本發(fā)明涉及人工智能，尤其是涉及一種基于gans模型的圖像深度偽造追蹤溯源方法。

背景技術(shù)：

1、圖像偽造追蹤溯源技術(shù)，旨在追蹤和確認(rèn)圖像的來(lái)源、制作過(guò)程，以及可能的篡改歷史。這項(xiàng)技術(shù)通過(guò)多種方法實(shí)現(xiàn)，包括但不限于使用信息追溯標(biāo)識(shí)(如二維碼、條碼、rfid)來(lái)提高可信度和提升產(chǎn)品信譽(yù)度。

2、目前常規(guī)方法大多依賴于較低層次的圖像特征如像素級(jí)對(duì)比、壓縮痕跡分析，這些方法在面對(duì)高精度的深度偽造圖像時(shí)容易失效，因?yàn)間ans生成的圖像在像素層面可能與真實(shí)圖像極為相似?，F(xiàn)有技術(shù)往往針對(duì)已知的偽造技術(shù)設(shè)計(jì)，面對(duì)新型或不斷演進(jìn)的偽造技術(shù)時(shí)適應(yīng)性較差，無(wú)法捕捉到gans生成圖像特有的生成痕跡，如模式重復(fù)、紋理異常等深層次的偽造特征，需要更多的人工干預(yù)和特征工程，分析過(guò)程相對(duì)繁瑣且耗時(shí)。常規(guī)方法的技術(shù)更新速度可能跟不上深度偽造技術(shù)的快速發(fā)展。

3、由此可見(jiàn)，現(xiàn)有技術(shù)仍存在偽造識(shí)別精度較低、適應(yīng)性差、難以捕捉深度偽造特征以及需要更多的人工干預(yù)和特征工程的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于gans模型的圖像深度偽造追蹤溯源方法，解決了偽造識(shí)別精度較低、適應(yīng)性差、難以捕捉深度偽造特征以及需要更多的人工干預(yù)和特征工程的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于gans模型的圖像深度偽造追蹤溯源方法，包括以下步驟：

3、s1、數(shù)據(jù)集準(zhǔn)備，通過(guò)爬蟲(chóng)技術(shù)自動(dòng)抓取互聯(lián)網(wǎng)上大量真實(shí)圖像和已知的偽造圖像作為訓(xùn)練集，對(duì)數(shù)據(jù)集進(jìn)行清洗和標(biāo)注，區(qū)分真實(shí)樣本與偽造樣本；

4、s2、特征工程，采用歸一化處理或縮放處理對(duì)圖像進(jìn)行預(yù)處理使其適合模型輸入規(guī)格，使用數(shù)據(jù)增強(qiáng)技術(shù)，增加數(shù)據(jù)多樣性，減少過(guò)擬合；

5、s3、構(gòu)建生成器和判別器，根據(jù)圖像的分辨率和顏色通道數(shù)定義輸出維度，將隨機(jī)噪音作為輸入構(gòu)建cnn模型，用于生成偽造圖像；根據(jù)生成器輸出的數(shù)據(jù)類型設(shè)定定義輸出維度，將生成器輸出的圖像作為輸入構(gòu)建cnn模型，判斷輸入圖像是否偽造；

6、s4、訓(xùn)練生成器和判別器，將真實(shí)圖像和偽造圖像同時(shí)輸入到鑒別器中，在鑒別器訓(xùn)練到一定程度后，開(kāi)始聯(lián)合訓(xùn)練生成器和鑒別器；

7、s5、追蹤與溯源分析，通過(guò)元數(shù)據(jù)分析、網(wǎng)絡(luò)分析和模式識(shí)別對(duì)圖像進(jìn)行追蹤和溯源分析，并根據(jù)偽造圖像的傳播趨勢(shì)、熱點(diǎn)區(qū)域、時(shí)間規(guī)律，采用arima模型預(yù)測(cè)未來(lái)可能出現(xiàn)的偽造活動(dòng)；

8、s6、持續(xù)學(xué)習(xí)與迭代，系統(tǒng)需不斷吸收新數(shù)據(jù)更新特征庫(kù)與模型，適應(yīng)深度偽造技術(shù)的演變。

