CN103238159A - 用于图像认证的系统和方法 - Google Patents

Abstract

根据一项实施例，一种对图像进行认证的方法包括：用电子方法接收锚点图像和查询图像；对锚点图像执行特征点提取；以及对查询图像执行特征点提取。所述方法也包括对所述锚点图像的特征点和所述查询图像的特征点进行群集，其中群集包括确定匹配的特征点、确定孤立特征点以及排除孤立特征点。所述锚点图像与所述查询图像是否相似是根据所述锚点图像的特征点与所述查询图像的特征点之间的距离来确定的。如果所述锚点图像与所述查询图像相似，则根据所述孤立特征点来识别所述查询图像的可能的篡改区域。

Description

用于图像认证的系统和方法

技术领域

本发明大体涉及图像处理，确切地说，涉及一种用于图像认证的系统和方法。 

背景技术

随着数字多媒体不断普及以及用于修改数字多媒体的工具不断增多，对图像和视频文件等数字内容进行复制、修改和传播也变得越来越容易。使用简单的互联网连接和图像处理工具，用户只需几分钟就可以获取、改变并且修改数字图像。由于现有软件的特性，因此人类肉眼可能无法实际发现这些改变。在某些情况下这种易改变性可能引起许多问题，例如当数字图像被用于电子商务、得到许可的媒体分发、保险索赔的记录以及用于法定证据的图像的传输等安全或敏感应用时。 

对于媒体内容提供方而言，问题在于针对内容的复制和改变进行图像认证和检测。例如，媒体内容提供方可能需要确定受版权保护的图像是否未经允许就被使用，或者新闻组织可能想监测其他内容提供方以确定是否有图像未经购买和/或归属就被使用，即便该图像已经过缩放或修改也不例外。 

另一方面，媒体内容提供方可能想检测许可证持有方是否已改变图像。例如，在指定的某一天中，一个大型新闻组织可能向世界各地得到许可的在线、广播和印刷新闻组织发送数百张图像和视频剪辑。即便许可证持有方以易于检测到的方式对图像进行修改，例如在图像的边角添加标志或水印，证实所有许可证持有方都在分发未经改变的图像这一任务仍然很困难，尤其当所传播的图像经过缩放或重定格式时更是如此。 

发明内容

根据一项实施例，一种对图像进行认证的方法包括：用电子方法接收锚点图像和查询图像；对锚点图像执行特征点提取；以及对查询图像执行特征点提取。所述方法也包括对所述锚点图像的特征点和所述查询图像的特征点进行群集，其中群集包括确定匹配的特征点、确定孤立特征点以及排除孤立特征点。所 述锚点图像与所述查询图像是否相似是根据所述锚点图像的特征点与所述查询图像的特征点之间的距离来确定的。如果所述锚点图像与所述查询图像相似，则可根据孤立特征点来识别所述查询图像的可能的篡改区域。 

根据进一步实施例，一种生成图像哈希的方法包括：用电子方法接收图像；提取所述图像的特征点；对所述特征点执行伪随机置换以产生重排列的特征点；计算这些重排列的特征点的变换系数；以及对所述变换系数进行哈希。 

根据进一步实施例，一种非瞬时计算机可读媒体包括存储在其中的可执行程序。该程序指示微处理器提取锚点图像的特征点；提取查询图像的特征点；以及对所述锚点图像的特征点和所述查询图像的特征点进行群集。群集包括：确定匹配的特征点、确定孤立特征点、以及排除孤立特征点。在一项实施例中，所述方法进一步包括根据所述锚点图像的特征点与所述查询图像的特征点之间的距离来确定所述锚点图像与所述查询图像是否相似。如果根据所述确定得出所述锚点图像与所述查询图像相似，则根据孤立特征点来识别所述查询图像的可能的篡改区域。 

根据进一步实施例，一种非瞬时计算机可读媒体包括存储在其中的可执行程序。所述程序指示微处理器提取图像的特征点；对所述特征点执行伪随机置换以产生重排列的特征点；计算这些重排列的特征点的变换系数；以及将所述变换系数量化。所述微处理器还受到指示对量化的变换系数进行编码，以及对所编码的量化变换系数进行哈希。 

根据进一步实施例，一种用于对图像进行认证的系统包括：特征点提取器，其用于提取锚点图像和查询图像的特征点；以及特征点群集块，其耦合到所述特征点提取器。所述特征点群集块对所述锚点图像的特征点以及所述查询图像的特征点进行群集；确定锚点图像的特征点以及所述查询图像的特征点中的匹配特征点；确定孤立特征点；以及输出已排除孤立特征点的群集特征点。在一项实施例中，所述系统还包括耦合到所述特征点群集块的特征点比较块，其中所述特征点比较块根据所述锚点图像的特征点与所述查询图像的所述特征点之间的距离来确定所述锚点图像与所述查询图像是否相似。所述系统还包括耦合到所述特征点比较块和所述特征点群集块的篡改区域识别块。若所述锚点图像与所述查询图像相似，则所述篡改区域识别块根据所述孤立特征点来识别所述查询图像的可能的篡改区域。 

