CN110136125B - 一种基于层次特征点匹配的图像复制移动伪造检测方法 - Google Patents

Abstract

本发明公开了一种基于层次特征点匹配的图像复制移动伪造检测方法，包括以下步骤：S1、输入待检测图像；S2、采用降低对比度阈值和调整输入图像大小的方式生成关键点，并通过SIFT算法进行特征点提取；S3、通过规模聚类以及重叠灰度聚类进行分层特征点匹配；S4、迭代伪造本地化；S5、输出检测结果。本发明中的检测方法使得复制‑移动伪造只涉及到平滑区域或较小区域，或者伪造的图像已经被处理过，也能保持良好的检测性能；另一方面，本发明进一步提出了一种新的迭代定位方案，不需要任何聚类和分割过程，充分利用了SIFT算法的鲁棒性和每个关键点的颜色信息，有效的提高了图像复制‑移动伪造检测的检测精度。

Description

一种基于层次特征点匹配的图像复制移动伪造检测方法

技术领域

本发明涉及图像处理领域，尤其涉及一种基于层次特征点匹配的图像复制移动伪造检测方法。

背景技术

图像的安全问题是目前图像学界的一个热门话题。随着Internet及多媒体技术的高速发展，人们每天基本上都要接触到网络上以及多媒体光盘中大量生动逼真的数字化图形图像，它带给人们直观的信息源以及获取信息时视觉上的舒适感。互联网的流行已清楚表明数字图像市场的潜力；在商业上，数字图像也得到了广泛的应用。不幸的是数字网络和多媒体技术的应用为图像的盗版者提供了绝佳的机会。功能强大的图像处理软件的飞速发展，使得数字图像更易于被伪造篡改，盗版者可以不留明显痕迹地添加或者删除一幅图像中的重要信息。数码照相机、数码摄像机逐渐取代传统的模拟设备、数字图像的鉴别，随着现代图像编辑软件的发展，如Photoshop和Gimp，数字图像可以以非常低的成本伪造。这对数字图像的可靠性带来了很大的威胁。复制-移动伪造是各种数字图像伪造之间的一种常见操作，其中，为了隐藏或复制感兴趣的对象，将图像的一个或多个区域粘贴到同一图像的其他地方。这一过程可能伴随着旋转，调整大小，压缩和噪声的增加，使最终的伪造更有说服力。检测他们有时是非常具有挑战性的，特别是当复制-移动伪造只涉及小或平滑的区域，或当伪造区域已经过一些严重的攻击，如大规模调整大小和添加重噪声时。内容认证以及伪造检测的需求也随之而增加。

近年来，人们提出了许多图像复制-移动伪造检测方法，大致可分为两大类:

(1)密集场(或基于块的)方法

(2)稀疏场(或基于关键点的)方法

针对密集场复制-移动伪造检测方法，首先将输入图像分为重叠块和规则块；然后通过块匹配完成伪造定位过程。为了提高对几何变换等常见畸变的鲁棒性，采用了离散余弦变换(DCT)、离散小波变换(DWT)、主成分分析(PCA)、奇异值分解(SVD)等技术对块特征进行了设计。结果表明，基于密集场的方法比基于稀疏场的方法更精确，但代价是复杂度更高。

目前存在以下几种技术方案：

(1)一种高效的密集场copymove伪造检测方法，采用PatchMatch算法快速近似最近邻搜索方案，大大缩短了处理时间。不幸的是，所有现有的密度场方案都受到一些攻击，如缩放、旋转和噪声添加。

(2)使用关键点匹配来进行健壮的复制-移动伪造检测。在尺度不变特征变换(SIFT)的辅助下，该方法对几何变换具有很强的鲁棒性，参数由随机样本一致性(RANSAC)算法估计。使用分层凝聚聚类算法将匹配的关键点根据其在图像平面上的位置进行聚类，然后对每两个匹配的聚类进行RANSAC估计。其并没有对关键字进行聚类，而是在概念空间中对匹配的对进行聚类。

但是现有技术方案仍存在下列缺陷：

(1)无法在较小或平滑的区域生成足够数量的关键点(即匹配对)，导致检测失败；

(2)很难找到一个普遍适用于所有图像的好的聚类/分割算法和相关参数。这是因为复制-移动区域可以是任何大小，并且可以与纹理高度不同。此外，复制移动区域的数量通常是未知的；在这种情况下，正确地执行集群是困难的；

(3)现有的基于关键点的方法缺乏可靠的仿射矩阵验证和inliers选择，即一些异常值可以被现有的单应性估计技术(如RANSAC)作为inliers处理，造成较高的虚警率。

