摘要：随着信息技术的快速发展，图像编辑软件快速普及。图像被恶意篡改的事件也逐渐增多，假新闻和假图片层出不穷，对新闻和司法等行业造成很多困扰和挑战。

虽然目前已有一些图像篡改检测相关算法，但是使用和操作步骤繁琐，不利于普通用户使用。往往只适用于某一类图像，或是需要多幅图像来进行判断，局限性较强。

本文利用Keras深度学习库，开发了基于Faster R-CNN的图像篡改检测系统。用户只需把待检测的图片通过浏览器上传至服务器，系统根据预先训练好的神经网络进行预测，输出图片可能被篡改的区域，被篡改的类别和被篡改的可能性大小。并将检测结果通过网页显示给用户。普通用户也可以方便快捷的进行图像篡改检测。实验结果表明，与传统的ELA，NOI1和CFA1等图像篡改检测方法相比，本图像篡改检测算法的总体精度F1和AUC值都具有明显优势。

关键词：图像篡改，Faster R-CNN, Keras，篡改识别，篡改定位

目 录

摘 要

ABSTRACT

第一章  绪论-1

1.1 研究背景-1

1.2 现状-1

1.3 研究内容-4

1.4 应用对象及环境-4

1.5 全文组织-5

第二章  相关技术-6

2.1 开发环境-6

2.1.1开发语言-6

2.1.2 Vast.ai-6

2.1.3 Nginx-7

2.2 开发框架-7

2.2.1 TensorFlow-7

2.2.2 Keras-7

2.2.3 Flask-8

2.2.4 OpenCV-8

2.2.5 Gunicorn-8

2.3 开发技术-9

2.3.1 VGG16-9

2.3.2 Faster R-CNN-11

2.3.3 非极大值抑制（NMS）算法-13

2.4相关图像篡改检测算法-13

2.4.1 ELA-13

2.4.2 NOI1-13

2.4.3 CFA1-14

第三章  可行性分析-15

3.1 技术可行性分析-15

3.2 经济可行性分析-15

3.3 社会可行性分析-15

第四章 系统设计-17

4.1 系统设计-17

4.1.1 逻辑架构-17

4.1.2 物理架构-17

4.2 Faster R-CNN网络训练模块的实现-18

4.2.1 Faster R-CNN网络的实现-18

4.2.2 Faster R-CNN网络的训练-19

4.3 图像篡改检测模块的实现-19

4.3.1 回归参数-19

4.3.2 图像篡改检测的实现-20

4.4 Web模块的实现-21

第五章  训练过程-23

5.1 数据集准备-23

5.1.1 数据集介绍-23

5.1.2 数据集校对-23

5.1.3 数据集标注-23

5.2 数据集增强-25

5.3 实验平台和神经网络参数设置-25

5.3.1 实验平台-25

5.3.2 神经网络参数设置-26

5.4 神经网络的训练-27

5.4.1 数据集平衡-27

5.4.2 训练过程-27

第六章  实验结果分析-30

6.1 评价指标-30

6.2 实验与分析-32

6.3 系统实现-34

6.3.1上传待检测图片-34

6.3.2图像篡改检测结果展示-34

第七章  总结与展望-37

7.1 本文的主要成果-37

7.2 下一阶段工作-37

参考文献-39

致谢-42