本發(fā)明涉及計(jì)算機(jī)視覺(jué)與圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種圖像篡改檢測(cè)方法及裝置。

背景技術(shù)：

數(shù)字圖像處理軟件可以用于對(duì)圖像進(jìn)行編輯處理，相應(yīng)地，也有利于圖像的篡改和偽造，使得篡改圖像大量增加，甚至篡改圖像還會(huì)出現(xiàn)在新聞報(bào)道和法律證據(jù)中，降低新聞媒體和司法的公信力。

目前，可以采用數(shù)字圖像內(nèi)容認(rèn)證技術(shù)檢測(cè)圖像是否為篡改圖像，數(shù)字圖像內(nèi)容認(rèn)證技術(shù)主要包括主動(dòng)認(rèn)證方式和被動(dòng)認(rèn)證方式。

其中：主動(dòng)認(rèn)證方式指的是在圖像生成過(guò)程中或發(fā)布之前，嵌入水印或數(shù)字簽名。但是，主動(dòng)認(rèn)證方式需要數(shù)字成像設(shè)備配備水印或數(shù)字簽名的嵌入模型，使用較為不便。

被動(dòng)認(rèn)證方式指的是直接依據(jù)圖像內(nèi)容判斷圖像是否為篡改圖像。但是，被動(dòng)認(rèn)證方式極易受到圖像的像素級(jí)、格式級(jí)和場(chǎng)景級(jí)等反篡改工具的制約，不能準(zhǔn)確檢測(cè)圖像的真實(shí)性。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中的上述問(wèn)題，即為了解決圖像篡改檢測(cè)技術(shù)不易實(shí)施及檢測(cè)準(zhǔn)確性低的技術(shù)問(wèn)題，本發(fā)明提供了一種圖像篡改檢測(cè)方法及裝置。

第一方面，本發(fā)明中一種圖像篡改檢測(cè)方法的技術(shù)方案是：

所述方法包括：

依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型，獲取待檢測(cè)圖像的語(yǔ)義描述信息；

對(duì)所獲取的語(yǔ)義描述信息與預(yù)設(shè)的反常規(guī)則庫(kù)進(jìn)行匹配：若所述預(yù)設(shè)的反常規(guī)則庫(kù)包含所述語(yǔ)義描述信息，則判斷所述待檢測(cè)圖像為篡改圖像；

其中：

所述預(yù)設(shè)的細(xì)粒度圖像描述模型的輸出包括預(yù)設(shè)的真實(shí)圖像對(duì)應(yīng)的語(yǔ)義描述信息、預(yù)設(shè)的篡改圖像對(duì)應(yīng)的語(yǔ)義描述信息；

所述反常規(guī)則庫(kù)包括預(yù)設(shè)的多個(gè)語(yǔ)義描述信息，且所述的多個(gè)語(yǔ)義描述信息所包含的信息內(nèi)容為異常信息。

進(jìn)一步地，本發(fā)明提供的一個(gè)優(yōu)選技術(shù)方案為：

所述對(duì)所獲取的語(yǔ)義描述信息與預(yù)設(shè)的反常規(guī)則庫(kù)進(jìn)行匹配之前，包括：

判斷所獲取的語(yǔ)義描述信息中是否存在包含同一信息內(nèi)容的多個(gè)語(yǔ)義描述信息：若存在，則去除包含該同一信息內(nèi)容的一個(gè)或多個(gè)語(yǔ)義描述信息，且保留一個(gè)包含該同一信息內(nèi)容的語(yǔ)義描述信息；

依據(jù)所獲取的語(yǔ)義描述信息的置信度由高到低的順序，選擇預(yù)設(shè)數(shù)量的語(yǔ)義描述信息；

對(duì)所獲取的語(yǔ)義描述信息進(jìn)行標(biāo)準(zhǔn)化處理，包括：去除所述語(yǔ)義描述信息中包含的冠詞和形容詞，并將去除冠詞和形容詞后語(yǔ)義描述信息中的各單詞轉(zhuǎn)換為對(duì)應(yīng)的預(yù)設(shè)單詞。

進(jìn)一步地，本發(fā)明提供的一個(gè)優(yōu)選技術(shù)方案為：

所述語(yǔ)義描述信息還包括與其包含的信息內(nèi)容對(duì)應(yīng)的圖像區(qū)域坐標(biāo)。

進(jìn)一步地，本發(fā)明提供的一個(gè)優(yōu)選技術(shù)方案為：

所述獲取待檢測(cè)圖像的語(yǔ)義描述信息之前，包括采用深度卷積神經(jīng)網(wǎng)絡(luò)算法、細(xì)粒度圖像分類方法構(gòu)建細(xì)粒度圖像描述模型。

進(jìn)一步地，本發(fā)明提供的一個(gè)優(yōu)選技術(shù)方案為：

所述獲取待檢測(cè)圖像的語(yǔ)義描述信息之前，包括采用遞歸神經(jīng)網(wǎng)絡(luò)算法，并依據(jù)預(yù)設(shè)的真實(shí)圖像、預(yù)設(shè)的篡改圖像依次對(duì)細(xì)粒度圖像描述模型進(jìn)行第一數(shù)據(jù)訓(xùn)練和第二數(shù)據(jù)訓(xùn)練；

