一种基于注意力机制的拼接图像篡改检测方法及系统

技术特征：
1.一种基于注意力机制的拼接图像篡改检测方法，其特征在于，包括以下步骤：构建篡改拼接数据集和图像篡改检测模型，将所述篡改拼接数据集划分为训练集与测试集，将所述训练集中的篡改拼接图像输入所述图像篡改检测模型；对所述篡改拼接图像提取篡改特征，获得特征图；基于带有注意力机制的特征融合网络对所述特征图进行特征融合处理，获得最终特征图，基于所述最终特征图获得拼接图像篡改区域定位结果；基于所述测试集对训练完成的图像篡改检测模型进行测试，测试完成后获得检测结果。2.根据权利要求1所述的方法，其特征在于，构建拼接篡改数据集的过程中包括：s1.随机选取coco数据集中的一张图片并读取其中的真值目标及真值目标所在区域；s2.将所述真值目标及真值目标所在区域截取，并随机粘贴到其他图片中的随机区域，得到合成图像；s3.重复s1-s2过程，直到将所述coco数据集中的所有图片均转化为所述合成图像，构成拼接篡改数据集。3.根据权利要求1所述的方法，其特征在于，构建所述图像篡改检测模型的过程中包括：采用改进的yolov4模型构建所述图像篡改模型；所述改进的yolov4模型中的损失函数采用了focal loss损失函数。4.根据权利要求1所述的方法，其特征在于，对所述篡改拼接图像提取篡改特征的过程中包括：基于cspdarknet53特征提取网络提取出图像中的篡改特征，输出三个不同大小的特征图。5.根据权利要求1所述的方法，其特征在于，基于带有注意力机制的特征融合网络对所述特征图进行特征融合处理，获得最终特征图的过程中包括：通过通道注意力使用平均池化与最大池化缩小所述特征图的空间信息；基于共享全连接层得到通道特征图；将所述通道特征图与所述特征图内积，获得第一特征图；基于空间注意力对所述第一特征图进行处理，获得目标位置，基于上述目标位置获得所述最终特征图。6.根据权利要求1所述的方法，其特征在于，所述方法还包括对测试结果进行评估，评估指标选用平均精度ap对测试结果进行评估。7.一种基于注意力机制的拼接图像篡改检测系统，其特征在于，包括：数据集构建模块和图像篡改检测模型；所述数据集构建模块用于构建拼接篡改数据集，所述拼接篡改数据集用于训练和测试所述图像篡改检测模型；所述图像篡改检测模型用于检测待测图像中是否存在拼接图像篡改情况。8.根据权利要求7所述的系统，其特征在于，所述图像篡改检测模型包括特征提取模块和特征融合模块；所述特征提取模块用于对待测图像提取篡改特征，获得特征图；
所述特征融合模块用于基于注意力机制对所述特征图进行特征融合处理，获得最终特征图，所述特征融合模块包括注意力机制模块；所述图像篡改检测模型基于所述最终特征图检测待测图像中是否存在拼接图像篡改情况。9.根据权利要求8所述的系统，其特征在于，所述注意力机制模块包括通道注意力模块和空间注意力模块；所述通道注意力模块用于对所述特征图进行处理，获得通道特征图；所述空间注意力模块用于对所述通道特征图和所述特征图的内积进行空间注意力处理，获得最终特征图。10.根据权利要求9所述的系统，其特征在于，所述通道注意力模块包括缩小空间信息模块和共享全连接模块；缩小空间信息模块用于对所述特征图进行平均池化和最大池化，缩小空间信息；所述共享全连接模块用于对缩小空间信息的所述特征图进行处理，获得所述通道特征图。

技术总结
本发明公开了一种基于注意力机制的拼接图像篡改检测方法及系统，包括：将拼接篡改数据集输入图像篡改检测模型；对篡改拼接图像提取篡改特征，获得特征图；基于带有注意力机制的特征融合网络对特征图进行特征提取，获得最终特征图，基于最终特征图获得拼接图像篡改检测结果。本发明在YOLOv4网络的末端添加注意力机制，以增强对图像中篡改特征的提取能力。将损失函数中的置信度损失替换为Focal loss，通过减少简单样本的权重，使模型在进行篡改检测任务训练时，专注于困难的样本，并有效改善在训练过程中正负样本不平衡的问题。利用COCO数据集制作合成拼接篡改数据集，解决了数据集不足无法充分训练神经网络的问题。足无法充分训练神经网络的问题。足无法充分训练神经网络的问题。


技术研发人员：刘军清 韩志奇 李菁 康维
受保护的技术使用者：三峡大学
技术研发日：2022.01.18
技术公布日：2022/4/29