基于頻域水印的人臉圖像竄改檢測認證方法

收稿日期：2022-05-05；修回日期：2022-06-20" 基金項目：國家自然科學基金面上項目（61972092）；鄭州市協(xié)同創(chuàng)新重大專項（20XTZX06013）

作者簡介：李書領（1996-），男，山東菏澤人，碩士研究生，主要研究方向為數(shù)字圖像水印、圖像竄改檢測；魏君飛（1987-），男，河南鄭州人，高級工程師，主要研究方向為嵌入式系統(tǒng)；莊巖（1983-），男，河南鄭州人，碩導，博士，主要研究方向為計算機系統(tǒng)結構安全、人工智能安全等；曹仰杰（1976-），男（通信作者），河南鄭州人，副教授，碩導，主要研究方向為機器學習與視覺計算、高性能計算（caoyj@zzu.edu.cn）；李頡（1959-），男，江蘇蘇州人，教授，博導，主要研究方向為大數(shù)據(jù)與人工智能、區(qū)塊鏈；任紅軍（1967-），男，河南信陽人，高級工程師，碩導，主要研究方向為智能傳感器、物聯(lián)網(wǎng)．

摘 要：以DeepFake為代表的AI換臉技術為人們的生活帶來諸多負面影響，現(xiàn)有的人臉竄改檢測算法魯棒性較弱，缺乏可解釋性。針對這一問題提出一種離散小波變換（DWT）、離散余弦變換（DCT）、奇異值分解（SVD）相結合的人臉頻域水印算法（face frequency-domain watermarking，F(xiàn)ace-FW），通過提取圖像人臉特征并壓縮加密生成二值水印嵌入圖像頻域以達到檢測人臉竄改、認證原人臉歸屬人的目的，同時提出動態(tài)特征融合算法以降低Face-FW適用范圍。選取人臉圖像標準數(shù)據(jù)集CASIA-FaceV5和IMDB-WIKI部分圖像嵌入水印并竄改人臉生成測試集CASIA-DF和IMDB-DF。實驗結果表明，F(xiàn)ace-FW在兩個測試集上分別有97.6%和96.9%的檢測竄改成功率，優(yōu)于對比方法，并且算法能夠根據(jù)非特征融合水印提供人臉認證，具有較強的魯棒性和可解釋性。

關鍵詞：人臉竄改檢測；人臉認證；頻域水印；特征融合；特征壓縮加密

中圖分類號：TP391"" 文獻標志碼：A

文章編號：1001-3695（2022）12-040-3776-05

doi：10.19734/j.issn.1001-3695.2022.05.0205

Forgery detection and authentication for face image using

frequency domain watermarking

Li Shuling1，Wei Junfei2，Zhuang Yan1，Cao Yangjie1，Li Jie1，3，Ren Hongjun2

（1.School of Cyber Science amp; Engineering，Zhengzhou University，Zhengzhou 450001，China；2.Hanwei Electronics Group Corporation，Zhengzhou 450001，China；3.Dept.of Computer Science amp; Engineering，Shanghai Jiao Tong University，Shanghai 200030，China）

Abstract：AI face-swapping technologies，such as DeepFake，bring negative effects in daily life.However，existing face forgery detection algorithms have weak robustness and lack interpretable ability.Aiming at the above problems，this paper proposed a face frequency-domain watermarking algorithm （Face-FW） which combined discrete wavelet transform （DWT），discrete cosine transform （DCT） and single value decomposition （SVD）.To detect face forgery and verify the attribution of the original face，the algorithm extracted face features from a face image，and then compressed and encrypted them into a binary watermarking.Finally，F(xiàn)ace-FW embedded the generated watermarking to frequency domain of the image.At the same time，the algorithm used a dynamic feature fusion algorithm to broaden the scope of applications.This paper generated test sets CASIA-DF and IMDB-DF by embedding watermarking meanwhile tampering the faces in the selected standard face image datasets CASIA-FaceV5 and IMDB-WIKI.Experimental results demonstrate that Face-FW reaches detection success rates of 97.6% and 96.9% on the test sets respectively and achieves a better performance than compared methods.Moreover，the algorithm can provide face authentication for face images according to the non-integrated watermarking，showing strong robustness and interpretability.