其中：

所述第一數(shù)據(jù)訓(xùn)練包括：

依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型、預(yù)設(shè)的真實(shí)圖像，獲取所述預(yù)設(shè)的真實(shí)圖像的第一語(yǔ)義描述信息；獲取對(duì)所述預(yù)設(shè)的真實(shí)圖像進(jìn)行人工標(biāo)注后，得到的第二語(yǔ)義描述信息；計(jì)算所述第一語(yǔ)義描述信息和第二語(yǔ)義描述信息之間的第一損失函數(shù)值，依據(jù)所述第一損失函數(shù)值、反向傳播算法優(yōu)化所述細(xì)粒度圖像描述模型；

所述第二數(shù)據(jù)訓(xùn)練包括：

依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型、預(yù)設(shè)的篡改圖像，獲取所述預(yù)設(shè)的篡改圖像的第三語(yǔ)義描述信息；獲取對(duì)所述預(yù)設(shè)的篡改圖像進(jìn)行人工標(biāo)注后，得到的第四語(yǔ)義描述信息；計(jì)算所述第三語(yǔ)義描述信息和第四語(yǔ)義描述信息之間的第二損失函數(shù)值，依據(jù)所述第二損失函數(shù)值、反向傳播算法優(yōu)化所述細(xì)粒度圖像描述模型。

第二方面，本發(fā)明中一種圖像篡改檢測(cè)裝置的技術(shù)方案是：

所述裝置包括：

信息獲取模塊，配置為依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型，獲取待檢測(cè)圖像的語(yǔ)義描述信息；

信息匹配模塊，配置為對(duì)所獲取的語(yǔ)義描述信息與預(yù)設(shè)的反常規(guī)則庫(kù)進(jìn)行匹配：若所述預(yù)設(shè)的反常規(guī)則庫(kù)包含所述語(yǔ)義描述信息，則判斷所述待檢測(cè)圖像為篡改圖像；

其中：

所述預(yù)設(shè)的細(xì)粒度圖像描述模型包括預(yù)設(shè)的真實(shí)圖像對(duì)應(yīng)的語(yǔ)義描述信息、預(yù)設(shè)的篡改圖像對(duì)應(yīng)的語(yǔ)義描述信息；

所述反常規(guī)則庫(kù)包括預(yù)設(shè)的多個(gè)語(yǔ)義描述信息，且所述的多個(gè)語(yǔ)義描述信息所包含的信息內(nèi)容為異常信息。

進(jìn)一步地，本發(fā)明提供的一個(gè)優(yōu)選技術(shù)方案為：

所述裝置還包括：

信息去重模塊，配置為判斷所述信息獲取模塊所獲取的語(yǔ)義描述信息中是否存在包含同一信息內(nèi)容的多個(gè)語(yǔ)義描述信息：若存在，則去除包含該同一信息內(nèi)容的一個(gè)或多個(gè)語(yǔ)義描述信息，且保留一個(gè)包含該同一信息內(nèi)容的語(yǔ)義描述信息；

信息選擇模塊，配置為依據(jù)所述信息獲取模塊所獲取的語(yǔ)義描述信息的置信度由高到低的順序，選擇預(yù)設(shè)數(shù)量的語(yǔ)義描述信息；

信息處理模塊，配置為對(duì)所述信息獲取模塊所獲取的語(yǔ)義描述信息進(jìn)行標(biāo)準(zhǔn)化處理，包括：去除所述語(yǔ)義描述信息中包含的冠詞和形容詞，并將去除冠詞和形容詞后語(yǔ)義描述信息中的各單詞轉(zhuǎn)換為對(duì)應(yīng)的預(yù)設(shè)單詞。

進(jìn)一步地，本發(fā)明提供的一個(gè)優(yōu)選技術(shù)方案為：

所述信息獲取模塊所獲取的語(yǔ)義描述信息還包括與其包含的信息內(nèi)容對(duì)應(yīng)的圖像區(qū)域坐標(biāo)。

進(jìn)一步地，本發(fā)明提供的一個(gè)優(yōu)選技術(shù)方案為：

所述裝置還包括模型構(gòu)建模塊；所述模型構(gòu)建模塊，配置為采用深度卷積神經(jīng)網(wǎng)絡(luò)算法、細(xì)粒度圖像分類方法構(gòu)建細(xì)粒度圖像描述模型。

進(jìn)一步地，本發(fā)明提供的一個(gè)優(yōu)選技術(shù)方案為：

所述裝置還包括模型訓(xùn)練模塊；所述模型訓(xùn)練模塊包括第一模型訓(xùn)練單元和第二模型訓(xùn)練單元；

所述模型訓(xùn)練模塊，配置為采用遞歸神經(jīng)網(wǎng)絡(luò)算法，并依據(jù)預(yù)設(shè)的真實(shí)圖像、預(yù)設(shè)的篡改圖像依次對(duì)細(xì)粒度圖像描述模型進(jìn)行第一數(shù)據(jù)訓(xùn)練和第二數(shù)據(jù)訓(xùn)練；

所述第一模型訓(xùn)練單元包括第一信息獲取子單元、第二信息獲取子單元和第一模型優(yōu)化子單元；所述第一信息獲取子單元，配置為依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型、預(yù)設(shè)的真實(shí)圖像，獲取所述預(yù)設(shè)的真實(shí)圖像的第一語(yǔ)義描述信息；所述第二信息獲取子單元，配置為獲取對(duì)所述預(yù)設(shè)的真實(shí)圖像進(jìn)行人工標(biāo)注后，得到的第二語(yǔ)義描述信息；所述第一模型優(yōu)化子單元，配置為計(jì)算所述第一語(yǔ)義描述信息和第二語(yǔ)義描述信息之間的第一損失函數(shù)值，依據(jù)所述第一損失函數(shù)值、反向傳播算法優(yōu)化所述細(xì)粒度圖像描述模型；

