專利名稱：一種針對拼接篡改的數(shù)碼照片偽造檢測方法
技術領域：
本發(fā)明屬于數(shù)字圖像取證技術領域，具體涉及一種針對拼接篡改的數(shù)碼照片偽造檢測方法。
背景技術：
隨著電子、計算機、信息等技術的發(fā)展，近些年來數(shù)碼相機幾乎已經(jīng)完全取代了原有的膠片相機成為我們手中不可缺少的影像記錄設備。數(shù)碼相機所拍攝的數(shù)碼照片不僅易于儲存而且還易于修改，用戶通過Photoshop, iPhoto, AcDsee等工具可以輕松的修改自己所拍攝的數(shù)碼照片從而達到增強視覺效果的目的。然而數(shù)碼照片的這種特性是一把雙刃劍，在為我們的生活帶來便捷和快樂的同時也帶來了一個我們不得不面對的問題一數(shù)碼照片的篡改偽造。例如，2006年CCTV評選出的年度十大新聞圖片《青藏鐵路為野生動物開辟生命通道》的圖片被網(wǎng)友指出存在篡改疑點。后經(jīng)調(diào)查，圖片拍攝者承認該圖確系使用Photoshop處理合成的。2007年10月，陜西省安康市鎮(zhèn)坪縣城關鎮(zhèn)文彩村村民周正龍用數(shù)碼相機記錄了野生華南虎的存在，為此陜西省林業(yè)廳迅速組織有關專家進行鑒定，認為這組照片是真實的，并給予村民周正龍2萬元獎勵，然而隨著照片的公布，公眾質(zhì)疑聲四起，最后經(jīng)過調(diào)查確認照片系偽造，2008年6月，陜西省監(jiān)察機關對省林業(yè)廳和鎮(zhèn)坪縣13 名相關公務人員做出了嚴肅處理。2010年在美國墨西哥灣漏油事件中，據(jù)英國《每日郵報》 報道，英國石油公司位于得克薩斯州休斯敦市的清理漏油指揮中心，被譴責修改工作照片， 制造工作人員繁忙的假象。更有甚者，在一些科學論文中也出現(xiàn)數(shù)據(jù)和圖片的篡改，這成為學術不端行為的新現(xiàn)象。2006年美國科學家邁克爾·羅伯茨就承認自己發(fā)表在《科學》雜志上的一項研究報告中的老鼠胚胎照片屬于造假。一次次虛假圖片新聞以及學術造假的曝光，使得對包括數(shù)碼照片在內(nèi)的數(shù)字媒體信息進行真實性和完整性驗證成為維護信息產(chǎn)業(yè)健康持續(xù)發(fā)展所亟待解決的關鍵問題之一。數(shù)碼照片偽造檢測技術是指對數(shù)碼照片的篡改偽造進行分析、鑒別和認證，是數(shù)字圖像取證技術中的一個重要研究領域，該技術涉及信號處理、計算機應用、成像技術、模式識別等多個學科領域，是信息安全和多媒體處理的前沿研究課題。開展這一課題研究，不僅是對多學科交叉融合的促進，在技術上具有重大的理論意義和應用價值，同時也是對于確保當今信息社會公共信任秩序、打擊犯罪、維護司法公正和人類誠信具有十分重要的政治、經(jīng)濟意義。由于現(xiàn)代數(shù)碼照片偽造的方法很多，Hany Farid將偽造手段分成六類，其中合成篡改偽造(由兩幅或多幅數(shù)碼照片通過復制其中一幅中的某一部分粘貼到另一幅照片中以造成某種假象，通常稱之為拼接篡改偽造；或者把一幅照片的某一部分復制-粘貼到這一幅照片的另一部分上，以此來隱藏重要目標，通常稱之為Copy-Move篡改偽造)是數(shù)碼照片偽造中最常用的手段，同時也是目前研究最多和最熱的一個研究方向。在過去的幾年中，國內(nèi)外的高校和研究機構已經(jīng)做了大量的研究，提出了許多不同的富有特色的數(shù)碼照片偽造檢測算法?？偟膩碚f，這些針對數(shù)碼照片合成篡改偽造的檢測算法可以分為以下三類Copy-Move偽造檢測算法。該檢測算法針對的是非法者把一幅照片的某一部分復制-粘貼到同一幅照片另一部分的非法篡改偽造行為。Copy-Move篡改偽造的照片， 其主要特點是照片中的復制區(qū)域和相對應的粘貼區(qū)域基本上相似。基于這個特點，可以通過尋找照片中存在的相似區(qū)域來檢測照片的偽造痕跡。窮舉搜索法是一個顯然的解決方法，其特點是算法簡單，易于實現(xiàn)，但是運算量大是它的缺點。