[發(fā)明專利]基于圖像塊多樣性選擇和殘差預(yù)測(cè)模塊的源相機(jī)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010137617.3
• 申請(qǐng)日: 2020-03-02
• 公開（公告）號(hào): CN111353504B
• 公開（公告）日: 2023-05-26
• 發(fā)明（設(shè)計(jì)）人: 劉云霞;鄒澤宇;張文娜;陳月輝;楊陽
• 申請(qǐng)（專利權(quán)）人: 濟(jì)南大學(xué)
• 主分類號(hào): G06V10/26
• 分類號(hào): G06V10/26;G06V10/762;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 李琳

本公開提供了一種基于圖像塊多樣性選擇和殘差預(yù)測(cè)模塊的源相機(jī)識(shí)別方法，將數(shù)據(jù)庫圖像劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；將原始圖像分割成大小一定的圖像塊，從每張訓(xùn)練圖像中分割得到的所有圖像塊中選取部分有代表性的小圖像塊作為訓(xùn)練數(shù)據(jù)；構(gòu)建殘差預(yù)測(cè)模塊，并利用其降低圖像內(nèi)容對(duì)相機(jī)特征的影響；對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，去掉兩個(gè)全連接層，使用一個(gè)全局平均池化層和一個(gè)全連接層，形成改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)模型；將處理后的殘差圖像輸入至改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行訓(xùn)練，進(jìn)而進(jìn)行源相機(jī)識(shí)別；能夠?qū)D像塊進(jìn)行有效的源相機(jī)識(shí)別。

技術(shù)領(lǐng)域

本公開屬于源相機(jī)識(shí)別技術(shù)領(lǐng)域，涉及一種基于圖像塊多樣性選擇和殘差預(yù)測(cè)模塊的源相機(jī)識(shí)別方法。

背景技術(shù)

本部分的陳述僅僅是提供了與本公開相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

在圖像取證任務(wù)中，源相機(jī)識(shí)別一直是備受關(guān)注的重點(diǎn)問題。源相機(jī)識(shí)別的目的是確定用于獲取未知來源的數(shù)字圖像的源相機(jī)。對(duì)于某一特定的相機(jī)，所拍攝的圖像在成像時(shí)會(huì)受到設(shè)備所特有的成像特征的影響，如相機(jī)模式噪聲、鏡頭像差等。此外，相機(jī)內(nèi)部的芯片對(duì)采集到的圖像信息采用一定的處理方法，如白平衡、對(duì)比度飽和度設(shè)置等，也會(huì)對(duì)最終的成像有所影響。以上兩類特征隨相機(jī)種類的不同而不同，都會(huì)在最終的圖像中留下微弱的痕跡，這是源相機(jī)識(shí)別的重要依據(jù)。由于相機(jī)內(nèi)部的操作是不可逆的，并且相機(jī)留下的痕跡相對(duì)穩(wěn)定，因此可以利用圖像中留下的痕跡進(jìn)行源相機(jī)識(shí)別。

Luca?Bondi等人首次將卷積神經(jīng)網(wǎng)絡(luò)(CNN)應(yīng)用于源相機(jī)識(shí)別領(lǐng)域。他們通過卷積神經(jīng)網(wǎng)絡(luò)提取相機(jī)模型特征并用支持向量機(jī)進(jìn)行分類，可以預(yù)測(cè)整幅圖像的相機(jī)模型類別，然而該方法對(duì)在圖像塊上的相機(jī)模型識(shí)別效果不好。并且，源相機(jī)的特征非常微弱，容易受到圖像場景內(nèi)容的影響。而卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力比較強(qiáng)大，所以在提取源相機(jī)特征時(shí)，可能會(huì)提取到部分圖像內(nèi)容信息，掩蓋源相機(jī)特征，導(dǎo)致結(jié)果不夠理想。

發(fā)明內(nèi)容

本公開為了解決上述問題，提出了一種基于圖像塊多樣性選擇和殘差預(yù)測(cè)模塊的源相機(jī)識(shí)別方法，本公開能夠有效降低圖像內(nèi)容對(duì)相機(jī)特征提取的影響，并通過提升圖像塊內(nèi)容的多樣性進(jìn)一步提升卷積神經(jīng)網(wǎng)絡(luò)對(duì)源相機(jī)識(shí)別的特征提取效果。

根據(jù)一些實(shí)施例，本公開采用如下技術(shù)方案：

一種基于圖像塊多樣性選擇和殘差預(yù)測(cè)模塊的源相機(jī)識(shí)別方法，包括以下步驟：

將數(shù)據(jù)庫圖像劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

將原始圖像分割成大小一定的圖像塊，從每張訓(xùn)練圖像中分割得到的所有圖像塊中選取部分有代表性的小圖像塊作為訓(xùn)練數(shù)據(jù)；

構(gòu)建殘差預(yù)測(cè)模塊，并利用其降低訓(xùn)練數(shù)據(jù)中圖像內(nèi)容的影響；

對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，去掉兩個(gè)全連接層，使用一個(gè)全局平均池化層和一個(gè)全連接層，形成改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)模型；

將處理后的殘差圖像輸入至改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行訓(xùn)練；

利用驗(yàn)證集對(duì)訓(xùn)練結(jié)果進(jìn)行驗(yàn)證，不斷訓(xùn)練，直到滿足驗(yàn)證標(biāo)準(zhǔn)；

利用最終的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試集的圖像進(jìn)行源相機(jī)識(shí)別。

作為可選擇的實(shí)施方式，進(jìn)行數(shù)據(jù)庫圖像劃分時(shí)，在源相機(jī)模型數(shù)據(jù)集劃分中，剔除只有一部相機(jī)設(shè)備的相機(jī)模型，以保證測(cè)試集中出現(xiàn)的相機(jī)設(shè)備沒有在訓(xùn)練集和驗(yàn)證集中出現(xiàn)；通過圖像的場景內(nèi)容劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，保證訓(xùn)練集、驗(yàn)證集和測(cè)試集中的場景不一致。

在源相機(jī)品牌數(shù)據(jù)集劃分中，首先，剔除只有一種相機(jī)模型的相機(jī)品牌，然后通過圖像的場景內(nèi)容劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。在源相機(jī)設(shè)備數(shù)據(jù)集劃分中，使用了數(shù)據(jù)庫中所有的相機(jī)設(shè)備。然后通過圖像的場景內(nèi)容劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，保證訓(xùn)練集、驗(yàn)證集和測(cè)試集中的場景不一致。