[發明專利]基于深度隨機森林的JPEG圖像重采樣自動檢測方法

有效

• 申請號: 201810401354.5
• 申請日: 2018-04-28
• 公開（公告）號: CN108682007B
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 王志鋒;左馳;葉俊民;田元;閔秋莎;夏丹;陳迪;羅恒;譚政;寧國勤
• 申請（專利權）人: 華中師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/42;G06T7/90;G06K9/62
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

本發明屬于信息安全技術領域，公開了一種基于深度隨機森林的JPEG圖像重采樣自動檢測方法，提取描述JPEG圖像重壓縮特性的特征向量：描述受重采樣操作影響的局部周期相關性所呈現出的紋理特征；描述R、G、B通道受重采樣操作影響的差異性的Benford特征；描述受重采樣操作影響的DCT系數與其周圍系數的關系的相鄰系數差特征；描述JPEG圖像重采樣后出現的塊效應特征。本發明利用典型相關分析將該四組特征向量進行融合，使用深度隨機森林對融合后的特征向量進行學習和檢測；有效識別圖像重采樣操作，通過量化四組特征向量之間的聯系，使特征維數大大減少、降低了計算量、提高了特征之間的相關性，提升了檢測精度。

技術領域

本發明屬于信息安全、模式識別以及數字圖像處理技術領域，尤其涉及一種基于深度隨機森林的JPEG圖像重采樣自動檢測方法。

背景技術

目前，業內常用的現有技術是這樣的：

重采樣操作的檢測是一種用于恢復圖像處理歷史的輔助取證工具。當篡改者將兩個或更多的圖像拼接在一起時，為了創建“天衣無縫”的偽造圖像，幾乎都會需要幾何變換(如縮放，旋轉或傾斜)操作。幾何重采樣的變換的過程中通常需要重采樣和插值這兩個步驟，因此可以考慮能夠檢測重采樣的痕跡來識別給定的圖像或其某些部分是否已被重采樣。其次，重采樣檢測方法對設計精確的隱寫分析方法是至關重要的。在實際的網絡環境下有各種類型的封面圖片，在隱寫分析調查過程中，封面圖像或其子部分可能經歷了重采樣操作的可能性很高。根據現有研究，重采樣過程在圖像像素之間引入了特定和可檢測的統計變化，并且重采樣圖像的統計可能與原始單采樣圖像的統計顯著不同。一方面，這些差異可能會負面影響在掩蓋圖像類型僅為原始單采樣圖像的假設下開發的隱寫分析器的精度。另一方面，訓練集和測試集之間的不匹配可能導隱寫分析結果失效。因此，重采樣檢測對于允許隱寫分析獲得關于封面圖像的統計信息的精確信息非常有用。然而，所有提出的重采樣檢測方法都是在被調查圖像為封面圖像(即未嵌入圖像)的前提下設計的。嵌入行為進一步引入了統計變化；因此，需要能夠在覆蓋和隱秘圖像中找到正確檢測重采樣的方法。

篡改者對圖像進行放大、縮小、旋轉等操作都屬于數字圖像重采樣的范疇，它屬于最常見的圖像篡改手段之一。雖然圖像經過了重采樣操作，不能直接判斷為經過了惡意篡改，但是其可以給取證人提供有力的輔助判斷信息。目前國內外已有一些研究機構在重壓縮取證這個領域內找到了有效的檢測成果。

目前，業內常用的現有技術是這樣的：圖像的重采樣的操作對圖像所產生的影響主要表現在導致插值點和鄰域像素具有相關性以及導致圖像的二階導數信號的統計特征具有周期性。通常，在重采樣過程不會留下可見的痕跡，但它們會在圖像像素之間引入特定的統計特征。通過這些插值統計特征(重采樣特征)可以研究不同的重采樣檢測方法。現有重采樣檢測方法通常可以分為兩類。一類是(例如)使用相鄰像素之間的特定相關性，另一類使用由內插信號的導數產生的可檢測的周期性特性。

在第一類方法中，Popescu和Farid指出插值過程引入了重采樣圖像像素之間的相關性。他們提出基于期望最大化(EM)算法來測量這些相關性Kirchner用線性濾波代替了EM算法，并提出了基于概率圖的最大梯度的自動檢測法。這些方法基于這樣一個事實，盡可能地發現一組相關的以同樣的方式進行重采樣的圖像像素的相鄰的特性。即找到一組素與重采樣圖像中的相鄰方式。因此，這種方法的核心是估計每個像素與其鄰域之間的線性相關性。給定一個可能被操縱的圖像Y和像素的相鄰區域(通常是大小為N×N的中央正方形區域)，線性相關可以描述如下：

這里的β(k,l)是一個標量(β(0,0)＝0)