一种基于微表情卷积的AI换脸系统的检测方法及其装置

本发明涉及视频领域，具体涉及一种基于微表情卷积的ai换脸系统的检测方法及其装置

背景技术：

1、目前，随着人工智能、信息技术的发展，深度学习技术被应用于ai换脸技术的发展。自此，人脸识别技术在中国经历了技术引进、市场导入、技术完善、技术应用和各行业领域使用等五个阶段。目前，国内的人脸识别技术已经相对发展成熟，体现了技术的先进性，但是换脸技术的出现也导致视频、人脸等的真实性降低，一些不法分子通过ai技术对视频、人脸等进行篡改、替换，导致视频、人脸等失去真实性，展开了一系列的ai诈骗陷阱，使得许多人尤其是一些老年人、小孩无法准确的辨别真实与虚假的人脸，从而掉入陷阱。因此，对视频中的信息、人脸等进行准确的检测尤为重要。

2、至今为止，有关ai换脸图像进行检测的研究很少，在发明专利(专利公开号cn114494002)中公开了一种基于ai换脸视频的原脸图像智能还原方法和系统，主要是基于对待需要还原的大量ai换脸视频，首先进行性别的分类，再根据每个换脸人物进行分类，通过分类好的视频每一帧进行共性特征提取，确定海森矩阵，根据海森矩阵相似值算法，获取还原对象在预设的三维标准头骨模型状态下的海森矩阵值，确定脸部特征，基于脸部特征还原出待还原对象在预设状态下对应的原脸图像。但该方法中，是无法准确分析视频内容是否经过ai换脸处理。当前的方法在处理这一问题时存在一定的局限性，例如需要基于大量的视频进行分类和特征提取，以及预设的标准三维头骨模型与实际还原人脸模型存在偏差等。这些限制导致了无法有效区分原始人脸和经过ai换脸处理后的人脸图像，从而使得视频内容的真实性和可信度受到影响。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种基于微表情卷积的ai换脸系统的检测方法及其装置。以解决无法确定视频内容是原脸还是ai换脸的难题。

2、一种基于微表情卷积的ai换脸系统的检测方法，包括以下步骤：

3、s1,获取原脸数据以及检测数据，并对原脸数据以及检测数据分别进行预处理，得到原脸预处理数据以及检测预处理数据；

4、s2,将原脸预处理数据以及检测预处理数据输入卷积神经网络，生成原脸特征数据和检测特征数据；

5、s3，调用分类模型，对原脸特征数据和检测特征数据进行微表情分类，得到原脸微表情特征以及检测微表情特征；

6、s4，调用对比模型，对原脸微表情特征与检测微表情特征进行对比，从而判断检测数据是否换脸。

7、在本申请的一些实施方式中，所述s1步骤中预处理包括以下步骤：

8、s11，对原脸数据和检测数据提取图像，并进行人脸关键点检测和裁剪；

9、s12，对裁剪后的图像进行人脸对齐，以确保不同图像中的人脸位置和姿态一致；

10、s13，对图像序列进行帧数归一化处理，以统一不同图像序列的帧数，确保数据输入网络模型时的一致性。

11、在本申请的一些实施方式中，所述s13中，是通过时间插值模型tim对图像序列进行帧数归一化处理。

12、在本申请的一些实施方式中，所述s3包括以下步骤：

13、s31,加载预先训练好的分类模型；

14、s32,将经过卷积神经网络处理后得到的原脸特征数据和检测特征数据作为输入传递给分类模型；

15、s33,分类模型对输入的原脸特征数据和检测特征数据进行处理，执行分类任务，并输出结果。

16、在本申请的一些实施方式中，所述s3中的分类模型是结合了支持向量机(svm)分类器和softmax函数的组合。

17、在本申请的一些实施方式中，所述softmax函数公式为其中，p(y＝i)代表预测为i类的概率，wix代表通过最后一个dense层的输出结果中的第i个向量数据。

