FakeFaceDetection

FakeFaceDetection 是一个用于检测图片或视频中人脸伪造概率的深度学习项目。项目会从视频中抽取帧，检测画面中的人脸区域，再通过人脸伪造检测模型输出伪造概率。

本项目适用于 AI 换脸识别、视频内容审核、身份真实性辅助判断等场景。检测结果应作为辅助参考，不能作为唯一判定依据。

本仓库提供一个可直接用于测试的训练权重文件和10个用于视频检测的样例，可在release页下载。

项目功能

• 支持对 mp4 视频进行人脸伪造概率检测
• 支持按固定帧数抽样，降低长视频推理成本
• 自动检测视频帧中的人脸并裁剪人脸区域
• 输出视频级别的伪造概率分数
• 支持基于公开数据集进行评估
• 支持重新训练模型并保存训练权重

工作流程

1. 输入待检测视频文件
2. 从视频中抽取指定数量的视频帧
3. 对每帧进行人脸检测
4. 裁剪并归一化人脸图像
5. 将人脸图像输入检测模型
6. 汇总多帧预测结果
7. 输出最终伪造概率

示例输出：

fakeness: 0.8735

fakeness 越接近 1，表示模型越倾向于判断该视频包含伪造人脸；越接近 0，表示越倾向于真实人脸。

项目结构

FakeFaceDetection/
├── README.md
├── requirements.txt              # Python 依赖
├── build.sh                      # Docker 镜像构建脚本
├── exec.sh                       # Docker 容器启动脚本
├── data/                         # 数据集、测试视频或样例数据
├── output/                       # 训练输出、日志和模型权重
├── dockerfiles/
│   └── Dockerfile                # Docker 环境配置
└── src/
    ├── model.py                  # 检测模型结构
    ├── train.py                  # 模型训练入口
    ├── configs/                  # 训练配置
    ├── inference/                # 视频、图片和数据集推理代码
    ├── preprocess/               # 数据预处理与人脸裁剪代码
    └── utils/                    # 训练、增强、日志等工具函数

环境要求

推荐使用支持 CUDA 的 NVIDIA GPU 环境运行本项目。

主要依赖：

• Python 3.8
• PyTorch
• TorchVision
• OpenCV
• NumPy
• scikit-learn
• dlib
• retina-face
• efficientnet-pytorch

建议先创建 Python 3.8 环境，再安装依赖：

pip install -r requirements.txt

如果 PyTorch CUDA 版本安装失败，请根据本机 CUDA 版本到 PyTorch 官方安装说明中选择匹配命令。

Docker 使用

构建镜像：

bash build.sh

启动容器前，请先将 exec.sh 中的 /path/to/this/repository 替换为本项目在你电脑上的绝对路径。

启动容器：

bash exec.sh

视频检测

准备一个待检测视频，例如：

data/sample.mp4

运行视频推理：

python src/inference/inference_video.py -w output/weights/FFc23.tar -i data/sample.mp4 -n 32

参数说明：

参数	说明
-w	模型权重文件路径
-i	输入视频路径
-n	抽取的视频帧数量，默认值为 32

示例输出：

fakeness: 0.8735

会读取到这些文件。