法庭科学 伪造人像 检验系统评测

ICS07.140

CCSA92

中华人民共和国国家标准

GB/T×××××—××××

法庭科学伪造人像检验系统评测

Forensicsciences—Forgedhumanimage—Evaluationforexamination

system

（征求意见稿）

××××-××-××发布××××-××-××实施

国家市场监督管理总局

国家标准化管理委员会发布

GB/T×××××—××××

法庭科学伪造人像检验系统评测

1范围

本文件给出了伪造人像检验系统的评测框架，规定了对伪造人像检验系统鉴伪能力、安全性、系

统性能进行评测的指标及评测方法。

本文件适用于伪造人像检验系统的评价测试工作，也可用于产品自测参考和产品选型参考。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文

件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适

用于本文件。

GB/TXXXX法庭科学伪造人像检验通则

3术语和定义

GB/TXXXX界定的以及下列术语和定义适用于本文件。

3.1

准确性accuracy

基于通用评测数据集的伪造人像检验系统输出鉴伪结果的准确程度。

3.2

通用评测数据集generalevaluationdataset

面向人脸、人体、步态的不同伪造人像检验任务的伪造人像检验系统鉴伪能力评测数据集。

3.3

抗干扰性anti-jamming

伪造人像检验系统防御干扰、扰乱作用的能力。

3.4

抗攻击性anti-attack

伪造人像检验系统针对对抗样本攻击的检验能力。

3.5

平均推断时间averagedexaminationtime

伪造人像检验系统进行样本检验给出结果的平均响应时间。

3.6

系统吞吐量throughputofsystem

伪造人像检验系统在单位时间内处理的样本量。

2

GB/T×××××—××××

4评测框架

4.1伪造人像检验系统评测框架如图1所示。伪造人像检验系统的整体性能评估从鉴伪能力、安全性、

系统性能三个维度展开。伪造人像检验系统具体运行流程见附录A。

图1伪造人像检验系统评测框架

4.2鉴伪能力评测主要针对伪造人像检验系统对于视频中人像真伪的检验能力，通过准确性指标定量

评估，系统技术框架参见附录B。

4.3安全性评测主要针对伪造人像检验系统对于噪声、模糊、压缩、锐化、几何变换等干扰的抗干扰

能力以及对于对抗样本攻击的检验能力，通过抗干扰性和抗攻击性指标定量评估。

4.4系统性能评测主要通过对平均推断时间和系统吞吐量指标进行定量评估。

5设备与工具

5.1硬件

存储设备、运算设备。

5.2软件

支持深度伪造人像图像、视频等检材大批量检验的伪造人像检验系统。

6评测数据集

6.1构建流程

6.1.1评测数据集构建流程如图2所示，分为数据采集、数据制作、数据筛选和标注三个阶段。

图2评测数据集构建流程图

3

GB/T×××××—××××

6.1.2数据采集阶段。通过互联网数据爬取和真实人物拍摄两种方式，获取真实人物视频数据，并形

成原始视频素材库，用于后续数据制作阶段。

6.1.3数据制作阶段。基于原始素材库筛选、处理得到真实人物样本数据，包括伪造人脸、伪造人体、

围绕步态，通过深度伪造典型模型制作深度伪造热人像样本数据，形成仿真样本库，用于后续构建相

应评测数据集。

6.1.4数据筛选和标注阶段。基于仿真样本库，通过筛选、标注形成通用评测数据集，通过对抗攻击

处理并标注形成抗攻击性评测数据集，通过添加噪声、模糊、压缩、锐化、几何变换等干扰并标注形

成抗干扰性评测数据集。

6.2数据采集要求

6.2.1互联网数据爬取

通过互联网爬取真实视频数据要求如下：