針對此缺點，許多文獻提出了各種數(shù)據(jù)降維的方法進行算法改進，如Fridrich在題為“Detection of copy-move forgery in digital images，， (Proceedings of Digital Forensic Research Workshop, Cleveland, OH, USA, 2003)的文中把對照片像素的點操作轉化為塊操作，提出了一種對照片塊的DCT量化系數(shù)進行字典排序的算法來檢測照片復制偽造區(qū)域。Popescu在題為 “Exposing Digital Forgeries by Detecting Duplicated Image Regions，， (Technical Report TR2004-5I5, Department of Computer Science, Dartmouth College,2004)的文中使用主成分分析PCA (Principal Component Analysis)的特征向量作為照片塊的描述，以減少特征空間的維數(shù)。駱偉祺等在題為“魯棒的區(qū)域復制圖像篡改檢測技術”(計算機學報，2007，Vol. 30(11) =1998-2007) 一文中提出將照片分解為小塊并比較它們的相似性，最后利用“主轉移向量”方法去除錯誤的相似塊對得到篡改的區(qū)域。吳瓊等在題為“基于小波和奇異值分解的圖像復制偽造區(qū)域檢測”(小型微型計算機系統(tǒng)，2008， Vol. 29 (4) =730-733) 一文中則提出了通過小波和奇異值分解進行特征降維的照片復制區(qū)域檢測算法。張靜等在題為“基于像素匹配的圖像復制-粘貼篡改檢測算法”(天津大學學報，2009，Vol. 42 (8) =713-720) 一文中提出先對照片進行DWT分解再利用相位相關技術進行檢測。Aaron Langille 等在題為 “An efficient match-based duplication detection algorithm，，(Proceedings of the 3rdCanadian Conference on Computer and Robot Vision (CRV，06), IEEE Computer Society, Washington, DC, USA, 2006) 一文中提出基于KD樹的特征匹配快速搜索算法。Hwei J. Lin等在題為“Fast copy-move forgery detection，，(WSEAS Transactions on Signal Processing, 2009, Vol. 5(5) 188-197) 一文中提出基于基分類(radix sort)的檢測算法。由于實際的Copy-Move篡改偽造操作中往往還伴隨旋轉、放大、縮小等各種變換，因此為了增加檢測算法的魯棒性，王睿等在題為“基于不變矩的Copy-Move型篡改圖像盲檢測方法”(中國圖象圖形學報，2008，Vol. 13(10) 1938-1941) 一文中提出一種具有旋轉、鏡像以及縮放不變性的不變矩特征進行照片篡改偽造檢測。Hailing Huang 等在題為 “Detection of copy-move forgery In digital images using sift algorithm，，(Proceedings of the 2008IEEE Pacific-Asia Workshop on Computational Intelligence and Industrial Application, Washington, DC, USA, 2008, pp. 272-276) 一文中提出利用對旋轉、尺度變換魯棒的SIFT特征進行篡改偽造檢測。 Sevinc Bayram 等在題為 “An efficient and robust method for detecting copy-move forger，， (Proceedings of the 2009 IEEE International Conference on Acoustics, Speech and Signal Processing, Washington, DC, USA, 2009, pp. 1053-1056) —文中米用 Fourier-Mellin變換進行旋轉、尺度變換魯棒的特征提取實現(xiàn)數(shù)碼照片的偽造檢測。