[發(fā)明專(zhuān)利]一種大規(guī)模雙盲相機(jī)源檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811265669.8
• 申請(qǐng)日: 2018-10-29
• 公開(kāi)（公告）號(hào): CN109543776B
• 公開(kāi)（公告）日: 2021-01-22
• 發(fā)明（設(shè)計(jì)）人: 韋世奎;蔣翔;趙耀;趙瑞珍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京交通大學(xué)
• 主分類(lèi)號(hào): G06K9/64
• 分類(lèi)號(hào): G06K9/64;G06K9/62
• 代理公司: 北京市誠(chéng)輝律師事務(wù)所 11430
• 代理人: 范盈

本發(fā)明設(shè)計(jì)了一種雙盲環(huán)境下的圖像相機(jī)源識(shí)別方法，屬于圖像信號(hào)處理、數(shù)字圖像取證和機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域。本發(fā)明首先訓(xùn)練了一種結(jié)合了度量損失和分類(lèi)損失的深度卷積模型，并利用其提取圖像的相機(jī)特征；之后利用詞袋模型快速計(jì)算圖像集的相似性矩陣；最后，設(shè)計(jì)了相應(yīng)的優(yōu)化方程，并利用ADMM框架進(jìn)行求解，其結(jié)果能夠預(yù)測(cè)大規(guī)模背景下相機(jī)源未知的圖像集中相機(jī)源的數(shù)量和相機(jī)?圖像對(duì)應(yīng)關(guān)系。本發(fā)明的顯著優(yōu)勢(shì)在于只用有限類(lèi)別的訓(xùn)練數(shù)據(jù)來(lái)提取不限類(lèi)別的圖像相機(jī)源特征，并能快速的解決大規(guī)模背景下的雙盲相機(jī)源檢測(cè)問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及一種一種大規(guī)模雙盲相機(jī)源檢測(cè)方法，屬于圖像信號(hào)處理、數(shù)字取證、機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域。

背景技術(shù)

數(shù)碼圖像是當(dāng)今應(yīng)用最為廣泛的信息載體。人們通過(guò)各種拍攝設(shè)備記錄場(chǎng)景事件，并借助互聯(lián)網(wǎng)來(lái)實(shí)現(xiàn)快速、便捷的新聞發(fā)布和交流。數(shù)碼圖像和視頻能夠極大的提高人們獲取信息的效率，但同時(shí)其發(fā)布源和權(quán)威性難以得到有效的保障，并造成了一系列的社會(huì)問(wèn)題，如版權(quán)糾紛，新聞偽造，電信詐騙等等。隨著圖像和視頻形式的交流和溝通日益增多，人們迫切的希望有一種有效的圖像認(rèn)證手段，能夠保證數(shù)字圖像的來(lái)源與權(quán)威性。

一般來(lái)說(shuō)，解決圖像認(rèn)證問(wèn)題的途徑之一是相機(jī)源識(shí)別(camera sourceidentification,CSI)，即通過(guò)數(shù)字圖像中的視覺(jué)成分來(lái)分辨其中包含的拍攝設(shè)備特有的相機(jī)特征。作為圖像取證研究領(lǐng)域中的重要課題，相機(jī)源識(shí)別技術(shù)在近年來(lái)得到了越來(lái)越多的關(guān)注，并取得了一些較好的進(jìn)展。例如，借助不同相機(jī)鏡頭上的灰塵特有的分布，或是不同相機(jī)廠(chǎng)商使用不同的顏色插值算法，都能在一定程度上實(shí)現(xiàn)相機(jī)源識(shí)別。目前來(lái)說(shuō)，在諸多相機(jī)源識(shí)別技術(shù)中，光響應(yīng)非均勻噪聲(Photo-Respond Non-Uniformity noise，PRNU)得到了最廣泛的研究。其根據(jù)光感陣列中微弱的響應(yīng)誤差，來(lái)區(qū)分、辨識(shí)不同的拍攝設(shè)備所獲取的圖像。

