一种改进Faster R-CNN的图像篡改检测模型

随着人工智能的发展，数字图像被广泛应用于各大领域。然而，图像编辑软件的出现导致大量图像受到恶意篡改，严重影响了图像内容的真实性。图像篡改检测的研究不同于通用的目标检测，它需要更加关注图像本身的篡改信息，而这些信息表现形式往往比较微弱，所以检测时需要侧重于学习更丰富的篡改特征。提出一种结合梯度边缘信息和注意力机制的双流Faster R-CNN模型，可以实现不同篡改类型区域的检测定位。双流之一为原色流，利用注意力机制提取图像的表层特征，如亮度对比、篡改边界的视觉差异等。双流之二为梯度流，利用梯度高通滤波器增强真实区域与篡改区域之间的边缘异常特征，使模型更容易发现篡改图像中微弱的篡改痕迹。通过紧凑型双线性池化将原色流和梯度流的特征进行融合。由于公开可用的图像篡改数据集规模较小，基于PASCAL VOC 2012数据集创建了规模为10 000幅的图像篡改检测数据集，用于模型预训练。在COVER、COLUMBIA和CASIA数据集上的检测结果表明，所提模型的检测精度相比当前最好模型的提高了7.1%～9.6%,并在JPEG压缩和图像模糊攻击下表现出了更高的鲁棒性。