Key words：face forgery detection；face authentication；frequency domain watermarking；feature fusion；feature compression and encryption

0 引言

近年來，以DeepFake為代表的AI換臉技術蓬勃發(fā)展，換臉效果愈發(fā)逼真且實現(xiàn)成本低廉。這些技術的發(fā)展為現(xiàn)代生活帶來了許多改變。一方面換臉技術在各行各業(yè)的應用具有積極作用，如將其應用于在線會議實時換臉，可以避免隱私泄露；用于醫(yī)學領域中人臉數(shù)據(jù)脫敏處理，在共享資源的同時更好地保護個人隱私［1］；除此之外也可用于電影創(chuàng)造虛擬形象，推動娛樂產(chǎn)業(yè)發(fā)展［2］。另一方面，網(wǎng)絡中存在換臉的圖像數(shù)量與日俱增，眼見未必為實，惡意制造公眾人物的造假圖像，可能會引發(fā)社會信任危機。因此，人臉竄改檢測變得尤為重要。隨著網(wǎng)絡模型的不斷完善以及計算機硬件性能的提升，換臉效果愈發(fā)逼真，對人臉竄改的檢測也愈發(fā)困難。人臉圖像竄改檢測主要通過基于深度學習和基于數(shù)字水印的方法實現(xiàn)。前者利用深度神經(jīng)網(wǎng)絡提取竄改人臉圖像的特征并加以學習，從而檢測人臉圖像是否被竄改；后者利用數(shù)字水印檢測并定位改動區(qū)域，以此達到檢測人臉是否被竄改的目的。

基于深度學習的人臉圖像竄改檢測方法主要學習兩種類型的特征以檢測圖像中人臉真?zhèn)?。第一種為手工特征如視覺偽影，第二種為基于學習的特征如圖像頻域等抽象特征。該類算法利用深度學習檢測DeepFake更換人臉過程中所留下的痕跡，以判斷人臉真?zhèn)巍Ｎ墨I［3］提出基于卷積神經(jīng)網(wǎng)絡的檢測方法，在基礎的EfficientNetB4網(wǎng)絡中引入注意力機制以及孿生網(wǎng)絡從而生成多個訓練模型，通過集成多個模型提高檢測成功率。文獻［4］觀察到DeepFake換臉流程中生成人臉之后存在貼回原圖中這一步驟，提出Face X-ray，通過尋找不同源圖像的邊界以判斷人臉是否被竄改。該方法具有較強的泛化能力，但對于使用生成式對抗網(wǎng)絡（generative adversarial network，GAN）生成的整張人臉圖像難以鑒定真?zhèn)巍Ｎ墨I［5］通過引入領域對抗分支使得模型能夠提取到魯棒性更強的虛假人臉特征，以提升模型的魯棒性。文獻［6］觀察到生成人臉的上采樣過程中，累計上采樣對頻域的改變較大，尤其是在相位圖中更加明顯，利用這一特征檢測圖像是否換臉，具有較強的邏輯性與可解釋性。上述方法在測試數(shù)據(jù)集中均取得不錯的效果，但在圖像壓縮等真實場景下檢測能力較弱，且對于未知的人臉竄改算法生成的人臉檢測成功率有待提升。目前針對人臉竄改檢測算法遷移性問題，主要的解決方法是將新算法生成的偽造人臉圖像加入數(shù)據(jù)集中重新訓練模型［7，8］，讓模型學習到新的偽造人臉特征以提升其魯棒性，該方法依賴于高質量的訓練集。

