[发明专利]一种基于特征融合的数字图像相机源模型分类方法

权利要求书

1.一种基于特征融合的数字图像相机源模型分类方法，其特征在于：包括以下步骤：

S1：对训练集和验证集中的大图进行随机分块，生成的小块标签与大图标签一致；

S2：用训练集小块训练CNN作为分块图像的特征表达，选取在验证集上平均分类准确度最高的模型作为CNN特征提取器；

S3：再次对训练集和验证集的大图进行切块，每个小块按照其亮度、纹理复杂度计算其可信度，形成可信度矩阵并且记录每个小块在大图中的位置；

S4：将训练集和验证集中每张大图的小块输入到CNN特征提取器中得到分类图像对应分块图像的CNN特征，按照小块在大图中的位置以及小块的可信度进行特征融合，得到训练集和验证集融合后的特征；

S5：用训练集和验证集融合后的特征训练SVM，即支持向量机作为分类器，判断分类器在验证集的平均分类准确度是否不再上升，如果分类器的准确度持续提高，则继续训练；如果分类器的准确度不再提高，则结束训练，得到分类器；

S6：将目标图像通过CNN特征提取器提取特征，特征融合后导入分类器中，进行分类；

其中，步骤S3中所述的可信度矩阵，其构建方式如下：

S31：根据图像小块的亮度、纹理复杂度，通过亮度函数和纹理复杂度函数分别计算，得到亮度系数和纹理复杂度；

S32：将得到的亮度系数和纹理复杂度按照一定比例相加得到该小块的可信度；

S33：将得到的小块可信度按照其在大图中的位置组成可信度矩阵。

2.根据权利要求1所述的一种基于特征融合的数字图像相机源模型分类方法，其特征在于：步骤S2中所述的CNN特征提取器的第一个卷积层由30个5x5的卷积核构成，使用richmodel，即图像隐写分析人工特征集进行初始化。

3.根据权利要求1所述的一种基于特征融合的数字图像相机源模型分类方法，其特征在于：步骤S5中所述的SVM的训练方法为：把融合特征拉成一维特征并进行归一化处理，使得每张大图对应一个一维特征，则训练集所有图像得到的一维特征组成特征矩阵，所有类别两两之间训练为SVM分类器。

4.根据权利要求3所述的一种基于特征融合的数字图像相机源模型分类方法，其特征在于：步骤S4中所述的特征融合，包括以下步骤：

S41：对待分类图像对应分块图像的CNN特征沿着频道数的维度进行平均，得到维度平均后的特征；

S42：将平均后的特征进行池化，得到一个降维后的特征；

S43：将降维后的特征按照小块在大图中的坐标拼接到原位，形成一个由小块特征拼接成的大特征图；

S44：将得到的大特征图与所述可信度矩阵逐元素相乘，得到融合后的特征。

5.根据权利要求3所述的一种基于特征融合的数字图像相机源模型分类方法，其特征在于：所述亮度系数的计算公式为：

其中，对于长宽为n的小块而言，所述x_i,j为小块坐标(i,j)的像素值，x_best为最适合相机源识别时的像素值，取值在225～230之间；

所述纹理复杂度的计算公式为：

其中，所述x_i,j为小块坐标(i,j)的像素值，是小块内所有像素的平均值；

可信度计算公式为：

F_reliable＝(1-α)F_intensity+αF_texture

其中α取0.5。