(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210784561.X (22)申请日 2022.07.05 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 刘军清　韩志奇　康维　熊小豪　 余利君　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 余山 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于自适应空间特征融合的图像篡改 检测方法 (57)摘要 一种基于自适应空间特征融合的图像篡改 检测方法， 它包括以下步骤： 步骤1： 进行数据集 的构建与整理； 步骤2： 进行篡改检测网络的训 练； 步骤3： 进行篡改检测网络的测试； 步骤4： 进 行篡改图像的检测定位； 本发明的目的是针对现 有的图像篡改检测方法误差较大以及篡改区域 定位不准确的技术问题， 而提供的一种基于自适 应空间特征融合的图像篡改检测方法。 本发明的 目的是针对现有的图像篡改检测方法误差较大 以及篡改区域定位不准确的技术问题， 而提供的 一种基于自适应空间特征融合的图像篡改检测 方法。 权利要求书2页 说明书7页 附图3页 CN 115311204 A 2022.11.08 CN 115311204 A 1.一种基于自适应空间特 征融合的图像篡改检测方法， 其特 征在于， 它包括以下步骤： 步骤1： 进行 数据集的构建与整理； 步骤2： 进行篡改检测网络的训练； 步骤3： 进行篡改检测网络的测试； 步骤4： 进行篡改图像的检测定位； 在步骤1中， 批量生成合成篡改数据集， 合成篡改数据集包括一定比例的训练集与测试 集； 在步骤2中， 首先使用合成篡改数据集对改进后的YOLOX篡改检测网络进行预训练， 获 得预训练模型， 在预训练模型的基础上， 对公开篡改数据集进行训练； 在步骤3中， 使用预 先划分好的测试集对训练好的网络进行测试， 得到测试 结果； 在步骤4中， 将待检测图像输入到训练好的网络中进行检测， 输出篡改区域； 通过以上步骤获得图像中篡改后的区域。 2.根据权利要求1所述的方法， 其特 征在于， 改进后的YOLOX篡改检测网络结构如下： 输入层→Focus模块 →第一卷积模块 →第一个CSP模块 →第二卷积模块 →第二个CSP模 块→第三卷积模块 →第三个CSP模块 →第四卷积模块 →SPP模块→第四个CSP模块 →第五卷 积模块→第一次上采样 →第一个CBAM注意力模块 →第一个CBAM注意力模块处理后得到的 特征图与第三个CSP模块处理后得到的特征图进行通道融合 →第五个CSP模块 →第六卷积 模块→第二次上采样 →第二个CBAM注意力模块 →第二个CBAM注意力模块处理后得到的特 征图与第二个CSP模块处理后得到的特征图进行通道融合 →第六个CSP模块 →第七卷积模 块→第一次下采样 →第三个CBAM注意力模块 →第三个CBAM注意力模块处理后得到的特征 图与第六卷积操作后得到的特征图进 行通道融合 →第七个CSP模块 →第八卷积模块 →第二 次下采样 →第四个CBAM注意力模块 →第四个CBAM注意力模块处理后得到的特征图与第五 卷积操作后得到的特 征图进行通道融合 →第八个CS P模块。 3.根据权利要求2所述的方法， 其特征在于， CBAM注意力模块的结构为： 输入特征图 → 通道注意力模块 →经通道注意力模块处理后得到的特征图与输入特征图相乘 →通道特征 图→空间注意力模块 →经空间注意力模块处理后得到的特征图与通道特征图相乘 →注意 力特征图。 4.根据权利要求2所述的方法， 其特征在于， 自适应空间特征融合模块的结构为： 网络 中输出的三个不同大小的特 征图→不同层次的特 征图进行自适应融合 →预测图。 5.根据权利要求1所述的方法， 其特征在于， 在步骤2中， 在进行篡改检测网络的训练 时， 包括以下子步骤： 步骤2‑1)提取篡改图像中的篡改特 征； 将待检测的篡改图像输入到主干网络中， 进行特征提取； 主干网络采用CSPDarknet， 将 待检测图像输入CSPDarknet中， 使用Focus模块对输入的特征图进行切割以实现特征图维 度的扩展， 之后经过三次卷积操作与CSP模块处理， 增加网络深度， 提升网络对于特征图中 目标特征的学习能力； 对经过上述处理的特征图再进 行一次卷积操作， 并经过SPP空间金字 塔池化， 将特征图转换为固定大小的特征向量， 提升网络的感受野； 最后再进行一次CSP模 块处理， 完成篡改特 征的提取； 步骤2‑2)融合提取的篡改特 征；权　利　要　求　书 1/2 页 2 CN 115311204 A 2将提取到的篡改特征传入PANet颈部网络以进行特征融合， 具体如下： PANet在 FPN的基 础上增加了自下向上的路径， 能更充分利用底层的特征信息； 在自下向上的路径中， 首先将 提取到的篡改特征经过一次卷积操作， 再进行一次上采样， 将采样后得到的特征图经CBAM 注意力机制处理， 处理后得到的特征图与步骤2 ‑1)中的第三个CSP模块处理后得到的特征 图进行通道融合操作， 得到特征图经CSP模块做处理， 之后重复上述流程， 将经过第二次CSP 模块处理后的特征图传 入自上向下的路径中， 经过一次卷积操作之后， 再进行一次下采样， 之后将得到的特征图经CBAM注 意力机制处理， 处理后得到的特征图与自下向上路径中的第 二个卷积操作得到的特征图进 行通道融合操作， 将得到的特征图经CSP模块处理， 之后重复 上述流程。 6.根据权利要求5所述的方法， 其特征在于， 在自上向下的路径中， 三个CSP模块处理后 得到的特征图经过自适应特征融合模块处理后， 分别得到三个特征图， 将三个特征图经过 特征融合处 理， 得到最终的预测图。 7.根据权利要求1所述的方法， 其特 征在于， 在步骤3中， 包括以下子步骤： 步骤3‑1)对预训练模型进行消融实验； 步骤3‑2)在图像篡改标准数据集上与现有篡改检测算法和YOLOX网络进行实验 对比； 步骤3‑3)进行数据增强 实验。权　利　要　求　书 2/2 页 3 CN 115311204 A 3