照片拼接偽造檢測算法。該檢測算法針對的是非法者把一幅照片的某一部分復制-粘貼到另一幅照片中以造成某種假象的非法篡改行為。照片拼接偽造，其主要特點是照片中的拼接行為會造成照片中某種特征的不連續(xù)性?；谶@個特點，通過識別照片特征不連續(xù)性行為就可以進行偽造檢測。如魏為民等在題為“利用JPEG塊效應不一致性的合成圖像盲檢測”(中國圖象圖形學報，2009，Vol. 14(11) :2387-2390) —文中提出將照片圖像與Laplacian模板卷積得到二階差分照片圖像，沿水平(垂直)方向平均后進行離散Fourier變換得到歸一化的頻譜，并基于頻譜幅值構造JPEG塊效應測度進行照片拼接檢測。J. Dong 等在題為 “Run-length and edge statistics based approach for image splicing detection” (Digital Watermarking, IffDff 2008, Busan, Korea, November, 2008, pp. 76-87) 一文中提出利用拼接照片像素之間的相關和一致性行為的缺失作為特征，然后利用SVM進行分類和偽造檢測。Zhou Zhi-ping等在題為“Image Splicing detection based on image quality and analysis of variance，，(Proceedings of the 2nd International Conforence on Education Technology and Computer (ICETC),2010, PP. 242-246) —文中提出利用拼接照片中照片質(zhì)量的不一致性進行拼接篡改偽造檢測。 YuFeng Hsu 等在題為 “Image splicing detection using camera response function consistency and automatic segmentation”(ICME, 2007, pp. 28-31) —文中提出從幾何不變量中估計相機響應函數(shù)(camera response function)進行檢測。Johnson等在題為 “Exposing digital forgeries by detecting inconsistencies in lighting，， (Proc. ACM Multimedia and Security Workshop, New York, NY, 2005, pp. 1-10) 一文中提出對照片圖像提取閉合邊界，沿著對象閉合邊界分成若干局部塊，估計局部塊的二維光源方向，然后根據(jù)光源方向是否一致來檢測照片偽造情況。Ng在題為“A model for image splicing，， (Proceedings of 2004 International Conference on Image Processing, Singapore, 2004, pp. 1169-1172) 一文中首先使用雙相干幅度和相位特征進行拼接照片偽造檢測。數(shù)碼照片偽造通用檢測算法。雖然上面我們把數(shù)碼照片偽造技術分為Copy-Move 篡改偽造、照片拼接篡改偽造兩類并介紹了相對應的一些篡改偽造檢測算法，但在實際的篡改偽造中，不管是Copy-Move還是照片拼接篡改偽造都可能會導致一些照片特征出現(xiàn)變化。比如為了消除照片偽造在粘貼或拼接邊緣產(chǎn)生的視覺或統(tǒng)計上的畸變，偽造者通常會在照片粘貼或拼接后采用模糊、淡化、漸變等潤飾操作以消除偽造痕跡。另外照片偽造中旋轉也會導致重采樣操作的出現(xiàn)，粘貼或拼接也可能導致空間透視關系發(fā)生變化。針對這些特征的變化，有關研究人員提出了一些通用數(shù)碼照片偽造檢測算法，也就是說這些算法在Copy-Move和照片拼接偽造檢測中均可適用。