一种深度伪造指纹检测模型的版权保护方法、装置及介质
文献发布时间:2023-06-19 19:07:35
技术领域
本发明涉及一种深度伪造指纹检测模型的版权保护方法、装置及介质,属于AI安全技术领域。
背景技术
深度伪造指纹检测(深伪检测)模型作为伪造指纹检测技术在深度学习领域的突破性发展,该模型被广泛使用来解决现有基于指纹认证系统的缺陷。但是,得到一个深伪检测模型需要专业领域的知识、超强的算力和海量的指纹数据集。所以,对深度检测模型进行版权保护迫在眉睫。
目前,对有许多改进深伪检测模型性能的工作,但鲜有对该模型进行版权保护的方案。在对深度模型进行版权保护的方案中,在基于黑盒的模型水印方案中,利用触发集来验证版权。其中触发集的生成方法有:在原始数据集中添加一些补丁,在原始数据集中引入噪声,调整原始数据集的决策边界,或为原始数据集新的类别图片。例如:
(1)将特定的文本信息嵌入到图像中和将无意义的噪声作为构造触发集的方法,该方法能够通过简单的操作,使得深度模型能够轻易学习到触发集样本的触发标记,达到验证版权的目的,但也存在容易被攻击者通过查询修改攻击来导致触发集失效;
(2)通过FGSM对抗样本生成算法,找到该模型的决策边界,通过对抗训练操作生成触发集以调整分类决策边界。该触发集构造的方法优点是具有较好的验证精度,其缺点是会影响原有任务的精度;
(3)使用一组干净的图像作为触发样本来验证版权,通过在深度模型中嵌入一个额外的类别。该方案构造的触发集样本不易被攻击者察觉,但是,也为该模型引入了额外的训练任务。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种深度伪造指纹检测模型的版权保护方法、装置及介质,解决对深度伪造指纹检测模型进行版权保护的技术问题。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种深度伪造指纹检测模型的版权保护方法,包括:
获取预设数量的指纹图像,并对各指纹图像添加真实标签生成第一样本集;
将第一样本集按预设第一比例划分为第一子集和第二子集;
通过
将触发集和第二子集合并生成第二样本集;
通过第二样本集训练预构建的深度伪造指纹检测模型,获取具备版权保护的深度伪造指纹检测模型。
可选的,所述通过
将第一子集中的指纹图像和水印图像集中的水印图像均转换为RGB三通道形式;
获取RGB三通道形式的指纹图像中各像素的各通道灰度值,并将各像素的各通道灰度值转换为八位二进制数;
对RGB三通道形式的水印图像进行二值化处理,获取各像素的各通道的二值化结果;
将RGB三通道形式的指纹图像中各像素的各通道灰度值的二进制数的最低位替换为RGB三通道形式的水印图像中各像素的各通道二值化结果;
其中,所述第一子集中的指纹图像和水印图像集中的水印图像数量相等且尺寸统一。
可选的,所述通过第二样本集训练预构建的深度伪造指纹检测模型包括:
构建深度伪造指纹检测模型,并初始化模型参数、迭代次数
将第二样本集中的第
其中,
可选的,还包括:
获取怀疑模型;
将触发集中的指纹图像分别输入怀疑模型,获取怀疑模型预测标签;
根据各怀疑模型预测标签和相应指纹图像的真实标签计算准确度;
判断准确度是否大于预设阈值,若是,则怀疑模型为正版的深度伪造指纹检测模型,若否,则怀疑模型为盗版的深度伪造指纹检测模型。
第二方面,本发明提供了一种深度伪造指纹检测模型的版权保护装置,所述装置包括:
第一样本集模块,用于获取预设数量的指纹图像,并对各指纹图像添加真实标签生成第一样本集;
样本集划分模块,用于将第一样本集按预设第一比例划分为第一子集和第二子集;
触发集模块,用于通过
第二样本集模块,用于将触发集和第二子集合并生成第二样本集;
模型训练模块,用于通过第二样本集训练预构建的深度伪造指纹检测模型,获取具备版权保护的深度伪造指纹检测模型。
第三方面,本发明提供了一种深度伪造指纹检测模型的版权保护装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供的一种深度伪造指纹检测模型的版权保护方法、装置及介质,通过LSB隐写算法来为触发集嵌入隐形水印作为触发标记,将触发集加入深度伪造指纹检测模型的训练从而植入隐形后门,从而在深度伪造指纹检测模型的版权验证时,通过隐形后门进行验证;相比传统方案,本发明提出的触发集不会为深度伪造指纹检测模型引入新的类别,亦或是增加额外的训练任务,并且隐形后门具有很好的隐蔽性,不易被攻击者察觉。
附图说明
图1是本发明实施例一提供的一种深度伪造指纹检测模型的版权保护方法的流程图。
图2是本发明实施例一提供的隐形后门的植入过程示意图。
图3是本发明实施例一提供的通过第二样本集训练预构建的深度伪造指纹检测模型的流程图。