所述第二模型訓(xùn)練單元包括第三信息獲取子單元、第四信息獲取子單元和第二模型優(yōu)化子單元；所述第三信息獲取子單元，配置為依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型、預(yù)設(shè)的篡改圖像，獲取所述預(yù)設(shè)的篡改圖像的第三語(yǔ)義描述信息；所述第四信息獲取子單元，配置為獲取對(duì)所述預(yù)設(shè)的篡改圖像進(jìn)行人工標(biāo)注后，得到的第四語(yǔ)義描述信息；所述第二模型優(yōu)化子單元，配置為計(jì)算所述第三語(yǔ)義描述信息和第四語(yǔ)義描述信息之間的第二損失函數(shù)值，依據(jù)所述第二損失函數(shù)值、反向傳播算法優(yōu)化所述細(xì)粒度圖像描述模型。

第三方面，本發(fā)明中另一種圖像篡改檢測(cè)裝置的技術(shù)方案是：

所述裝置包括：

處理器，用于執(zhí)行各指令；

存儲(chǔ)設(shè)備，用于存儲(chǔ)多條指令；所述指令適用于由處理器加載并執(zhí)行權(quán)利要求1-5所述圖像篡改檢測(cè)方法中的各步驟。

與現(xiàn)有技術(shù)相比，上述技術(shù)方案至少具有以下有益效果：

1、本發(fā)明提供的一種圖像篡改檢測(cè)方法，可以依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型獲取待檢測(cè)圖像的語(yǔ)義描述信息，并將所獲取的語(yǔ)義描述信息與預(yù)設(shè)的反常規(guī)則庫(kù)進(jìn)行匹配，依據(jù)匹配結(jié)果判斷待檢測(cè)圖像是否為篡改圖像，該方法不受底層像素級(jí)、格式級(jí)、場(chǎng)景級(jí)等反篡改工具的制約，可以更加準(zhǔn)確的檢測(cè)圖像的真實(shí)性。

2、本發(fā)明提供的一種圖像篡改檢測(cè)裝置，其信息獲取模塊可以依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型獲取待檢測(cè)圖像的語(yǔ)義描述信息，信息匹配模塊可以將所獲取的語(yǔ)義描述信息與預(yù)設(shè)的反常規(guī)則庫(kù)進(jìn)行匹配，依據(jù)匹配結(jié)果判斷待檢測(cè)圖像是否為篡改圖像，該裝置可以不受底層像素級(jí)、格式級(jí)、場(chǎng)景級(jí)等反篡改工具的制約，可以更加準(zhǔn)確的檢測(cè)圖像的真實(shí)性。

3、本發(fā)明提供的另一種圖像篡改檢測(cè)裝置，其可以通過(guò)處理器執(zhí)行上述圖像篡改檢測(cè)方法的各步驟，有利于圖像篡改檢測(cè)的實(shí)施和推廣。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例中一種圖像篡改檢測(cè)方法的實(shí)施流程圖；

圖2是本發(fā)明實(shí)施例中第一數(shù)據(jù)訓(xùn)練實(shí)施過(guò)程中真實(shí)圖像的示意圖；

圖3是本發(fā)明實(shí)施例中待檢測(cè)圖像的示意圖；

圖4是本發(fā)明實(shí)施例中細(xì)粒度圖像描述模型的輸出結(jié)果示意圖；

圖5是本發(fā)明實(shí)施例中一種圖像篡改檢測(cè)裝置的結(jié)構(gòu)示意圖；

圖6是本發(fā)明實(shí)施例中另一種圖像篡改檢測(cè)裝置的結(jié)構(gòu)示意圖；

圖7是本發(fā)明實(shí)施例中再一種圖像篡改檢測(cè)裝置的結(jié)構(gòu)示意圖；

圖8是本發(fā)明實(shí)施例中第一模型訓(xùn)練單元的結(jié)構(gòu)示意圖；

圖9是本發(fā)明實(shí)施例中第二模型訓(xùn)練單元的結(jié)構(gòu)示意圖；

其中，11：第一圖像區(qū)域；12：第二圖像區(qū)域；13：第三圖像區(qū)域；14：第四圖像區(qū)域；15：第五圖像區(qū)域；21：信息獲取模塊；22：信息匹配模塊；23：信息去重模塊；24：信息選擇模塊；25：信息處理模塊；26：模型構(gòu)建模塊；27：模型訓(xùn)練模塊；271：第一模型訓(xùn)練單元；2711：第一信息獲取子單元；2712：第二信息獲取子單元；2713：第一模型優(yōu)化子單元；272：第二模型訓(xùn)練單元；2721：第三信息獲取子單元；2722：第四信息獲取子單元；2723：第二模型優(yōu)化子單元。

具體實(shí)施方式

下面參照附圖來(lái)描述本發(fā)明的優(yōu)選實(shí)施方式。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解的是，這些實(shí)施方式僅僅用于解釋本發(fā)明的技術(shù)原理，并非旨在限制本發(fā)明的保護(hù)范圍。