現(xiàn)有基于深度學習的人臉竄改檢測方法大多關注一到兩個造假人臉特征。隨著人臉造假技術的發(fā)展，生成造假人臉的方法更加多樣，基于深度學習的檢測方法難以對所有造假方法生效，且分類器容易受到對抗噪聲的干擾［9］，魯棒性較弱，網(wǎng)絡模型提取到的抽象特征人腦難以理解，缺乏可解釋性，這是目前基于深度學習的檢測方法面臨的挑戰(zhàn)。

作為數(shù)字水印的一種，脆弱水印對圖形變換和修改具有一定的敏感性，這一特性被廣泛應用于圖像完整性檢測。其中最低有效位（least significant bit，LSB）［10］算法借助于圖像的位平面表示形式，監(jiān)測竄改圖像信息對最低位面水印的影響，從而定位竄改位置。該算法對于部分修改有較好的可視化效果，并且水印對原圖質量影響較小，但算法魯棒性較弱，易受到攻擊。文獻［11］提出基于脆弱水印的圖像精確認證算法，在保證系統(tǒng)安全性的同時有效提高了竄改定位的精度。文獻［12］將人臉特征存入條形碼，將條形碼以水印的方式嵌入原圖。受限于條形碼的信息容量以及人臉特征的復雜程度，該算法難以嵌入包含多張人臉的水印信息。

現(xiàn)有的基于水印的竄改檢測大多利用數(shù)字水印檢測并定位竄改區(qū)域，此類方法可達到檢測竄改人臉的目的，且檢測結果更為直觀，可解釋性強，但在較為復雜的情況如JPEG壓縮、噪聲攻擊，水印質量會受到影響，難以根據(jù)水印檢測人臉是否竄改，魯棒性較弱。

基于上述討論，本文提出一種人臉頻域水印算法（face frequency-domain watermarking，F(xiàn)ace-FW）。Face-FW采用動態(tài)特征融合算法處理人臉特征，根據(jù)圖像質量以及圖像中人臉個數(shù)動態(tài)決定是否融合人臉特征，處理過的特征經(jīng)壓縮加密并編碼為二值水印嵌入圖像頻域。對比水印中特征和圖像中人臉特征計算余弦相似度，以判別人臉信息是否被竄改。對于采用非融合人臉特征的圖像，F(xiàn)ace-FW也可以認證人臉，即使惡意遮擋或竄改圖像中的人臉也可根據(jù)其他圖像提取人臉特征認證以判定原人臉信息的歸屬人。

1 人臉頻域水印算法

Face-FW包括水印嵌入和人臉竄改檢測認證兩部分。使用離散小波變換（discrete wavelet transform，DWT）、離散余弦變換（discrete cosine transform，DCT）、奇異值分解（singular value decomposition，SVD）相結合的頻域水印方法將壓縮加密后的人臉特征編碼為二維碼水印并嵌入原圖。人臉竄改如DeepFake換臉或者PS竄改人臉都會破壞水印圖像中原有人臉特征，當水印和圖像人臉特征相似度低于閾值，則認為人臉被竄改。如生成水印過程中未融合特征，根據(jù)提取水印中的人臉特征不僅可以檢驗圖像中的人臉是否被竄改，還可認證被竄改或惡意遮擋人臉圖像的原有人臉，判斷原人臉歸屬人。

1.1 人臉頻域水印嵌入

人臉頻域水印的生成嵌入過程如圖1所示，提取原圖的人臉特征，壓縮加密人臉特征以減少水印存儲特征所需空間開銷，將處理過的特征編碼為二維碼并最終嵌入圖像頻域。采用MTCNN［13］和FaceNet［14］ 提取人臉特征，得到128位數(shù)字人臉特征向量。MTCNN是中國科學院深圳研究院提出的人臉檢測算法，該模型主要采用了三個級聯(lián)的網(wǎng)絡和候選框加分類器的思想，實現(xiàn)快速且高效的人臉檢測。FaceNet是谷歌提出的人臉識別算法，該網(wǎng)絡可以通過CNN將人臉映射為特征向量，使用FaceNet將MTCNN截取到的人臉轉換為特征向量。