然而，上述的相機(jī)源識(shí)別技術(shù)存在諸多限制，難以在真實(shí)的應(yīng)用場(chǎng)景下使用，例如鏡頭灰塵痕跡和光響應(yīng)非均勻噪聲特征在對(duì)于紋理和曝光復(fù)雜的圖像中難以有效的提取，而顏色插值算法難以區(qū)分同廠(chǎng)商同型號(hào)的不同相機(jī)。為追求更好的魯棒性，一些研究中采用數(shù)據(jù)驅(qū)動(dòng)的模型來(lái)解決相機(jī)源識(shí)別問(wèn)題，即利用大量標(biāo)注數(shù)據(jù)，借助機(jī)器學(xué)習(xí)技術(shù)，“學(xué)習(xí)”出一個(gè)逼近真實(shí)情況的相機(jī)源識(shí)別模型。隨著深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)在機(jī)器視覺(jué)領(lǐng)域的大放異彩，這種思路在成為相關(guān)領(lǐng)域的研究熱點(diǎn)。例如Baroffio等人提出了一個(gè)基于CNN的分類(lèi)深度網(wǎng)絡(luò)，成功訓(xùn)練出了一個(gè)能夠分類(lèi)33部相機(jī)的相機(jī)源識(shí)別模型；而Tuman也是基于類(lèi)似的思路，訓(xùn)練了一個(gè)相機(jī)品牌分類(lèi)模型，也取得了較好的效果。相比與傳統(tǒng)的啟發(fā)式的模型，這些基于學(xué)習(xí)的模型通常有更好的泛化效果。但是，這一類(lèi)方法的缺陷在于，他們把相機(jī)源識(shí)別問(wèn)題當(dāng)成了一個(gè)分類(lèi)問(wèn)題，而當(dāng)被識(shí)別圖像的相機(jī)源不在模型的訓(xùn)練數(shù)據(jù)中時(shí)，該類(lèi)方法就會(huì)失效。在現(xiàn)實(shí)情況中，相機(jī)的數(shù)量數(shù)不勝數(shù)，一個(gè)只能識(shí)別固定的若干部相機(jī)的模型是難以應(yīng)用于實(shí)際生產(chǎn)場(chǎng)景中的。

除此之外，當(dāng)前一些經(jīng)典的相機(jī)源識(shí)別的技術(shù)所設(shè)想的場(chǎng)景與實(shí)際應(yīng)用場(chǎng)景仍有差距，使得相關(guān)研究難以被直接應(yīng)用在真實(shí)生產(chǎn)當(dāng)中。在經(jīng)典的相機(jī)源識(shí)別技術(shù)中，通常是將其作為一個(gè)檢索問(wèn)題或是分類(lèi)問(wèn)題，即判斷兩張圖像是否是同一部相機(jī)所拍攝。而在實(shí)際生產(chǎn)中，往往是面臨一組相機(jī)源未知的圖像，且相機(jī)源的數(shù)量是未知的。對(duì)于這組圖像，我們希望能夠快速、準(zhǔn)確的解決兩個(gè)問(wèn)題，即該組圖像中有多少個(gè)不同的相機(jī)源，以及哪些圖像是由哪些相機(jī)拍攝。相比于傳統(tǒng)的特定圖像的相機(jī)源分類(lèi)/檢索研究，上述的場(chǎng)景顯然更加貼合實(shí)際。

針對(duì)經(jīng)典的相機(jī)源識(shí)別研究，在本方法中，我們將著力解決以下三個(gè)問(wèn)題：

1.基于數(shù)據(jù)驅(qū)動(dòng)的相機(jī)源特征提取，借助大量數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)得到更加魯棒的特征；

2.雙盲式的相機(jī)源識(shí)別算法，即在相機(jī)源數(shù)量未知、圖像與相機(jī)源的對(duì)應(yīng)關(guān)系未知的場(chǎng)景下，對(duì)一組大規(guī)模圖像的相機(jī)源進(jìn)行識(shí)別和分類(lèi)；

3.快速的相機(jī)源識(shí)別算法，即面對(duì)互聯(lián)網(wǎng)環(huán)境下的海量待識(shí)別圖像，能快速的得出相機(jī)源識(shí)別結(jié)果的算法。