科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度伪造技术因“低门槛、高效率、高仿真”等特性而被滥用于伪造身份，引发的个人信息安全问题给公共安全治理带来了严峻挑战。目前深度伪造图像主流检测以卷积特征为主，量化特征应用较少，基于量化特征占用空间小，运行成本低等优点，探究图像各颜色分量上的纹理、颜色特征与图像真伪的关联程度，筛选有效特征进行深伪图像自动检测，研究量化特征在深伪图像鉴定方面的应用价值。对深度伪造人脸数据集ForgeryNet中的40 000幅实验样本图像进行分组实验，提取各组图像在Gray,YCrCb,Lab,HSV和RGB颜色空间上的纹理特征和颜色特征，利用多元统计法筛选既具有显著差异又具有相关性的特征，然后用XGBoost、逻辑回归分类器、线性SVM、多层感知机和TabNet进行算法验证，并与主流卷积神经网络进行对比分析。在5类算法中，XGBoost和LSVM分类效果较好；MLP和LP效果较差；TabNet效果不稳定，受分类类型影响较大，检测精度在52%～89%之间。数理统计筛选所得特征下的深伪图像检测精度显著提高，在真伪图像组，在真伪图像组，XGBoost算法在筛选特征和纹理特征时的检测精度比所有特征时分别提高1.10%和1.43%,LSVM和MLP两种算法在纹理特征时的检测精度比在所有特征时分别提高了0.12%和0.10%。利用颜色空间下筛选的量化特征，其检测精度均高于主流卷积神经网络的检测精度，且纹理特征的检测结果优于颜色特征，对身份替换深伪图像更易识别。相比图像卷积特征，量化特征具有较强的解释性，在鉴定领域具有较高的利用价值。
- 单位