如周琳娜等在題為“基于數(shù)字圖像邊緣特性的形態(tài)學濾波取證技術”(電子學報，2008，Vol. 36(6) :1047-1051) —文中利用同態(tài)濾波和數(shù)學形態(tài)學方法進行模糊處理檢測來實現(xiàn)照片偽造識別。王俊文等在題為“基于非抽樣 Contourlet變換的圖像模糊取證”(計算機研究與發(fā)展，2009，Vol. 46(9) :1549-1555) —文中利用非抽樣Contourlet變換對照片圖像邊緣點進行邊緣點分類，通過引入局部清晰度來區(qū)分人工模糊與離焦模糊，從而最終標定人工篡改偽造邊緣痕跡。YinCheng QI等在題為 “Blind detection of eclosion forgeries based on Curvelet image enhancement edge detection，， (Proceedings of International Conference on Multimedia and Signal Processing, 2011, pp. 316-320) —文中利用Curvelet變換進行照片增強,然后用Canny算子檢測模糊邊界實現(xiàn)偽造檢測。依據(jù)照片偽造中重采樣操作會對照片引入一種特殊的相關性或周期性特點，Popescu等在題為“Exposing digital forgeries by detecting traces of resampling，，(IEEE Transactions on Signal Processing, 2005, Vol. 53(2) :758-767) 一文中采用期望最大化(expectation maximization,EM)算法來檢測照片是否經(jīng)歷過重采樣操作。汪然等在題為“基于圖像紋理復雜度和奇異值分解的重采樣檢測”(計算機輔助設計與圖形學學報，2010，Vol. 22 (9) :1606-1612) —文中針對紋理復雜程度不同的子像素塊進行分析并以零奇異值個數(shù)和奇異值均值作為分類特征結合SVM進行重采樣檢測。王偉等在題為“基于有限差分的置換圖像盲檢測方法”(電子學報，2010，Vol. 38(10) :2268-2272) 一文中提出了一種利用有限差分算法來檢測周期特性的方法，利用該特性的異同實現(xiàn)了不同插值因子放大照片的偽造檢測。另外為了降低相機成本，目前大部分民用數(shù)碼相機采用CFA插值方法實現(xiàn)RGB三色的獲取，即民用數(shù)碼相機只采用一個感光器件(CCD或CM0S)，也就是說對于彩色照片中的每一個像素點的R、G、B三種基色，數(shù)碼相機只能采集到一種色彩，每個像素點位置采集什么顏色取決于彩色濾波器陣列(CFA, color filter arrays),并且同一像素點的另兩種基色只能通過該像素點周圍的其他點進行插值計算得到，即Xij = f ({r, g, b r, g, b e N5 (i, j)}) (I)上式中，Xij為數(shù)碼照片中像素點位置(i，j)處色彩缺失像素點的實際值，r, g，b 為以該(i，j)位置為中心的δ范圍內(nèi)的鄰域點對應的實際顏色值(即實際CCD或CMOS采樣所得的對應顏色值)，f為數(shù)碼相機采用的Bayer CFA插值函數(shù)。最常見的Bayer CFA結構如圖I所示，由圖I可以看出，CFA的排列結構具有周期性，同時由于插值函數(shù)的存在使得局部鄰域內(nèi)像素顏色值存在相關性。針對此特點，Popescu等在題為“Exposingdigital forgeries in color filter array interpolated images，，(IEEE Trans, on Signal Processing, 2005, Vol. 53 (10) 3948-3959) 一文中利用EM方法檢測CFA(Color Filter Array，顏色濾波陣列)插值周期性在頻譜中呈現(xiàn)的峰值點，并采用Fisher線性分類器進行分類實現(xiàn)偽造檢測。王波等在題為 “基于協(xié)方差矩陣的CFA插值盲檢測方法”(電子與信息學報，2009，Vol. 31 (5) :1175-1179) 一文中基于線性插值模型，利用協(xié)方差矩陣構建插值系數(shù)方程組，并將估計的插值系數(shù)構成特征向量空間，采用支持向量機作為分類工具，提出了一種對不同的CFA插值算法進行準確分類的檢測方法。