胡永健 高逸飞 刘琲贝 廖广军

①(华南理工大学电子与信息学院 广州 510641)

②(中新国际联合研究院 广州 511356)

③(广东警官学院 广州 510230)

1 引言

在众多的生物特征中，人脸是最具有代表性的特征之一，可辨识度较高。因此，随着人脸识别技术的突飞猛进，人脸篡改所带来的安全威胁越来越大，特别是在手机高度流行和社交网络日益成熟的当代。虚假新闻、丑闻、名人色情视频以及报复性的色情视频在各种网络社区上涌出，困扰着从政治家、名人到普通民众，甚至威胁到国家安全。目前，有3种常见的假脸视频篡改技术[1]：Face2Face,Faceswap和Deepfakes[2]。Face2Face通过重建3维模型只对面部表情进行控制，而Faceswap和Deepfakes则将源视频中的整张人脸替换到目标视频中，基于传统计算机图形学方法的技术统称为Faceswap，而基于深度学习的技术统称为Deepfakes。Deepfakes主要利用深度学习中的深度卷积神经网络、自编码器(auto-encoder)和对抗生成网络(Generative Adversarial Networks, GANs)等技术，使网络可以学习到目标视频中更深层次的人脸特征，从而实现精准替换，并且能够匹配目标视频中人脸的动作和变化，达到较为理想的换脸效果。Deepfakes有时直接指利用深度网络换脸所得到的视频。

假脸视频对社会的威胁日益增加，引起了学术界和工业界的广泛关注，已经出现了一些相关研究，甚至出现针对换脸视频检测的国际大赛1)DeepFake Detection Challenge: < https://www.kaggle.com/c/deepfake-detection-challenge>。根据所使用的特征，现有的假脸视频检测技术大致分为3大类：基于传统手工特征、基于生物特征和基于神经网络提取特征。第1类方法主要借鉴了图像取证思想，对单帧图像进行分析，典型做法包括使用图像质量测度和主成分分析[2]以及使用局部二值模式(Local Binary Pattern, LBP)特征[3]。……