[发明专利]基于多种特征和卷积神经网络的图像篡改区域检测方法

说明书

本发明涉及一种基于多种特征和卷积神经网络的图像篡改区域检测方法。本发明的目的是提供一种基于多种特征和卷积神经网络的图像篡改区域检测方法。本发明的技术方案是：一种基于多种特征和卷积神经网络的图像篡改区域检测方法，其特征在于：获取待检测图像：对待检测图像进行基于双重压缩痕迹特征的篡改检测；将待检测图像输入具有RGB流和噪声流双流输入的双流卷积篡改检测网络模型进行检测；对待检测图像进行基于图像匹配的复制‑粘帖检测；输出检测结果。本发明适用于数字图像取证领域。

技术领域

本发明涉及一种基于多种特征和卷积神经网络的图像篡改区域检测方法，适用于数字图像取证领域。

背景技术

图像是信息传输的重要媒介，以前，人们相信“眼见为实”，对自己亲眼看见的东西深信不疑。然而，随着Photoshop、GIMG等图像编辑软件技术的进步，图像编辑变得越来越容易，区分正常图像和修改过的图像不再简单，“眼见为实”不再适用于当今社会。大部分篡改的图像给社会带来的还只是良性的影响，但一些图像如果被恶意使用，会给社会稳定和国家安全带来严重的不良影响。如何检测图像是否经历过篡改成为当今社会亟待解决的问题。

一般来说，现有的图像篡改检测的方式主要包括基于手工特征和基于深度学习的篡改检测两种。基于手工特征的篡改检测方法大多基于篡改图像底层特征的分析，包括双重JPEG压缩痕迹、CFA色彩矩阵特征和局部噪声特征等，其中：基于双重JPEG压缩痕迹的方法通过预测DCT系数和量化因子的概率模型，可以发现不同区域的压缩程度的差异来检测局部的篡改区域；基于CFA的方法则基于篡改区域与未篡改区域来自不同的相机的假设，通过分析不同区域存在的不同相机的滤波阵列的统计特性来定位篡改区域；近年来，基于局部噪声特征的方法，如隐写丰富模型(Spatial Rich Model，SRM)在图像取证任务上展现了良好的性能。这些方法通过捕捉篡改区域和非篡改区域之间邻接像素的噪声特征的不连续性定位篡改区域。

基于手工特征的检测方法大多只能检测特定类型的篡改，随着深度学习在计算机视觉和图像处理任务中成功运用，人们也开始尝试用深度学习的方法来解决图像篡改检测的问题。应用于篡改检测的深度学习技术主要包括卷积神经网络、自编码器和长短期记忆网络(Long Short Term Memory，LSTM)等。Cozzolino等人在《Anewblind image splicingdetector》中将SRM特征与卷积神经网络融合，进一步发掘了SRM特征在篡改检测上的优良性能，他们也尝试将图像篡改任务作看异常检测任务，用基于自编码器的方法将编码器难以重建的部分定位为篡改区域，在文献《Single-image splicing localization throughautoencoder-based anomaly detection》提出了无监督的篡改检测。Salloum等人使用全卷积网络(Fully ConvolutionalNetworks，FCN)的框架来自动预测图像中的篡改区域，在文献《Image splicing localization using amulti-task fully convolutionalnetwork》中提出了用边界块引导FCN去关注篡改的边缘。Bappy等人在文献《Exploitingspatial structure for localizing manipulated image regions》中第一次将LSTM运用于篡改检测网络，将图像块划分成图像块输入网络，检测篡改图像块和非篡改图像块之间的篡改痕迹。除此之外，Peng等人在文献《Learning Rich Features forImageManipulation Detection》中提出了一个双流篡改检测模型，该模型从RGB流和噪声流提取到了丰富的篡改特征的表达，实现了拼接、复制-粘贴和局部去除多种图像篡改类型的检测。

在现有技术中，基于手工特征的方法大多只能检测特定类型的篡改，因此无法适用于实际检测的需求，基于深度学习的方法可以直接从像素层提取通用的特征，可以检测多种类型的图像篡改，但由于其依赖于训练数据，在检测的精确率上低于一些鲁棒的手工特征。

发明内容