发明内容

本发明目的是针对上述问题，提供一种可以提高图像伪造检测准确性的基于层次特征点匹配的图像复制移动伪造检测方法。

为了实现上述目的，本发明的技术方案是：

一种基于层次特征点匹配的图像复制移动伪造检测方法，包括以下步骤：

S1、输入待检测图像；

S2、采用降低对比度阈值和调整输入图像大小的方式生成关键点，并通过SIFT算法进行特征点提取；

S3、通过规模聚类以及重叠灰度聚类进行分层特征点匹配；

S4、迭代伪造本地化；

S5、输出检测结果。

进一步的，所述步骤S2包括以下步骤：

S21、通过尺度空间极值检测对候选关键点进行识别；

S22、根据对比度阈值和边缘阈值进一步对候选关键点进行细化；

S23、为细化后的关键点分配一个主方向；

S24、在以细化后的关键点为中心的局部区域中对周围的信息进行编码，计算生成描述符。

进一步的，所述步骤S4包括以下步骤：

S41、对孤立的匹配对进行删除；

S42、局部单应性估计；

S43、根据每个孤立点的比例尺信息构造可疑区域；

S44、通过验证颜色信息的一致性，对可疑区域进行细化。

进一步的，所述局部单应性使用RANSAC算法来进行估计。

与现有技术相比，本发明具有的优点和积极效果是：

本发明采用降低对比度阈值和调整图像大小的方式生成关键点，通过SIFT算法进行特征点提取的设计，使得在平滑区域或较小区域，也可以生成足够数量的关键点，即使复制-移动伪造只涉及到平滑区域或较小区域，或者伪造的图像已经被处理过，也能保持良好的检测性能；并且在此基础上，提出了一种新的层次特征点匹配策略，有效的解决了关键点匹配问题。另一方面，为了降低误报率，准确定位复制区域，进一步提出了一种新的迭代定位方案，不需要任何聚类和分割过程，充分利用了SIFT算法的鲁棒性和每个关键点的颜色信息，提高了图像复制-移动伪造检测的检测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的框架流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

复制-移动伪造是数字图像篡改中最常用的手法之一。基于关键点的检测方法由于对大规模几何变换等多种攻击具有较强的鲁棒性，已被报道在揭示复制-移动证据方面非常有效。然而，当复制-移动伪造只涉及小的或平滑的区域时，这些方法无法处理这种情况，而这些区域的关键点数量非常有限。针对这一问题，提出了一种基于层次特征点匹配的快速有效的仿移动伪造检测算法。我们首先证明，通过降低对比度阈值和重新缩放输入图像，可以生成足够数量的关键点，即使在小的或平滑的区域中也存在这些关键点。然后，我们提出了一种新的层次匹配策略来解决大量关键点的匹配问题。为了降低误报率，准确定位被篡改区域，我们进一步利用鲁棒性(包括主方向和尺度信息)和每个关键点的颜色信息，提出了一种新的迭代定位技术。

图像伪造检测方法流程如图1所示，即

1)SIFT特征提取；

2)分层特征点匹配；

3)迭代伪造本地化。

提出为所有这三个步骤设计新颖而复杂的解决方案。在第一阶段，设计了一个简单而有效的方法来提取足够数量的SIFT关键点，即使在平滑和小区域，通过降低对比度阈值和重新缩放输入图像。第二阶段提出了一种新的层次点匹配策略，解决了大量关键点的匹配问题。在第三阶段，提出了一种新的迭代单应性估计和复制-移动定位技术，不涉及任何聚类和分割过程。

具体实现方式：

一、SIFT(Scale.invariantfeaturetransform)特征提取

SIFT是计算机视觉中提取和描述图像局部特征最常用的算法之一，对噪声失真和几何变换具有良好的鲁棒性。SIFT算法大致可分为四个阶段:

(1)通过尺度空间极值检测进行候选关键点识别；

(2)根据对比度和边缘阈值对关键点进行细化；

(3)各关键点的主导方向分配；

(4)特征描述符生成。

在阶段(1)，候选关键点在不同的尺度上被识别。给定一个输入图像I，在多个尺度上对I与高斯滤波器进行反复卷积，生成连续的高斯模糊图像。然后选取候选SIFT关键点作为高斯(DoG)域差分的一个3-3立方内的局部极值。

