CN104598933B - 一种基于多特征融合的图像翻拍检测方法 - Google Patents

一种基于多特征融合的图像翻拍检测方法 Download PDF

Info

Publication number
CN104598933B
CN104598933B CN201410640605.7A CN201410640605A CN104598933B CN 104598933 B CN104598933 B CN 104598933B CN 201410640605 A CN201410640605 A CN 201410640605A CN 104598933 B CN104598933 B CN 104598933B
Authority
CN
China
Prior art keywords
image
mrow
feature
detection method
color
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410640605.7A
Other languages
English (en)
Other versions
CN104598933A (zh
Inventor
蒋兴浩
孙锬锋
陈晟
何沛松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiao Tong University
Original Assignee
Shanghai Jiao Tong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiao Tong University filed Critical Shanghai Jiao Tong University
Priority to CN201410640605.7A priority Critical patent/CN104598933B/zh
Publication of CN104598933A publication Critical patent/CN104598933A/zh
Application granted granted Critical
Publication of CN104598933B publication Critical patent/CN104598933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于多特征融合的图像翻拍检测方法，包括如下步骤：步骤1：对训练图像提取多组特征并对特征进行拼接；步骤2：利用分类器生成训练模型；步骤3：对待测图像提取多组特征并对特征进行拼接；步骤4：利用生成的训练模型及利用分类器对待测图像进行判别。本发明方法区别于现有技术中任何一种对图像翻拍进行检测的方法，是一种新的有效检测方法。