18、在本申请的一些实施方式中，所述s2中将原脸预处理数据以及检测预处理数据输入卷积神经网络，通过以下公式计算卷积：若图像的深度不同时，通过以下公式计算卷积：

19、此外，本发明还公开了一种基于微表情卷积的ai换脸系统的检测装置，其特征在于，所述装置包括：

20、预处理数据单元，用于获取原脸数据以及检测数据，并对原脸数据以及检测数据分别进行预处理，得到原脸预处理数据以及检测预处理数据；

21、特征提取单元，用于将原脸预处理数据以及检测预处理数据输入卷积神经网络，生成原脸特征数据和检测特征数据；

22、分类单元，用于调用分类模型，对原脸特征数据和检测特征数据进行微表情分类，得到原脸微表情特征以及检测微表情特征；

23、对比单元，用于调用对比模型，对原脸微表情特征与检测微表情特征进行对比，从而判断检测数据是否换脸。

24、在本申请的一些实施方式中，所述分类模型是结合了支持向量机(svm)分类器和softmax函数的组合。

25、此外，本发明还公开了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如权利要求1～7中任一项所述的基于微表情卷积的ai换脸系统的检测方法。

26、本发明提出了一种基于微表情卷积的ai换脸系统的检测方法及其装置，利用卷积神经网络提取人脸图像微表情的特征值，从而判断原脸图像与ai换脸图像是否一致，避免了手动选取特征和训练权重的繁琐过程，提高了特征分类的准确性。同时，考虑了每个人的面部肌肉轮廓、微表情等个体差异，实现了对不同人物角色的微表情判断，进一步提高了检测的精确性和实用性。

技术特征：

1.一种基于微表情卷积的ai换脸系统的检测方法，包括以下步骤：

2.根据权利要求1所述的一种基于微表情卷积的ai换脸系统的检测方法，其特征在于，所述s1步骤中预处理包括以下步骤：

3.根据权利要求2所述的一种基于微表情卷积的ai换脸系统的检测方法，其特征在于：所述s13中，是通过时间插值模型tim对图像序列进行帧数归一化处理。

4.根据权利要求1所述的一种基于微表情卷积的ai换脸系统的检测方法，其特征在于，所述s3包括以下步骤：

5.根据权利要求4所述的一种基于微表情卷积的ai换脸系统的检测方法，其特征在于，所述s3中的分类模型是结合了支持向量机(svm)分类器和softmax函数的组合。

6.根据权利要求5所述的一种基于微表情卷积的ai换脸系统的检测方法，其特征在于，所述softmax函数公式为其中，p(y＝i)代表预测为i类的概率，wix代表通过最后一个dense层的输出结果中的第i个向量数据。

7.根据权利要求1所述的一种基于微表情卷积的ai换脸系统的检测方法，其特征在于，所述s2中将原脸预处理数据以及检测预处理数据输入卷积神经网络，通过以下公式计算卷积：若图像的深度不同时，通过以下公式计算卷积：

8.一种基于微表情卷积的ai换脸系统的检测装置，其特征在于，所述装置包括：

9.根据权利要求8所述的一种基于微表情卷积的ai换脸系统的检测装置，其特征在于，所述分类模型是结合了支持向量机(svm)分类器和softmax函数的组合。

10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如权利要求1～7中任一项所述的基于微表情卷积的ai换脸系统的检测方法。

技术总结本申请公开了一种基于微表情卷积的AI换脸系统的检测方法及其装置，包括获取原脸和检测数据，预处理并利用卷积神经网络提取人脸图像微表情生成特征数据，利用分类模型进行微表情分类，再通过对比模型判断是否换脸。从而判断原脸图像与AI换脸图像是否一致，避免了手动选取特征和训练权重的繁琐过程，提高了特征分类的准确性。同时，考虑了每个人的面部肌肉轮廓、微表情等个体差异，实现了对不同人物角色的微表情判断，进一步提高了检测的精确性和实用性。技术研发人员：陈俐丹,陈翔,游旭涛,罗欢,何小红,王嘉伟,王俊淋受保护的技术使用者：成都信息工程大学技术研发日：技术公布日：2024/7/29