[发明专利]一种基于源相机识别的图像拼接篡改检测与定位方法

权利要求书

1.一种基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，包括以下步骤：

基于卷积神经网络构建用于提取源相机噪声特征的特征提取器；

将待测图像划分为满足卷积神经网络输入尺寸的图像块并预处理后，利用所述特征提取器提取图像块的源相机噪声特征；

基于源相机噪声特征对所有图像块进行聚类，以确定源图像类和篡改区域类，并对篡改区域类中的图像块进行干扰图像剔除后，依据篡改区域类中的图像块占待测图像的比例来判断待测图像是否为篡改图像，对应的篡改区域类中的图像块为篡改区域。

2.如权利要求1所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，构建特征提取器时，获取带有相机标签的训练图像，将训练图像划分为满足卷积神经网络输入尺寸的图像块，并依据图像块的置信度筛选获取置信度满足需求的图像块作为训练样本，并采用SRM滤波器对训练样本提取残差噪声后，将提取的残差噪声输入至卷积神经网络，对由卷积层、全连接层以及softmax层组成的卷积神经网络进行训练，训练结束后，提取卷积层、全连接层组成用于提取源相机噪声特征的特征提取器。

3.如权利要求1所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，在训练卷积神经网络之前，每层神经网络的权重W的初始化分布如下所示：

其中，n_in和n_out分别代表每层神经网络的输入数据个数和输出数据个数，表示在区间到上的均匀分布。

4.如权利要求1～3任一项所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，所述图像块的尺寸为32*32，训练卷积神经网络时，损失函数L_total为：

L_total＝L_{cross_entropy}+L₂

其中，L_{cross_entropy}为训练样本对应的预测值与相机标签的交叉熵，L₂为对全连接层参数所作的L2正则化产生的损失。

5.如权利要求1所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，基于源相机噪声特征对所有图像块进行K-means聚类，将数量最大的一类确定为源图像类，其余类确定为篡改区域类。

6.如权利要求1所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，所述对篡改区域类中的图像块进行干扰图像剔除包括：

针对篡改区域类中的每个图像块，计算每个图像块与源图像类中所有图像块的质心之间的相异度，并将相异度小于相异度阈值的图像块从篡改区域类剔除，并增加到源图像类中。

7.如权利要求1或6所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，所述对篡改区域类中的图像块进行干扰图像剔除包括：

针对篡改区域类中的每个图像块，将置信度低于置信度阈值的图像块从篡改区域类剔除，并增加到源图像类中。

8.如权利要求1或6或7所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，所述对篡改区域类中的图像块进行干扰图像剔除包括：

针对篡改区域类中的每个图像块，若与图像块相邻的其他图像块不存在于篡改区域类中，也就是图像块单独存在于篡改区域类中，则将该图像块从篡改区域类剔除，并增加到源图像类中。

9.如权利要求1或8所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，针对干扰图像剔除后的篡改区域类，计算篡改区域类中的图像块占待测图像的比例，当该比例大于比例阈值时，则判断该待测图像是为篡改图像，该篡改图像对应的篡改区域类中的图像块为篡改区域。

10.如权利要求1～9任一项所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，构建篡改图像集，具体过程为：读取来源于两个相机型号的图像分别作为源图像和目标图像，从目标图像上截取一块矩形内的某个物体作为篡改内容，并将该篡改内容移动到源图像的某个位置，得到的新图像为篡改图像，同时记录篡改图像的篡改区域，并保存篡改信息；

利用篡改图像集测试权利要求1～9任一项所述的基于源相机识别的图像拼接篡改检测与定位方法的篡改检测与定位效果。