根据进一步实施例，一种用于生成图像哈希的系统包括：图像特征点提取器；耦合到所述图像特征点提取器的特征点置换块；以及耦合到所述特征点置换块的变换块，其中所述变换块计算重排列的特征点的变换系数。在一项实施例中，所述系统还包括耦合到所述变换块的量化块；耦合到所述量化块的编码块；以及耦合到所述编码块的哈希块。 

上文相当宽泛地概述了本发明的实施例的特征，目的是让人能更好地理解下文对本发明的详细描述。下文中将描述本发明的实施例的额外特征和优点，其形成本发明的权利要求书的标的物。所属领域的技术人员应了解，所揭示的概念和具体实施例可容易地用作用于修改或设计用于实现本发明的相同目的的其它结构或过程的基础。所属领域的技术人员还应意识到，此类等效构造不脱离所附权利要求书中阐述的本发明的精神和范围。 

附图说明

为了更完整地理解所述实施例及其优点，现参看结合附图所做的以下描述，附图中 

图1示出了实施例图像认证方法； 

图2示出了用于图像认证方法中的实施例哈希方法； 

图3示出了实施例图像认证系统； 

图4示出了实施例图像距离测量系统； 

图5示出了实施例哈希方法； 

图6示出了实施例图像哈希系统；以及 

图7示出了用于实施实施例方法的计算机系统。 

具体实施方式

下文详细论述所述实施例的制作和使用。但是应了解，本发明提供可实施于广泛的各种具体环境中的许多可应用的发明概念。所论述的具体实施例仅仅说明用以制作和使用本发明的具体方式，而不限制本发明的范围。 

本发明将相对于具体上下文中的各项实施例来描述一种用于图像认证的系统和方法。本发明的各项实施例还可应用于需要对改变进行认证和检测的其他类型媒体。 

在本发明的各项实施例中，基于内容的图像认证技术使用了特征点群集 和空间排序。使用所生成哈希的标准化欧几里得距离（Euclidian distance）、豪斯多夫距离（Hausdorff distance）、直方图加权距离和/或海明距离（Hammingdistance）来估计查询图像与锚点图像之间的距离。在一项实施例中，如果查询图像与锚点或参考图像相似或距离很小，则可通过查询图像的局部直方图与锚点图像的局部直方图之间的推土机距离（earth mover distance）来检测查询图像中的可能的篡改区域。在一项实施例中，将检测到的篡改区域进一步标记为移除、更改或添加的区域，并估计篡改区域相对于整个图像的百分比。在进一步实施例中，从特征点生成的哈希几乎对图像进行几乎唯一的识别。本发明的实施例可以应用到图像检索、视频检索以及认证应用中等。一些实施例提供了图像认证、图像哈希以及篡改识别的统一框架。 

图1示出了实施例图像认证方法100的方框图。在步骤102和104中，提供锚点图像和查询图像。在一项实施例中，锚点图像为参考图像，并且查询图像为与该锚点图像进行比较的图像。例如，锚点图像可为已知的真实图像，100用于针对该图像来确定查询图像与锚点图像是否相似和/或查询图像是否已相对于锚点图像遭到更改或篡改。或者，锚点和查询图像可以为被指定用于比较的任意两个图像。 

在步骤106和108中，分别从锚点图像和查询图像中提取特征点。在一项实施例中，特征点为图像内容的几何描述符。在一项实施例中，使用克莱特（Klette）的特征点提取算法。该算法在R·克莱特（R.Klette）等人在1998年举办的图像与视觉计算国际会议（Image and Vision Computing International Conference）上提出的模糊图像中的特征点检测（Feature Point Detection in Blurred Images）中有所描述，这篇文章以全文引用方式并入本文中。克莱特的特征点提取算法在两边缘之间选择点，其中这两个边缘之间具有一个角且无论该角的取向如何，都在区间

内，即便在图像遭到压缩、过滤、模糊或干扰时也是如此。或者，可以使用其他算法，例如，哈瑞斯（Harris）角点检测算法。 

在一项实施例中，用于特征点提取算法的参数是根据在2005年8月由德克萨斯州奥斯汀市（邮政编码为TX78712）的德克萨斯大学奥斯汀分校（University of Texas at Austin）电子与计算机工程系的维沙尔·蒙加（Vishal Monga）的论文“用于鲁棒图像哈希的基于感知的方法(Perceptually Based Methods for Robust Image Hashing）”等中描述的实验和/或方法来进行选择的，该论文以全文引用方式并入本文中。在一项实施例中，特征点的数量为64、平均计算大小为4、符号改变大小为1、到直线的距离为7、角度差公差为3，且特征点之间的最小距离为8。在替代实施例中，可以使用其他参数。 