Description

一种基于多特征融合的图像翻拍检测方法
技术领域
本发明涉及图像翻拍检测技术，更具体的说，涉及一种基于多特征融合的图像翻拍检测方法。
背景技术
随着图像显示技术的不断提升，人们可通过许多方法获取高质量的翻拍图像，越来越多的不法分子开始将这类图像用于非法途径，而目前的图像取证系统往往难以检测出图像是否属于翻拍。鉴于翻拍图像对于社会秩序及公共安全可能带来的潜在危害，翻拍图像检测的研究成为了重要的课题。
目前图像翻拍检测可分为三类：从显示媒介特性角度出发，从色彩还原与翻拍场景角度出发以及从噪声分析的角度出发。从显示媒介特性角度出发，考虑到对图像进行翻拍的过程中，显示媒介自身的特性会影响到翻拍图像的性质，如：纹理特性等，利用纹理特征等方面的差异对图像进行翻拍检测。从色彩还原与翻拍场景角度出发，考虑到翻拍图像的光度特性以及翻拍过程中可能携带的背景信息，对翻拍图像进行检测。从噪声分析的角度出发，考虑到了自然图像和原始图像在噪声特征上的不同，对翻拍图像进行检测。
发明内容
针对上述现有技术，本发明提出一种基于多特征融合的图像翻拍检测方法，是一种对翻拍图像的新的有效检测方法。
为达到上述目的，本发明所采用的技术方案如下：
1、一种基于多特征融合的图像翻拍检测方法，其特征在于，包括如下步骤：
步骤1：对训练图像提取多组特征并对特征进行拼接；
步骤2：利用分类器生成训练模型；
步骤3：对待测图像提取多组特征并对特征进行拼接；
步骤4：利用生成的训练模型及利用分类器对待测图像进行判别。
2、根据权利要求1所述的基于多特征融合的图像翻拍检测方法，其特征在于，在步骤1中，所述的多组特征包括：
特征A：图像的旋转不变局部相位量化描述子特征；
特征B：图像的多尺度小波分解系数统计特征；
特征C：图像的颜色特征。
3、根据权利要求1所述的基于多特征融合的图像翻拍检测方法，其特征在于，所述分类器为支持向量机。
4、根据权利要求2所述的基于多特征融合的图像翻拍检测方法，其特征在于，所述旋转不变的局部相位量化描述子特征，对图像的表面纹理特性进行描述，提取该特征的流程如下：
步骤A1：图像转换为灰度图像；
步骤A2：遍历图像每一个像素，为每一个像素计算其邻域的典型方向，并将该邻域旋转至典型方向的位置；
步骤A3：对每一个像素计算其RILPQ特征值，获得一个8位二进制序列；
步骤A4：将所有计算出的二进制序列生成统计直方图；
步骤A5：对直方图做归一化处理。
5、根据权利要求2所述的基于多特征融合的图像翻拍检测方法，其特征在于，所述的多尺度小波分解系数统计特征，其提取步骤如下：
步骤B1：将图像分解为RGB颜色通道下的三个图像分量；
步骤B2：对每个图像分量做多尺度的小波分解，并获取其细节系数，计算公式为：
其中M和N分别代表了图像的宽和高，代表尺度函数，代表小波函数，i∈{H，V，D}，指定了水平，垂直和对角线这三个方向，j对应于不同的尺度，j0为开始尺度，系数定义了f(x，y)在j0处的近似，分别代表了水平细节系数，垂直细节系数以及对角线细节系数；
步骤B3：获取各尺度下的细节系数后，计算其均值及标准差。
6、根据权利要求2所述的基于多特征融合的图像翻拍检测方法，其特征在于，所述的图像颜色特征，其提取步骤如下：
步骤C1：将图像分解为RGB颜色通道下的三个颜色分量；
步骤C2：对RGB颜色通道下的每个颜色分量计算其像素均值、邻像素值数量分布的中位数，并计算每个颜色分量彼此两两之间的相关系数和能量比率；
步骤C3：将图像分解为HIS(Hue-Saturation-Intensity)颜色通道下的三个图像分量；
步骤C4：对HSI颜色通道下的每个颜色分量计算像素均值，标准差和斜坡度。
具体是一种基于旋转不变的局部相位量化描述子特征，多尺度小波分解的系数统计特征和图像颜色特征三者相结合的翻拍检测方法。
经过对现有技术的检索发现，中国专利文献号CN102521614A，公开日2012-06-27记载了一种“翻拍数字图像鉴定方法”，该技术提取图形库中每张图像的DCT系数矩阵，然后提取每张图像的DCT系数首位有效数字分布特征，训练分类器获得图像分类模型，之后利用图像分类模型对待检测图像进行翻拍图像鉴定。