在阶段(2)，根据对比度阈值和边缘阈值进一步细化所有候选关键点。该方法对SIFT算法中不稳定极值的剔除起着关键作用。

在阶段(3)，为每个幸存的关键点分配一个主方向，以实现旋转不变性。通过收集SIFT关键点为中心的局部窗口中点的梯度方向信息，构造方向直方图。方向直方图中的峰值对应于主方向。

在阶段(4)中，通过在以SIFT关键点为中心的局部区域(scalespace中大小为1616)中编码周围的信息，计算128维描述符。

通过以上四个阶段，n个关键点的列表{k1，k2，…，kn}及其对应的描述符{f1，f2，…，fn}，令k为一个泛型SIFT关键点，表示为一个四维向量。

在高维特征空间中，仅根据全局阈值计算与其他(n1)个关键点的距离并不能很好地找到与k个关键点的可靠匹配。在SIFT原始论文中提出了一种应用广泛的匹配算法，该算法通过计算最近距离与第二最近距离的比值来进行匹配。其背后的理由是，对于那些错误匹配，很可能会有其他几个距离类似的错误匹配。这是因为距离是在高维特征空间中计算的。具体地说，令向量d＝{d1，d2，…，dn1}按递增的顺序记录关键点k与剩余(n1)个关键点之间的欧氏距离，即，d1d2···dn，然后，当且仅当d1/d2<t，关键点k与其他(n1)关键点中的一个匹配，其中t(0，1)是一个预定义的参数，通常设置为0.6。

由于SIFT算法对噪声失真和几何变换具有良好的鲁棒性，采用了SIFT算法进行特征提取。正如前文所说，基于关键点的方法(包括基于sift的方法)的一个关键问题是不能在光滑或小区域生成足够数量的关键点，从而导致检测性能较差。我们提出了两个简单而有效的策略来生成更多的SIFT关键点，即使是在平滑或小区域也同样适用，即

(1)降低对比度阈值

(2)调整输入图像的大小。

降低对比度阈值

对比度阈值为预定义值，用于剔除对比度值较低的不稳定极值。通常，每个点在尺度空间中，它是由对比价值决定的，任何对比度值小于C的极值都被拒绝作为最终SIFT关键点。然而，在平滑区域，极值的对比度往往很低。因此，很少甚至没有极值能够通过对比度细化过程并最终作为SIFT关键点存活下来。为了保证在平滑区域生成足够数量的关键点，采用降低SIFT算法中对比度阈值，允许保留大量对比度较低的极值。

调整输入图像的大小

仅降低对比度阈值并不能完全解决在小区域上进行复制-移动伪造时生成足够数量的关键点的问题。补充策略是在计算SIFT关键点之前，将输入图像的大小调整一个因子s。大量的实验结果表明，放大输入图像会大大增加关键点的数量。随着比例因子s的增加，会产生更多的关键点。

二、分层特征点匹配

在复制-移动伪造检测场景中，特征点匹配操作的目的是识别图像中相似的局部区域。我们首先解释大量关键点上的点匹配问题。然后提出了一种新的层次特征点匹配方案来解决这类问题。

关键点匹配问题

通过使用前文提出的策略，可以生成更多的SIFT关键点。关键点数量的显著增加会极大地加重计算负担。为了同时解决关键点匹配问题，提出了一种新的层次特征点匹配算法。由两部分组成:

(1)通过规模聚类进行组匹配；

(2)通过重叠灰度聚类进行组匹配。

通过规模聚类进行组匹配

SIFT的所有关键点都是在scalespace中检测到的，其中高斯图像按八度进行分组。当降低对比度阈值并放大输入图像时，不同尺度下检测到的关键点会紧密聚类。这加剧了关键点匹配问题。在这项工作中，提出在每一个较低音阶的单个八度范围内分别进行匹配，而在多个较高音阶的多个八度范围内共同进行匹配。其基本原理是双重的:1)高八度音阶的关键点数量远少于低八度音阶，因此不会出现关键点匹配问题；2)联合匹配高尺度八度中的关键点，实现对大规模缩放攻击的鲁棒性。具体地说，让关键点的刻度值，可以随时伴随着计算筛选获得关键点。根据关键点的尺度值将其分为三组，分别用C1、C2和C3表示，然后分别在C1、C2、C3中进行匹配。对于第一个八度和第二个八度，分别在每个八度内应用匹配程序。而对于更高的八度，我们共同在多个八度中进行。通过尺度聚类，分离出不同聚类中的关键点。结果表明，该策略能有效地解决关键字匹配问题。通过规模聚类进行组匹配，匹配的数量显著增加。