當(dāng)前圖像篡改檢測(cè)方法，很容易受到圖像的像素級(jí)、格式級(jí)和場(chǎng)景級(jí)等反篡改工具的制約，不能準(zhǔn)確檢測(cè)圖像的真實(shí)性。基于此，本發(fā)明提供了一種對(duì)圖像的像素級(jí)、格式級(jí)和場(chǎng)景級(jí)要求較低的圖像篡改檢測(cè)方法，首先通過(guò)細(xì)粒度圖像描述模型獲取待檢測(cè)圖像的語(yǔ)義描述信息，然后將待檢測(cè)圖像的語(yǔ)義描述信息與反常規(guī)則庫(kù)進(jìn)行匹配，依據(jù)匹配結(jié)果判斷待檢測(cè)圖像是否為篡改圖像。

下面結(jié)合附圖，對(duì)本發(fā)明實(shí)施例中一種圖像篡改檢測(cè)方法進(jìn)行說(shuō)明，具體為：

圖1示例性示出了本實(shí)施例中圖像篡改檢測(cè)方法的實(shí)施路程，如圖所示，本實(shí)施例中可以按照下述步驟對(duì)待檢測(cè)圖像進(jìn)行篡改檢測(cè)：

步驟s101：依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型，獲取待檢測(cè)圖像的語(yǔ)義描述信息。

本實(shí)施例中細(xì)粒度圖像描述模型的輸入數(shù)據(jù)為待檢測(cè)圖像，輸出數(shù)據(jù)為語(yǔ)義描述信息，其可以采用深度卷積神經(jīng)網(wǎng)絡(luò)算法、細(xì)粒度圖像分類方法構(gòu)建，具體過(guò)程為：

采用深度卷積神經(jīng)網(wǎng)絡(luò)算法、細(xì)粒度圖像分類方法提取圖像特征，并將所提取的圖像特征經(jīng)過(guò)自定義的定位層得到感興趣區(qū)域特征，將每個(gè)感興趣區(qū)域特征轉(zhuǎn)換成向量輸入至全連接層得到多個(gè)向量特征，最后將所得到的多個(gè)向量特征輸入至長(zhǎng)短期記憶單元(longshort-termmemory，lstm)，得到語(yǔ)義描述信息及其對(duì)應(yīng)的圖像區(qū)域。其中：采用深度卷積神經(jīng)網(wǎng)絡(luò)算法、細(xì)粒度圖像分類方法提取圖像特征的方法為常規(guī)方法，例如，文獻(xiàn)“imagenetclassificationwithdeepconvolutionalneuralnetworks,”inadvancesinneuralinformationprocessingsystems,2012,pp.1097–1105.alexkrizhevsky,ilyasutskever,andgeoffreyehinton，公開(kāi)了一種采用深度卷積神經(jīng)網(wǎng)絡(luò)算法提取有效特征用于分類任務(wù)的方法。

本實(shí)施例中語(yǔ)義描述信息指的是包含圖像所示出的畫面內(nèi)容的信息，同時(shí)語(yǔ)義描述信息還包括與其所包含的信息內(nèi)容對(duì)應(yīng)的圖像區(qū)域坐標(biāo)，從而可以更加準(zhǔn)確的描述圖像的所示出的畫面內(nèi)容。例如，語(yǔ)義描述信息可以為喝水的大象、坐在沙漠中的貓等。

進(jìn)一步地，本實(shí)施例中在采用深度卷積神經(jīng)網(wǎng)絡(luò)算法、細(xì)粒度圖像分類方法構(gòu)建細(xì)粒度圖像描述模型時(shí)，還需要對(duì)其進(jìn)行數(shù)據(jù)訓(xùn)練，才可以準(zhǔn)確的輸出待檢測(cè)圖像的語(yǔ)義描述信息。

本實(shí)施例中可以采用遞歸神經(jīng)網(wǎng)絡(luò)算法、并依據(jù)預(yù)設(shè)的真實(shí)圖像、預(yù)設(shè)的篡改圖像依次對(duì)細(xì)粒度圖像描述模型進(jìn)行第一數(shù)據(jù)訓(xùn)練和第二數(shù)據(jù)訓(xùn)練。其中，遞歸神經(jīng)網(wǎng)絡(luò)算法為常規(guī)算法，例如，文獻(xiàn)“acriticalreviewofrecurrentneuralnetworksforsequencelearning,”arxivpreprintarxiv:1506.00019,2015，zacharyclipton,johnberkowitz,andcharleselkan，公開(kāi)了遞歸神經(jīng)網(wǎng)絡(luò)算法的實(shí)施方法。文獻(xiàn)“densecap:fullyconvolutionallocalizationnetworksfordensecaptioning,”arxivpreprintarxiv:1511.07571,2015,justinjohnson,andrejkarpathy,andlifei-fei，公開(kāi)了結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)算法與遞歸神經(jīng)網(wǎng)絡(luò)算法的實(shí)施方法。

具體地，本實(shí)施例中采用遞歸神經(jīng)網(wǎng)絡(luò)算法、并依據(jù)預(yù)設(shè)的真實(shí)圖像對(duì)細(xì)粒度圖像描述模型進(jìn)行第一數(shù)據(jù)訓(xùn)練的實(shí)施過(guò)程為：

1、依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型、預(yù)設(shè)的真實(shí)圖像，獲取預(yù)設(shè)的真實(shí)圖像的第一語(yǔ)義描述信息。

圖2示例性示出了本實(shí)施例中第一數(shù)據(jù)訓(xùn)練實(shí)施過(guò)程中采用的真實(shí)圖像，如圖所示，黑色方框所示的圖像區(qū)域?qū)?yīng)的第一語(yǔ)義描述信息為“大象的耳朵”。