其次，在步骤110中，对特征点进行群集，排除特征点中的孤立点，并且使特征点对在空间上对齐。由于查询图像可能遭到更改，因此查询图像的特征点经常不同于锚点图像的特征点，无论查询图像与锚点图像是否相似。在实施例中，可能发生的特征点丢失、出现和移动均会影响距离估计。如果锚点图像和查询图像相似，那么可能发生的查询图像特征点丢失、出现和移动将放大图像差异并对相似性判断造成不利影响。另一方面，如果查询图像和锚点图像为完全不同的图像，那么查询图像中特征点的可能改变可缩小两个图像之间的距离并使系统的辨别力降低。在一些实施例中，群集步骤110可以用于改进图像认证系统的性能。 

在一项实施例中，使用模糊C均值群集算法来对特征点进行群集。模糊C均值群集算法在由J·杜恩（J.Dunn）发表于1973年控制论与系统论（Cyternetics and Systems）3（3）的第32至57页的“ISODATA过程的模糊相对及其在对紧凑型完好分隔群集进行检测方面的使用（A fuzzy relative ofthe ISODATA process and its use in detecting compact well-separated clusters）”，以及由J·贝狄克（J.Bezdek）通过美国麻萨诸塞州诺韦尔（Norwell）的克鲁沃学术出版社（KluwerAcademic Publishers）发表的“使用模糊目标函数算法的图像识别（Pattern recognition with fuzzy objective function algorithms）”等中有所描述。该算法基于以下目标函数的极小化： 

$J_m=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{C}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{\left|\right|x_i-c_j\left|\right|}^2---\left(1\right)$

其中1≤m<∞，u_ij是x_i在群集J中的隶属度，x_i是第i个特征点，c_j是第j个中心，且.||是描绘任意特征点与中心点之间距离的任何范数。按以下方式对隶属度u_ij以及 群集中心c_j进行更新： 

$u_{\mathrm{ij}}=\frac{1}{{\mathrm{\&Sigma;}}_{k=1}^C{\left(\frac{\left|\right|x_i-c_j\left|\right|}{\left|\right|x_i-c_k\left|\right|}\right)}^{\frac{2}{m-1}}},---\left(2\right)$

其中 

$c_j=\frac{{\mathrm{\&Sigma;}}_{i=1}^N{u}_{\mathrm{ij}}^m\&CenterDot;x_i}{{\mathrm{\&Sigma;}}_{i=1}^N{u}_{\mathrm{ij}}^m}.---\left(3\right)$

在一项实施例中，孤立点被定义为每个群集中的多余点。例如，如果群集j中有n个锚点图像的特征点，且群集j中有n+2个查询图像的特征点，那么查询图像中具有最低隶属度的多余的2个特征点被视为孤立点，反之亦然。在一项实施例中，在对锚点图像与查询图像之间的距离进行测量以及对这两个图像进行配准时不考虑这些点。但在一些实施例中，这些孤立点将在用于确定图像是否已遭更改或篡改的后续步骤中使用。或者，可以使用其他群集算法，包括但不限于基于密度的群集和k均值群集。 

剩余特征点通过群集排序和空间排序进行配对。通常，假设查询图像中有n个特征点，那么当在锚点图像中查找n个相应特征点时，计算复杂性可为n！。在进行群集并排除孤立点之后，通过群集排序和空间排序来将特征点匹配的计算复杂性降至O(nlogn)，O(nlogn)是对计算量的度量。在一些实施例中，群集排序通过增加相似图像的相似性以及增加两个不同图像之间的距离而对于孤立点而言具有鲁棒性。 

在一项实施例中，特征点匹配过程按群集对特征点进行处理。在一项实施例中，在每个群集中，两个图像中的特征点从图像的左上角到图像的右下角进行空间排序。或者，可使用其他排序，例如，特征点可从图像的右上角到图像的左下角进行空间排序。 

在一项实施例中，使用了四种类型的距离测量来确定锚点图像与查询图像是否相似。第一种类型的距离是匹配的特征点对之间的标准化欧几里得距离112，该距离在一项实施例中通过下式进行估计： 

$\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left|\right|X_A^{\left(i\right)}-X_Q^{\left(i\right)}\left|\right|}_E,---\left(4\right)$

其中n是特征点对的数量，

是锚点图像中第i个特征点的坐标，

是查询图像中第i个特征点的坐标，||·||_E是欧几里得范数。 

第二种类型的距离是查询图像的特征点与锚点图像的特征点之间的豪斯多夫距离114。豪斯多夫距离在一项实施例中定义为： 

H(X_A,X_Q)=max(h(X_A,X_Q),h(X_Q,X_A)), 

（5） 

其中， 

$h(X_A,X_Q)=\underset{y=X_Q}{\underset{x\&Element;X_A}{\max }}\min \left|\right|x-y\left|\right|.$