a）数据来源包括但不限于国内外自制视频网站发布视频、影视视频选段、人物访谈视频选段等；

b）视频清晰度大于720p；

c）人脸分辨率大于100*100像素；

d）人脸帧数占比大于80%；

e）视频时长大于10s且小于1min。

6.2.2真实人物拍摄

面向指定真实人物进行多维度组合式视频拍摄要求如下：

a）拍摄场景包括但不限于室内、室外、绿幕；

b）镜头采集模式包括但不限于横向移动、前向移动、访谈场景侧视角固定、新闻主播场景主视

角固定；

c）人物姿态包括但不限于坐姿、站姿、走姿；

d）人物表情包括但不限于微笑、大笑、惊讶、愤怒、悲伤、无表情；

e）拍摄视频清晰度大于720p、人脸画面占比大于10%、人脸帧数占比大于80%、人脸数量大于1

个且小于3个，视频时长大于10s且小于1min。

6.3数据制作要求

伪造数据制作的类型和方法包括但不限于：

a）通过deepfacelab、faceshifter、fsgan、DeepFakes、faceswap等技术生成的人脸替换类型深度伪

造视频内容；

b）通过fsgan、FOMM、Wav2Lip等技术生成的人脸重现类型深度伪造视频内容；

c）通过StyleGAN、CycleGAN、BeautyGAN、AttGAN、StarGAN等技术生成的人脸编辑类深度

伪造视频内容；

d）通过StyleGAN、WGAN、StarGAN、DCGAN等技术生成的人脸生成类深度伪造视频内容。

6.4数据筛选和标注要求

6.4.1通用评测数据筛选

通用评测数据集约包含5000段视频样本，伪造视频和真实视频的比例约为1:1。数据筛选要求包

括：

a）视频样本清晰度大于720p；

b）单人人脸分辨率大于100*100；

4

GB/T×××××—××××

c）人脸帧数占比大于80%；

d）单个视频样本时长大于10s且小于1min；

e）视频样本至少存在1个人脸，最多不超过3个人脸；

f）单人脸伪造视频中不会出现真实人脸，多人脸伪造视频中可能同时存在真实人脸和伪造人脸，

整个视频中人物身份保持一致；

g）伪造种类包括人脸替换、人脸重现、人脸编辑、人脸合成等范畴，人工PS、添加水印等不在

考虑范畴；

h）视频样本中不包含对抗样本，不包含额外添加干扰的情况。

6.4.2通用评测数据标注

通用评测数据集标注包括但不限于：

a）数据标签（真样本/假样本）；

b）伪造数据的类型；

c）伪造数据使用的深度伪造方法；

d）伪造人脸出现的帧数定位；

e）伪造的区域（全脸/嘴巴/头发等）；

f）是否为指定人物样本；

7评测指标

7.1鉴伪能力评测指标

7.1.1准确性

用固定真视频通过率下的假视频召回率表示，并应按照附录C给出的方法进行计算。

7.2安全性评测指标

7.2.1抗干扰性

用添加干扰前后的准确性指标的偏差绝对值表示，按公式（1）进行计算。偏差绝对值越小说明伪

造人像检验系统的抗干扰性越好。

∆푅푖=|푅푖−푅퐴|………………（1）

式中：

∆푅푖——添加第i种干扰操作后的准确性指标偏差值；

푅푖——添加第i种干扰操作后的准确性值；

푅퐴——添加干扰前的准确性值。

其中i与干扰类型对应关系如表1所示：

表1干扰类型对应表

i干扰类型

1噪声

2模糊

3压缩

4锐化

5几何变换

5

GB/T×××××—××××

7.2.2抗攻击性

用添加攻击前后的准确性指标的偏差绝对值表示，按公式（2）进行计算。偏差绝对值越小说明伪

造人像检验系统的抗攻击性越好。

∆푅=|푅푎푑푣−푅퐴|………………（2）

式中：

∆푅——添加攻击后的准确性指标偏差值；

푅푎푑푣——添加攻击后的准确性值；

푅퐴——添加攻击前的准确性值。

7.3系统性能评测指标

7.3.1平均推断时间

计算方法如公式（3）所示。

N

(Tei−Tsi)