2、獲取對(duì)預(yù)設(shè)的真實(shí)圖像進(jìn)行人工標(biāo)注后，得到的第二語(yǔ)義描述信息。本實(shí)施例中對(duì)圖2所示的真實(shí)圖像進(jìn)行人工標(biāo)注，得到黑色方框所示的圖像區(qū)域?qū)?yīng)的第二語(yǔ)義描述信息為“大耳朵”。

3、計(jì)算第一語(yǔ)義描述信息和第二語(yǔ)義描述信息之間的第一損失函數(shù)值，依據(jù)第一損失函數(shù)值、反向傳播算法優(yōu)化細(xì)粒度圖像描述模型。本實(shí)施例中損失函數(shù)值指的是深度學(xué)習(xí)技術(shù)所公開(kāi)的損失函數(shù)的值。

具體地，本實(shí)施例中采用遞歸神經(jīng)網(wǎng)絡(luò)算法、并依據(jù)預(yù)設(shè)的篡改圖像對(duì)細(xì)粒度圖像描述模型進(jìn)行第二數(shù)據(jù)訓(xùn)練的實(shí)施過(guò)程為：

1、依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型、預(yù)設(shè)的篡改圖像，獲取預(yù)設(shè)的篡改圖像的第三語(yǔ)義描述信息。

2、獲取對(duì)預(yù)設(shè)的篡改圖像進(jìn)行人工標(biāo)注后，得到的第四語(yǔ)義描述信息。

3、計(jì)算第三語(yǔ)義描述信息和第四語(yǔ)義描述信息之間的第二損失函數(shù)值，依據(jù)第二損失函數(shù)值、反向傳播算法優(yōu)化細(xì)粒度圖像描述模型。本實(shí)施例中第二數(shù)據(jù)訓(xùn)練過(guò)程與第一數(shù)據(jù)訓(xùn)練過(guò)程的實(shí)施過(guò)程相同，為了描述簡(jiǎn)潔，在此不再贅述。

綜上所述，本實(shí)施例中細(xì)粒度圖像描述模型包括預(yù)設(shè)的真實(shí)圖像對(duì)應(yīng)的語(yǔ)義描述信息、預(yù)設(shè)的篡改圖像對(duì)應(yīng)的語(yǔ)義描述信息。

步驟s102：對(duì)所獲取的語(yǔ)義描述信息與預(yù)設(shè)的反常規(guī)則庫(kù)進(jìn)行匹配：若預(yù)設(shè)的反常規(guī)則庫(kù)包含語(yǔ)義描述信息，則判斷待檢測(cè)圖像為篡改圖像。

本實(shí)施例中反常規(guī)則庫(kù)包括預(yù)設(shè)的多個(gè)語(yǔ)義描述信息，且所述的多個(gè)語(yǔ)義描述信息所包含的信息內(nèi)容為異常信息。其中：異常信息可以為不符合社會(huì)常識(shí)的信息，例如，桌子在天空飛行。

本實(shí)施例中通過(guò)細(xì)粒度圖像描述模型獲取待檢測(cè)圖像的語(yǔ)義描述信息，并依據(jù)反常規(guī)則庫(kù)對(duì)所獲取的語(yǔ)義描述信息進(jìn)行匹配，依據(jù)匹配結(jié)果判斷待檢測(cè)圖像是否為篡改圖像，可以不受底層像素級(jí)、格式級(jí)、場(chǎng)景級(jí)等反篡改工具的制約。

進(jìn)一步地，本實(shí)施例提供的一個(gè)優(yōu)選實(shí)施方案中，圖像篡改檢測(cè)方法可以按照下述步驟實(shí)施，具體為：

步驟s201：依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型，獲取待檢測(cè)圖像的語(yǔ)義描述信息。本實(shí)施例中獲取待檢測(cè)圖像的語(yǔ)義描述信息與前述步驟s101中所公開(kāi)的方法相同，在此不再贅述。

步驟s202：對(duì)所獲取的待檢測(cè)圖像的語(yǔ)義描述信息進(jìn)行去重、選擇和標(biāo)準(zhǔn)化處理。本實(shí)施例中去重、選擇和標(biāo)準(zhǔn)化處理可以按照任一種排列順序依次進(jìn)行，例如，可以對(duì)語(yǔ)義描述信息依次進(jìn)行去重、選擇和標(biāo)準(zhǔn)化處理，也可以對(duì)語(yǔ)義描述信息依次進(jìn)行去重、標(biāo)準(zhǔn)化處理和選擇，還可以對(duì)語(yǔ)義描述信息依次進(jìn)行選擇、去重和標(biāo)準(zhǔn)化處理。

具體地，本實(shí)施例中去重的實(shí)施步驟為：

判斷所獲取的語(yǔ)義描述信息中是否存在包含同一信息內(nèi)容的多個(gè)語(yǔ)義描述信息：若存在，則去除包含該同一信息內(nèi)容的一個(gè)或多個(gè)語(yǔ)義描述信息，且保留一個(gè)包含該同一信息內(nèi)容的語(yǔ)義描述信息。即保留一個(gè)語(yǔ)義描述信息，刪除其他重復(fù)的語(yǔ)義描述信息。

具體地，本實(shí)施例中選擇的實(shí)施步驟為：

依據(jù)所獲取的語(yǔ)義描述信息的置信度由高到低的順序，選擇預(yù)設(shè)數(shù)量的語(yǔ)義描述信息。本實(shí)施例中假設(shè)預(yù)設(shè)數(shù)量為k，則選擇k個(gè)語(yǔ)義描述信息的過(guò)程可以為：將所獲取的語(yǔ)義描述信息按照對(duì)應(yīng)的置信度由高到低排列，然后選擇第1～k個(gè)語(yǔ)義描述信息。

