1.一种基于水印图像差值的主动Deepfake检测方法，其特征在于，包括以下步骤：S1：构造两阶段的主动Deepfake检测框架，包括训练水印攻击网络阶段与Deepfake检测；

S2：训练水印攻击网络阶段；

S21：利用四元数极谐傅里叶矩作为水印嵌入的工具，来嵌入水印信息并且利用水印攻击网络来移除水印；

S22：为了保证水印攻击网络能准确的移除四元数极谐傅里叶矩水印，采用三个损失：MSE损失、局部损失及感知损失进行优化；

S3：Deepfake检测阶段；利用训练水印攻击网络阶段训练的水印攻击网络进行水印攻击，使输入的含水印图像能够去除其中的水印信息，因此便得到含水印图像与去除水印图像的差值，再通过一个Xception 分类器网络进行差值的伪造痕迹的真伪分类；

所述S21的具体流程为：

S211：对于极坐标系 下的彩色图像，四元数极谐傅里叶矩表示为：（1）

其中：为极坐标的径向距离；

为极坐标角度；

为单位纯四元数；

为阶数；

为重复度；

表示径向基函数：

（2）

S212：在由式（2）计算出彩色图像的四元数极谐傅里叶矩后，利用有限个四元数极谐傅里叶矩 来近似重构 ，在极坐标系下利用有限个四元数极谐傅里叶矩近似重构彩色图像函数 的表达式写为：（3）

S213：嵌入流程；

首先将原始彩色人脸图像 转换到极坐标系上，并将其表示为 ；

然后根据正交矩定义及四元数理论，计算出 的高阶四元数正交矩 ，其中和 分别表示阶数和重复度；

从 中筛选出鲁棒的四元数正交矩集合 ；

选择的水印 为长度 的二值随机序列，根据密钥和水印序列 调整矩幅值得到含水印的矩集合 ；

分别将 和 通过式（3）进行重构得到图像 和 ，最后得到含水印的图像；

S214：将含水印图像 与原始图像 输入到水印攻击网络中，水印攻击网络采用的Unet网络，移除水印，输出图像 ；

所述S22的具体流程为：

S221：MSE损失；MSE损失函数是图像恢复任务中最常用的逐像素损失函数之一，从水印攻击网络中得到的输出为图像 ，将MSE损失表示为：（4）

S222：局部损失；根据四元数极谐傅里叶矩的原理，最终嵌入水印的位置总是在图像的最大内切圆之内，设计一个新颖的局部损失函数：（5）

其中： 表示输入张量在图像 坐标 处的索引值；

表示输入张量在图像 坐标 处的索引值；

表示在输入张量中定义的最大内嵌圆区域的索引集合；

具体来说，对于每个批次中的图像， 包含所有满足以下条件的索引 ：， 是以图像中心为原点的坐标，H和W分别是图像的高度和宽度；

Nm是掩码区域内的像素总数，即 中元素的数量；

S223：感知损失：因此，利用一个预训练的 VGG16模型来提取关键的特征图，感知损失网络计算的是在选定的网络层上，原始图像 与水印攻击网络输出的图像 之间的欧氏距离，具体的损失函数定义如下：（6）

其中： 是 VGG16网络中第 层的特称图输出；

、 及 分别为第 层特征图的通道、高度及宽度；

S224：水印攻击网络的总损失表示为： （7）

其中： 与 为控制损失函数权重的超参数；

所述S3的具体流程为：

固定好在训练水印攻击网络阶段训练好的水印攻击网络，并且将含水印图像 作为第二阶段的输入；

S31：先对含水印图像 进行 Deepfake 得到检测图像 ；

S32：将含水印图像 与检测图像 输入到水印攻击网络中，分别得到没有伪造过的攻击后图像 与伪造过的攻击后图像 ；

S33：由于差值信息无法轻易察觉，因此利用放大后的差值信息进行伪造检测，表示为：（8）

其中： 表示利用 Xception 网络对差值图像进行真伪分类；

表示对于差值图像放大的倍数；

为 Xception 网络对于输入的预测结果；

采用一个简单的BCE损失即能够训练 Xception 网络：（9）

其中： 表示人脸的标签，0 代表为真，1 代表为假；

表示 Xception 预测出的结果。

2.根据权利要求1所述的基于水印图像差值的主动Deepfake检测方法，其特征在于：Unet网络为对称的U形结构，由编码器和解码器两部分组成，编码器逐步提取图像特征，并通过下采样减少空间维度；解码器逐步恢复空间维度，并通过上采样重建图像，同时结合编码器的特征信息通过残差的方式相连接。