全文总字数：2944字

1. 研究目的与意义及国内外研究现状

随着移动摄像技术的日益成熟，以及社交媒体和媒体门户网站的不断扩大，数码视频的创作和传播比以往任何时候都更加方便，这导致了视频伪造现象的出现。但由于缺乏对视频帧的集成编辑工具、对专业知识的高要求以及所涉及的复杂和耗时的过程，假视频的数量和真实性一直受到限制。然而近年来，由于可以获得大量的训练数据和高吞吐量的计算能力，机器学习和计算机视觉技术的发展更进一步消除了手工编辑步骤的需要，制作和修改视频的时间明显减少。

伪造视频问题首次引起公众关注是在2018年初，当时一款被称为deepfake的软件被发布在网上。特别的是，deepfake能够通过图像搜索引擎、社交媒体网站和公共视频片段，一帧一帧地把别人的脸插入到已有的视频中，随后使用该工具制作并将修改后的视频上传到youtube上。而智能手机程序和桌面应用程序，如faceapp和fakeapp，都是基于这一技术构建的。faceapp会自动生成照片中高度逼真的人脸。它允许用户使用智能手机改变脸型、发型、性别、年龄和其他属性。fakeapp是一个桌面应用程序，它允许用户创建现在被称为“deepfake”的视频，这种伪造视频几乎不留下任何编辑痕迹。自此，youtube上的严重侵犯隐私和身份的虚假视频数量激增，这些假视频被用来制造政治压力、假恐怖主义的场景，涉及严重的法律问题。检测此类虚假视频已经成为数字媒体取证研究领域的迫切需要。

本课题的研究目的旨在利用现有的伪造视频检测技术，研究出一套算法能够对伪造视频进行检测识别。

2. 研究的基本内容

(1)基于深度学习的伪造人脸检测算法研究与实现。

通过卷积神经网络（cnn）与长短时记忆网络（lstm）结合的方式，利用伪造人脸视频的空间和时间上的不一致性，对伪造人脸视频进行检测分类(2)使用卷积神经网络从人脸视频数据集中提取空间特征，输入lstm网络中进行时间序列分析，进行伪造人脸视频分类检测。

(3)在实验基础上对以上算法进行改进，通过实现结果比对，寻找较优的预处理方式和网络模型。

3. 实施方案、进度安排及预期效果

1.在网络中搜索公开可用视频，构建人脸视频数据集（真、伪人脸视频）；（1月-2月）2.基于深度学习的伪造人脸检测算法研究；（2月-4月）3.运用构建的cnn lstm网络结构从视频数据中提取特征，通过对模型进行训练实现对人脸视频的真伪分类。

（5月）其中伪造人脸检测算法是本项目完成的关键。

预期效果是实现一套伪造人脸视频检测识别系统对常见的伪造人脸视频进行识别。

4. 参考文献

[1] gera, david, and edward j. delp. 'deepfake video detection using recurrent neural networks.' ieee international conference on advanced video and signal-based surveillance (to appear). 2018.

[2] yang, xin, yuezun li, and siwei lyu. 'exposing deep fakes using inconsistent head poses.' arxiv preprint arxiv:1811.00661 (2018).

[3]afchar, darius, et al. 'mesonet: a compact facial video forgery detection network.' arxiv preprint arxiv:1809.00888 (2018).