具體地，本實(shí)施例中標(biāo)準(zhǔn)化處理的實(shí)施步驟為：

對(duì)所獲取的語(yǔ)義描述信息進(jìn)行標(biāo)準(zhǔn)化處理，包括：去除語(yǔ)義描述信息中包含的冠詞和形容詞，并將去除冠詞和形容詞后語(yǔ)義描述信息中的各單詞轉(zhuǎn)換為對(duì)應(yīng)的預(yù)設(shè)單詞。其中：預(yù)設(shè)單詞指的是單詞的基本形式，也可以描述為一個(gè)單詞所描述信息所屬的類別名稱。例如，折疊椅是一個(gè)固定的單詞，而折疊椅這個(gè)單詞的基本形式為“椅”，或者折疊椅所描述的可以折疊的椅子所屬的類別名稱為“椅”，因此本實(shí)施例中折疊椅對(duì)應(yīng)的預(yù)設(shè)單詞即為“椅”。

本實(shí)施例中假設(shè)語(yǔ)義描述信息所包含的信息內(nèi)容為一只黃色的小貓坐在撒哈拉沙漠上。去除語(yǔ)義描述信息中包含的冠詞和形容詞后剩余各單詞分別為貓、坐在、撒哈拉沙漠，將撒哈拉沙漠轉(zhuǎn)換為其預(yù)設(shè)單詞“沙漠”，可以得到標(biāo)準(zhǔn)化處理后的語(yǔ)義描述信息為“貓坐在沙漠”。

下面以圖3所示的待檢測(cè)圖像為例，對(duì)本實(shí)施例中圖像檢測(cè)方法的實(shí)施過(guò)程進(jìn)行說(shuō)明，如圖所示，該待檢測(cè)圖像所示畫面信息包括貓和沙漠，采用篡改圖像檢測(cè)方法對(duì)其進(jìn)行檢測(cè)的具體步驟為：

1、依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型，獲取圖3的語(yǔ)義描述信息。

2、對(duì)步驟1得到的語(yǔ)義描述信息進(jìn)行去重、選擇和標(biāo)準(zhǔn)化處理。

圖4示例性示出了細(xì)粒度圖像描述模型的輸出結(jié)果示意圖，如圖所示，本實(shí)施例中選擇步驟中預(yù)設(shè)數(shù)量為5，即選擇5個(gè)置信度最高的語(yǔ)義描述信息，且各語(yǔ)義描述信息分別為第一圖像區(qū)域11、第二圖像區(qū)域12、第三圖像區(qū)域13、第四圖像區(qū)域14和第五圖像區(qū)域15對(duì)應(yīng)的語(yǔ)義描述信息。

為了描述簡(jiǎn)潔，本實(shí)施例中僅以第一圖像區(qū)域11對(duì)應(yīng)的語(yǔ)義描述信息為例進(jìn)行說(shuō)明。本實(shí)施例中經(jīng)細(xì)粒度圖像描述模型所得到的第一圖像區(qū)域11對(duì)應(yīng)的語(yǔ)義描述信息為“一只花貓坐在黃色的沙漠中”，對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理可以得到第一圖像區(qū)域11對(duì)應(yīng)的語(yǔ)義描述信息為“貓坐在沙漠”。

3、將步驟2得到語(yǔ)義描述信息“貓坐在沙漠”與反常規(guī)則庫(kù)匹配，且匹配結(jié)果為反常規(guī)則庫(kù)包含語(yǔ)義描述信息“貓坐在沙漠”，因此可以判斷圖3為篡改圖像。

上述實(shí)施例中雖然將各個(gè)步驟按照上述先后次序的方式進(jìn)行了描述，但是本領(lǐng)域技術(shù)人員可以理解，為了實(shí)現(xiàn)本實(shí)施例的效果，不同的步驟之間不必按照這樣的次序執(zhí)行，其可以同時(shí)(并行)執(zhí)行或以顛倒的次序執(zhí)行，這些簡(jiǎn)單的變化都在本發(fā)明的保護(hù)范圍之內(nèi)。

基于與方法實(shí)施例相同的技術(shù)構(gòu)思，本發(fā)明實(shí)施例還提供了一種圖像篡改檢測(cè)裝置。下面結(jié)合附圖對(duì)該圖像篡改檢測(cè)裝置進(jìn)行具體說(shuō)明。

圖5示例性示出了本實(shí)施例中一種圖像篡改檢測(cè)裝置的結(jié)構(gòu)，如圖所示，本實(shí)施例中圖像篡改檢測(cè)裝置可以包括信息獲取模塊21和信息匹配模塊22。其中，信息獲取模塊21可以配置為依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型，獲取待檢測(cè)圖像的語(yǔ)義描述信息。信息匹配模塊22可以配置為對(duì)所獲取的語(yǔ)義描述信息與預(yù)設(shè)的反常規(guī)則庫(kù)進(jìn)行匹配：若預(yù)設(shè)的反常規(guī)則庫(kù)包含所述語(yǔ)義描述信息，則判斷待檢測(cè)圖像為篡改圖像。