9、優(yōu)選的，在步驟s3中，生成器的構(gòu)建步驟：

10、輸入層接受256x256的rgb圖像，其輸出維度為256x256x3；

11、卷積層使用小尺寸的3x3卷積核，步幅設(shè)置為1

12、(以保證輸出尺寸與輸入尺寸相同)；

13、定義輸入通道數(shù)i，由此確定輸出通道數(shù)o，每個(gè)網(wǎng)絡(luò)層的參數(shù)量為i*o*k，其中k為卷積核的參數(shù)個(gè)數(shù)；

14、采用邊界擴(kuò)充的方法保持輸出尺寸與輸入尺寸相同；

15、在每個(gè)卷積層之后，使用2x2的最大池化層進(jìn)行空間降采樣，具體表達(dá)如下所示：

16、

17、網(wǎng)絡(luò)中有4個(gè)全連接層，其中最后一個(gè)是輸出層，使用softmax激活函數(shù)進(jìn)行多類別分類，具體如下：

18、計(jì)算指數(shù)函數(shù)：輸入向量中的每個(gè)元素，計(jì)算其指數(shù)值

19、y＝ez

20、其中輸入向量的每個(gè)元素為z，ez為指數(shù)函數(shù)；

21、softmax激活函數(shù)：

22、

23、其中，zi是輸入向量中的第i個(gè)元素，k是類別總數(shù)，e是自然對(duì)數(shù)的底數(shù)。

24、優(yōu)選的，在步驟s3中，判別器的構(gòu)建步驟：

25、根據(jù)生成器輸出的數(shù)據(jù)類型設(shè)定判別器的輸入維度為256x256x3；

26、卷積層使用小尺寸的3x3卷積核，步幅設(shè)置為1；

27、使用多個(gè)卷積層來(lái)進(jìn)行提取特征，其中卷積輸出結(jié)果的計(jì)算公式如下所示：

28、n＝(w-f+2p)/s+1

29、其中，n為輸出大小，w為輸入大小，f為卷積核大小，p為填充值大小，s為步幅大??；

30、在每個(gè)卷積層之后，使用2x2的最大池化層進(jìn)行空間降采樣，具體表達(dá)如下所示：

31、

32、網(wǎng)絡(luò)中有4個(gè)全連接層，輸出層，使用sigmoid激活函數(shù)進(jìn)行識(shí)別，其中sigmoid激活函數(shù)的表達(dá)式如下所示：

33、

34、其中，x是函數(shù)的輸入，σ(x)是函數(shù)的輸出。

35、優(yōu)選的，在步驟s4中，在訓(xùn)練初期，主要訓(xùn)練鑒別器，將真實(shí)圖像和偽造圖像同時(shí)輸入到鑒別器中，通過(guò)反向傳播算法調(diào)整鑒別器的參數(shù)，使其能夠正確區(qū)分真實(shí)圖像和偽造圖像。

36、優(yōu)選的，在步驟s5中，追蹤與溯源分析中，元數(shù)據(jù)分析的具體步驟如下所示：

37、圖像元數(shù)據(jù)提取，使用元數(shù)據(jù)提取工具或exiftool提取步驟s4中圖像的元數(shù)據(jù)，元數(shù)據(jù)包括文件名、文件大小、分辨率、拍攝時(shí)間、拍攝地點(diǎn)和gps定位信息；

38、根據(jù)提取的時(shí)間戳和gps坐標(biāo)，構(gòu)建時(shí)間與地點(diǎn)的關(guān)聯(lián)圖譜，分析圖像的拍攝地點(diǎn)和時(shí)間序列，追蹤圖像的來(lái)源和傳播路徑；

39、利用圖像識(shí)別技術(shù)識(shí)別圖像中的特定對(duì)象、標(biāo)志或場(chǎng)景，并查找模式或異常，識(shí)別偽造或篡改的跡象。

40、優(yōu)選的，在步驟s5中，追蹤與溯源分析中，網(wǎng)絡(luò)分析的具體步驟如下所示：

41、網(wǎng)絡(luò)圖構(gòu)建，每個(gè)發(fā)布或轉(zhuǎn)發(fā)該圖像的用戶、網(wǎng)頁(yè)、賬號(hào)視為一個(gè)節(jié)點(diǎn)，若有明確的轉(zhuǎn)發(fā)、引用關(guān)系，則在相應(yīng)的節(jié)點(diǎn)之間建立邊，無(wú)直接關(guān)系但時(shí)間、內(nèi)容相近的判定為弱連接，構(gòu)建邊；