T=i=1

N………………（3）

式中：

i——表示第i轮推断，单次推断均为单样本推断，即batchsize=1；

Tsi——系统开始推断的时间点，单位为秒（s）；

Tei——系统结束推断的时间点，单位为秒（s）；

N——测试总次数；

T——平均推断时间，单位为秒（s）。

7.3.2系统吞吐量

计算方法如公式（4）所示。

푁

푄푃푆=

푇푒푑−푇표푝………………（4）

式中：

푁——数据集样本量；

푇푒푑——被测系统样本处理结束时刻；

푇표푝——被测系统开始运行时刻；

푄푃푆——系统吞吐量。

8评测方法

8.1鉴伪能力评测

8.1.1准确性评测

准确性的评测步骤为：

6

GB/T×××××—××××

a)准备面向人脸、人体、步态的不同伪造人像检验任务的伪造人像检验系统通用评测数据集；

b)将评测数据集中的数据输入伪造人像检验系统并运行；

c)基于评测数据集，根据5.1.1计算准确性指标，记录指标值。

8.2安全性评测

8.2.1抗干扰性评测

抗干扰性的评测步骤为：

a)准备包含噪声、模糊、压缩、锐化、几何变换的五类干扰场景的抗干扰性评测数据集；

b)将评测数据集中的数据输入伪造人像检验系统并运行；

c)基于评测数据集，根据7.1.1计算准确性指标，记录指标值；

d)根据7.2.1计算抗干扰性指标值。

8.2.2抗攻击性评测

抗攻击性的评测步骤为：

a)准备包含对抗样本的对抗攻击场景抗攻击性评测数据集；

b)将评测数据集中的数据输入伪造人像检验系统并运行；

c)基于评测数据集，根据5.1.1计算准确性指标，记录指标值；

d)根据7.2.2计算抗攻击性指标值。

8.3系统性能评测

8.3.1平均推断时间评测

平均推断时间的评测步骤为：

a)查看系统日志，检验被测数据，记录各样本的推断时间；

b)根据7.3.1将各样本的推断时间相加求总和，得到样本推断时间总和；

c)用样本推断时间总和除以数据集样本量，得到系统的平均推断时间。

8.3.2系统吞吐量评测

系统吞吐量的评测步骤为：

a)查看系统日志，检验被测数据，记录系统处理时间；

b)根据7.3.2计算系统检测的吞吐量。

9评测记录

应及时、客观、全面的记录评测的有关情况，保证评测过程和结论的可追溯性。

7

GB/T×××××—××××

附录A

（资料性）

伪造人像检验系统运行流程

伪造人像检验系统运行流程见图A.1。伪造人像检验系统功能主要由视频抽帧单元、人像获取单

元、人像检验单元、结果分析单元四部分组成。其中人像获取单元和人像检验单元可处理人脸、人体、

步态三类伪造人像检验任务。

图A.1伪造人像检验系统运行流程

视频抽帧单元用于将视频样本由视频形式转换成帧图片形式，并根据任务需要选取部分帧提供给

人像获取单元用于后续处理；人像获取单元在获取的单帧视频图片上抓取人像信息，对于人脸、人体、

步态的不同伪造人像检验任务抓取对应的不同人像信息，并将抓取的人像信息提供给人像检验单元；

人像检验单元根据抓取的人像信息进行伪造特征的提取，并将提取的伪造特征提供给结果分析单元；

结果分析单元根据提取的伪造特征信息，计算并输出视频样本为伪造的置信概率，即输出系统的伪造

人像检验结果。

8

GB/T×××××—××××

附录B

（资料性）

伪造人像检验系统技术框架

伪造人像检验系统技术框架如图B.1所示，将待测视频样本输入训练好的伪造人像检验系统，最

终得到系统输出的鉴伪结果。其中，伪造人像检验系统的检验策略一般分为两种：针对视频帧内的图