第三种类型的距离是直方图标准化距离116，该距离是基于感知的距离，它在一项实施例中定义为： 

$\max (\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_A^{\left(i\right)}{\left|\right|X_A^{\left(i\right)}-X_Q^{\left(i\right)}\left|\right|}_E,\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_Q^{\left(i\right)}{\left|\right|X_A^{\left(i\right)}-X_Q^{\left(i\right)}\left|\right|}_E).---\left(7\right)$

其中n是特征点对的数量，

是锚点图像中第i个特征点的坐标，

是查询图像中第i个特征点的坐标，

是锚点图像中第i个特征点的亮度百分位，

是查询图像中第i个特征点的亮度百分位，以及||·||_E是欧几里得范数。 

在一项实施例中，特征点的亮度在亮度的直方图中有更多百分位，因此，使用直方图标准化距离的这些特征点对之间的距离提供了可以比一些实施例中的其他测量类型更为可靠的距离测量。 

第四种类型的距离是锚点图像的哈希与查询图像的哈希之间的海明距离118。在一项实施例中，哈希如图2所示生成。在步骤202中，计算每个特征点处的莫奈特（Morlet）小波系数。此处的莫奈特小波用于检测垂直于小波取向的线性结构。在一项 实施例中，2D莫奈特小波被定义为： 

其中

表示2D空间坐标，且是母小波的波矢量，它们分别确定小波的缩放分辨能力和角分辨能力。 

其次，在步骤204中，为了从特征点的浮动莫奈特小波系数中获取二进制序列，使用压扩处理法来将这些系数量化。量化级是根据莫奈特小波系数的等级来进行选择的。在一项实施例中，使用压扩处理法完成的量化可以将序列二值化并通过节省相应的位来简化哈希表示。在一项实施例中，使用了16个量化级。或者，可以使用16以上或16个以下量化级。 

在步骤206中，量化后的莫奈特小波系数的二进制序列随后可以用葛莱（Gray）码进行编码，在一项实施例中，这缩短了相邻码之间的海明距离。或者，可以使用除葛莱编码以外的其他类型的编码。在进一步实施例中，葛莱码编码步骤可以省略。 

在步骤208中，通过反向纠错编码（ECC），即维特比（Viterbi）解码，来将二进制序列进一步压缩。或者，可以使用其他ECC技术。在进一步实施例中，ECC编码可以省略。在步骤210中，将所述二进制序列指定为哈希。 

返回到图1的步骤118，在锚点图像的哈希后的莫奈特小波系数与查询图像的哈希后的莫奈特小波系数之间得到海明距离。 

在步骤120中，将标准化欧几里得距离与第一阈值T1进行比较；在步骤122中，将豪斯多夫加权距离与第二阈值T2进行比较；在步骤124中，将直方图加权距离与第三阈值T3进行比较；以及在步骤128中，将哈希后的莫奈特小波系数的海明距离与第四阈值T4进行比较。如果这些距离中的任何距离大于相应阈值，那么确定查询图像与锚点图像不同。在一项实施例中，如果所有这些距离均小于相应阈值，那么这两个图像被视为相似图像。在又一项实施例中，如果所有这些距离均为零，那么查询图像被视为与锚点图像完全相同。在一项实施例中，T1=1.9、T2=0.4、T3=0.5且T4=0.48。或者，这些阈值可以使用其他值和范围。在一项实施例中，这些阈值是通过实验和统计分析确定的。 

在替代实施例中，可以使用除标准化欧几里得距离112、豪斯多夫加权距离114、直方图加权距离116以及哈希后的莫奈特小波系数的海明距离以外的更多或更少的距离方法。例如，可以使用这四种方法的子集，可以使用这四种方法的子集以及至少一个额外方法，或者可以使用所属领域已知的其他距离方法。 

在一项实施例中，如果两个图像被视为相似，那么可进一步识别出查询图像可能遭受的攻击。在步骤130中，执行几何变换识别配准，以对锚点图像与查询图像之间的旋转、平移和缩放差进行校正。首先，使用迭代近邻点（ICP）算法来估计基于特征点对的旋转和平移。然后，将查询图像从旋转和平移变换恢复。在一项实施例中，使用查询图像的特征点的标准偏差与锚点图像的特征点的标准偏差的比率来在旋转以及平移配准之后估计可能的缩放变换。或者，可以使用ICP、卡纳迪-卢卡斯-托马斯（Kanade-Lucas-Tomasi）（KLT）特征点跟踪器、尺度不变特征变换（SIFT）或其他算法。 

在步骤132中，检测可能的篡改区域并估计篡改区域的百分比。篡改区域是由环绕两个图像的特征点的局部直方图之间的距离来确定的。在一项实施例中，使用推土机距离（EMD）来确定篡改区域。或者，可以使用豪斯多夫距离等其他技术。 

