[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

说明书

本发明提供一种基于特征融合的数字图像相机源模型分类方法，该方法基于深度卷积神经网络CNN，设计了一种针对相机源模型的定制化神经网络结构，主要包括：采用图像隐写分析人工特征集中的30个基本滤波器初始化CNN网络第一层，以生成具有显著表征能力的残差特征图；在训练样本图像较少的情况下，通过将样本图像随机分块来扩充数据量，并训练CNN作为分块图像的特征表达；对待分类图像对应分块图像的CNN特征按位置、亮度、纹理复杂度进行特征融合，并以支持向量机进行分类判决。本专利基于深度卷积网络和多位置特征融合，通过对样本图像全局、位置、亮度和纹理信息的综合利用，有效提升了相机模型分类准确度。

技术领域

本发明涉及图像取证领域，更具体的，涉及一种基于特征融合的数字图像相机源模型分类方法。

背景技术

卷积神经网络(CNN)是一种常见的深度学习架构，受生物自然视觉认知机制启发而来。CNN能够得出原始图像的有效表征，这使得CNN能够直接从原始像素中，经过极少的预处理，识别视觉上面的规律。然而，由于当时缺乏大规模训练数据，计算机的计算能力也跟不上，浅层CNN对于复杂问题的处理结果并不理想。2006年起，人们设计了很多方法，想要克服难以训练深度CNN的困难。其中，最著名的是Krizhevsky et al.提出了一个经典的CNN结构AlexNet，并在图像识别任务上取得了重大突破。AlexNet取得成功后，研究人员又提出了其他的完善方法，其中最著名的要数ZFNet,VGGNet,GoogleNet和ResNet这四种。从结构看，CNN发展的一个方向就是层数变得更多，通过增加深度，网络便能够利用增加的非线性得出目标函数的近似结构，同时得出更好的特性表征。

因为卷积神经网络的可迁移性，许多用于图像识别任务的网络都被运用到各大领域中，并取得不俗的效果。对于图像取证领域，利用卷积神经网络代替传统的手工特征和简单机器学习分类的做法已经不新鲜。在相机源识别方面，传统方法主要靠提取图像的特征组成特征向量来定义一个相机模型或设备，比如Kharrazi等人提出通过提取数字图像的IQM(Image Quality Metrics)，Gloe等人在Kharrazi的特征基础上加上不同颜色通道的像素均值之间的依赖关系作为扩展后的特征，Guanshuo Xu等人提出的LBP(Local binaryPattern)算子用于提取图像的特征。提取这些特征的过程中人为地丢弃了大量的图像信息，使得这些特征并不能完整地代表相机源的信息，因此这些人工特征的识别率有限。因此，Luca Bondi等人将卷积神经网络应用到相机源识别领域，利用卷积神经网络强大的表达能力，跳过人工提取特征的阶段，直接将原始图像中关于相机源的有效高维特征提取出来，实现了比人工特征更高的分类准确度。

为了训练一个有效的CNN，必须获取大量训练图像，上述方法为了解决训练集中每个型号的照片数量过少的问题，为了扩充数据集，对图像切块后输入CNN中进行分类后，对一张大图中所有图像块的分类结果进行投票决策，得票最多的类别作为分类的最终类别。这种投票决策的方法对于所有小块的分类结果给予同等的信赖程度，但是实际上由于图像亮度、纹理的影响，某些小块的分类结果并不可信，投票决策方法会提高误判率。

发明内容

本发明为克服上述现有技术在对相机源模型分类过程中，由于图像亮度、纹理的影响使得某些小块的分类结果并不可信，从而降低分类的准确度的技术缺陷，提供一种基于特征融合的数字图像相机源模型分类方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于特征融合的数字图像相机源模型分类方法，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；