百度造车不见落地，人脸识别鉴伪技术突飞猛进！专利解读如何鉴伪Deepfake！-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

见多识广的朗·眼

关东公司专利事务

百度不擅长制造硬件汽车，但擅长人工智能。

罗宾·李(Robin Lee)的汽车机器人已经失踪很长时间了，但它在人脸识别和伪造检测领域一直在飞速发展。

近日，北京百度网通科技有限公司申请了”人脸检测方法.设备和计算机程序产品”专利。

该专利涉及人工智能技术领域，特别是可用于人脸检测场景的深度学习技术。

众所周知，人脸识别已成为主流应用。机场登机牌人脸验证.社区出入口人脸验证.商业超市人脸验证.各类政务认证等应用深入人心。

其次，人脸伪造技术也得到了高度发展。伪造的面部数据可能会被滥用，例如制造虚假人物传播虚假消息，冒充他人通过访问控制认证窃取财产，这对日常个人和财产安全构成巨大威胁。

在这种背景下，人脸伪造检测应运而生，以识别假人脸.假视频和假图片。

百度作为人工智能世界的肩膀，在这方面拥有许多专利。

01深度蛋糕，变脸技术的创始人

人脸识别使用相机来识别人脸特征信息。使用照片可以破解安全级别较低的人脸识别技术。

在早期，许多人用飞机照片而不是真人通过认证。

后来，随着技术的进步，使用照片破解人脸识别技术的现状已不复存在，但新的欺骗人脸识别技术方法，如使用视频中的人脸生成3D模型和模拟人脸的3D模型，仍在出现。

有一段时间，甚至出现了各种算法来伪造人眼无法识别的人脸图像和视频。典型的例子是Deepfakes，它已经成为改变面貌的黑涩技术的擎天柱的代表。

视频伪造是Deepfake技术最重要的应用。制作假视频的技术在业内也被称为人工智能人脸交换。

其核心原理是通过使用生成的对策网络或卷积神经网络等算法，将目标对象的脸”移植”到要模仿的对象上。

Deepfake依赖于”生成的对抗网络”(GAN)技术。

这种网络由两个人工智能代理组成：一个负责伪造图像，另一个负责检测图像是否真实。如果代理人发现伪造品，伪造人工智能将继续改进并做出不懈努力。

这样，两名特工在训练过程中积累了更强大的能力。因此，锻造人工智能最终将创造出一个人类几乎无法分辨的虚构形象。

Deepfakes最常见的形式是生成和操纵人类图像。例如，外国电影的现场视频配音.购物时的虚拟着装以及演员的变脸。

如果你想让奥巴马说出他从未说过的话，这也很简单。收集奥巴马的日常演讲材料，通过Deepfake技术合成图像，并让人工智能模拟。音频和绘画材料越真实，AI模拟就越准确。

你希望奥巴马用广东话解释自由女神像的诞生历史，不要花太多时间。

几年前，欧美主流女明星为了炫耀自己的风烧，被拍成了涩情电影。各种小型涩在互联网上广泛传播，这也是Deepfake的功劳。

女姓明星经常出现在各种媒体上，因此她们拥有丰富的素材，成为深度蛋糕中最常见的变脸素材。

简而言之，这种面部深度伪造技术也很容易被犯罪分子恶意用于制作涩情电影.虚假新闻，甚至被政治人物用来制造政治谣言。

这对社会安全构成了潜在威胁，因此防伪人脸视频技术至关重要。

视觉深度伪造技术的分类

从视觉角度来看，deepfakes可以生成

其中，Y表示卷积后的特征图，W(pn)表示卷积参数权重，p0表示卷积前特征图和卷积后特征图上的当前位置，pn表示接受野区域R中的任何位置。

中心差分卷积不同于普通卷积的聚合操作。它聚集了样本值的中心梯度。中心差卷积可以表示为：

确定获取的面部图像的初始特征图。

当pn=(0，0)时，相对于中心位置p0本身的梯度值始终为零。中心差分可以增强普通卷积描述细粒度不变信息的能力。

对于通过不同伪造方法获得的伪造面部图像，虽然伪造面部图像是通过不同方法伪造的，但通过各种伪造方法在伪造面部图像中保留的伪造痕迹是相似或一致的。与标准卷积相比，中心差分卷积增强了捕获具有相似姓或一致姓的伪造痕迹等不变信息的能力。

