摘要：本项目是一个基于深度学习的DeepFake图像伪造识别系统，采用Xception卷积神经网络架构，使用深度可分离卷积实现2.7倍性能提升。系统在FaceForensics++数据集上训练，AUC 达到 0.878，支持图片和视频中的人脸真伪检测。项目专为树莓派4等边缘设备优化，具备Dlib人脸检测、实时推理和可视化输出功能，适用于内容审核、安防监控等场景。
项目概述
基于Xception卷积神经网络的DeepFake图像伪造识别系统，采用深度可分离卷积实现 2.7 倍性能提升，在FaceForensics++数据集上训练达到 87% 准确率，专为树莓派 4 等边缘设备优化，支持图片和视频中的人脸真伪检测。
功能介绍
Phoenix Inverter 3本系统提供一站式 DeepFake 检测解决方案，用户只需输入图片或视频，系统即可自动检测人脸并判断真伪，输出带彩色标注框的可视 化结果。支持单张图片快速检测（2-5秒）和视频逐帧分析，提供 0-100% 的置信度评分，帮助用户评估检测结果的可靠性，准确率达到 87%，可有效识别常见的 DeepFake 伪造技术。
系统专为实际应用场景优化，支持批量处理大量图片或视频文件，可部署在普通 PC、服务器或树莓派等边缘设备上离线运行，无需上传数据到云端，充分保护隐私安全。具备完善的错误处理和进度显示功能，实时反 馈处理状态，适合内容审核平台、新闻媒体、安防系统和司法取证等多种应用场景，为用户提供可靠的 DeepFake 识别能力。
技术亮点
系统采用深度可分离卷积替代标准卷积，计算量降低 2.7 倍的同时保持 87% 高准确率，轻量级模型设计（79.67MB）配合 CPU 优化推理，成功在树莓派 4 上实现边缘部署，单张图片检测仅需 2-5 秒，支持 GPU/CPU 自适应切换和离线运行，无需云端依赖即可 完成端到端的人脸检测、特征提取和真伪判断，为内容审核和安防监控等实际应用提供低成本、高性能的 DeepFake 检测解决方案。
核心规格
基于Xception架构的79.67MB轻量级模型，在FaceForensics++ 数据集（5,000 视频）上训练达到87%准确率（AUC 0.878），采用深度可分离卷积实现 2.7 倍性能提升，支持 CPU/GPU 推理，在 PC 上 0.8 秒/图、树莓派 4 上 2-5 秒/图的检测速度，基于PyTorch 2.0+和Dlib 19.24+构建，支持 Windows/Linux/macOS/树莓派等跨平台部署，接受JPG/PNG/MP4/AVI输入，完全离线运行保护隐私。
系统架构
硬件设计
支持 x86_64 架构（Intel/AMD CPU）和 ARM64 架构（树莓派 4），推荐配置为四核 2.5GHz+ CPU、4-8GB RAM、5GB 存储空间，可选 NVIDIA GPU（CUDA 支持）加速推理，树莓派部署推荐 Raspberry Pi 4 Model B（8GB 版本）配合主动散热，支持 USB 摄像头或 CSI摄像头模块输入，通过 HDMI 或 SSH 远程访问，完全基于软件实现无需专用硬件加速器。
图1 Raspberry Pi4 开发板
软件架构
采用 Python 3.7+ 构建，基于 PyTorch 2.0+ 深度学习框架实现模型推理，使用 Dlib 进行人脸检测和定位，OpenCV 处理图像和视频 I/O，Pillow 执行图像预处理和格式转换，NumPy 进行数值计算和数组操作，整体架构分为数据输入层（图像/视频读取）、预处理层（人脸检测、裁剪、归一化）、推理层（Xception 模型前向传播）、后处理层（Sigmoid 激活、阈值判断）和输出层（可视化标注、结果保存），采用模块化设计，核心网络模块（src/ network）、数据处理模块（src/dataset）和测试脚本（src/testing script）相互独立，支持跨平台部署和灵活扩展。
结果展示
运行：detect_image_fixed.py
打开Outputs\Output Images
图2 伪造人脸和真实人脸
标注说明：
– 绿色框 + “REAL: 0.XX” = 真实人脸
– 红色框 + “FAKE: 0.XX” = 伪造人脸
– 数值 = 置信度（0.00-1.00）
结果点评
本次检测成功识别出 1 张人脸并判定为 REAL（真实），置信度高达 98.55%，表明模型对该图像的真实性判断具有极高的确定性，这一结果符合 Xception 网络在 FaceForensics++ 数据集上训练后的预期表现（论文报告准确率 83-87%），系统在 CPU 模式下完成推理并成功输出可视化结果，证明了模型在边缘设备（如树莓派）上的实用性和鲁棒性，绿色边界框和置信度标注清晰直观 ，便于用户快速判断，整体而言，该检测系统在真实场景下展现出良好的检测能力和部署友好性，适合用于实际的 DeepFake 内容审核和媒体真实性验证应用。
关于项目
作者信息
作者：Bob (张家梁)
原创声明：本项目为原创作品
