针对Deepfake假脸视频面部细节特征的提取算法源码+项目说明（毕设+论文）.zip

# 针对Deepfake假脸视频面部细节特征的提取算法 添加 **Spectrum特征输入SVM** 图像Real/Fake分类器，准确率达到99%； 添加深度学习网络 **ResNet+LSTM** 进行视频Real/Fake分类，准确率达到接近90%，实验有点过拟合。 ## 目录 - [x] [仓库说明](#一仓库说明) - [x] [工作计划](#二工作计划) - [x] [调研和资料分析](#三调研和资料分析) - [x] [学习特征提取](#四学习特征提取) - [x] [数据库预处理](#五数据库预处理) - [x] [Celeba PGGAN DFD 数据集特征提取](#六CelebaPGGANDFD数据集特征提取) - [x] [SVM 分类器分类](#七SVM分类器分类) - [x] [完成论文](#八完成论文) --- ## 一、仓库说明 ```bash . │ LICENSE # 许可说明 │ README.md # 简介 │ ├─References # 参考文献 ├─FeatureExtractionLearning # 学习特征提取 代码文件夹 ├─DatabasePreprocessing # 数据库预处理：图片提取人脸，视频分帧存图提取人脸 ├─DatabaseFeatureExtraction # 提取 Celeba PGGAN DFD 数据集人脸特征 代码文件夹 ├─SVM # 学习SVM分类器，分类器实现人脸判别 代码文件夹 ├─screenshots # 一些截图 └─Paper # 我的论文 ``` --- ## 二、工作计划 ### 1.数据库分配 学生 | 真脸 | GAN假脸数据库 | Deepfake数据库 -|-|-|- JYT | FFHQ(0-35000) | styleGAN2 | TIMIT XJ | Celeba(train) | styleGAN | DFDC ZS | FFHQ(35001-70000) | starGAN | faceforensic PY | Celeba(validation,test) | PGGAN | DeepfakeDetection Celeba(validation,test)，PGGAN，DeepfakeDetection 数据，百度云链接：链接：https://pan.baidu.com/s/1zjONBZZgDypsGqkUP2Aeww?pwd=3e07 提取码：3e07 ### 2.特征分配 学生 | 特征 -|- JYT | 1、局部二值模式LBP 2、方向梯度直方图HOG 3、SRM残差图像 XJ | 1、共生矩阵 2、光流场 3、LPQ特征 ZS | 1、直方图/共生矩阵 2、拉普拉斯变换均方差 3、小波变换频率直方图 PY | 1、颜色直方图 2、Surf 3、错误级别分析（Error level analysis，ELA） ### 3.工作计划 起止时间 | 工作内容 | 备注 -|-|- 2020.01-2020.02 | 调研和资料分析 | 2020.01-2020.02 | 数据库预处理 | 视频分帧、人脸提取及定位 2020.02-2020.03 | 提取人脸特征、检测GAN真假脸图像差异 | 隐写分析特征或者图像篡改特征 2020.03-2020.04 | Deepfake换脸视频检测算法实现 | SVM分类器等不同分类器 2020.04-2020.05 | 完成毕业论文 | --- ## 三、调研和资料分析 ### 1.参考文献 [[1] Generative Adversarial Networks](https://arxiv.org/pdf/1406.2661.pdf) [[2] Deepfake Video Detection through Optical Flow Based CNN](openaccess.thecvf.com/content_ICCVW_2019/papers/HBU/Amerini_Deepfake_Video_Detection_through_Optical_Flow_Based_CNN_ICCVW_2019_paper.pdf) [[3] Exposing deep fakes using inconsistent head poses](https://arxiv.org/pdf/1811.00661.pdf) [[4] Exposing GAN-synthesized Faces Using Landmark Locations](https://arxiv.org/pdf/1904.00167.pdf) [[5] Perceptual Judgments to Detect ComputerGenerated Forged Faces in Social Media](https://kopernio.com/viewer?doi=10.1007/978-3-030-20984-1_4&token=WzE3MDUwMzYsIjEwLjEwMDcvOTc4LTMtMDMwLTIwOTg0LTFfNCJd.EPCnRwtIa113H6qoV-aTHHQoOOs) …… 详见文件夹： [./Preparation](./Preparation) ### 2.