針對照片普遍采用的JPEG壓縮，目前檢查JPEG壓縮格式的照片偽造主要途徑有兩個雙重JPEG壓縮和JPEG壓縮的塊效應。J. Fridrich等在題為“Estimation of primary quantization matrix in double compressed JPEG images，， (Proceedings of Digital Forensic Research Workshop, Cleveland, OH, USA, 2003) 一文中分析了 DCT 變換系數(shù)的直方圖在單次和兩次壓縮下的不同，給出了估計第一次壓縮時所使用的量化系數(shù)的兩種方法。鄭二功等在題為“針對一類JPEG圖像偽造的被動盲取證”(電子與信息學報，2010，Vol. 32(2) :394-399) —文中根據(jù)偽造區(qū)域與非偽造區(qū)域塊效應的不一致性，提出了一種簡單有效的偽造檢測算法。Weimin Wei等在題為“Estimation of image rotation angle using interpolation-related spectral signatures with application to blind detection of image forgery，，(IEEE Tran, on information forensics and security, 2010, Vol. 5(3) :507-517) —文中采用對偽造區(qū)域照片旋轉角度的計算實現(xiàn)照片偽造檢測。Matthew C. Stamm 等在題為 “Forensic detection of image manipulationusing statistical intrinsic fingerprints，，(IEEE Tran, on information forensics and security, 2010, Vol. 5(3) :492-506) —文中利用照片篡改偽造后的像素值映射圖作為內(nèi)部指紋實現(xiàn)了對對比度增強、直方圖均衡、JPEG壓縮導致的全局噪聲增加等篡改偽造時發(fā)生的特征變化進行檢測來判斷數(shù)碼照片偽造行為。

發(fā)明內(nèi)容
本發(fā)明提供了一種針對拼接篡改的數(shù)碼照片偽造檢測方法，通用性好、誤判少、偽造檢測效果更精確。一種針對拼接篡改的數(shù)碼照片偽造檢測方法，包括以下步驟(I)把彩色數(shù)碼照片分成R、G、B三個基色平面；(2)對于R、G、B三個基色平面中任一基色平面，獲取該基色平面的可疑篡改點集合(2. I)選取該基色平面上若干組的色彩缺失像素點對組成訓練樣本集，并用所述的訓練樣本集對徑向基函數(shù)(Radia-Basis Function, RBF)神經(jīng)網(wǎng)絡進行訓練，訓練完成后，獲取近似逼近函數(shù)；其中，每組色彩缺失像素點對由一個色彩缺失像素點和處在以該色彩缺失像素點為中心的周圍位置的8個鄰域點構成，所述的色彩缺失像素點按Bayer CFA模板的排列規(guī)定隨機選??；具體來說，對于R基色平面，所述的色彩缺失像素點取自于Bayer CFA模板中標記為B、G的像素點；對于G基色平面，所述的色彩缺失像素點取自于Bayer CFA模板中標記為R、B的像素點；對于B基色平面，所述的色彩缺失像素點取自于Bayer CFA模板中標記為R、G的像素點；(2. 2)取該基色平面上所有組的色彩缺失像素點對組成測試樣本集，對于測試樣本集中每組色彩缺失像素點對，將8個鄰域點對應的實際顏色值代入近似逼近函數(shù)后計算得到輸出值，再將該輸出值與其中的色彩缺失像素點的實際值相減得到誤差值AXu由測試樣本集中所有組的色彩缺失像素點對得到的所有誤差值構成集合S ;對集合S中的所有誤差值，求平均值E和方差D ；(2. 