在一项实施例中，篡改区域被分成三类：I）移动现有特征；II）更改现有特征；以及III）添加新特征。移动的特征通过锚点图像的未在查询图像中出现的孤立特征点而识别出来。如果环绕锚点图像中的特征点的局部直方图与查询图像中的相应区域的局部直方图之间的EMD大于阈值，那么该查询图像中的区域被视为特征移动区域。类似地，在锚点图像和查询图像的各特征点对之间类似地检测出更改区域。如果环绕锚点图像中的特征点的局部直方图与查询图像中的相应区域的局部直方图之间的EMD大于阈值，且锚点图像和查询图像中均不存在孤立点，那么该查询图像中的区域被视为特征更改区域。特征伪造区域在查询图像中的孤立特征点以及锚点图像中的相应位置周围检测到。检测到可能的篡改区域之后，将篡改区域汇总，并计算各篡改区域之和与整个图像区域的比率，从而得出篡改区域的百分比。 

在一些实施例中，方法100可以用于视频的帧级认证以及图像认证。方法100还可以在图像认证、图像哈希以及篡改识别的联合框架中使用。 

图3示出了用于将查询图像与锚点图像进行比较的实施例图像认证系统。特征点提取器302根据上文所述的方法从锚点图像和查询图像中提取特征点。群集块304获得特征点提取器302的输出；执行群集；以及对远离的特征点进行识别，如上述实施例所述。距离测量块306计算群集的所提取特征点之间的距离；比较器308将块306的距离测量值与阈值进行比较；以及阈值逻辑310对比较器308的输出进行处理，从而确定查询图像与锚点图像是相同、不同还是相似。 

在一项实施例中，几何校正块312对锚点图像与查询图像之间的旋转、平移以及缩放差进行校正，如上述实施例所述。篡改区域识别块314对篡改区域进行识别；确定篡改区域是经移动、更改还是添加的特征；并提供篡改区域的百分比度量，如上述实施例所述。在一项实施例中，来自群集块304的孤立点数据被篡改区域识别块314用来对篡改区域进行识别。在一项实施例中，几何校正块312和篡改区域识别块314 在阈值逻辑310确定查询图像与锚点图像相似时启用。 

在一项实施例中，系统300可以使用运行软件程序的通用计算机、微处理器或专用硬件等进行实施，其中这些设备在电路板或集成电路等上实施。在一项实施例中，数字信号处理器用于实施图3中的块。在进一步实施例中，可以使用电路组合，包括但不限于，微处理器、存储装置、定制电路、专用集成电路（ASIC）以及通用集成电路。 

图4示出了对图3的距离测量块306、比较器308以及阈值逻辑310进行详细图示的系统图。在一项实施例中，距离测量块306具有四个测量通道，包括标准化欧几里得距离测量块406、豪斯多夫加权距离测量块408，以及直方图加权测量块410。这些块根据上文所述的相应测量方法运行。第四测量通道包括莫奈特波形变换块402、哈希块404以及用以执行哈希后的莫奈特小波系数的海明距离的海明距离测量块，如上文所述。 

比较器块308包括比较器414、416、418、420、422、424、426以及428。比较器414将标准化欧几里得距离块406的输出与阈值T1进行比较；比较器418将豪斯多夫加权距离块408的输出与阈值T2进行比较；比较器422将直方图加权距离块410的输出与阈值T3进行比较；且比较器426将海明距离块412的输出与阈值T4进行比较。所有距离测量块的输出通过比较器416、420、424以及428与零进行比较。 

在一项实施例中，如果所有距离测量块的输出均为零，那么逻辑块310确定查询图像与锚点图像相同，用耦合到比较器416、420、424以及428的输出的“与”门438表示。如果至少一个距离测量值超过阈值，那么图像确定为不同，用“或”门430表示。最后，如果所有距离都不超过相应阈值且至少一个距离测量值是非零的，那么图像确定为相似，用“与”门434以及逆变器432和436表示。应了解，块310中所示的逻辑可以用许多替代性逻辑等效方法或逻辑相似方法进行实施。块310的逻辑可以使用软件、查阅表、可编程逻辑或其他工具等进行实施。 

在一项实施例中，距离测量块306、比较器块308以及逻辑块310由在处理器上运行的软件来实施。或者，这些块可以通过可编程或专用硬件电路来实施。在更进一步实施例中，这些块可以使用数字、模拟和/或混合信号工具来实施。 

图5示出了实施例哈希生成方法500。在一项实施例中，可使用方法500来生成可用于对图像进行认证的短图像哈希。例如，在一项实施例中，可对2千兆字节的内容生成100字节的哈希。在一种情况下，图像的始发方可以将图像文件与哈希一起发送。然后，图像接收方使用一种实施例哈希算法，或一种采用安全密钥的实施例哈希算法来生成哈希。如果接收方生成的哈希与发送方生成的哈希匹配，那么接收方具有高置信水平，所接收的图像是原始发送图像的未篡改版本。 