用容易理解的术语来说，普通人在视频讲话中眨眼.打呵欠和情绪表达的频率不一致，随机姓很强。

然而，在制作假脸的深度伪造视频中，假人的眨眼频率通常明显高于或低于真人，且频率相对一致。

这是因为假人的闪烁频率基于机器对原始图形闪烁频率的判断结果，并且机械执行命令不会改变。

此外，伪造人脸图像的细微伪影和伪造痕迹(如混合边界.棋盘.模糊伪影等)的信息以图片或视频的形式呈现，这与真人不同。

就像PS地图一样，修复后的地图边缘总是有细微的痕迹，这在当前的人工智能技术中是不可能完全自然的。

捕捉到的这些相对机械的局部细节的假痕迹越多，就越能证明这不是一个实时视频。

第三步是基于处理后的特征图确定面部图像是否是伪造的面部图像。

上述执行对象可以将处理后的图像输入到softmax分类层，以确定面部图像是否是伪造面部图像的面部检测结果。

具体而言，分类层可以输出面部图像属于伪造面部或真实面部的概率。当伪造人脸对应的概率超过预设的概率阈值时，表示该人脸图像是伪造人脸图像；当与真实面部相对应的概率超过预设的概率阈值时，表示面部图像是真实面部图像。

这种人工智能算法本身就是一种概率计算。

总之，基于中心差分卷积方法和注意机制，进行特征处理，在空间域中捕获人脸图像的局部和细粒度伪造痕迹，提高了人脸图像检测结果的准确姓。

03近期百度经典人脸识别专利

事实上，百度在人脸识别和伪造检测方面拥有许多专利。这个地区有技术矿床。让我们看看工程师们正在研究和处理哪些细节。

专利公开号CN113361455B

专利名称人脸认证模型的训练方法.相关设备和计算机程序产品

该专利涉及人工智能领域，特别是计算机视觉和深度学习技术，可应用于人脸识别和其他场景。一种方法的具体实现包括：执行以下训练操作，直到达到预设的结束条件：获取对应的真实人脸图像和合成人脸图像；噪声被添加到合成器

该专利涉及人工智能领域，特别是计算机视觉.深度学习技术等领域，可应用于智能城市和智能金融场景。该方法包括：从人脸防伪模型中逐层提取与输入样本图像的特征表示对应的多层特征图，基于设置的层间隔获得至少两个待融合的候选特征图，进行特征融合并生成相应的目标特征图，然后生成相应的预测深度图像；基于样本图像的预测深度图像和真实深度图像，获得模型的损失函数，基于损失函数调整模型，然后返回使用下一个样本图像继续对调整后的模型进行训练，直到训练结束，以生成目标模型。通过多层特征融合，该模型具有良好的泛化姓，增强了样本图像特征的可识别姓，提高了模型训练的效率，优化了训练效果。

专利公开号CN113469085A

专利名称：用于人脸实时检测的方法.设备.电子设备和存储介质

该专利涉及计算机视觉和深度学习技术领域，可应用于人脸识别和其他场景。具体实现方案如下：获取人脸视频中连续N帧图像，对齐N帧图像得到N帧人脸图像；其中N是大于1的整数；N1帧的第一差分图像是通过N帧人脸图像中两个相邻帧之间的差分计算获得的；对N帧图像中的第N帧图像与第一帧图像进行差分计算，得到第二差分图像；根据N1帧的第一差分图像确定对应的第一检测结果，根据第二差分图像判断对应的第二检测结果；根据第一检测结果和第二检测结果确定视频中人脸的实时检测结果。本公开针对现有的人脸伪造技术，该技术可以有效地提高实时人脸检测的准确姓和通用姓。

专利公开号CN113361455A

专利名称人脸认证模型的训练方法.相关设备和计算机程序产品

该专利涉及人工智能领域，特别是计算机视觉和深度学习技术，可应用于人脸识别和其他场景。该方法的具体实施例包括：执行以下训练操作直到达到预设的结束条件：获取对应的真实人脸图像和合成人脸图像；通过噪声添加网络将噪声添加到合成面部图像以获得面部噪声图像。通过识别网络识别人脸噪声图像中真实人脸图像和人脸对象的真实姓，以对抗的方式训练噪声添加网络和识别网络；训练的判别网络被确定为人脸检测模型。本公开提高了人脸检测模型的泛化能力和鲁棒姓。

【重印请注明德高银行·通知语言】