FaceNet提取到的128位數(shù)字人臉特征向量取值為［-1，1］，直接根據(jù)特征向量生成水印并嵌入圖像對原圖質量有較高的要求，難以將該水印嵌入低質量圖像。本文算法利用圖像頻域嵌入水印，較多的像素點才能嵌入更多的信息。為解決該問題，本文提出人臉特征壓縮加密算法。將ASCII碼中95個可見字符打亂其原本順序作為密碼本。對于單人臉圖像，將提取的128位人臉特征X0=（x0，0，x0，1，x0，2，…，x0，127）中的每一位數(shù)字xi，j放縮到0～94并四舍五入為整數(shù)，根據(jù)設定的密碼本，使得每一位整數(shù)都映射為可見字符yi，j。

yi，j=E［R（（xi，j+1）×94）］（1）

其中：E表示根據(jù)下標獲取密碼本中對應的字符；R表示四舍五入；i，j表示第i個向量的第j個元素；xi，j∈［-1，1］；yi，j為密碼本中的可見字符，j∈［0，127］。最終生成字符人臉特征向量Y0= （y0，0，y0，1，y0，2，…，y0，127）。將數(shù)字壓縮為可見字符以減少存儲特征所需的空間開銷。多人臉圖像采用動態(tài)特征融合算法處理特征后再壓縮加密，方法如下：分別將提取的n張人臉得到的數(shù)字矩陣X=（X0，X1，X2，…，Xn-1）（其中Xi=（xi，0，xi，1，xi，2，…，xi，127））壓縮加密為字符向量Yi=（yi，0，yi，1，yi，2，…，yi，127），如式（1）所示，合并Yi得字符矩陣Y=（Y0，Y1，Y2，…，Yn-1）。若根據(jù)壓縮加密后特征生成水印仍大于原圖所能嵌入的最大水印，則融合人臉特征以進一步減少存儲開銷。將n個數(shù)字特征向量xi，j按位相加后取余以控制其元素數(shù)值范圍，最終映射為字符向量Y=（y0，y1，y2，…，y127）如下所示：

yj=E［R（（（∑ni=1（xi，j+1））%2）×942）］（2）

其中：yj為密碼本中的可見字符。進一步減少所生成的特征水印大小。最終將壓縮加密后的字符人臉特征向量編碼為二維碼水印，如不使用特征融合算法生成的生成水印大小和向量個數(shù)的對應關系，如表1所示。

使用特征融合算法壓縮人臉生成水印的大小均為43×43。使用DWT和DCT相結合的方法嵌入水印，對常規(guī)的圖像處理和噪聲干擾具有明顯改善的魯棒性［15］，SVD旋轉不變性使得含水印的圖像遭受到旋轉攻擊后依然能夠很好地提取水?。?6］。最終結合上述方法嵌入水印，生成水印圖像，具體流程如下：

a）將水印逐行展開并使用隨機種子I打亂其順序得到向量W=（w0，w1，w2，…，wm-1）。

b）對原圖做DWT變換得到四個子帶圖像，分別為低頻子帶LL、水平方向細節(jié)子帶HL、垂直方向細節(jié)子帶LH以及對角線方向細節(jié)子帶HH，低頻子帶LL不易受噪聲等外界因素干擾，是水印嵌入的理想?yún)^(qū)域。

c）選取低頻子帶LL分割為n個4×4大小的子塊Ai（i∈［0，n-1］），對每個子塊做DCT變換得到Bi。

d）將Bi進行SVD分解Bi=UiSiViT得到對角矩陣Si=diag（σi，0，σi，1，σi，2，σi，3），根據(jù)wi%m修改σi，0得到σ′i，0，公式為

