所述第二损失数值计算所述真实像素区域和所述伪造像素区域之间的损失数值，所述损失数值的计算为获取伪造人脸检测模型提供有效依据。
97.在一个实施例中，上述损失函数为其中，
98.表示第一损失数值；
99.表示第二损失数值。
100.如上所述，损失函数计算的是所述真实像素区域和所述伪造像素区域之间的相似度损失，相似度越低，其真实人脸的表征在特征空间中则越集中，而伪造人脸的表征则相距越远；所述损失函数的计算公式为其中，表示第一损失数值；表示第二损失数值。
101.参照图6，在一个实施例中，上述得到伪造人脸检测模型之后，还包括：
102.s431：获取待检测人脸图像。
103.s432：将所述待检测人脸图像输入所述伪造人脸检测模型。
104.s433：基于所述伪造人脸检测模型对所述待检测人脸图像进行检测分析，输出检测结果。
105.如上所述，在金融领域中，例如，办理银行业务进行信息注册及识别时，涉及人脸识别的信息验证，为保证人脸验证的真实性，可使用伪造人脸检测模型预先对人脸图像进行验证，验证其人脸图像的真伪，进而有效保障用户的信息、财产安全。其中，所述人脸验证的过程包括，获取待检测人脸图像，所述待检测人脸图像为用户实时拍照采集的图像，将所述待检测人脸图像输入所述伪造人脸检测模型，所述伪造人脸检测模型具备对篡改像素精准捕捉的性能，基于所述伪造人脸检测模型对所述待检测人脸图像进行检测，若所述待检测人脸图像中存在篡改像素，则所述伪造人脸检测模型捕捉所述篡改像素，根据所述篡改像素输出检测结果，所述检测结果包括存在篡改像素及篡改像素的位置，用户可根据所述检测结果中止信息验证流程，进而保障用户的信息、财产安全。
106.参照图7，是本发明实施例还提供一种伪造图像检测装置，包括：
107.输入模块10，用于将训练图像输入待训练伪造人脸检测模型，其中，所述训练图像包括真实人脸图像和伪造人脸图像；
108.比对模块20，用于将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素；
109.划分模块30，用于基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域；
110.训练模块40，用于以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。
111.如上所述，伪造图像检测装置能够实现伪造图像检测方法。
112.在一个实施例中，上述输入模块10还包括：
113.第一获取单元，用于获取真实人脸图像；
114.提取单元，用于通过深度神经网络对所述真实人脸图像进行特征提取，得到人脸特征；
115.构造单元，用于基于所述人脸特征进行图像构造，得到伪造人脸图像；
116.生成单元，用于根据所述真实人脸图像和所述伪造人脸图像生成训练图像。
117.在一个实施例中，上述比对模块20还包括：
118.第二获取单元，用于获取所述真实人脸图像的第一像素值；以及，
119.第三获取单元，用于获取所述伪造人脸图像的第二像素值；
120.第一计算单元，用于将所述第一像素值减去所述第二像素值，得到像素差值；
121.比较单元，用于将所述像素差值与第一阈值进行比较，以获取所述像素差值大于所述第一阈值对应的所述第二像素值；
122.记录单元，用于将所述第二像素值记为篡改像素，得到所述伪造图像的篡改像素。
123.在一个实施例中，上述训练模块40还包括：
124.训练单元，用于以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，并根据预设的损失函数计算所述真实像素区域和所述伪造像素区域之间的损失数值；
125.判断单元，用于将所述损失数值与损失阈值进行比较，判断所述损失数值是否小于所述损失阈值；
126.第四获取单元，用于若所述损失数值小于所述损失阈值，则根据所述损失数值对应的训练参数调整所述待训练伪造人脸检测模型的参数，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。
127.在一个实施例中，上述训练模块40还包括：
128.第二计算单元，用于根据第一损失函数计算所述真实像素区域和所述伪造像素区域之间的第一损失数值；
129.第三计算单元，用于根据第二损失函数计算所述真实像素区域中像素点的第二损失数值；
130.第四计算单元，用于根据预设的损失函数结合所述第一损失数值及所述第二损失数值计算所述真实像素区域和所述伪造像素区域之间的损失数值。
131.在一个实施例中，上述损失函数为其中，
132.表示第一损失数值；
133.表示第二损失数值。
134.在一个实施例中，上述训练模块40还包括：
135.第五获取单元，用于获取待检测人脸图像；
136.输入单元，用于将所述待检测人脸图像输入所述伪造人脸检测模型；
137.分析单元，用于基于所述伪造人脸检测模型对所述待检测人脸图像进行检测分析，输出检测结果。
138.参照图8，本发明实施例还提供一种计算机设备，该计算机设备的内部结构可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非
易失性存储介质、内存储器。该非易失性存储介质存储有操作装置、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储伪造图像检测方法的相关数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。进一步地，上述计算机设备还可以设置有输入装置和显示屏等。上述计算机程序被处理器执行时以实现伪造图像检测方法，包括如下步骤：将训练图像输入待训练伪造人脸检测模型，其中，所述训练图像包括真实人脸图像和伪造人脸图像；将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素；基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域；以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定。