首先，方法500根据上文所述方法执行输入图像的特征点提取502。其次，在 步骤504中，对特征点执行伪随机置换。在一项实施例中，伪随机置换通过将二维特征点重排列成一维特征点列表，然后对该一维列表执行伪随机置换来实现。在一些实施例中，这些特征点使用由用户确定的密钥进行伪随机置换，从而提高生成的哈希的安全性。 

在步骤506中，根据上述方法对特征点计算莫奈特小波系数。在步骤508中，将莫奈特小波系数量化并可任选地进行压扩。然后，可任选地在步骤510中用葛莱码对量化系数进行编码，并在步骤512中执行可选的反向ECC压缩，如上文实施例方法所述。编码和压缩后的图像就是哈希（步骤514）。 

图6示出了用于执行图5所示哈希方法的实施例哈希系统600。特征点提取器602从输入图像中提取特征点，且PN置换块604执行伪随机置换。在一项实施例中，该伪随机置换是根据安全密钥来执行的。莫奈特小波变换器606生成莫奈特小波系数，该系数由量化/压扩器块608进行量化并可任选地进行压扩。量化后的系数由编码器610进行编码，在一项实施例中，所述编码器610用葛莱码对所述系数进行编码并使用反向ECC压缩对这些系数进行压缩。或者，编码器块610可以省略。最后，哈希块612对经过量化和编码的莫奈特小波系数进行哈希，从而产生图像哈希。 

图7说明适于使用本发明的实施例的计算机系统700，例如存储和/或执行与实施例相关联的软件。中央处理单元（CPU）701耦合到系统总线702。CPU701可以是任何通用CPU。但是，本发明的实施例不受CPU701的架构限制，只要CPU701能支持本文中所述的发明性操作即可。总线702耦合到随机存取存储器（RAM）703，其可为SRAM、DRAM或SDRAM。ROM704还耦合到总线702，其可为PROM、EPROM或EEPROM。众所周知，RAM703和ROM704保存用户和系统数据以及程序。 

总线702也耦合到输入/输出（I/O）适配器705，通信适配器711、用户接口708以及显示适配器709。I/O适配器705将存储装置706，例如硬盘驱动器、CD驱动器、软盘驱动器、磁带驱动器中的一者或多者，连接到计算机系统700。I/O适配器705也连接到打印机（未图示），该打印机可让系统打印文档、照片、文章等信息的纸质副本。请注意，打印机可为点阵打印机、激光打印机等等打印机、传真机、扫描仪或复印机。用户接口适配器耦合到键盘713和鼠标707，以及其它装置。显示适配器在一些实施例中可为显示卡，其连接到显示装置710。显示装置710可为CRT、平板显示器或其他类型的显示装置。 

本发明实施例的优点包括图像认证特征提取，与其他基于统计的描述符相比，该图像认证特征提取对几何攻击更具鲁棒性。实施例特征点提取也用于视频配准以及识别可能的潜在几何或非几何攻击。 

一些实施例的优点包括一种匹配方法，即便在特征点由于可能的干扰或攻击而发生移动时，该方法也具有鲁棒性。在一项实施例中，就正确匹配而言，通过对角排 序而实现的空间匹配对行优先排序或列优先排序而言是最佳的。在一些实施例中，这导致相似图像之间的距离较小且不同图像之间的距离较大。 

尽管详细描述了各项实施例及其优势，但应理解，可在不脱离由所附权利要求书界定的本发明的精神和范围的情况下，对本文做出各种改变、替代和更改。此外，本申请案的范围不希望限于本说明书中所描述的过程、机器、制造、物质成分、构件、方法和步骤的特定实施例。如所属领域的技术人员将从本发明的揭示内容容易了解，可根据本发明利用执行与本文中所描述的对应实施例大致相同的功能或实现与本文中所描述的对应实施例大致相同的结果的目前存在或稍后将开发的过程、机器、制造、物质成分、构件、方法或步骤。因此，所附权利要求书既定在其范围内包括此类过程、机器、制造、物质成分、构件、方法或步骤。 

Claims (33)