像检验和针对帧间关系的时序检验。前者通过单帧视频的空间像素特征或频域特征来判断视频样本是

否存在深度伪造攻击，常用分类器模型包括支持向量机（SupportVectorMachine,SVM）、卷积神经

网络（ConvolutionalNeuralNetworks,CNN）、Transformer网络等。后者通过视频帧与帧间的时序

特征来判断样本是否存在深度伪造攻击，常用分类器模型包括循环神经网络（RecurrentNeural

Network,RNN）等。两种检验策略也可以结合使用。

图B.1伪造人像检验系统技术框架

9

GB/T×××××—××××

附录C

（规范性）

固定真视频通过率下的假视频召回率计算方法

固定真视频通过率下的假视频召回率R为保证真视频准确率的前提下，得出伪造视频判断准确率。

实际测试输出指标分别为固定85%、90%、95%、99%四种真视频通过率下的假视频召回率。固定真视频

通过率下的假视频召回率指标示意图如图C.1所示，指标计算方法如下。

a)系统输出所有检材视频样本的预测置信度并对真假视频的置信度分别排序。

b)给定真视频通过率T（如85%），取T分位数，记为thre，用thre作为阈值，即可保证真视频的

通过率为T。真视频通过率即真视频的准确率，预测为真视频且预测正确的视频数量占真视

频样本总数量的比值。

c)将阈值thre应用在所有的假视频上，即可计算出假视频召回率R。假视频召回率即假视频的准

确率，预测为假视频且预测正确的视频数量占假视频样本总数量的比值。

d)此时假视频召回率R即为固定真视频通过率下的假视频召回率，准确性指标由R衡量。

图C.1固定真视频通过率下的假视频召回率指标示意图

10

GB/T×××××—××××

参考文献

[1]GB/T31448-2015安全安防视频监控人脸识别系统技术要求

[2]GB/T38671-2020信息安全技术远程人脸识别系统技术要求

[3]SF/T0125—2021人像鉴定技术规范

[4]GA/T1023-2013视频中人像检验技术规范

_________________________________

11

GB/T×××××—××××

前言

本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定

起草。

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。

本文件由中华人民共和国公安部提出。

本文件由全国刑事技术标准化技术委员会（SAC/TC179）归口。

本文件起草单位：中国信息通信研究院、中国科学院信息工程研究所、公安部物证鉴定中心、公

安部网络安全保卫局、最高人民法院司法行政装备管理局司法鉴定辅助办公室、最高人民检察院检察

技术信息研究中心、国家安全机关司法鉴定办公室、司法鉴定科学研究院、上海商汤智能科技有限公

司、阿里巴巴(中国)有限公司、蚂蚁科技集团股份有限公司、杭州网易智企科技有限公司、北京瑞莱

智慧科技有限公司、公安部第三研究所、南京理工大学、北京多维视通技术有限公司、中国科学院自

动化研究所。

本文件主要起草人：。。。

1

GB/T×××××—××××

法庭科学伪造人像检验系统评测

1范围

本文件给出了伪造人像检验系统的评测框架，规定了对伪造人像检验系统鉴伪能力、安全性、系

统性能进行评测的指标及评测方法。

本文件适用于伪造人像检验系统的评价测试工作，也可用于产品自测参考和产品选型参考。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文