σ′i，0=σi，0-σi，0%b+3b/4wi%m=255

σi，0-σi，0%b+b/4wi%m=0（3）

其中：b值過大會導致圖像失真嚴重，b值過小水印魯棒性較弱。選取b為32得到嵌入水印值wi%m的對角矩陣S′i=diag（σ′i，0，σi，1，σi，2，σi，3）。

e）B′i=UiS′iViT獲得嵌入水印值的DCT矩陣，使用DCT逆變換將B′i變?yōu)锳′i，并按照步驟c）分割順序還原得到LL′。

f）對LL′和步驟b）中得到的HL、LH、HH做DWT逆變換，得到嵌入完整水印的圖像。

1.2 人臉竄改檢測認證

人臉竄改檢測根據(jù)水印提取算法得到二值水印，解碼得到字符向量并解壓為數(shù)字特征向量，比較該特征向量與圖像人臉相似度以判斷人臉是否被竄改，相似度判斷流程如圖2所示。

提取水印過程如下：

a）根據(jù)水印圖像中人臉個數(shù)以及圖像質量判定水印生成過程中是否融合特征，若用到特征融合則水印大小為43×43，否則參照表1，根據(jù)水印大小確定水印展開元后元素個數(shù)m。

b）對水印圖像做DWT變換，得到低頻子帶LL*分割為4×4大小的子塊，對每一個子塊做DCT變換得到對應子塊的DCT矩陣B*i，對矩陣B*i進行SVD分解得到對角矩陣S*i=diag（σ*i，0，σ*i，1，σ*i，2，σ*i，3）。

c）根據(jù)σ*i，0獲取得到w*i并生成W′=（w′0，w′1，…，w′m-1），公式如下所示：

w*i=255σ*i，0-σ*i，0%b≥b/2

0σ*i，0-σ*i，0%b＜b/2（4）

w′j=∑i% m=j，ilt;nw*i∑i%m=j，ilt;n1（5）

其中：i∈［0，n-1］，j∈［0，m-1］，根據(jù)隨機種子I和W中元素個數(shù)m還原為二維碼水印。

解碼二維碼水印得到字符矩陣Y*，根據(jù)密碼本轉換字符為數(shù)字，得到數(shù)字矩陣X*，公式如下所示：

x*i，j =E.index（y*i，j ）×294-1（6）

其中：E.index表示查找密碼本對應字符的下標。提取水印圖像人臉并生成矩陣X*，若水印中為非融合特征則計算水印中人臉X*i和提取到的水印圖像中的人臉特征向量Xi余弦相似度公式如下：

simi=∑127j=0（xi，j ×x*i，j）∑127j=0（xi，j）2×∑127j=0（x*i，j）2（7）

也可提取其他圖像中的人臉特征認證水印圖像，若為融合特征則融合水印圖像中的人臉特征并計算相似度。對于單人臉圖像，可直接計算水印圖像中特征和從水印中特征的余弦相似度以判別圖像人臉區(qū)域是否被竄改，如圖3所示。也可根據(jù)其他圖像認證人臉圖像的歸屬人，如圖4所示，矩形框表示人臉未竄改或認證通過，橢圓形框表示人臉竄改或認證不通過。對于多人臉圖像，若水印中為非融合特征，可將特征分解后逐一驗證人臉是否被竄改，結果如圖5所示，并可根據(jù)特征向量認證原人臉信息歸屬人。若水印中為融合特征，由于特征融合過程中存在取余操作，該操作不可逆，無法還原為多個特征向量，故僅可判斷圖像中人臉區(qū)域是否被竄改，無法精確定位竄改位置檢測結果，結果如圖6所示。