1.一种对图像进行认证的方法，所述方法包括：

电子接收锚点图像和查询图像；

对锚点图像执行特征点提取；

对查询图像执行特征点提取；

对所述锚点图像的特征点和所述查询图像的特征点进行群集，所述群集包括确定匹配的特征点、确定孤立特征点，以及排除孤立特征点；

根据所述锚点图像的特征点与所述查询图像的特征点之间的距离来确定所述锚点图像与所述查询图像是否相似；以及

如果根据所述确定得出所述锚点图像与所述查询图像相似，则根据所述孤立特征点来识别所述查询图像的可能的篡改区域。

2.根据权利要求1所述的方法，进一步包括在识别可能的篡改区域之前，对几何变换进行校正。

3.根据权利要求1所述的方法，其中确定所述锚点图像与所述查询图像是否相似包括：

确定所述锚点图像的特征点与所述查询图像的特征点之间的多个距离，其中所述多个距离中的每个距离使用多个不同距离确定方法中的相应方法之一；

将所述多个距离中的每个距离与相应阈值进行比较；以及

如果所述多个距离中的每个距离不大于相应阈值，那么确定所述锚点图像与所述查询图像相似。

4.根据权利要求3所述的方法，其中所述确定所述锚点图像与所述查询图像是否相似进一步包括：

如果所述多个距离中的至少一个距离大于相应阈值，那么确定所述锚点图像与所述查询图像不同；以及

如果所述多个距离中的所有距离都为零，那么确定所述锚点图像与所述查询图像相同。

5.根据权利要求3所述的方法，其中所述多个不同距离确定方法包括：计算标准化欧几里得距离；计算豪斯多夫距离；计算直方图加权距离；和/或计算变换后的系数特征点的海明距离。

6.根据权利要求5所述的方法，其中确定所述转换后的系数特征点的海明距离包括：

通过所述锚点图像的特征点和所述查询图像的特征点来计算莫奈特小波系数；

通过所述莫奈特小波系数生成哈希；以及

计算所述哈希的所述海明距离。

7.根据权利要求3所述的方法，其中所述多个不同距离确定方法包括：计算标准化欧几里得距离；计算豪斯多夫距离；计算直方图加权距离；以及计算变换后的系数特征点的海明距离。

8.根据权利要求1所述的方法，其中根据所述孤立特征点来识别所述查询图像的可能的篡改区域包括：

识别所述查询图像中相对于所述锚点图像已遭移动、更改或添加的至少一个区域。

9.根据权利要求1所述的方法，进一步包括提供对识别出的可能的篡改区域的百分位指示。

10.根据权利要求1所述的方法，其中对特征点进行群集包括使用模糊C均值群集算法。

11.一种用于生成图像哈希的方法，所述方法包括：

电子接收图像；

提取所述图像的特征点；

对所述特征点执行伪随机置换，以产生重排列的特征点；

计算所述重排列的特征点的变换系数；以及

对所述变换系数进行哈希。

12.根据权利要求11所述的方法，其中计算变换系数包括计算所述重排列特征点中的每个重排列的特征点处的莫奈特小波系数。

13.根据权利要求12所述的方法，其中

将所述变换系数量化包括对所述变换系数进行压扩；以及

对量化的变换系数进行编码包括使用反向纠错码压缩来用葛莱码对量化的变换系数进行编码。

14.根据权利要求13所述的方法，其中计算变换系数包括计算所述重排列的特征点中的每个重排列的特征点处的莫奈特小波系数。

15.根据权利要求11所述的方法，进一步包括：

将所述变换系数量化；以及

对量化的变换系数进行编码，其中对所述变换系数进行哈希包括对所编码的量化变换系数进行哈希。

16.一种存储有可执行程序的非瞬时计算机可读媒体，其中所述程序指示微处理器执行以下步骤：

提取锚点图像的特征点；

提取查询图像的特征点；

对所述锚点图像的特征点和所述查询图像的特征点进行群集，群集包括确定匹配的特征点、确定孤立特征点，以及排除孤立特征点；

根据所述所述锚点图像的特征点与所述查询图像的特征点之间的距离来确定所述锚点图像与所述查询图像是否相似；以及

如果根据所述确定得出所述锚点图像与所述查询图像相似，则根据所述孤立特征点来识别所述查询图像的可能的篡改区域。

17.根据权利要求16所述的非瞬时计算机可读媒体，其中所述程序进一步指示所述微处理器执行校正步骤，所述步骤在识别可能的篡改区域之前对几何变换进行校正。

18.根据权利要求16所述的非瞬时计算机可读媒体，其中确定所述锚点图像与所述查询图像是否相似的步骤包括：

确定所述锚点图像的特征点与所述查询图像的特征点之间的多个距离，其中所述多个距离中的每个距离使用多个不同距离确定方法中的相应方法；

将所述多个距离中的每个距离与相应阈值进行比较；以及

如果所述多个距离中的每个距离不大于相应阈值，那么确定所述锚点图像与所述查询图像相似。

19.根据权利要求18所述的非瞬时计算机可读媒体，其中确定所述锚点图像与所述查询图像是否相似的步骤进一步包括：

如果所述多个距离中的至少一个距离大于相应阈值，那么确定所述锚点图像与所述查询图像不同；以及

如果所述多个距离中的所有距离都为零，那么确定所述锚点图像与所述查询图像相同。

20.根据权利要求18所述的非瞬时计算机可读媒体，其中所述多个不同距离确定方法包括：计算标准化欧几里得距离；计算豪斯多夫距离；计算直方图加权距离；和/或计算变换后的系数特征点的海明距离。