3)根據(jù)每組色彩缺失像素點對所對應的誤差值AXij，判決其中的色彩缺失像素點是否為可疑篡改點如果AXu > E+HXD，其中H為門限值，取值為3-5，則其中的色彩缺失像素點視為可疑篡改點進行標記；否則，將其中的色彩缺失像素點作為重采樣點；(2. 4)所有的重采樣點組成一個迭代基色平面，對于該迭代基色平面，重復步驟 (2. I) (2. 3)，標記出可疑篡改點，直至重復次數(shù)超過預設的次數(shù)門限值或者前后兩次重復計算出的平均值E變化小于預設的平均值差值門限值時結束；(2. 5)上述步驟中標記出的所有可疑篡改點構成所選取的基色平面的可疑篡改點集合；(3)對于R、G、B三個基色平面中另外兩個基色平面，重復步驟⑵標記出相應基色平面上的所有可疑篡改點，分別得到另外兩個基色平面的可疑篡改點集合；(4)將僅出現(xiàn)在一個基色平面的可疑篡改點集合中的可疑篡改點作為誤判決點， 并消除標記；(5)在R、G、B每個基色平面中按2 X 2大小進行分塊，則每個2 X 2分塊由4個像素點組成；遍歷所有基色平面中的所有2 X 2分塊，如果2 X 2分塊中只有I個像素點為已標記的可疑篡改點，則該像素點為誤判決點，消除標記；如果2X2分塊中有3個像素點為已標記的可疑篡改點，則該2X2分塊中的四個像素點全部為可疑篡改點；其它的情況下，維持不變；(6)最后，將標記有可疑篡改點的R、G、B三個基色平面合在一起成為一個平面，在這個平面中如果存在超過8X8點陣大小的可疑篡改點聚集區(qū)域，則判決該數(shù)碼照片是偽造的。步驟(2. 4)中，通常所述次數(shù)門限值取值為10-50。步驟(2. 4)中，通常所述平均值差值門限值取值為O. 001-0. 01。本發(fā)明的原理如下當把兩張照片進行拼接合成為一張照片時，如果兩張照片采用的插值函數(shù)f不同，那么只要一張照片中檢測出存在兩種插值函數(shù)，則這張照片存在篡改可能性；即使兩張照片來源于同一相機，采用一致的插值函數(shù)f，但由于CFA的排列結構具有周期性，因此兩張照片拼接不好就會在拼接邊界破壞這種周期性，如圖2第一行所示，在白色邊界處出現(xiàn)了 R顏色采樣的連續(xù)2次出現(xiàn)，這在正常的照片中是不可能出現(xiàn)的。本發(fā)明正是基于拼接篡改的數(shù)碼照片會出現(xiàn)CFA排列結構的周期性或局部領域內(nèi)像素顏色值相關性的缺失而提出的檢測方法，采用隨機像素點選取，把重采樣和神經(jīng)網(wǎng)絡算法相結合進行循環(huán)迭代來估算數(shù)碼照片中采用的CFA插值算法，并在重采樣和迭代計算中通過誤差偏離均值程度模型AXij > E+HXD不斷去除可疑篡改點，從而最終得到整個基色平面中未被篡改的像素點集合，并以該集合中的像素點作為標準進行CFA插值算法函數(shù)估計。而在現(xiàn)有技術(基于人工神經(jīng)網(wǎng)絡的數(shù)字圖像盲取證，浙江理工大學學報，2011， Vol. 28(5) :772-777)中，基于“圖像的篡改者只修改圖像中較小的一部分，那么該篡改區(qū)域不會出現(xiàn)在所有的子圖中”的假設，僅選取一個基色平面，把該平面分成9部分，并通過計算選取9個部分中某一個沒有被篡改的部分作為標準，采用BP神經(jīng)網(wǎng)絡進行CFA插值算法函數(shù)估計，并最終通過估計值與實際值之間的誤差大小來判斷數(shù)碼照片是否偽造。因此，與現(xiàn)有技術相比，本發(fā)明具有以下有益的技術效果I、把重采樣和神經(jīng)網(wǎng)絡算法相結合進行循環(huán)迭代來估算數(shù)碼照片中采用的CFA 插值算法，該方法對被估計的CFA插值算法以及篡改區(qū)域的大小和位置沒有任何假設，因此更具通用性。2、提出誤差偏離均值程度模型AXij > E+HXD，在重采樣和迭代計算中通過該模型不斷去除可疑篡改點，從而實現(xiàn)更高的CFA插值算法估計精度。3、提出利用彩色照片RGB三平面的聯(lián)合以及平面內(nèi)2X2分塊的四像素聯(lián)合作為相關約束條件，從可疑篡改區(qū)域中去除誤判決點，具有更精確的篡改檢測效果。


圖I為典型的Bayer CFA模板。圖2為拼接桌改后的Bayer CFA I旲板。圖3為一組色彩缺失像素點對的相對位置示意圖。