進(jìn)一步地，本實(shí)施例中圖像篡改檢測(cè)裝置還可以包括下述結(jié)構(gòu)，具體為：

圖6示例性示出了本實(shí)施例中另一種圖像篡改檢測(cè)裝置的結(jié)構(gòu)，如圖所示，本實(shí)施例中圖像篡改檢測(cè)裝置還可以包括信息去重模塊23、信息選擇模塊24和信息處理模塊25。其中，信息去重模塊23可以配置為判斷信息獲取模塊所獲取的語(yǔ)義描述信息中是否存在包含同一信息內(nèi)容的多個(gè)語(yǔ)義描述信息：若存在，則去除包含該同一信息內(nèi)容的一個(gè)或多個(gè)語(yǔ)義描述信息，且保留一個(gè)包含該同一信息內(nèi)容的語(yǔ)義描述信息。信息選擇模塊24可以配置為依據(jù)信息獲取模塊所獲取的語(yǔ)義描述信息的置信度由高到低的順序，選擇預(yù)設(shè)數(shù)量的語(yǔ)義描述信息。信息處理模塊25可以配置為對(duì)信息獲取模塊所獲取的語(yǔ)義描述信息進(jìn)行標(biāo)準(zhǔn)化處理，包括：去除語(yǔ)義描述信息中包含的冠詞和形容詞，并將去除冠詞和形容詞后語(yǔ)義描述信息中的各單詞轉(zhuǎn)換為對(duì)應(yīng)的預(yù)設(shè)單詞。

進(jìn)一步地，本實(shí)施例中圖像篡改檢測(cè)裝置還可以包括下述結(jié)構(gòu)，具體為：

圖7示例性示出了本實(shí)施例中又一種圖像篡改檢測(cè)裝置的結(jié)構(gòu)，如圖所示，本實(shí)施例中圖像篡改檢測(cè)裝置還可以包括模型構(gòu)建模塊26和模型訓(xùn)練模塊27。

其中：

模型構(gòu)建模塊26可以配置為采用深度卷積神經(jīng)網(wǎng)絡(luò)算法、細(xì)粒度圖像分類方法構(gòu)建細(xì)粒度圖像描述模型。

模型訓(xùn)練模塊27可以配置為采用遞歸神經(jīng)網(wǎng)絡(luò)算法，并依據(jù)預(yù)設(shè)的真實(shí)圖像、預(yù)設(shè)的篡改圖像依次對(duì)細(xì)粒度圖像描述模型進(jìn)行第一數(shù)據(jù)訓(xùn)練和第二數(shù)據(jù)訓(xùn)練。本實(shí)施例中模型訓(xùn)練模塊27可以包括第一模型訓(xùn)練單元271和第二模型訓(xùn)練單元272。

圖8示例性示出了本實(shí)施例中第一模型訓(xùn)練單元271的結(jié)構(gòu)，如圖所示，本實(shí)施例中第一模型訓(xùn)練單元271可以包括第一信息獲取子單元2711、第二信息獲取子單元2712和第一模型優(yōu)化子單元2713。其中，第一信息獲取子單元2711可以配置為依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型、預(yù)設(shè)的真實(shí)圖像，獲取預(yù)設(shè)的真實(shí)圖像的第一語(yǔ)義描述信息。第二信息獲取子單元2712可以配置為獲取對(duì)預(yù)設(shè)的真實(shí)圖像進(jìn)行人工標(biāo)注后，得到的第二語(yǔ)義描述信息。第一模型優(yōu)化子單元2713可以配置為計(jì)算所述第一語(yǔ)義描述信息和第二語(yǔ)義描述信息之間的第一損失函數(shù)值，依據(jù)第一損失函數(shù)值、反向傳播算法優(yōu)化細(xì)粒度圖像描述模型。

圖9示例性示出了本實(shí)施例中第二模型訓(xùn)練單元272的結(jié)構(gòu)，如圖所示，本實(shí)施例中第二模型訓(xùn)練單元272可以包括第三信息獲取子單元2721、第四信息獲取子單元2722和第二模型優(yōu)化子單元2723。其中，第三信息獲取子單元2721可以配置為依據(jù)預(yù)設(shè)的細(xì)粒度圖像描述模型、預(yù)設(shè)的篡改圖像，獲取預(yù)設(shè)的篡改圖像的第三語(yǔ)義描述信息。第四信息獲取子單元2722可以配置為獲取對(duì)預(yù)設(shè)的篡改圖像進(jìn)行人工標(biāo)注后，得到的第四語(yǔ)義描述信息。第二模型優(yōu)化子單元可以配置為計(jì)算第三語(yǔ)義描述信息和第四語(yǔ)義描述信息之間的第二損失函數(shù)值，依據(jù)第二損失函數(shù)值、反向傳播算法優(yōu)化細(xì)粒度圖像描述模型。

上述圖像篡改檢測(cè)裝置實(shí)施例可以用于執(zhí)行上述圖像篡改檢測(cè)方法實(shí)施例，其技術(shù)原理、所解決的技術(shù)問(wèn)題及產(chǎn)生的技術(shù)效果相似，所屬技術(shù)領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的圖像篡改檢測(cè)的具體工作過(guò)程及有關(guān)說(shuō)明，可以參考前述圖像篡改檢測(cè)方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再贅述。

本領(lǐng)域技術(shù)人員可以理解，上述圖像篡改檢測(cè)裝置還包括一些其他公知結(jié)構(gòu)，例如處理器、控制器、存儲(chǔ)器等，其中，存儲(chǔ)器包括但不限于隨機(jī)存儲(chǔ)器、閃存、只讀存儲(chǔ)器、可編程只讀存儲(chǔ)器、易失性存儲(chǔ)器、非易失性存儲(chǔ)器、串行存儲(chǔ)器、并行存儲(chǔ)器或寄存器等，處理器包括但不限于cpld/fpga、dsp、arm處理器、mips處理器等，為了不必要地模糊本公開(kāi)的實(shí)施例，這些公知的結(jié)構(gòu)未在圖5～9中示出。