三、迭代伪造本地化

在复制-移动伪造检测场景中，伪造定位是识别密集区域中的重复区域。对于基于关键点的图像复制-移动伪造检测算法，在对伪造区域进行定位时存在两个问题:

(1)进行多个克隆时，单应性一般不是唯一的，复制区域的数量未知；

(2)所有匹配对通常没有匹配顺序，因此在匹配过程中，伪造点和对应的原始点没有分离。

上述问题限制了RANSAC算法的使用，该算法只适用于单一单应性估计。此外，输入RANSAC的匹配对应具有匹配顺序，否则会被视为异常值，从而做出不准确的估计。针对这些问题，提出的防伪定位方案的包括三个步骤：

(1)去除孤立的匹配对；

(2)局部单应性估计；

(3)伪造在密集领域的定位。

去除孤立的匹配对

在复制-移动伪造检测场景中，一个先验知识是在一个连续的形状中进行伪造。这意味着正确匹配的关键点不应该隔离在局部区域中。为了降低误报率，首先删除那些孤立的匹配对，特别是当图像包含道路、窗口和其他具有近似周期性变化的对象时，其中一些孤立的错误匹配仍然满足相同的单应性。对于每一对匹配的(k,k)P，令其位置距离小于阈值Tiso(在我们的实现中Tiso＝100)的匹配关键点的数量。

局部单应性的估计

在步骤(2)中，仅使用来自两个相邻局部区域的匹配对的一部分来估计仿射矩阵。具体来说，首先随机选择匹配的一对(k,k)M。让Ck和Ck分别记录k和k附近匹配的所有关键点。在形式上，

其中Mkeys包含M中所有匹配的关键点，即

Td是一个超参数(在我们的实现中Td＝100)，Dis(·)计算图像平面上两个关键点的欧氏距离。然后我们构造一个包含所有匹配对的Mk集合，这些匹配对都接近(k，k)，即：

这里需要强调的是Mk中的所有匹配对都具有一致的匹配顺序(从Ck到Ck)。另一方面，由于所有匹配的Mk对都是由两个本地相邻区域生成的，因此可以合理地假设它们遵循相同的同伦值Hk。因此可以使用RANSAC算法来估计Mk中匹配对之间的对应关系的单应性Hk。

伪造在密集领域的定位

密集场中对伪造进行局部化的问题，对于这些基于分割的方法，只需合并包含足够多匹配关键点的相邻分割区域，即可在密集区域进行伪造定位。如前所述，寻找一种普遍适用的好的分割算法和适用于所有图像的相关参数是一个实际的挑战。我们提出了一种新的算法用于密集区域的伪造定位，不涉及任何麻烦的聚类/分割过程。具体来说，由两个阶段组成:

(1)根据每个孤立点的尺度信息构造可疑区域；

(2)通过验证颜色信息的一致性，细化可疑区域。

如前文所述，关键点k的描述符是通过在尺度空间中编码其周围信息来计算的，其中图像平面中支持区域的大小与其尺度值正相关。换句话说，图像平面中更大的支持区域被分配给更高尺度的关键点。

本发明提出了一种高效、准确的基于关键点的图像复制-移动伪造检测与定位方法，即使复制-移动伪造只涉及到平滑或小区域，或者伪造的图像已经被一些人处理过，也能保持良好的性能严重的攻击(例如，大规模调整大小和添加重噪声)。

Claims (2)

1.一种基于层次特征点匹配的图像复制移动伪造检测方法，其特征在于：包括以下步骤：

S1、输入待检测图像；

S2、采用降低对比度阈值和调整输入图像大小的方式生成关键点，并通过SIFT算法进行特征点提取；

S3、通过规模聚类以及重叠灰度聚类进行分层特征点匹配；

S4、迭代伪造本地化；

S5、输出检测结果；

所述步骤S2包括以下步骤：

S21、通过尺度空间极值检测对候选关键点进行识别；

S22、根据对比度阈值和边缘阈值进一步对候选关键点进行细化；

S23、为细化后的关键点分配一个主方向；

S24、在以细化后的关键点为中心的局部区域中对周围的信息进行编码，计算生成描述符；

所述步骤S4包括以下步骤：

S41、对孤立的匹配对进行删除；

S42、局部单应性估计；

S43、根据每个孤立点的比例尺信息构造可疑区域；

S44、通过验证颜色信息的一致性，对可疑区域进行细化。

2.如权利要求1所述的基于层次特征点匹配的图像复制移动伪造检测方法，其特征在于：所述局部单应性使用RANSAC算法来进行估计。

Images