具體實施例方式下面結合實施例和附圖來詳細說明本發(fā)明，但本發(fā)明并不僅限于此。一種針對拼接篡改的數(shù)碼照片偽造檢測方法，包括以下步驟(I)把彩色數(shù)碼照片分成R、G、B三個基色平面；(2)通過以下步驟獲取R基色平面的可疑篡改點集合(2. I)選取R基色平面上若干組的色彩缺失像素點對組成訓練樣本集，并用該訓練樣本集對徑向基函數(shù)(Radia-Basis Function, RBF)神經(jīng)網(wǎng)絡進行訓練，訓練完成后，獲取近似逼近函數(shù)f’ ；其中，每組色彩缺失像素點對由一個色彩缺失像素點和處在以該色彩缺失像素點為中心的周圍位置的8個鄰域點構成。每組色彩缺失像素點對中的色彩缺失像素點是按照如圖I所示的Bayer CFA模板的排列規(guī)定隨機選取，對于R基色平面，色彩缺失像素點取自于如圖I所示的Bayer CFA模板中標記為B、G的像素點；每組色彩缺失像素點對中8個鄰域點的位置則如圖3所示，圖3 中A為色彩缺失像素點,而在A周圍的I 8位置處的則為其8個鄰域點,色彩缺失像素點 A和這8個鄰域點構成一組色彩缺失像素點對。(2. 2)取R基色平面上所有組的色彩缺失像素點對組成測試樣本集，對于測試樣本集中每組色彩缺失像素點對，將8個鄰域點對應的實際顏色值代入近似逼近函數(shù)后計算得到輸出值，再將該輸出值與其中的色彩缺失像素點的實際值相減得到誤差值AXU，由測試樣本集中所有組的色彩缺失像素點對得到的所有誤差值構成集合S ;對集合S中的所有誤差值，求平均值E和方差D ；其中，誤差值AXu的計算按以下公式⑵進行AXij = f' (f/ , g/，b' :r'，g'，b' GN8(LjM)-Xij ⑵式⑵中，Xij為數(shù)碼照片中像素點位置(i，j)處色彩缺失像素點的實際值，該值由數(shù)碼相機在拍照時采用公式(I)所示的CFA插值函數(shù)計算得到；r'，g'，b'為以該(i， j)位置為中心的8個鄰域點對應的實際顏色值；Xij = f ({r, g, b r, g, b e N5 (i, j)}) (I)式⑴中，r,g,b為以該(i,j)位置為中心的δ范圍內(nèi)的鄰域點對應的實際顏色值，f為數(shù)碼相機采用的Bayer CFA插值函數(shù)。(2. 3)根據(jù)每組色彩缺失像素點對所對應的誤差值AXij，判決其中的色彩缺失像素點是否為可疑篡改點如果AXu > E+HXD，其中H為門限值，取值為3-5，則其中的色彩缺失像素點視為可疑篡改點進行標記；否則，將其中的色彩缺失像素點作為重采樣點；(2. 4)所有的重采樣點組成一個迭代基色平面R1，對于該迭代基色平面R1，重復步驟(2. I) (2. 3)，標記出可疑篡改點，直至重復次數(shù)超過預設的次數(shù)門限值(一般取 10-50次)或者前后兩次重復計算出的平均值E變化小于預設的平均值差值門限值(一般取O. 001-0. 01)時結束；(2. 5)上述步驟中標記出的所有可疑篡改點構成R基色平面的可疑篡改點集合；(3)按照與步驟(2)相同的方法，獲取G基色平面的可疑篡改點集合；只是在按照 Bayer CFA模板的排列規(guī)定隨機選取色彩缺失像素點時，對于G基色平面，色彩缺失像素點取自于如圖I所示的Bayer CFA模板中標記為R、B的像素點；
(4)按照與步驟(2)相同的方法，獲取B基色平面的可疑篡改點集合；只是在按照 Bayer CFA模板的排列規(guī)定隨機選取色彩缺失像素點時，對于B基色平面，色彩缺失像素點取自于如圖I所示的Bayer CFA模板中標記為R、G的像素點；(5)綜合考慮上述R基色平面的可疑篡改點集合、G基色平面的可疑篡改點集合和 B基色平面的可疑篡改點集合，將僅出現(xiàn)在一個基色平面的可疑篡改點集合中的可疑篡改點作為誤判決點，并消除標記；(6)在R、G、B每個基色平面中按2 X 2大小進行分塊，則每個2 X 2分塊由4個像素點組成；遍歷所有基色平面中的所有2 X 2分塊，如果2 X 2分塊中只有I個像素點為已標記的可疑篡改點，則該像素點為誤判決點，消除標記；如果2X2分塊中有3個像素點為已標記的可疑篡改點，則該2X2分塊中的四個像素點全部為可疑篡改點；其它的情況下，維持不變；(7)最后，將標記有可疑篡改點的R、G、B三個基色平面合在一起成為一個平面，在這個平面中如果存在超過8X8點陣大小的可疑篡改點聚集區(qū)域，則判決該數(shù)碼照片是偽造的。