上述专利提出的翻拍图像检测方法利用的是每张图像的DCT系数首位有效数字分布特征，本发明提出的一种新的图像翻拍检测方法，使用的旋转不变局部相位量化描述子特征，多尺度小波分解的系数统计特征和图像颜色特征加以融合，并检测输入图像是否属于翻拍图像，所采用的特征与上述专利存在本质上的区别，是一种对翻拍图像新的有效检测方法。
附图说明
图1是本发明的整体框架图；
图2是本发明的训练过程流程图；
图3是本发明的检测过程流程图；
图4是图像旋转不变的局部相位量化描述子特征提取流程图；
图5是图像多尺度小波分解系数统计特征提取流程图；
图6是图像颜色特征提取流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
本发明提供的基于多特征融合的图像翻拍检测方法，是通过以下方案实现的：该方法首先对训练图像提取旋转不变的局部相位量化描述子特征，多尺度小波分解的系数统计特征以及图像颜色特征，进行特征拼接之后利用支持向量机(SVM)生成训练模型。对于给定的待检测图像，同样提取上述三组特征拼接后，利用生成了训练模型和特征向量机进行判别。整个过程可分为两个流程，训练流程和翻拍图像检测流程。
如图2所示，训练流程具体步骤如下：
第一步特征提取
对于给定的训练图像，提取其旋转不变的局部相位量化描述子特征，多尺度小波分解的系数统计特征以及图像颜色特征；
第二步特征拼接
将第一步中提取出的三组特征加以拼接，形成共331维的特征；
第三步生成训练模型
利用支持向量机和从训练图像提取出的训练数据，生成训练模型。
至此训练过程完毕。
如图3所示，翻拍图像检测流程具体步骤如下：
第一步特征提取
对于给定的待检测图像，提取其旋转不变的局部相位量化描述子特征，多尺度小波分解的系数统计特征以及图像颜色特征；
第二步特征拼接
将第一步中提取出的三组特征加以拼接，形成共331维的特征；
第三步分类器判别
将从待测图像提取出的特征，结合训练模型，利用支持向量机对图像进行判别，判断其是否属于翻拍。
在上述训练流程和翻拍图像检测流程中，涉及到了如下技术细节：旋转不变的局部相位量化描述子特征，多尺度小波分解的系数统计特征以及图像颜色特征。以下分别针对这三个细节做具体说明：
1：旋转不变的局部相位量化描述子(RILPQ)特征的提取
本发明中使用的旋转不变的局部相位量化描述子特征，可对图像的表面纹理特性进行描述。如图4所示，提取该特征的流程如下：
第一步：图像转换为灰度图像；
第二步：遍历图像每一个像素，为每一个像素计算其邻域的典型方向，并将该邻域旋转至典型方向的位置；
第三步:对每一个像素计算其RILPQ特征值，获得一个8位二进制序列；
第四步:将所有计算出的二进制序列生成统计直方图；
第五步:对直方图做归一化处理。
2：多尺度小波分解的系数统计特征的提取
本发明中使用的多尺度小波分解的系数统计特征，可对图像的细节特性进行描述。如图5所示，提取该特征的流程如下：
第一步：将图像分解为RGB颜色通道下的三个图像分量；
第二步：对每个图像分量做尺度为3的小波分解，并获取其细节系数，计算公式为：
其中M和N分别代表了图像的宽和高，代表尺度函数，代表小波函数，i∈{H，V，D}，它指定了水平，垂直和对角线这三个方向，j对应于不同的尺度，可以令最大尺度为3，j0为开始尺度，可令其等于0，系数定义了f(x，y)在j0处的近似，分别代表了水平细节系数，垂直细节系数以及对角线细节系数；
第三步：获取各尺度下的细节系数后，计算其均值及标准差。
3：图像颜色特征的提取
本发明中使用的图像颜色特征，可对图像的颜色特性进行描述。如图6所示，提取该特征的流程如下：
第一步：将图像分解为RGB颜色通道下的三个颜色分量；
第二步：对RGB颜色通道下的每个颜色分量计算其像素均值，邻像素值数量分布的中位数，并计算每个颜色分量彼此两两之间的相关系数和能量比率；
第三步：将图像分解为HSI颜色通道下的三个图像分量；
第四步：对HSI颜色通道下的每个颜色分量计算像素均值，标准差和斜坡度。其中，邻像素值数量分布是指，对于一个八位的像素值，其像素值取值区间为[0,255]，每一个像素值都有与它相邻的像素值，即其自身像素值前后的像素值，如对于像素值128来说，其邻像素值为127和129。特别地，0的邻像素值只有1，255的邻像素值只有254。邻像素值数量分布即对每一个像素值的邻像素数量进行统计，并得到最终的数量分布。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (5)