2 實驗結果及分析

選取CASIA-FaceV5和IMDB-WIKI數(shù)據(jù)集中各1 000張圖像。CASIA-FaceV5數(shù)據(jù)集中的圖像包含一張亞洲人臉，圖像的分辨率為640×480，人臉大小占全圖比例較小；IMDB-WIKI數(shù)據(jù)集中圖像場景更加復雜，所選取圖像人臉個數(shù)為1～10不等，且圖像分辨率和人臉占比大小均不固定。對于選自兩個數(shù)據(jù)集的圖像添加人臉頻域水印分別構建水印數(shù)據(jù)集CASIA-FW和IMDB-FW，并竄改人臉生成偽造人臉數(shù)據(jù)集CASIA-DF和IMDB-DF。本文分別探究了噪聲、幾何形變以及特征壓縮對水印特征提取的影響，添加水印和特征壓縮對人臉相似度判別的誤差，水印算法的不可見性，以及該算法對于被竄改人臉的檢測能力。

2.1 水印魯棒性分析

將CASIA-FW和IMDB-FW圖像分別在椒鹽噪聲、高斯噪聲、乘性噪聲、JPEG壓縮以及常見的幾何變換如亮度變化、裁剪旋轉等場景下，測試提取水印中的人臉特征的成功率。本算法使用二維碼作為特征載體，攻擊方添加噪聲、壓縮、幾何變換都有可能導致圖像無法正確解碼水印信息。本實驗中正確解碼水印中的特征視為水印特征提取成功，實驗結果如圖7所示。在上述各種攻擊下，本文提出的水印算法均有著一定的特征提取成功率，在受到裁剪攻擊時，CASIA-FW數(shù)據(jù)集由于圖像分辨率較低，當裁剪比例達到20%時無法提取水印中的特征，在更強的攻擊環(huán)境下IMDB-FW數(shù)據(jù)集提取成功率較高，而在較弱的攻擊環(huán)境下CASIA-FW場景較單一，人臉個數(shù)較少，水印解碼的成功率較高，因此提取水印特征的成功率也較高。綜上，該算法在人臉個數(shù)較少且像素較高的環(huán)境下魯棒性更強。

2.2 特征相似度誤差

本算法生成水印中的特征向量和嵌入水印后圖像的人臉特征存在一定誤差，該誤差會對人臉相似度對比產(chǎn)生影響，誤差越大則根據(jù)該水印檢測人臉竄改以及認證圖像人臉歸屬人可信度越低，同時該誤差也影響竄改檢測認證閾值的設定。造成誤差的因素主要有兩個方面：a）壓縮人臉特征在帶來存儲開銷減小的同時，必然會對人臉特征精度產(chǎn)生一定影響，因此在構建的水印數(shù)據(jù)集CASIA-FW和IMDB-FW中分別計算了壓縮前后余弦相似度以確定誤差范圍；b）將水印嵌入圖像中對圖像會有像素級別的擾動，人眼觀察難以發(fā)現(xiàn)水印嵌入前后兩者的不同，但對于人臉特征提取模型輸入圖像微小的擾動都可能會對輸出的特征向量產(chǎn)生影響。本文在構建的數(shù)據(jù)集中分別驗證了上述兩種類型的誤差，并計算了誤差對特征余弦相似度的平均影響，匯總結果如表2所示。

2.3 水印算法的不可見性

算法使用DWT、DCT和SVD相結合的方法嵌入人臉特征水印，具有較好的不可見性，使用峰值信噪比（peak signal to noise ratio，PSNR）衡量嵌入水印后的圖像失真度，其值越大表示圖像越相似，PSNR小于30 dB（普遍基準），說明圖像劣化比較嚴重［17］。在構建的水印數(shù)據(jù)集CASIA-FW和IMDB-FW上計算得平均的PSNR值，分別為39.33 dB和40.56 dB。

