一种基于自相关特征金字塔网络的图像复制-粘贴篡改检测算法的制作方法

技术特征：
1.一种基于自相关特征金字塔网络的图像复制-粘贴篡改检测算法，其特征在于：通过构建自相关特征金字塔网络获取丰富的特征空间分布信息，联合全局特征和局部特征得到更为准确的匹配结果，其主要包含三个部分：特征提取，自相关特征金字塔，生成篡改区域掩码。2.根据权利要求1所述的算法，其特征在于：特征提取部分中，采用卷积神经网络的前四层从原始输入图像中抽取特征，网络通过对抽取的特征不断进行提取和压缩，最终得到比较高层次更可靠的全局特征，而较低层次的特征则包含更多的局部空间信息，这些不同层次的特征用于后续构建自相关特征金字塔任务中。3.根据权利要求1或2所述的算法，其特征在于：自相关特征金字塔部分中，将卷积神经网络提取的图像特征转化为不同图像块之间的相关性表示，构建一个基于卷积神经网络的自相关特征金字塔，金字塔层次从低阶到高阶分别对应维度从大到小的自相关特征，不同层次的金字塔包含了不同的语义信息。4.根据权利要求3所述的算法，其特征在于：自相关特征金字塔部分的具体过程为：对于n层的自相关特征金字塔p
n
，假设f
k
表示特征提取网络第k(k＝0，
…
，n-1)层生成的特征张量，其尺寸大小为w
k
×
h
k
×
d
k
(w
k
，h
k
，d
k
∈n*)，该特征张量也可视为w
k
×
h
k
个块状特征，即其中每个f
k
[i
r
，i
c
]具有d
k
个维度；对于整个特征提取网络，总共产生了n个不同尺度的特征张量，即f
k
＝{f1，
…
，f
n
}；对于第k层特征张量f
k
，给定两个块状特征f
k
[i](i＝(i
r
，i
c
))和f
k
[j](j＝(j
r
，j
c
))，通过余弦相似度来量化两个特征的相关性，计算公式如下：过余弦相似度来量化两个特征的相关性，计算公式如下：其中是f
k
[i]归一化的结果，μ
k
[i]是f
k
[i]的均值，σ
k
[i]是f
k
[i]的标准差；对于f
k
中给定的f
k
[i]，在m
k
(m
k
＝w
k
×
h
k
)个f
k
[j]上重复上述计算过程，形成一个自相关向量s
k
[i]＝[cos(θ
i，0
)，
…
，cos(θ
i，j
)，
…
，cos(θ
i，m-1
)]，并对该自相关向量进行降序排列后，得到s
′
k
[i]＝sort(s
k
[i])；最终，第k层特征张量f
k
经过特征计算形成一个大小为w
k
×
h
k
×
m
k
的相似度矩阵s
′
k
；将相似度矩阵中所有元素的分量按照降序排列，越靠前的分量表明像素点之间的相关性越高，被篡改的可能性越大。5.根据权利要求4所述的算法，其特征在于：将第k层自相关特征金字塔的权重设置为则n层的自相关特征金字塔p
n
表示为：6.根据权利要求1所述的算法，其特征在于：通过对特征进行解码以恢复到原始分辨率，以生成与原始图像大小一致的篡改区域掩
码，解码模块采用卷积 上采样的方式实现图像尺寸复原。7.根据权利要求6所述的算法，其特征在于：卷积分支通过对解码模块输入的特征图进行卷积操作，卷积结束后将卷积分支产生的多个特征图采用向量拼接的方式进行合并，然后将卷积操作合并得到的特征图进行上采样，最终产生输出特征图。8.根据权利要求7所述的算法，其特征在于：所述上采样采用双线性插值的方式进行。

技术总结
本发明公开了一种基于自相关特征金字塔网络的图像复制-粘贴篡改检测算法，通过构建自相关特征金字塔网络获取丰富的特征空间分布信息，联合全局特征和局部特征得到更为准确的匹配结果，其主要包含三个部分：特征提取，自相关特征金字塔，生成篡改区域掩码。本发明的主要贡献如下：(1)在特征提取过程中融入了特征空间分布信息，通过联合全局特征和局部特征得到更为准确的匹配结果，从而提升模型的检测性能。(2)从特征金字塔获取的初步匹配特征中，采用邻域比对策略以剔除虚假匹配，进一步优化模型性能。模型性能。模型性能。


技术研发人员：吴玉婷 梁鹏 赵慧民 郝刚 何娃
受保护的技术使用者：广东技术师范大学
技术研发日：2020.08.02
技术公布日：2022/2/23