42、運(yùn)用網(wǎng)絡(luò)中心性指標(biāo)，識(shí)別關(guān)鍵節(jié)點(diǎn)，通過(guò)louvain算法發(fā)現(xiàn)不同的傳播社群，了解圖像在不同群體中的傳播模式和接受度；

43、利用時(shí)間序列分析，追蹤圖像傳播的速度、范圍隨時(shí)間的變化，識(shí)別傳播高峰期和衰退期；結(jié)合用戶ip地址或自我聲明的位置信息，分析圖像的地理傳播路徑，識(shí)別傳播的地域特征。

44、優(yōu)選的，在步驟s5中，追蹤與溯源分析中，模式識(shí)別的具體步驟如下所示：

45、利用特征匹配算法比較目標(biāo)圖像與數(shù)據(jù)庫(kù)中圖像的相似性，尋找相同或相似的圖像源；

46、基于匹配結(jié)果，逆向追溯圖像首次出現(xiàn)的源頭或關(guān)鍵傳播節(jié)點(diǎn)，分析圖像的初始上傳時(shí)間、地點(diǎn)及上傳者信息；

47、分析圖像內(nèi)容，識(shí)別其中的對(duì)象、場(chǎng)景、文字等，結(jié)合上下文信息理解圖像的傳播語(yǔ)境和意圖；

48、應(yīng)用機(jī)器學(xué)習(xí)模型識(shí)別圖像傳播是否遵循特定的傳播路徑、是否與特定事件相關(guān)聯(lián)或隨著時(shí)間推移的流行趨勢(shì)，若存在上述特點(diǎn)，則生成反饋報(bào)告展示圖像傳播的路徑、變化點(diǎn)和關(guān)鍵節(jié)點(diǎn)。

49、優(yōu)選的，在步驟s5中，采用arima模型預(yù)測(cè)未來(lái)可能出現(xiàn)的偽造活動(dòng)的具體步驟：

50、統(tǒng)計(jì)偽造圖像的傳播趨勢(shì)、熱點(diǎn)區(qū)域、時(shí)間規(guī)律，并繪制繪制時(shí)序圖和自相關(guān)圖，觀察時(shí)間序列數(shù)據(jù)的平穩(wěn)性；

51、檢查數(shù)據(jù)是否為白噪聲，根據(jù)自相關(guān)函數(shù)acf和部分自相關(guān)函數(shù)pacf圖進(jìn)行模型定階，確定最佳的arima模型參數(shù)p，b，q；

52、根據(jù)定階結(jié)果，采用自回歸模型ar、移動(dòng)平均模型ma和差分i的組合建立arima模型，根據(jù)選定的模型進(jìn)行預(yù)測(cè)。

53、優(yōu)選的，自相關(guān)系數(shù)的數(shù)學(xué)公式如下所示：

54、

55、其中，ρ(t,s)是自相關(guān)系數(shù)，表示時(shí)間點(diǎn)t和時(shí)間點(diǎn)s之間的相關(guān)性；

56、γ(t,s)是時(shí)間序列{xt}的自協(xié)方差函數(shù)，用于衡量時(shí)間點(diǎn)t和時(shí)間點(diǎn)s之間的協(xié)方差；

57、dxt和dxs分別表示時(shí)間點(diǎn)t和時(shí)間點(diǎn)s的方差。

58、因此，本發(fā)明采用上述結(jié)構(gòu)的一種基于gans模型的圖像深度偽造追蹤溯源方法，具備以下有益效果：

59、本發(fā)明通過(guò)訓(xùn)練對(duì)抗性模型，能夠理解更復(fù)雜的圖像結(jié)構(gòu)和深層特征，因此在區(qū)分高度真實(shí)的偽造圖像方面更為精確。通過(guò)不斷學(xué)習(xí)對(duì)抗性生成過(guò)程，理論上能更好地適應(yīng)新型偽造技術(shù)，保持追蹤和溯源的有效性。

60、本發(fā)明能夠?qū)ｉT訓(xùn)練來(lái)識(shí)別這些由gans生成圖像特有的統(tǒng)計(jì)規(guī)律或生成模式，從而提高追蹤精度。利用自動(dòng)化學(xué)習(xí)框架，一旦模型訓(xùn)練完成，可以快速自動(dòng)處理大量圖像，提高追蹤和分析的效率。

61、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。