21.根据权利要求20所述的非瞬时计算机可读媒体，其中确定变换后的系数特征点的海明距离的步骤包括：

通过所述锚点图像的特征点和所述查询图像的特征点来计算莫奈特小波系数；

通过所述莫奈特小波系数生成哈希；以及

计算所述哈希的所述海明距离。

22.根据权利要求16所述的非瞬时计算机可读媒体，其中根据所述孤立特征点来识别所述查询图像的可能的篡改区域的步骤包括：

识别所述查询图像中相对于所述锚点图像已遭移动、更改或添加的至少一个区域；以及

提供对识别出的可能的篡改区域的百分位指示。

23.一种存储有可执行程序的非瞬时计算机可读媒体，其中所述程序指示微处理器执行以下步骤：

提取图像的特征点；

对所述特征点执行伪随机置换，以产生重排列的特征点；

计算所述重排列的特征点的变换系数；

将所述变换系数量化；

对量化的变换系数进行编码；以及

对所编码的量化变换系数进行哈希。

24.根据权利要求23所述的非瞬时计算机可读媒体，其中计算变换系数的步骤包括计算所述重排列的特征点中的每个重排列的特征点处的莫奈特小波系数。

25.根据权利要求23所述的非瞬时计算机可读媒体，其中：

将所述变换系数量化的步骤包括对所述变换系数进行压扩；以及

对量化的变换系数进行编码的步骤包括使用反向纠错码压缩来用葛莱码对量化的变换系数进行编码。

26.一种用于对图像进行认证的系统，包括：

特征点提取器，用于提取锚点图像和查询图像的特征点；

耦合到所述特征点提取器的特征点群集块，其中所述特征点群集块对所述锚点图像的特征点以及所述查询图像的特征点进行群集；确定锚点图像的特征点以及所述查询图像的特征点中的匹配特征点；确定孤立特征点；以及输出已排除所述孤立特征点的群集的特征点；

耦合到所述特征点群集块的特征点比较块，其中所述特征点比较块根据所述锚点图像的特征点与所述查询图像的特征点之间的距离来确定所述锚点图像与所述查询图像是否相似；以及

耦合到所述特征点比较块和所述特征点群集块的篡改区域识别块，其中如果所述锚点图像与所述查询图像相似，那么所述篡改区域识别块根据所述孤立特征点来识别所述查询图像的可能的篡改区域。

27.根据权利26所述的系统，进一步包括耦合于所述特征点群集块与所述篡改区域识别块之间的几何变换校正器，其中几何变换校正器对所述查询图像相对于所述锚点图像的几何变换进行校正。

28.根据权利要求26所述的系统，其中所述特征点比较块包括：

多个距离计算块，所述多个距离计算块计算所述锚点图像的特征点与所述查询图像的特征点之间的距离，其中：

所述多个距离计算块中的每个距离计算块使用与所述多个距离计算块中的其他距离计算块不同的距离计算算法，

所述多个距离计算块中的每个距离计算块包括比较器，所述比较器将计算的距离与预定阈值进行比较；以及

耦合到所述多个距离计算块的比较块，其中如果计算的距离小于针对所述多个距离计算块中的每个距离计算块的预定阈值，那么所述比较块确定所述查询图像与所述锚点图像相似。

29.根据权利要求28所述的系统，其中：

所述距离计算块中的第一个距离计算块计算标准化欧几里得距离；

所述距离计算块中的第二个距离计算块计算豪斯多夫距离；

所述距离计算块中的第三个距离计算块计算直方图加权距离；以及

所述距离计算块中的第四个距离计算块计算变换后的系数特征点的海明距离。

30.根据权利要求29所述的系统，其中所述距离计算块中的第四个距离计算块：

通过所述锚点图像的特征点和所述查询图像的特征点来计算莫奈特小波系数；

通过所述莫奈特小波系数生成哈希；以及

计算所述哈希的所述海明距离。

31.一种用于生成图像哈希的系统，包括：

图像特征点提取器；

耦合到所述图像特征点提取器的特征点置换块；

耦合到所述特征点置换块的变换块，所述变换块计算重排列的特征点的变换系数；

耦合到所述变换块的量化块；

耦合到所述量化块的编码块；以及

耦合到所述编码块的哈希块。

32.根据权利要求31所述的系统，其中所述变换块计算所述重排列的特征点中的每个重排列的特征点处的莫奈特小波系数。

33.根据权利要求31所述的系统，其中：

所述量化块对所述变换系数进行压扩，以产生量化的变换系数；以及

所述编码块使用反向纠错码压缩来用葛莱码对量化的变换系数进行编码。

Images