139.本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现伪造图像检测方法，包括如下步骤：将训练图像输入待训练伪造人脸检测模型，其中，所述训练图像包括真实人脸图像和伪造人脸图像；将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素；基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域；以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
140.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
141.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
142.以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种伪造图像检测方法，其特征在于，所述方法包括：将训练图像输入待训练伪造人脸检测模型，其中，所述训练图像包括真实人脸图像和伪造人脸图像；将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素；基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域；以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。2.根据权利要求1所述的伪造图像检测方法，其特征在于，所述将训练图像输入待训练伪造人脸检测模型之前，还包括：获取真实人脸图像；通过深度神经网络对所述真实人脸图像进行特征提取，得到人脸特征；基于所述人脸特征进行图像构造，得到伪造人脸图像；根据所述真实人脸图像和所述伪造人脸图像生成训练图像。3.根据权利要求1所述的伪造图像检测方法，其特征在于，所述将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素，包括：获取所述真实人脸图像的第一像素值；以及，获取所述伪造人脸图像的第二像素值；将所述第一像素值减去所述第二像素值，得到像素差值；将所述像素差值与第一阈值进行比较，以获取所述像素差值大于所述第一阈值对应的所述第二像素值；将所述第二像素值记为篡改像素，得到所述伪造图像的篡改像素。4.根据权利要求1所述的伪造图像检测方法，其特征在于，所述以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型，包括：以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，并根据预设的损失函数计算所述真实像素区域和所述伪造像素区域之间的损失数值；将所述损失数值与损失阈值进行比较，判断所述损失数值是否小于所述损失阈值；若所述损失数值小于所述损失阈值，则根据所述损失数值对应的训练参数调整所述待训练伪造人脸检测模型的参数，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。5.根据权利要求4所述的伪造图像检测方法，其特征在于，所述根据预设的损失函数计算所述真实像素区域和所述伪造像素区域之间的损失数值，包括：根据第一损失函数计算所述真实像素区域和所述伪造像素区域之间的第一损失数值；根据第二损失函数计算所述真实像素区域中像素点的第二损失数值；根据预设的损失函数结合所述第一损失数值及所述第二损失数值计算所述真实像素区域和所述伪造像素区域之间的损失数值。
6.根据权利要求5所述的伪造图像检测方法，其特征在于，所述损失函数为其中，表示第一损失数值；表示第二损失数值。7.根据权利要求4所述的伪造图像检测方法，其特征在于，所述得到伪造人脸检测模型之后，还包括：获取待检测人脸图像；将所述待检测人脸图像输入所述伪造人脸检测模型；基于所述伪造人脸检测模型对所述待检测人脸图像进行检测分析，输出检测结果。8.一种伪造图像检测装置，其特征在于，所述装置包括：输入模块，用于将训练图像输入待训练伪造人脸检测模型，其中，所述训练图像包括真实人脸图像和伪造人脸图像；比对模块，用于将所述真实人脸图像和所述伪造人脸图像进行比对，确定所述伪造人脸图像的篡改像素；划分模块，用于基于所述篡改像素将所述伪造人脸图像进行划分，得到真实像素区域和伪造像素区域；训练模块，用于以所述真实像素区域为标准样本，训练所述待训练伪造人脸检测模型对所述伪造像素区域的关注，直至所述待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的伪造图像检测方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的伪造图像检测方法的步骤。

技术总结
本发明属于图像处理技术领域，可用于金融领域中对伪造人脸图像的检测，特别是涉及一种伪造图像检测方法、装置、设备和介质，其中，方法包括：将训练图像输入待训练伪造人脸检测模型，将真实人脸图像和伪造人脸图像进行比对，确定伪造人脸图像的篡改像素；基于篡改像素将伪造人脸图像进行划分，得到真实像素区域和伪造像素区域；以真实像素区域为标准样本，训练待训练伪造人脸检测模型对伪造像素区域的关注，直至待训练伪造人脸检测模型中的参数收敛，得到伪造人脸检测模型。本发明以真实像素区域为标准样本，训练模型对伪造像素区域的关注，进而得到可精准捕捉篡改像素的伪造人脸检测模型，实现对检测伪造人脸图像技术的优化。实现对检测伪造人脸图像技术的优化。实现对检测伪造人脸图像技术的优化。


技术研发人员：唐小初 朱翌 舒畅 陈又新
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.05.25
技术公布日：2023/8/13