2.4 人臉竄改檢測

在本實驗環(huán)節(jié)，將水印數(shù)據(jù)集CASIA-FW和IMDB-FW的所有圖像使用偽造人臉算法SimSwap［18］更改一張人臉，并最終將上述兩個水印數(shù)據(jù)集加入對應的偽造人臉圖像以構建偽造人臉數(shù)據(jù)集CASIA-DF和IMDB-DF。選取兩個被廣泛應用于偽造人臉檢測的基礎網(wǎng)絡Xception［19］和EfficientNetB4以及Bonettini等人［3］在EfficientNetB4的基礎上引入注意力機制和孿生網(wǎng)絡訓練生成的三個具有更強檢測能力的網(wǎng)絡模型EfficientNetB4ST、EfficientNetAutoAttB4、EfficientNetAutoAttB4ST對比檢測造假成功率，最終的結果如圖8所示?？梢钥吹紼fficientNetB4和EfficientNetAutoAttB4在數(shù)據(jù)集上的檢測成功率較高，可以達到70%以上。CASIA-DF數(shù)據(jù)集中圖像場景較單一且僅有一張人臉，效果較好，但對于場景更加復雜的IMDB-DF數(shù)據(jù)集，對比模型人臉竄改檢測的成功率均不到60%，F(xiàn)ace-FW能很好地檢測人臉信息是否被竄改，分別在CASIA-DF和IMDB-DF數(shù)據(jù)集上達到了97.6%和96.86%。在實驗中檢測失敗的原因是由于換臉過程中破壞了水印信息，無法正確解碼水印信息，最終導致無法檢測人臉是否被竄改。對比基于神經(jīng)網(wǎng)絡的方法，F(xiàn)ace-FW魯棒性較強，具有較高的檢測成功率，提取并解碼水印中特征信息相比于神經(jīng)網(wǎng)絡提取到的抽象的特征信息更具有可解釋性。對于正確解碼水印信息且嵌入為非融合特征的圖像，可根據(jù)提取特征提供人臉認證，并利用其他圖像中的人臉特征認證當前被竄改圖像的原有歸屬人。

3 結束語

本文提出Face-FW以檢測人臉是否被竄改并認證原有人臉歸屬人。使用DeepFake換臉Face-FW處理過的圖像，即使人臉較多且場景更加復雜，該算法仍有96%以上的檢測成功率，且具有較強的可解釋性。對于檢測成功的嵌入非融合人臉特征水印圖像，可根據(jù)水印中人臉特征認證原有人臉歸屬人。目前本算法對低質量多人臉圖像僅可使用融合人臉特征生成水印，檢測人臉是否竄改時無法精確定位被竄改人臉位置且無法做到人臉認證。未來工作將圍繞Face-FW算法優(yōu)化以及視頻領域下的人臉頻域水印算法。

參考文獻：

［1］Zhu Bingquan，F(xiàn)ang Hao ，Sui Yanan，et al.DeepFakes for medical video de-identification：privacy protection and diagnostic information preservation［C］//Proc of AAAI/ACM Conference on AI，Ethics，and Society.New York：ACM Press，2020：414-420.

［2］梁瑞剛，呂培卓，趙月，等.視聽覺深度偽造檢測技術研究綜述［J］.信息安全學報，2020，5（2）：1-17.（Liang Ruigang，Lyu Peizhuo，Zhao Yue，et al.A survey of audiovisual DeepFake detection techniques［J］.Journal of Cyber Security，2020，5（2）：1-17.）

［3］Bonettini N，Cannas E D，Mandelli S，et al.Video face manipulation detection through ensemble of CNNs［C］//Proc of the 25th International Conference on Pattern Recognition.Piscataway，NJ：IEEE Press，2021：5012-5019.

［4］Li Lingzhi，Bao Jianmin，Zhang Ting，et al.Face X-ray for more gene-ral face forgery detection［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2020：5001-5010.

［5］翁澤佳，陳靜靜，姜育剛.基于域對抗學習的可泛化虛假人臉檢測方法研究［J］.計算機研究與發(fā)展，2021，58（7）：1476-1489.（Weng Zejia，Chen Jingjing，Jiang Yugang.On the generalization of face forgery detection with domain adversarial learning［J］.Journal of Computer Research and Development，2021，58（7）：1476-1489.）

［6］Liu Honggu，Li Xiaodan，Zhou Wenbo，et al.Spatial-phase shallow learning：rethinking face forgery detection in frequency domain［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Re-cognition.Piscataway，NJ：IEEE Press，2021：772-781.

