[發(fā)明專利]一種基于雙通道U-Net模型的圖像篡改檢測(cè)方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202011049114.7
• 申請(qǐng)日: 2020-09-29
• 公開(kāi)（公告）號(hào): CN112150450B
• 公開(kāi)（公告）日: 2021-03-16
• 發(fā)明（設(shè)計(jì)）人: 崔曉暉;丁紅衛(wèi);樸楊鶴然;陶啟;趙坤
• 申請(qǐng)（專利權(quán)）人: 武漢大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06K9/62
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 王琪

本發(fā)明提出了一種基于雙通道U?Net模型的圖像篡改檢測(cè)方法和裝置，以克服現(xiàn)有技術(shù)不能有效識(shí)別篡改區(qū)域、不能識(shí)別篡改類型和篡改檢測(cè)技術(shù)單一的問(wèn)題。本發(fā)明提出的U?Net模型是經(jīng)過(guò)改進(jìn)后的U?Net模型，改進(jìn)后的模型增加了Res?Block結(jié)構(gòu)模塊、特征融合模塊和Res?Dilated模塊，以提高特征的使用效率和降低信息損失，同時(shí)解決編碼器中的低維特征和解碼器中高維特征間存在的語(yǔ)義鴻溝。本發(fā)明解決了傳統(tǒng)人工提取特征單一性和主觀性的缺陷，通過(guò)深層網(wǎng)絡(luò)提取的特征具有更強(qiáng)的魯棒性和泛化能力，不僅可以有效的檢測(cè)圖像的篡改類型，還能有效的定位篡改區(qū)域。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)應(yīng)用技術(shù)領(lǐng)域，特別涉及一種安全的主動(dòng)式圖像篡改檢測(cè)方法及裝置。

背景技術(shù)

多媒體信息，如數(shù)字圖像，經(jīng)常用于許多重要場(chǎng)合，如刑事調(diào)查和軍事場(chǎng)景中的證據(jù)。然而，隨著數(shù)字圖像編輯工具的可用性和普及性，這些信息很容易被修改或篡改，不會(huì)留下任何修改的視覺(jué)痕跡。在篡改技術(shù)中，剪接、拷貝移動(dòng)和刪除是最常見(jiàn)的操作。圖像拼接是將真實(shí)圖像中的區(qū)域復(fù)制并粘貼到其他圖像中，復(fù)制移動(dòng)是復(fù)制并粘貼同一圖像中的區(qū)域，刪除是將真實(shí)圖像中的區(qū)域擦除并進(jìn)行修補(bǔ)。高效的篡改技術(shù)，即使仔細(xì)檢查也很難識(shí)別被篡改的區(qū)域。因此，在多媒體取證中，由于偽造圖像與原始圖像具有很強(qiáng)的相似性，圖像操縱檢測(cè)成為一項(xiàng)非常重要且具有挑戰(zhàn)性的任務(wù)。

為了確定數(shù)字圖像的真實(shí)性，大多數(shù)最先進(jìn)的圖像處理檢測(cè)方法都利用了三個(gè)主要類別的檢測(cè)器，這些檢測(cè)器分別為：基于特征描述符或頻域特征、基于不一致的偽影或噪聲和基于雙重JPEG壓縮。然而，這些方法大多集中在單一的篡改技術(shù)上。由于每種檢測(cè)算法只針對(duì)一種特定的圖像屬性，當(dāng)這種屬性不明顯或不存在時(shí)，會(huì)出現(xiàn)檢測(cè)失效的情況。例如，當(dāng)被篡改圖像和篡改圖像產(chǎn)自相同品牌和模型的成像設(shè)備時(shí)，它們具有相同的噪聲信息，那么基于圖像本質(zhì)屬性的檢測(cè)方法就會(huì)失效；另外，當(dāng)使用圖像拼接檢測(cè)去識(shí)別圖像刪除操作也可能會(huì)失效。

目前，基于卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)算法可實(shí)現(xiàn)不依賴于圖像單一屬性的圖像篡改檢測(cè)，彌補(bǔ)了傳統(tǒng)算法依賴于圖像單一屬性、適用度不高等缺陷。大多數(shù)基于卷積神經(jīng)網(wǎng)絡(luò)的圖像篡改檢測(cè)算法主要是對(duì)圖像中的每個(gè)塊進(jìn)行判斷分類來(lái)得到最終檢測(cè)結(jié)果，缺少利用圖像上下文中的特征關(guān)聯(lián)信息進(jìn)行匹配和判斷的條件(圖像中的上下文關(guān)聯(lián)信息是圖像篡改檢測(cè)中較為重要的部分)，導(dǎo)致最終檢測(cè)結(jié)果難以達(dá)到理想狀況。同時(shí)，這些方法都是由多個(gè)階段操作混合完成的，具有較高的時(shí)間復(fù)雜度。

發(fā)明內(nèi)容

為了解決現(xiàn)有的技術(shù)問(wèn)題，本發(fā)明提出了一種基于雙通道U-Net模型的圖像篡改檢測(cè)方法和裝置，以克服現(xiàn)有技術(shù)不能有效識(shí)別篡改區(qū)域、不能識(shí)別篡改類型和篡改檢測(cè)技術(shù)單一的問(wèn)題，并且本發(fā)明提出的U-Net模型是經(jīng)過(guò)改進(jìn)后的U-Net模型。改進(jìn)后的模型增加了Res-Block結(jié)構(gòu)模塊、特征融合模塊和Res-Dilated模塊，以提高特征的使用效率和降低信息損失，同時(shí)解決編碼器中的低維特征和解碼器中高維特征間存在的語(yǔ)義鴻溝。

為了解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案如下：一種基于U-Net模型的篡改檢測(cè)方法，包括如下步驟，

步驟S1，選取若干未經(jīng)處理過(guò)的圖像作為原始圖像，進(jìn)行圖像篡改操作處理，從而得到篡改后的圖像；

步驟S2，對(duì)于步驟S1中的每個(gè)篡改圖像進(jìn)行金標(biāo)準(zhǔn)Ground Truth圖像繪制；

步驟S3，對(duì)篡改圖像使用空域富模型SRM方法提取噪聲圖像；

步驟S4，構(gòu)建雙通道U-Net模型，所述雙通道U-Net模型包括兩個(gè)通道，通道1為U-Net模型，包括編碼器和解碼器結(jié)構(gòu)，輸入為篡改圖像，通過(guò)編碼器提取篡改圖像的RGB特征，然后通過(guò)解碼器的二分類輸出定位篡改圖像區(qū)域；通道2是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型，輸入為噪聲圖像，前面是卷積層和池化層，用于篡改噪聲特征的提取，后面連接全連接層和分類預(yù)測(cè)層，用于預(yù)測(cè)被篡改的種類；其中，解碼器的輸入為噪聲特征與編碼器輸出特征的結(jié)合；