應(yīng)該理解，圖5～9中的各個(gè)模塊的數(shù)量?jī)H僅是示意性的。根據(jù)實(shí)際需要，各模塊可以具有任意的數(shù)量。

本領(lǐng)域技術(shù)人員可以理解，可以對(duì)實(shí)施例中的設(shè)備中的模塊進(jìn)行自適應(yīng)性地改變并且把它們?cè)O(shè)置在與該實(shí)施例不同的一個(gè)或多個(gè)設(shè)備中?？梢园褜?shí)施例中的模塊或單元或組件組合成一個(gè)模塊或單元或組件，以及此外可以把它們分成多個(gè)子模塊或子單元或子組件。除了這樣的特征和/或過(guò)程或者單元中的至少一些是相互排斥之外，可以采用任何組合對(duì)本說(shuō)明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開(kāi)的所有特征以及如此公開(kāi)的任何方法或者設(shè)備的所有過(guò)程或單元進(jìn)行組合。除非另外明確陳述，本說(shuō)明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開(kāi)的每個(gè)特征可以由提供相同、等同或相似目的的替代特征來(lái)代替。

基于與方法實(shí)施例相同的技術(shù)構(gòu)思，本發(fā)明實(shí)施例還提供了另一種圖像篡改檢測(cè)裝置，該圖像篡改檢測(cè)裝置可以包括處理器和存儲(chǔ)設(shè)備。其中，處理器可以用于執(zhí)行各指令。存儲(chǔ)設(shè)備可以用于存儲(chǔ)多條指令，這些指令適用于由處理器加載并執(zhí)行上述圖像篡改檢測(cè)方法中的各步驟。

上述圖像篡改檢測(cè)裝置實(shí)施例可以用于執(zhí)行上述圖像篡改檢測(cè)方法實(shí)施例，其技術(shù)原理、所解決的技術(shù)問(wèn)題及產(chǎn)生的技術(shù)效果相似，所屬技術(shù)領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的圖像篡改檢測(cè)的具體工作過(guò)程及有關(guān)說(shuō)明，可以參考前述圖像篡改檢測(cè)方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再贅述。

此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實(shí)施例包括其它實(shí)施例中所包括的某些特征而不是其它特征，但是不同實(shí)施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實(shí)施例。例如，在本發(fā)明的權(quán)利要求書中，所要求保護(hù)的實(shí)施例的任意之一都可以以任意的組合方式來(lái)使用。

本發(fā)明的各個(gè)部件實(shí)施例可以以硬件實(shí)現(xiàn)，或者以在一個(gè)或者多個(gè)處理器上運(yùn)行的軟件模塊實(shí)現(xiàn)，或者以它們的組合實(shí)現(xiàn)。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，可以在實(shí)踐中使用微處理器或者數(shù)字信號(hào)處理器(dsp)來(lái)實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的服務(wù)器、客戶端中的一些或者全部部件的一些或者全部功能。本發(fā)明還可以實(shí)現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的設(shè)備或者裝置程序(例如，pc程序和pc程序產(chǎn)品)。這樣的實(shí)現(xiàn)本發(fā)明的程序可以存儲(chǔ)在pc可讀介質(zhì)上，或者可以具有一個(gè)或者多個(gè)信號(hào)的形式。這樣的信號(hào)可以從因特網(wǎng)網(wǎng)站上下載得到，或者在載體信號(hào)上提供，或者以任何其他形式提供。

應(yīng)該注意的是上述實(shí)施例對(duì)本發(fā)明進(jìn)行說(shuō)明而不是對(duì)本發(fā)明進(jìn)行限制，并且本領(lǐng)域技術(shù)人員在不脫離所附權(quán)利要求的范圍的情況下可設(shè)計(jì)出替換實(shí)施例。在權(quán)利要求中，不應(yīng)將位于括號(hào)之間的任何參考符號(hào)構(gòu)造成對(duì)權(quán)利要求的限制。單詞“包含”不排除存在未列在權(quán)利要求中的元件或步驟。位于元件之前的單詞“一”或“一個(gè)”不排除存在多個(gè)這樣的元件。本發(fā)明可以借助于包括有若干不同元件的硬件以及借助于適當(dāng)編程的pc來(lái)實(shí)現(xiàn)。在列舉了若干裝置的單元權(quán)利要求中，這些裝置中的若干個(gè)可以是通過(guò)同一個(gè)硬件項(xiàng)來(lái)具體體現(xiàn)。單詞第一、第二、以及第三等的使用不表示任何順序?？蓪⑦@些單詞解釋為名稱。

至此，已經(jīng)結(jié)合附圖所示的優(yōu)選實(shí)施方式描述了本發(fā)明的技術(shù)方案，但是，本領(lǐng)域技術(shù)人員容易理解的是，本發(fā)明的保護(hù)范圍顯然不局限于這些具體實(shí)施方式。在不偏離本發(fā)明的原理的前提下，本領(lǐng)域技術(shù)人員可以對(duì)相關(guān)技術(shù)特征作出等同的更改或替換，這些更改或替換之后的技術(shù)方案都將落入本發(fā)明的保護(hù)范圍之內(nèi)。