權利要求
1.一種針對拼接篡改的數(shù)碼照片偽造檢測方法，其特征在于，包括以下步驟(1)把彩色數(shù)碼照片分成R、G、B三個基色平面；(2)對于R、G、B三個基色平面中任一基色平面，獲取該基色平面的可疑篡改點集合 (2. I)選取該基色平面上若干組的色彩缺失像素點對組成訓練樣本集，并用所述的訓練樣本集對徑向基函數(shù)神經(jīng)網(wǎng)絡進行訓練，訓練完成后，獲取近似逼近函數(shù)；其中，每組色彩缺失像素點對由一個色彩缺失像素點和處在以該色彩缺失像素點為中心的周圍位置的8 個鄰域點構成，所述的色彩缺失像素點按Bayer CFA模板的排列規(guī)定隨機選??；(2. 2)取該基色平面上所有組的色彩缺失像素點對組成測試樣本集，對于測試樣本集中每組色彩缺失像素點對，將8個鄰域點對應的實際顏色值代入近似逼近函數(shù)后計算得到輸出值，再將該輸出值與其中的色彩缺失像素點的實際值相減得到誤差值AXU，由測試樣本集中所有組的色彩缺失像素點對得到的所有誤差值構成集合S ;對集合S中的所有誤差值，求平均值E和方差D ;(2. 3)根據(jù)每組色彩缺失像素點對所對應的誤差值AXij，判決其中的色彩缺失像素點是否為可疑篡改點如果AXu > E+HXD，其中H為門限值，取值為3-5，則其中的色彩缺失像素點視為可疑篡改點進行標記；否則，將其中的色彩缺失像素點作為重采樣點；(2.4)所有的重采樣點組成一個迭代基色平面，對于該迭代基色平面，重復步驟 (2. I) (2. 3)，標記出可疑篡改點，直至重復次數(shù)超過預設的次數(shù)門限值或者前后兩次重復計算出的平均值E變化小于預設的平均值差值門限值時結束；(2. 5)上述步驟中標記出的所有可疑篡改點構成所選取的基色平面的可疑篡改點集合；(3)對于R、G、B三個基色平面中另外兩個基色平面，重復步驟(2)標記出相應基色平面上的所有可疑篡改點，分別得到另外兩個基色平面的可疑篡改點集合；(4)將僅出現(xiàn)在一個基色平面的可疑篡改點集合中的可疑篡改點作為誤判決點，并消除標記；(5)在R、G、B每個基色平面中按2X2大小進行分塊，則每個2X2分塊由4個像素點組成；遍歷所有基色平面中的所有2 X 2分塊，如果2 X 2分塊中只有I個像素點為已標記的可疑篡改點，則該像素點為誤判決點，消除標記；如果2X2分塊中有3個像素點為已標記的可疑篡改點，則該2X2分塊中的四個像素點全部為可疑篡改點；其它的情況下，維持不變；(6)最后，將標記有可疑篡改點的R、G、B三個基色平面合在一起成為一個平面，在這個平面中如果存在超過8X8點陣大小的可疑篡改點聚集區(qū)域，則判決該數(shù)碼照片是偽造的。
2.如權利要求I所述的針對拼接篡改的數(shù)碼照片偽造檢測方法，其特征在于，步驟 (2.4)中，所述次數(shù)門限值取值為10-50。
3.如權利要求I所述的針對拼接篡改的數(shù)碼照片偽造檢測方法，其特征在于，步驟 (2. 4)中，所述平均值差值門限值取值為O. 001-0. 01。
全文摘要
本發(fā)明公開了一種針對拼接篡改的數(shù)碼照片偽造檢測方法，采用隨機像素點選取，把重采樣和神經(jīng)網(wǎng)絡算法相結合進行循環(huán)迭代來估算數(shù)碼照片中采用的CFA插值算法，并在重采樣和迭代計算中通過誤差偏離均值程度模型不斷去除可疑篡改點，從而最終得到整個基色平面中未被篡改的像素點集合，并以該集合中的像素點作為標準進行CFA插值算法函數(shù)估計，并根據(jù)誤差偏離均值程度模型判決可疑篡改點，從而判決該數(shù)碼照片是否偽造。本發(fā)明方法通用性好、誤判少、偽造檢測效果更精確。
文檔編號G06T7/00GK102609947SQ20121002976
公開日2012年7月25日 申請日期2012年2月10日 優(yōu)先權日2012年2月10日
發(fā)明者張華熊, 胡潔, 薛福冰, 黃海 申請人:浙江理工大學