件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适

用于本文件。

GB/TXXXX法庭科学伪造人像检验通则

3术语和定义

GB/TXXXX界定的以及下列术语和定义适用于本文件。

3.1

准确性accuracy

基于通用评测数据集的伪造人像检验系统输出鉴伪结果的准确程度。

3.2

通用评测数据集generalevaluationdataset

面向人脸、人体、步态的不同伪造人像检验任务的伪造人像检验系统鉴伪能力评测数据集。

3.3

抗干扰性anti-jamming

伪造人像检验系统防御干扰、扰乱作用的能力。

3.4

抗攻击性anti-attack

伪造人像检验系统针对对抗样本攻击的检验能力。

3.5

平均推断时间averagedexaminationtime

伪造人像检验系统进行样本检验给出结果的平均响应时间。

3.6

系统吞吐量throughputofsystem

伪造人像检验系统在单位时间内处理的样本量。

2

GB/T×××××—××××

4评测框架

4.1伪造人像检验系统评测框架如图1所示。伪造人像检验系统的整体性能评估从鉴伪能力、安全性、

系统性能三个维度展开。伪造人像检验系统具体运行流程见附录A。

图1伪造人像检验系统评测框架

4.2鉴伪能力评测主要针对伪造人像检验系统对于视频中人像真伪的检验能力，通过准确性指标定量

评估，系统技术框架参见附录B。

4.3安全性评测主要针对伪造人像检验系统对于噪声、模糊、压缩、锐化、几何变换等干扰的抗干扰

能力以及对于对抗样本攻击的检验能力，通过抗干扰性和抗攻击性指标定量评估。

4.4系统性能评测主要通过对平均推断时间和系统吞吐量指标进行定量评估。

5设备与工具

5.1硬件

存储设备、运算设备。

5.2软件

支持深度伪造人像图像、视频等检材大批量检验的伪造人像检验系统。

6评测数据集

6.1构建流程

6.1.1评测数据集构建流程如图2所示，分为数据采集、数据制作、数据筛选和标注三个阶段。

图2评测数据集构建流程图

3

GB/T×××××—××××

6.1.2数据采集阶段。通过互联网数据爬取和真实人物拍摄两种方式，获取真实人物视频数据，并形

成原始视频素材库，用于后续数据制作阶段。

6.1.3数据制作阶段。基于原始素材库筛选、处理得到真实人物样本数据，包括伪造人脸、伪造人体、

围绕步态，通过深度伪造典型模型制作深度伪造热人像样本数据，形成仿真样本库，用于后续构建相

应评测数据集。

6.1.4数据筛选和标注阶段。基于仿真样本库，通过筛选、标注形成通用评测数据集，通过对抗攻击

处理并标注形成抗攻击性评测数据集，通过添加噪声、模糊、压缩、锐化、几何变换等干扰并标注形

成抗干扰性评测数据集。

6.2数据采集要求

6.2.1互联网数据爬取

通过互联网爬取真实视频数据要求如下：

a）数据来源包括但不限于国内外自制视频网站发布视频、影视视频选段、人物访谈视频选段等；

b）视频清晰度大于720p；

c）人脸分辨率大于100*100像素；

d）人脸帧数占比大于80%；

e）视频时长大于10s且小于1min。

6.2.2真实人物拍摄

面向指定真实人物进行多维度组合式视频拍摄要求如下：

a）拍摄场景包括但不限于室内、室外、绿幕；

b）镜头采集模式包括但不限于横向移动、前向移动、访谈场景侧视角固定、新闻主播场景主视

角固定；

c）人物姿态包括但不限于坐姿、站姿、走姿；

d）人物表情包括但不限于微笑、大笑、惊讶、愤怒、悲伤、无表情；

e）拍摄视频清晰度大于720p、人脸画面占比大于10%、人脸帧数占比大于80%、人脸数量大于1

个且小于3个，视频时长大于10s且小于1min。

6.3数据制作要求

伪造数据制作的类型和方法包括但不限于：

a）通过deepfacelab、faceshifter、fsgan、DeepFakes、faceswap等技术生成的人脸替换类型深度伪

造视频内容；

b）通过fsgan、FOMM、Wav2Lip等技术生成的人脸重现类型深度伪造视频内容；

c）通过StyleGAN、CycleGAN、BeautyGAN、AttGAN、StarGAN等技术生成的人脸编辑类深度

伪造视频内容；

d）通过StyleGAN、WGAN、StarGAN、DCGAN等技术生成的人脸生成类深度伪造视频内容。

6.4数据筛选和标注要求

6.4.1通用评测数据筛选

通用评测数据集约包含5000段视频样本，伪造视频和真实视频的比例约为1:1。数据筛选要求包

括：

a）视频样本清晰度大于720p；

b）单人人脸分辨率大于100*100；

4

GB/T×××××—××××

c）人脸帧数占比大于80%；

d）单个视频样本时长大于10s且小于1min；

e）视频样本至少存在1个人脸，最多不超过3个人脸；

f）单人脸伪造视频中不会出现真实人脸，多人脸伪造视频中可能同时存在真实人脸和伪造人脸，

整个视频中人物身份保持一致；

g）伪造种类包括人脸替换、人脸重现、人脸编辑、人脸合成等范畴，人工PS、添加水印等不在

考虑范畴；

h）视频样本中不包含对抗样本，不包含额外添加干扰的情况。

6.4.2通用评测数据标注

通用评测数据集标注包括但不限于：

a）数据标签（真样本/假样本）；

b）伪造数据的类型；

c）伪造数据使用的深度伪造方法；

d）伪造人脸出现的帧数定位；

e）伪造的区域（全脸/嘴巴/头发等）；

f）是否为指定人物样本；

7评测指标

7.1鉴伪能力评测指标

7.1.1准确性

用固定真视频通过率下的假视频召回率表示，并应按照附录C给出的方法进行计算。

7.2安全性评测指标

7.2.1抗干扰性

用添加干扰前后的准确性指标的偏差绝对值表示，按公式（1）进行计算。偏差绝对值越小说明伪

造人像检验系统的抗干扰性越好。

∆푅푖=|푅푖−푅퐴|………………（1）

式中：

∆푅푖——添加第i种干扰操作后的准确性指标偏差值；

푅푖——添加第i种干扰操作后的准确性值；

푅퐴——添加干扰前的准确性值。

其中i与干扰类型对应关系如表1所示：

表1干扰类型对应表

i干扰类型

1噪声

2模糊

3压缩

4锐化

5几何变换

5

GB/T×××××—××××

7.2.2抗攻击性

用添加攻击前后的准确性指标的偏差绝对值表示，按公式（2）进行计算。偏差绝对值越小说明伪

造人像检验系统的抗攻击性越好。

∆푅=|푅푎푑푣−푅퐴|………………（2）

式中：

∆푅——添加攻击后的准确性指标偏差值；

푅푎푑푣——添加攻击后的准确性值；

푅퐴——添加攻击前的准确性值。

7.3系统性能评测指标