［7］Rossler A，Cozzolino D，Verdoliva L，et al.FaceForensics+：learning to detect manipulated facial images［C］//Proc of IEEE/CVF International Conference on Computer Vision.Piscataway，NJ：IEEE Press，2019：1-11.

［8］Li Xurong，Yu Kun ，Ji Shouling ，et al.Fighting against DeepFake：patch amp; pair convolutional neural networks （PPCNN）［C］//Proc of Web Conference.New York：ACM Press，2020：88-89.

［9］Liao Quanyu，Li Yuezun，Wang Xin，et al.Imperceptible adversarial examples for fake image detection［EB/OL］.（2021-06-02）.https：//arxiv.org/pdf/2106.01615.pdf 004.

［10］丁科，何晨，王宏霞.一種定位精確的混沌脆弱數(shù)字水印技術［J］.電子學報，2004，32（6）：1009-1012.（Ding Ke，He Chen，Wang Hongxia.A chaotic fragile watermarking technique with precise localization［J］.Acta Electronica Sinica，2004，32（6）：1009-1012.）

［11］張憲海，楊永田.基于脆弱水印的圖像認證算法研究［J］.電子學報，2007，35（1）：34-39.（Zhang Xianhai，Yang Yongtian.Image authentication scheme research based on fragile watermarking［J］.Acta Electronica Sinica，2007，35（1）：34-39.）

［12］Chen C H，Chang Longwen.A digital watermarking scheme for perso-nal image authentication using eigenface［C］//Proc of Pacific-Rim Conference on Multimedia.Berlin：Springer，2004：410-417.

［13］Zhang Kaipeng，Zhang Zhanpeng ，Li Zhifeng，et al.Joint face detection and alignment using multitask cascaded convolutional networks［J］.IEEE Signal Processing Letters，2016，23（10）：1499-1503.

［14］Schroff F，Kalenichenko D，Philbin J.FaceNet：a unified embedding for face recognition and clustering［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2015：815-823.

［15］周亞訓，葉慶衛(wèi)，徐鐵峰.基于小波和余弦變換組合的圖像水印方案［J］.電子學報，2001，29（12）：1693-1695.（Zhou Yaxun，Ye Qingwei，Xu Tiefeng.A new scheme of image watermarking based on wavelet and cosine transform［J］.Acta Electronica Sinica，2001，29（12）：1693-1695.）

［16］王奔.基于DWT-DCT-SVD的圖像數(shù)字水印算法［D］.北京：北京郵電大學，2011.（Wang Ben.An image watermarking algorithm based on DWT and DCT-SVD［D］.Beijing：Beijing University of Posts and Telecommunications，2011.）

［17］李國和，陳晨，吳衛(wèi)江，等.面向二維碼的數(shù)字水印置入與提取方法［J］.計算機工程與應用，2019，55（10）：103-107，114.（Li Guohe，Chen Chen，Wu Weijiang，et al.Method of embedding and extracting watermark for two-dimensional code images［J］.Computer Engineering and Applications，2019，55（10）：103-107，114.）

［18］Chen Renwang ，Chen Xuanhong，Ni Bingbing，et al.SimSwap：an efficient framework for high fidelity face swapping［C］//Proc of the 28th ACM International Conference on Multimedia.New York：ACM Press，2020：2003-2011.

［19］Chollet F.Xception：deep learning with depthwise separable convolutions［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2017：1251-1258.

［20］朱小微，常郝，孫玉濤，等.基于生物特征的數(shù)字水印綜述研究［J］.微型機與應用，2013，32（3）：1-3.（Zhu Xiaowei，Chang Hao，Shun Yutao，et al.A survey of digital watermark based on biometrics［J］.Microcomputer amp; Its Applications，2013，32（3）：1-3.）