1.一种基于多特征融合的图像翻拍检测方法，其特征在于，包括如下步骤：
步骤1：对训练图像提取多组特征并对特征进行拼接，所述多组特征包括：
特征A：图像的旋转不变局部相位量化描述子特征；
特征B：图像的多尺度小波分解系数统计特征；
特征C：图像的颜色特征；
步骤2：利用分类器生成训练模型；
步骤3：对待测图像提取多组特征并对特征进行拼接；
步骤4：利用生成的训练模型及利用分类器对待测图像进行判别。
2.根据权利要求1所述的基于多特征融合的图像翻拍检测方法，其特征在于，所述分类器为支持向量机。
3.根据权利要求1所述的基于多特征融合的图像翻拍检测方法，其特征在于，所述旋转不变局部相位量化描述子特征，是对图像的表面纹理特性进行描述，其提取流程如下：
步骤A1：图像转换为灰度图像；
步骤A2：遍历图像每一个像素，为每一个像素计算其邻域的典型方向，并将该邻域旋转至典型方向的位置；
步骤A3：对每一个像素计算其RILPQ特征值，获得一个8位二进制序列；
步骤A4：将所有计算出的二进制序列生成统计直方图；
步骤A5：对直方图做归一化处理。
4.根据权利要求1所述的基于多特征融合的图像翻拍检测方法，其特征在于，所述的多尺度小波分解系数统计特征，其提取步骤如下：
步骤B1：将图像分解为RGB颜色通道下的三个图像分量；
步骤B2：对每个图像分量做多尺度的小波分解，并获取其细节系数，计算公式为：
<mrow> <msubsup> <mi>W</mi> <mi>&amp;psi;</mi> <mi>i</mi> </msubsup> <mrow> <mo>(</mo> <mi>j</mi> <mo>,</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mrow> <mi>M</mi> <mi>N</mi> </mrow> </msqrt> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>y</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <msubsup> <mi>&amp;psi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow>
其中M和N分别代表了图像的宽和高，代表尺度函数，代表小波函数，i∈{H，V，D}，指定了水平，垂直和对角线这三个方向，j对应于不同的尺度，j0为开始尺度，系数定义了f(x，y)在j0处的近似，分别代表了水平细节系数，垂直细节系数以及对角线细节系数；
步骤B3：获取各尺度下的细节系数后，计算其均值及标准差。
5.根据权利要求1所述的基于多特征融合的图像翻拍检测方法，其特征在于，所述的图像颜色特征，其提取步骤如下：
步骤C1：将图像分解为RGB颜色通道下的三个颜色分量；
步骤C2：对RGB颜色通道下的每个颜色分量计算其像素均值、邻像素值数量分布的中位数，并计算每个颜色分量彼此两两之间的相关系数和能量比率；
步骤C3：将图像分解为HIS(Hue-Saturation-Intensity)颜色通道下的三个图像分量；
步骤C4：对HSI颜色通道下的每个颜色分量计算像素均值，标准差和斜坡度。
CN201410640605.7A 2014-11-13 2014-11-13 一种基于多特征融合的图像翻拍检测方法 Active CN104598933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410640605.7A CN104598933B (zh) 2014-11-13 2014-11-13 一种基于多特征融合的图像翻拍检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410640605.7A CN104598933B (zh) 2014-11-13 2014-11-13 一种基于多特征融合的图像翻拍检测方法