我自己的中文翻译 详见文件夹： [./Preparation](./Preparation) ### 3.Python学习和人脸检测学习 我的 Python 学习笔记： https://github.com/Allenem/GitHubNoteBook#python OpenCV，dlib，face_recognition 实现人脸检测，标志检测等实验小测试： https://github.com/Allenem/PyTest --- ## 四、学习特征提取 ### 1、颜色直方图 >学习参考： >https://blog.csdn.net/wsp_1138886114/article/details/80660014 >https://www.jianshu.com/p/38da7d6cb89d >https://blog.csdn.net/u010454030/article/details/80312809 >https://blog.csdn.net/qq_43443531/article/details/93043212 >https://www.jianshu.com/p/bd12c4273d7d #### 1.1 matplotlib画图像变色问题 在使用opencv配合jupyter notebook调试，其中常常使用matplotlib来显示图像 ```py import cv2 import numpy as np import matplotlib.pyplot as plt image = cv2.imread("image.jpg") # 后面的方法都从此处开始更改 plt.subplot(),plt.imshow(image),plt.title('Input') plt.show() ``` 但是在实际使用过程中，我们会发现plt.imshow()后出现的图形变成了负片，这是因为cv2.imshow()与plt.imshow()的通道顺序不同产生的，前者BGR，后者RGB。 解决方法一： ```py b, g, r = cv2.split(image) image_new = cv2.merge([r, g, b]) plt.subplot(),plt.imshow(image_new),plt.title('Input') plt.show() ``` 解决方法二： ```py image_new = np.flip(original_img,axis = 2) plt.subplot(),plt.imshow(image_new),plt.title('Input') plt.show() ``` 解决方法三： ```py image_new = image[:,:,::-1] plt.subplot(),plt.imshow(image_new),plt.title('Input') plt.show() ``` 当然cv2自己显示没有问题，它的颜色顺序是BGR ```py import cv2 import numpy as np image = cv2.imread("image.jpg") cv2.imshow("Img", image) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 1.2 histogram.py 和 histogram3lines.py 效果图   ### 2、Surf >学习参考： >https://blog.csdn.net/qq_37764129/article/details/80969515 >https://blog.csdn.net/Allyli0022/article/details/87010050 >https://www.jianshu.com/p/14b92d3fd6f8 >https://blog.csdn.net/ssw_1990/article/details/72789873 #### 2.1 SURF简介 [SURF论文](https://www.vision.ee.ethz.ch/~surf/eccv06.pdf) [OpenCV-python-Tutorial](https://docs.opencv.org/3.1.0/df/dd2/tutorial_py_surf_intro.html) [OpenCV-python-Tutorial中文解释](https://blog.csdn.net/yukinoai/article/details/88914269) `SURF(Speeded Up Robust Features)` 加速鲁棒特征。正如其名，它是加速版本的 `SIFT(Scale-invariant feature transform)` 尺度不变特征转换。 它善于处理具有模糊和旋转的图像，但是不善于处理视角变化和光照变化。在SIFT中使用高斯微分 `DoG(Difference of Gaussian)` 对高斯拉普拉斯算子 `LoG(Laplacian of Gaussian)` 进行近似，而在SURF中使用盒子滤波器 `Box Filter` 对 `LoG` 进行近似，这样就可以使用积分图像了（计算图像中某个窗口内所有像素和时，计算量的大小与窗口大小无关）。总之，SURF最大的特点在于采用了 **Haar特征** 以及 **积分图像** 的概念，大大加快了程序的运行效率。 #### 2.2 SURF小实验和效果图 **① 创建一个SURF对象** `cv2.xfeatures2d.SURF_create(, hessianThreshold, nOctaves, nOctaveLayers, extended, upright)` - hessianThreshold：默认100，关键点检测的阈值，越高监测的点越少 - nOctaves：默认4，金字塔组数 - nOctaveLayers：默认3，每组金子塔的层数 - extended：默认False，扩展描述符标志，True表示使用扩展的128个元素描述符，False表示使用64个元素描述符。 - upright：默认False，垂直向上或旋转的特征标志，True表示不计算特征的方向，False-计算方向。 之后也可以通过类似getHessianThreshold()，setHessianThreshold()等函数来获取或修改上述参数值，例如 `surf.setHessianThreshold(True)` 表示将HessianThreshold参数修改为True。 **② 绘制特征点** `cv2.drawKeypoint(image, keypoints, outImage, color, flags)` 或： `outImage = cv2.drawKeypoint(image, keypoints, None, color, flags)` - image：输入图像 - keypoints：上面获取的特