图4是本发明实施例一提供的深度伪造指纹检测模型的版权验证过程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图1-2所示,本发明实施例提供了一种深度伪造指纹检测模型的版权保护方法,包括以下步骤:
1、获取预设数量的指纹图像,并对各指纹图像添加真实标签(指纹真伪)生成第一样本集,记为
2、将第一样本集按预设第一比例划分为第一子集和第二子集,记为
3、通过
3.1、第一子集和水印图像集的表达式:
式中,
3.2、根据第一子集和水印图像集的表达式构建触发集的表达式:
式中,
具体过程为:
将第一子集中的指纹图像
获取RGB三通道形式的指纹图像
对RGB三通道形式的水印图像
将RGB三通道形式的指纹图像
其中,所述第一子集中的指纹图像和水印图像集中的水印图像数量相等且尺寸统一。
4、将触发集和第二子集合并生成第二样本集
5、通过第二样本集训练预构建的深度伪造指纹检测模型,获取具备版权保护的深度伪造指纹检测模型;如图3所示,具体包括:
S5.1、构建深度伪造指纹检测模型,并初始化模型参数、迭代次数
S5.2、将第二样本集中的第
S5.3、根据检测模型预测标签和第
S5.4、令
其中,
如图4所示,对疑似深度伪造指纹检测模型的怀疑模型进行版权验证,包括:
获取怀疑模型;
将触发集中的指纹图像分别输入怀疑模型,获取怀疑模型预测标签;
根据各怀疑模型预测标签和相应指纹图像的真实标签计算准确度;
式中,
判断准确度是否大于预设阈值,若是,则怀疑模型为正版的深度伪造指纹检测模型,若否,则怀疑模型为盗版的深度伪造指纹检测模型。
为了验证本实施例提出的一种深度伪造指纹检测模型的版权保护方法,采用指纹图像数据集来自于国际指纹活性检测(伪造指纹检测)竞赛LivDet 2017。该指纹图像数据集包含由3种传感器获取的指纹图像,制作加指纹的材料包括明胶、乳胶等材料。指纹图像数据集的图像被分成不重叠的两部分:训练集和测试集,分别用来训练和测试深度伪造指纹检测模型。指纹数据集的基本情况如表1所示。
表1 LivDet2017指纹数据集的介绍
触发集的构建:
步骤一:选取不同于训练集的额外材料中的指纹图像作为触发样本;
步骤二:对选取的触发样采用LSB隐写算法来嵌入秘密信息用来作为触发标记,生成的触发样本,并且不改变触发样本的真实标签;
上述的步骤二中的LSB最低有效位编码算法利用在RGB图像中,图像具有三个通道,分别为R(红),G(绿),B(蓝),这三个通道分别可以用大小相同的矩阵表示,矩阵中的值为0~255的十进制像素值,每一个灰度值都可以转化为一个8位的二进制数,每一位又可以组合成一个平面,可以分为8个平面。在该8个平面中最低位平面所携带的图像信息是最少,因此将秘密嵌入最低位平面上。
隐形后门的植入:选取resnet18作为深度伪造指纹检测模型的基础网络架构,通过将触发集与原始数据集联合训练的方式,使得触发集与深度伪造指纹检测模型建立强关联性,为深度伪造指纹检测模型植入隐形后门。植入的后门无法被人类肉眼所区分,因此具有很好的隐蔽性。
所有权验证:当发生版权纠纷时,模型所有者通过将触发集访问怀疑模型来获得的预测结果。当触发集的验证准确度大于设定的阈值(在本实施例中设置为0.8)时,则模型所有者可以判断该深度伪造指纹检测模型为盗版模型。为了验证植入的隐形后门能够有效验证模型的版权,对植入隐形后门前后的触发准确率继续了对比,并且对深伪检测模型的测试准确率也进行了对比。表2为实验结果。
表2 深伪检测模型的测试和触发准确率
通过对比第一列和第三列,我们可以看出伪造指纹的检测精度并没有因为引入版权保护算法而大幅度下降。第二列和第四列可以说明,在没有引入版权保护方法的时候,触发准确率并不高,因此并不能用来验证模型的版权,而当对深伪检测模型进行版权保护后,触发准确率高达100%,因此,可以通过触发准确率来体现方法的有效性。
实施例二:
本发明实施例提供了一种深度伪造指纹检测模型的版权保护装置,装置包括:
第一样本集模块,用于获取预设数量的指纹图像,并对各指纹图像添加真实标签生成第一样本集;
样本集划分模块,用于将第一样本集按预设第一比例划分为第一子集和第二子集;
触发集模块,用于通过
第二样本集模块,用于将触发集和第二子集合并生成第二样本集;
模型训练模块,用于通过第二样本集训练预构建的深度伪造指纹检测模型,获取具备版权保护的深度伪造指纹检测模型。
实施例三:
基于实施例一,本发明实施例提供了一种深度伪造指纹检测模型的版权保护装置,包括处理器及存储介质;
存储介质用于存储指令;
处理器用于根据指令进行操作以执行根据上述方法的步骤。
实施例四:
基于实施例一,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
- 活体检测模型的训练方法、检测方法、装置、介质及设备
- 一种基于对抗样本指纹的黑盒深度学习模型版权保护方法
- 深度伪造图像检测及模型训练方法、装置、设备、介质