Publications (2)

Publication Number Publication Date
CN104598933A CN104598933A (zh) 2015-05-06
CN104598933B true CN104598933B (zh) 2017-12-15

Family

ID=53124705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410640605.7A Active CN104598933B (zh) 2014-11-13 2014-11-13 一种基于多特征融合的图像翻拍检测方法

Country Status (1)

Country Link
CN (1) CN104598933B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867149B (zh) * 2015-05-16 2017-07-21 吉林大学 基于局部平面线性点的翻拍图像鉴别方法
CN105118048B (zh) * 2015-07-17 2018-03-27 北京旷视科技有限公司 翻拍证件图片的识别方法及装置
CN106780334B (zh) * 2016-12-15 2020-02-07 北京奇艺世纪科技有限公司 一种图像分类方法及系统
CN108133475B (zh) * 2017-12-22 2021-04-09 西安烽火电子科技有限责任公司 一种局部聚焦模糊图像的检测方法
CN110490214B (zh) * 2018-05-14 2023-05-02 阿里巴巴集团控股有限公司 图像的识别方法及系统、存储介质及处理器
CN109214394A (zh) * 2018-08-02 2019-01-15 中国科学院信息工程研究所 一种基于颜色和纹理特性的风格迁移伪造图像检测方法和装置
CN109784357B (zh) * 2018-11-19 2022-10-11 西安理工大学 一种基于统计模型的图像重拍检测方法
CN109784394A (zh) * 2019-01-07 2019-05-21 平安科技（深圳）有限公司 一种翻拍图像的识别方法、系统及终端设备
CN109859227B (zh) * 2019-01-17 2023-07-14 平安科技（深圳）有限公司 翻拍图像检测方法、装置、计算机设备及存储介质
CN109886309A (zh) * 2019-01-25 2019-06-14 成都浩天联讯信息技术有限公司 一种识别伪造数字图像身份的方法
CN111008651B (zh) * 2019-11-13 2023-04-28 科大国创软件股份有限公司 一种基于多特征融合的图像翻拍检测方法
CN111260214B (zh) * 2020-01-15 2024-01-26 大亚湾核电运营管理有限责任公司 核电站预留工单领料方法、装置、设备及存储介质
CN111259915B (zh) * 2020-01-20 2024-06-14 中国平安人寿保险股份有限公司 翻拍图像识别的方法、装置、设备及介质
CN111563577B (zh) * 2020-04-21 2022-03-11 西北工业大学 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法
CN112070714B (zh) * 2020-07-29 2024-02-20 西安工业大学 一种基于局部三元计数特征的翻拍图像检测方法
CN112950559B (zh) * 2021-02-19 2022-07-05 山东矩阵软件工程股份有限公司 一种翻拍图像检测方法、装置、电子设备及存储介质
CN114005019B (zh) * 2021-10-29 2023-09-22 北京有竹居网络技术有限公司 一种翻拍图像识别方法及其相关设备
CN114819142B (zh) * 2022-04-18 2024-09-06 支付宝(杭州)信息技术有限公司 拍屏图像识别及其模型的训练方法、装置和电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116763A (zh) * 2013-01-30 2013-05-22 宁波大学 一种基于hsv 颜色空间统计特征的活体人脸检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116763A (zh) * 2013-01-30 2013-05-22 宁波大学 一种基于hsv 颜色空间统计特征的活体人脸检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于图像表面梯度的翻拍检测;卢燕飞等;《北京交通大学学报》;20121031;第36卷(第5期);第60页第2栏第3、4段 *
数码翻拍图像取证算法;尹京等;《中山大学学报( 自然科学版)》;20111130;第50卷(第6期);48-52 *

Also Published As

Publication number Publication date
CN104598933A (zh) 2015-05-06

Similar Documents

Publication Publication Date Title
CN104598933B (zh) 一种基于多特征融合的图像翻拍检测方法
Luo et al. A survey of passive technology for digital image forensics
Yerushalmy et al. Digital image forgery detection based on lens and sensor aberration
CN102163284B (zh) 面向中文环境的复杂场景文本定位方法
Zhang et al. Detecting image seam carving with low scaling ratio using multi-scale spatial and spectral entropies
CN103914839B (zh) 一种基于隐写分析的图像拼接篡改检测方法及装置
CN107067389B (zh) 一种图像篡改盲取证方法
CN102081731B (zh) 一种从图像中提取文本的方法和装置
CN103839255B (zh) 视频抠像篡改检测方法及装置
KR101906796B1 (ko) 딥러닝 기반 영상 분석 장치 및 영상 분석 방법
US8942469B2 (en) Method for classification of videos
CN104504669B (zh) 一种基于局部二值模式的中值滤波检测方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
Ke et al. Image recapture detection using multiple features
CN104008401A (zh) 一种图像文字识别的方法及装置
CN104462381A (zh) 商标图像检索方法
CN104661037B (zh) 压缩图像量化表篡改的检测方法和系统
CN103530638A (zh) 多摄像头下的行人匹配方法
CN110347870A (zh) 基于视觉显著性检测与层次聚类法的视频摘要化生成方法
Lin et al. Convolutional neural networks for face anti-spoofing and liveness detection
CN107798279A (zh) 一种人脸活体检测方法及装置
CN104268590A (zh) 基于互补性组合特征与多相回归的盲图像质量评价方法
CN102956029A (zh) 图像处理装置以及图像处理方法
Zhao et al. Tampered region detection of inpainting JPEG images
Ren et al. Fusion of intensity and inter-component chromatic difference for effective and robust colour edge detection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant