CN110348434A - 相机来源鉴别方法、系统、存储介质和计算设备 - Google Patents
相机来源鉴别方法、系统、存储介质和计算设备 Download PDFInfo
- Publication number
- CN110348434A CN110348434A CN201910512236.6A CN201910512236A CN110348434A CN 110348434 A CN110348434 A CN 110348434A CN 201910512236 A CN201910512236 A CN 201910512236A CN 110348434 A CN110348434 A CN 110348434A
- Authority
- CN
- China
- Prior art keywords
- network
- camera
- arbiter
- training sample
- mode noise
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
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
本发明公开了相机来源鉴别方法、系统、存储介质和计算设备，首先构建训练样本集、生成网络和判别器网络；将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型；针对于要检测相机来源的待测图像，将待测图像输入到相机来源鉴别模型的生成网络中，将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果。本发明将神经网络和图像相机来源鉴别相结合，应用神经网络所具备的可扩展、可训练、鲁棒性和非线性映射能力，提高了图像相机来源鉴别的准确度和泛化性。
Description
技术领域
本发明属于信息安全、深度学习领域，特别涉及一种相机来源鉴别方法、系统、存储介质和计算设备。
背景技术
相机来源鉴别技术是确定未知来源图像生成设备的技术手段。由于相机模式噪声是相机的固有特征，其拍摄的每张图片都带有该模式噪声，与所拍摄的场景无关，因此可将模式噪声看成是一种相机的固定指纹特征，将其建模为高斯白噪声模型的随机扩频信号，通过相关性检测来确定相机来源。
现有相机来源鉴别技术主要分为二类：通过图像去噪提取模式噪声，进而鉴别相机来源；通过提取和融合图像统计特征，再利用分类器或最大似然估计等方法鉴别相机来源。然而，采用现有方法获得的模式噪声易受场景噪声、随机噪声、CFA插值噪声等各类噪声的影响，降低了相关性检测的准确率，从而导致相机来源鉴别的准确度较低。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种准确度和泛化性高的相机来源鉴别方法。
本发明的第二目的在于提供一种相机来源鉴别系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现：一种相机来源鉴别方法，步骤如下：
构建训练样本集，训练样本集中包括多张已知相机来源的图像，各图像作为训练样本；
针对于训练样本集中的各训练样本，提取相机模式噪声特征；
构建用于生成相机模式噪声特征的生成网络以及用于对输入进行相似性判断的判别器网络，并且将生成网络的输出端连接到判别器网络的输入端；
将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型；
针对于需要检测相机来源的待测图像，提取相机模式噪声特征；
将待测图像输入到相机来源鉴别模型的生成网络中，同时将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果。
优选的，生成网络和判别器网络进行训练，得到相机来源鉴别模型的具体过程如下：
步骤S21、将训练样本输入到生成网络中，通过生成网络生成相机模式噪声特征图，作为无标记样本数据；同时将训练样本中提取的相机模式噪声特征作为有标记样本数据；
步骤S22、有标记样本数据和无标样本数据进行叠加后输入到判别器网络中，供判别器网络学习两种类型的数据分布；
步骤S23、根据判别器网络对输入的样本数据的真假性判别结果，通过反向传播算法更新判别器网络的节点的权重系数；
步骤S24、根据判别器网络的反馈结果，固定判别器网络参数，通过反向传播算法更新生成网络的节点权重系数；
步骤S25、判断判别器网络的分类准确率误差是否小于预设阈值，如果否，则转至步骤S21，重复进行训练，如果是，则生成网络和判别器网络训练结束，得到相机来源鉴别模型。
更进一步的，步骤S25中通过对数似然函数的损失函数判断判别器网络的分类准确率误差是否小于预设阈值。
优选的，针对于待测图像进行检测的过程如下：
针对于需要检测相机来源的待测图像，提取相机模式噪声特征；将待测图像输入到生成网络中，通过生成网络生成相机模式噪声特征图，作为待检测相机模式噪声特征；
将从待测图像中提取出的相机模式噪声特征和生成网络生成的待检测相机模式噪声特征叠加后输入到判别器网络中，经过判别器网络的Softmax多分类层输出，得到相机来源鉴别结果。
优选的，针对于训练样本集中的各训练样本和待测图像，提取相机模式噪声特征方式如下：针对训练样本或待测图像进行小波滤波处理，得到小波滤波处理后的图像，将训练样本或待测图像减去小波滤波处理后的图像，得到残差图像，将残差图像作为相机模式噪声特征。
优选的，所述生成网络和判别器网络为在DCGAN框架下构建的网络；
所构建的生成网络包括依次连接的第一卷积层、relu激活层、第二卷积层、池化层、第三卷积层、池化层、第四卷积层、池化层、上采样层、relu激活层、上采样层和第五卷积层；
所构建的判别器网络包括依次连接的第六卷积层、relu激活层、第七卷积层、池化层、第八卷积层、池化层、第九卷积层、池化层和softmax多分类层。
更进一步的，所构建的生成网络中：
在所述第一卷积层中，卷积核为9×9，输出由64个特征形成的特征地图；
在所述第二卷积层中，卷积核为3×3，输出由64个特征形成的特征地图；
在所述第三卷积层中，卷积核为3×3，输出由256个特征形成的特征地图；
在所述第四卷积层中，卷积核为9×9，输出由64个特征形成的特征地图；
在所述第五卷积层中，卷积核为1×1，输出由64个特征形成的特征地图；
所构建的判别器网络中：
在所述第六卷积层中，卷积核为4×4，输出由128个特征形成的特征地图，且移动步长为(2，2)；
在所述第七卷积层中，卷积核为4×4，输出由256个特征形成的特征地图，且移动步长为(2，2)；
在所述第八卷积层中，卷积核为4×4，输出由512个特征形成的特征地图，且移动步长为(2，2)；
在所述第九卷积层中，卷积核为4×4，输出由1024个特征形成的特征地图，且移动步长为(2，2)。
本发明的第二目的通过以下技术方案实现：一种相机来源鉴别系统，包括：
训练样本集构建模块，用于构建训练样本集，训练样本集中包括多张已知相机来源的图像，各图像作为训练样本；
特征提取模块，针对于训练样本集中的各训练样本以及待测图像，提取相机模式噪声特征；
神经网络构建模块，用于构建生成网络以及判别器网络，生成网络的输出端连接到判别器网络的输入端；其中，生成网络用于生成相机模式噪声特征；判别器网络用于对输入进行相似性判断的判别器网络；
相机来源鉴别模型构建模块，用于将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型；
鉴别模块，用于将待测图像输入到相机来源鉴别模型的生成网络中，同时将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果。
本发明的第三目的通过以下技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的相机来源鉴别方法。
本发明的第四目的通过以下技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第二目的所述的相机来源鉴别方法。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明相机来源鉴别方法，首先构建训练样本集，并且构建生成网络和判别器网络；然后将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型；针对于需要检测相机来源的待测图像，将待测图像输入到相机来源鉴别模型的生成网络中，将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果。由上述可见，本发明将神经网络和图像相机来源鉴别相结合，应用神经网络所具备的可扩展、可训练、鲁棒性和非线性映射能力，提高了图像相机来源鉴别的准确度和泛化性。
(2)本发明相机来源鉴别方法中，生成网络和判别器网络为在DCGAN(深度卷积生成对抗神经网络)框架下构建的网络，极大提升了神经网络训练的稳定性以及生成结果质量。
附图说明
图1是本发明相机来源鉴别方法流程图。
图2a是本发明相机来源鉴别方法中构建的生成网络的结构框图。
图2b是本发明相机来源鉴别方法中构建的判别器网络的结构框图。
图3是本发明相机来源鉴别方法中模型训练流程图。
图4是是本发明相机来源鉴别方法中模型鉴别流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例公开了一种相机来源鉴别方法，如图1所示，步骤如下：
步骤S1、构建训练样本集、生成网络和判别器网络；具体包括：
步骤S11、构建训练样本集，训练样本集中包括多张已知相机来源的图像，各图像作为训练样本。
在本实施例中，获取各种类型相机拍摄到的原始图像作为训练样本，其中每种类型相机至少拍摄5000幅图像，各种类型相机可以为各种品牌和型号的照相机、各种品牌和型号手机中的相机等。
步骤S12、针对于训练样本集中的各训练样本，通过相机模式噪声处理提取出相机模式噪声特征；
在本实施例中，针对训练样本图像进行小波滤波处理，得到小波滤波处理后的图像，将训练样本图像减去小波滤波处理后的图像得到残差图像，将残差图像作为相机模式噪声特征。
步骤S13，构建用于生成相机模式噪声特征的生成网络以及用于对输入进行相似性判断的判别器网络，并且将生成网络的输出端连接到判别器网络的输入端；
在本实施例中，上述生成网络和判别器网络为在DCGAN(深度卷积生成对抗神经网络)框架下构建的网络；其中，如图2a所示，本实施例所构建的生成网络包括依次连接的第一卷积层、relu激活层、第二卷积层、池化层、第三卷积层、池化层、第四卷积层、池化层、上采样层、relu激活层、上采样层和第五卷积层；如图2b所示，本实施例所构建的判别器网络包括依次连接的第六卷积层、relu激活层、第七卷积层、池化层、第八卷积层、池化层、第九卷积层、池化层和softmax多分类层。
本实施例所构建的生成网络中：
在第一卷积层中，卷积核为9×9，输出由64个特征形成的特征地图；
在第二卷积层中，卷积核为3×3，输出由64个特征形成的特征地图；
在第三卷积层中，卷积核为3×3，输出由256个特征形成的特征地图；
在第四卷积层中，卷积核为9×9，输出由64个特征形成的特征地图。
在第五卷积层中，卷积核为1×1，输出由64个特征形成的特征地图。
本实施例所构建的判别器网络中：
在第六卷积层中，卷积核为4×4，输出由128个特征形成的特征地图，且移动步长为(2，2)；
在第七卷积层中，卷积核为4×4，输出由256个特征形成的特征地图，且移动步长为(2，2)；
在第八卷积层中，卷积核为4×4，输出由512个特征形成的特征地图，且移动步长为(2，2)；
在第九卷积层中，卷积核为4×4，输出由1024个特征形成的特征地图，且移动步长为(2，2)。
步骤S2、将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型；
在本实施例中，训练得到相机来源鉴别模型的步骤如图2所示，具体包括：
步骤S21、将训练样本即相机拍摄的原始图像输入到生成网络中，通过生成网络生成相机模式噪声特征图，得到与真实模式噪声分布相近的分布，作为无标记样本数据；
获取训练样本中直接提取的相机模式噪声特征，作为有标记样本数据；
其中无标记样本数据指的是为携带相机来源标记的样本数据，有标记样本数据指的是携带相机来源标记的样本数据。
步骤S22、有标记样本数据和无标样本数据进行叠加后输入到判别器网络中，供判别器网络学习两种类型的数据分布；
步骤S23、根据判别器网络对输入的样本数据的真假性判别结果，通过反向传播算法更新判别器网络的节点的权重系数；
步骤S24、根据判别器网络的反馈结果，固定判别器网络参数，通过反向传播算法更新生成网络的节点权重系数；
步骤S25、判断判别器网络的分类准确率误差是否小于预设阈值，如果否，则转至步骤S21，重复进行训练，如果是，则生成网络和判别器网络训练结束，得到相机来源鉴别模型。
在本步骤中，通过对数似然函数的损失函数判断判别器网络的分类准确率误差是否小于预设阈值，计算公式如下：loss＝-ln(ap)，其中ap代表类别p对应的分类概率，类别指的是相机来源的类别。
步骤S3、针对待测图像进行相机来源鉴别，具体包括：
步骤S31、针对于需要检测相机来源的待测图像，提取相机模式噪声特征；
在本实施例中，针对待测图像进行小波滤波处理，得到小波滤波处理后的图像，将待测图像减去小波滤波处理后的图像得到残差图像，将残差图像作为相机模式噪声特征。
步骤S32、将待测图像输入到相机来源鉴别模型的生成网络中，同时将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果；具体包括：
步骤S321、针对于需要检测相机来源的待测图像，提取相机模式噪声特征；将待测图像输入到生成网络中，通过生成网络生成相机模式噪声特征图，作为待检测相机模式噪声特征；
步骤S322、将从待测图像中提取出的相机模式噪声特征和生成网络生成的待检测相机模式噪声特征叠加后输入到判别器网络中，经过判别器网络的Softmax多分类层输出，得到相机来源鉴别结果。
其中，Softmax多分类层的输出结果是多分类的一维向量，值在在[0，1]之间，表示待测图像来自各类别相机的概率，比如输出结果是：华为相机：0.98，小米相机：0.85，apple相机：0.78，三星相机：0.75，一般选取最高的一个或两个概率对应的类别作为最终判别结果。
实施例2
本实施例公开了一种相机来源鉴别系统，包括训练样本集构建模块、特征提取模块、神经网络构建模块、相机来源鉴别模型构建模块和鉴别模块，各个模块的具体功能如下：
训练样本集构建模块，用于构建训练样本集，训练样本集中包括多张已知相机来源的相机原始图像，各图像作为训练样本；在本实施例中，获取各种类型相机拍摄到的原始图像作为训练样本，其中每种类型相机至少拍摄5000幅图像，各种类型相机可以为各种品牌和型号的照相机、各种品牌和型号手机中的相机等。
特征提取模块，针对于训练样本集中的各训练样本以及待测图像，提取相机模式噪声特征；在本实施例中，针对训练样本或待测图像进行小波滤波处理，得到小波滤波处理后的图像，将训练样本或待测图像减去小波滤波处理后的图像得到残差图像，将残差图像作为相机模式噪声特征。
神经网络构建模块，用于构建生成网络以及判别器网络，生成网络的输出端连接到判别器网络的输入端；其中，生成网络用于生成相机模式噪声特征；判别器网络用于对输入进行相似性判断的判别器网络；在本实施例中，上述生成网络和判别器网络为在DCGAN(深度卷积生成对抗神经网络)框架下构建的网络；其中，如图2a所示，本实施例所构建的生成网络包括依次连接的第一卷积层、relu激活层、第二卷积层、池化层、第三卷积层、池化层、第四卷积层、池化层、上采样层、relu激活层、上采样层和第五卷积层；如图2b所示，本实施例所构建的判别器网络包括依次连接的第六卷积层、relu激活层、第七卷积层、池化层、第八卷积层、池化层、第九卷积层、池化层和softmax多分类层。
相机来源鉴别模型构建模块，用于将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型。
在本实施例中，对生成网络和判别器网络进行训练，具体包括：
将训练样本输入到生成网络中，通过生成网络生成相机模式噪声特征图，作为无标记样本数据；同时将训练样本中提取的相机模式噪声特征作为有标记样本数据；
有标记样本数据和无标样本数据进行叠加后输入到判别器网络中，供判别器网络学习两种类型的数据分布；
根据判别器网络对输入的样本数据的真假性判别结果，通过反向传播算法更新判别器网络的节点的权重系数；
根据判别器网络的反馈结果，固定判别器网络参数，通过反向传播算法更新生成网络的节点权重系数；
判断判别器网络的分类准确率误差是否小于预设阈值，如果否，则转至上述最先执行的步骤，重复进行训练，如果是，则生成网络和判别器网络训练结束，得到相机来源鉴别模型。
鉴别模块，用于将待测图像输入到相机来源鉴别模型的生成网络中，同时将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果。具体为：
针对于需要检测相机来源的待测图像，提取相机模式噪声特征；将待测图像输入到生成网络中，通过生成网络生成相机模式噪声特征图，作为待检测相机模式噪声特征；
将从待测图像中提取出的相机模式噪声特征和生成网络生成的待检测相机模式噪声特征叠加后输入到判别器网络中，经过判别器网络的Softmax多分类层输出，得到相机来源鉴别结果。
在此需要说明的是，上述实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现上述实例1的相机来源鉴别方法，如下：
构建训练样本集，训练样本集中包括多张已知相机来源的图像，各图像作为训练样本；在本实施例中，获取各种类型相机拍摄到的原始图像作为训练样本，其中每种类型相机至少拍摄5000幅图像，各种类型相机可以为各种品牌和型号的照相机、各种品牌和型号手机中的相机等。
针对于训练样本集中的各训练样本，提取相机模式噪声特征；在本实施例中，针对训练样本图像进行小波滤波处理，得到小波滤波处理后的图像，将训练样本图像减去小波滤波处理后的图像得到残差图像，将残差图像作为相机模式噪声特征。
构建用于生成相机模式噪声特征的生成网络以及用于对输入进行相似性判断的判别器网络，并且将生成网络的输出端连接到判别器网络的输入端；在本实施例中，上述生成网络和判别器网络为在DCGAN(深度卷积生成对抗神经网络)框架下构建的网络；其中，如图2a所示，本实施例所构建的生成网络包括依次连接的第一卷积层、relu激活层、第二卷积层、池化层、第三卷积层、池化层、第四卷积层、池化层、上采样层、relu激活层、上采样层和第五卷积层；如图2b所示，本实施例所构建的判别器网络包括依次连接的第六卷积层、relu激活层、第七卷积层、池化层、第八卷积层、池化层、第九卷积层、池化层和softmax多分类层。
将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型。
针对于需要检测相机来源的待测图像，提取相机模式噪声特征；将待测图像输入到相机来源鉴别模型的生成网络中，同时将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果。
本实施例中，所述的存储介质可以是ROM、RAM、磁盘、光盘等介质。
实施例4
本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现上述实施例1的相机来源鉴别方法，如下：
构建训练样本集，训练样本集中包括多张已知相机来源的图像，各图像作为训练样本；在本实施例中，获取各种类型相机拍摄到的原始图像作为训练样本，其中每种类型相机至少拍摄5000幅图像，各种类型相机可以为各种品牌和型号的照相机、各种品牌和型号手机中的相机等。
针对于训练样本集中的各训练样本，提取相机模式噪声特征；在本实施例中，针对训练样本图像进行小波滤波处理，得到小波滤波处理后的图像，将训练样本图像减去小波滤波处理后的图像得到残差图像，将残差图像作为相机模式噪声特征。
构建用于生成相机模式噪声特征的生成网络以及用于对输入进行相似性判断的判别器网络，并且将生成网络的输出端连接到判别器网络的输入端；在本实施例中，上述生成网络和判别器网络为在DCGAN(深度卷积生成对抗神经网络)框架下构建的网络；其中，如图2a所示，本实施例所构建的生成网络包括依次连接的第一卷积层、relu激活层、第二卷积层、池化层、第三卷积层、池化层、第四卷积层、池化层、上采样层、relu激活层、上采样层和第五卷积层；如图2b所示，本实施例所构建的判别器网络包括依次连接的第六卷积层、relu激活层、第七卷积层、池化层、第八卷积层、池化层、第九卷积层、池化层和softmax多分类层。
将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型。
针对于需要检测相机来源的待测图像，提取相机模式噪声特征；将待测图像输入到相机来源鉴别模型的生成网络中，同时将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果。
本实施例中，计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或终端设备。
综上所述，本实施例将神经网络和图像相机来源鉴别相结合，应用神经网络所具备的可扩展、可训练、鲁棒性和非线性映射能力，提高了图像相机来源鉴别的准确度和泛化性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种相机来源鉴别方法，其特征在于，步骤如下：
构建训练样本集，训练样本集中包括多张已知相机来源的图像，各图像作为训练样本；
针对于训练样本集中的各训练样本，提取相机模式噪声特征；
构建用于生成相机模式噪声特征的生成网络以及用于对输入进行相似性判断的判别器网络，并且将生成网络的输出端连接到判别器网络的输入端；
将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型；
针对于需要检测相机来源的待测图像，提取相机模式噪声特征；
将待测图像输入到相机来源鉴别模型的生成网络中，同时将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果。
2.根据权利要求1所述的相机来源鉴别方法，其特征在于，生成网络和判别器网络进行训练，得到相机来源鉴别模型的具体过程如下：
步骤S21、将训练样本输入到生成网络中，通过生成网络生成相机模式噪声特征图，作为无标记样本数据；同时将训练样本中提取的相机模式噪声特征作为有标记样本数据；
步骤S22、有标记样本数据和无标样本数据进行叠加后输入到判别器网络中，供判别器网络学习两种类型的数据分布；
步骤S23、根据判别器网络对输入的样本数据的真假性判别结果，通过反向传播算法更新判别器网络的节点的权重系数；
步骤S24、根据判别器网络的反馈结果，固定判别器网络参数，通过反向传播算法更新生成网络的节点权重系数；
步骤S25、判断判别器网络的分类准确率误差是否小于预设阈值，如果否，则转至步骤S21，重复进行训练，如果是，则生成网络和判别器网络训练结束，得到相机来源鉴别模型。
3.根据权利要求2所述的相机来源鉴别方法，其特征在于，步骤S25中通过对数似然函数的损失函数判断判别器网络的分类准确率误差是否小于预设阈值。
4.根据权利要求1所述的相机来源鉴别方法，其特征在于，针对于待测图像进行检测的过程如下：
针对于需要检测相机来源的待测图像，提取相机模式噪声特征；将待测图像输入到生成网络中，通过生成网络生成相机模式噪声特征图，作为待检测相机模式噪声特征；
将从待测图像中提取出的相机模式噪声特征和生成网络生成的待检测相机模式噪声特征叠加后输入到判别器网络中，经过判别器网络的Softmax多分类层输出，得到相机来源鉴别结果。
5.根据权利要求1所述的相机来源鉴别方法，其特征在于，针对于训练样本集中的各训练样本和待测图像，提取相机模式噪声特征方式如下：针对训练样本或待测图像进行小波滤波处理，得到小波滤波处理后的图像，将训练样本或待测图像减去小波滤波处理后的图像，得到残差图像，将残差图像作为相机模式噪声特征。
6.根据权利要求1所述的相机来源鉴别方法，其特征在于，所述生成网络和判别器网络为在DCGAN框架下构建的网络；
所构建的生成网络包括依次连接的第一卷积层、relu激活层、第二卷积层、池化层、第三卷积层、池化层、第四卷积层、池化层、上采样层、relu激活层、上采样层和第五卷积层；
所构建的判别器网络包括依次连接的第六卷积层、relu激活层、第七卷积层、池化层、第八卷积层、池化层、第九卷积层、池化层和softmax多分类层。
7.根据权利要求6所述的相机来源鉴别方法，其特征在于，所构建的生成网络中：
在所述第一卷积层中，卷积核为9×9，输出由64个特征形成的特征地图；
在所述第二卷积层中，卷积核为3×3，输出由64个特征形成的特征地图；
在所述第三卷积层中，卷积核为3×3，输出由256个特征形成的特征地图；
在所述第四卷积层中，卷积核为9×9，输出由64个特征形成的特征地图；
在所述第五卷积层中，卷积核为1×1，输出由64个特征形成的特征地图；
所构建的判别器网络中：
在所述第六卷积层中，卷积核为4×4，输出由128个特征形成的特征地图，且移动步长为(2，2)；
在所述第七卷积层中，卷积核为4×4，输出由256个特征形成的特征地图，且移动步长为(2，2)；
在所述第八卷积层中，卷积核为4×4，输出由512个特征形成的特征地图，且移动步长为(2，2)；
在所述第九卷积层中，卷积核为4×4，输出由1024个特征形成的特征地图，且移动步长为(2，2)。
8.一种相机来源鉴别系统，其特征在于，包括：
训练样本集构建模块，用于构建训练样本集，训练样本集中包括多张已知相机来源的图像，各图像作为训练样本；
特征提取模块，针对于训练样本集中的各训练样本以及待测图像，提取相机模式噪声特征；
神经网络构建模块，用于构建生成网络以及判别器网络，生成网络的输出端连接到判别器网络的输入端；其中，生成网络用于生成相机模式噪声特征；判别器网络用于对输入进行相似性判断的判别器网络；
相机来源鉴别模型构建模块，用于将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型；
鉴别模块，用于将待测图像输入到相机来源鉴别模型的生成网络中，同时将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果。
9.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1～7中任一项所述的相机来源鉴别方法。
10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1～7中任一项所述的相机来源鉴别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910512236.6A CN110348434A (zh) | 2019-06-13 | 2019-06-13 | 相机来源鉴别方法、系统、存储介质和计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910512236.6A CN110348434A (zh) | 2019-06-13 | 2019-06-13 | 相机来源鉴别方法、系统、存储介质和计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110348434A true CN110348434A (zh) | 2019-10-18 |
Family
ID=68181992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910512236.6A Pending CN110348434A (zh) | 2019-06-13 | 2019-06-13 | 相机来源鉴别方法、系统、存储介质和计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110348434A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8225900B2 (en) | 2008-04-26 | 2012-07-24 | Domes Timothy J | Pneumatic mechanical power source |
| US8561747B2 (en) | 2008-04-26 | 2013-10-22 | Timothy Domes | Pneumatic mechanical power source |
| CN111160423A (zh) * | 2019-12-12 | 2020-05-15 | 大连理工大学 | 一种基于集成映射的图像来源鉴别方法 |
| CN111738274A (zh) * | 2020-05-08 | 2020-10-02 | 华南理工大学 | 基于局部光滑投影的抗对抗攻击相机源识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102819831A (zh) * | 2012-08-16 | 2012-12-12 | 江南大学 | 基于模式噪声大分量的相机来源取证方法 |
| CN103208013A (zh) * | 2013-04-22 | 2013-07-17 | 武汉大学 | 一种基于图像噪声分析的照片来源识别方法 |
| CN105120294A (zh) * | 2015-06-26 | 2015-12-02 | 中国电子科技集团公司第二十八研究所 | 一种jpeg格式图像来源鉴别方法 |
| CN106920206A (zh) * | 2017-03-16 | 2017-07-04 | 广州大学 | 一种基于对抗神经网络的隐写分析方法 |
| CN108681734A (zh) * | 2018-05-28 | 2018-10-19 | 杭州电子科技大学 | 一种基于样本选择的图像相机来源鉴别方法 |
| CN108710893A (zh) * | 2018-04-04 | 2018-10-26 | 中山大学 | 一种基于特征融合的数字图像相机源模型分类方法 |
| US20190087726A1 (en) * | 2017-08-30 | 2019-03-21 | The Board Of Regents Of The University Of Texas System | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications |
-
2019
- 2019-06-13 CN CN201910512236.6A patent/CN110348434A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102819831A (zh) * | 2012-08-16 | 2012-12-12 | 江南大学 | 基于模式噪声大分量的相机来源取证方法 |
| CN103208013A (zh) * | 2013-04-22 | 2013-07-17 | 武汉大学 | 一种基于图像噪声分析的照片来源识别方法 |
| CN105120294A (zh) * | 2015-06-26 | 2015-12-02 | 中国电子科技集团公司第二十八研究所 | 一种jpeg格式图像来源鉴别方法 |
| CN106920206A (zh) * | 2017-03-16 | 2017-07-04 | 广州大学 | 一种基于对抗神经网络的隐写分析方法 |
| US20190087726A1 (en) * | 2017-08-30 | 2019-03-21 | The Board Of Regents Of The University Of Texas System | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications |
| CN108710893A (zh) * | 2018-04-04 | 2018-10-26 | 中山大学 | 一种基于特征融合的数字图像相机源模型分类方法 |
| CN108681734A (zh) * | 2018-05-28 | 2018-10-19 | 杭州电子科技大学 | 一种基于样本选择的图像相机来源鉴别方法 |
Non-Patent Citations (6)
| Title |
|---|
| DONGHUI HU: "A Novel Image Steganography Method via Deep Convolutional Generative Adversarial Networks", 《IEEE ACCESS》 * |
| 孙成立: "生成式对抗网络在语音增强方面的研究", 《万方数据知识服务平台》 * |
| 李杭: "《伪造数字图像盲检测技术研究》", 31 January 2016, 吉林大学出版社 * |
| 王丽娜: "《信息隐藏技术与应用》", 31 May 2012, 武汉大学出版社 * |
| 王坤峰: "生成式对抗网络GAN的研究进展与展望", 《万方数据知识服务平台》 * |
| 陈宗海: "《系统仿真技术及其应用》", 31 August 2017, 中国科学技术大学出版社 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8225900B2 (en) | 2008-04-26 | 2012-07-24 | Domes Timothy J | Pneumatic mechanical power source |
| US8561747B2 (en) | 2008-04-26 | 2013-10-22 | Timothy Domes | Pneumatic mechanical power source |
| US9163507B2 (en) | 2008-04-26 | 2015-10-20 | Timothy Domes | Pneumatic mechanical power source |
| CN111160423A (zh) * | 2019-12-12 | 2020-05-15 | 大连理工大学 | 一种基于集成映射的图像来源鉴别方法 |
| CN111160423B (zh) * | 2019-12-12 | 2023-09-22 | 大连理工大学 | 一种基于集成映射的图像来源鉴别方法 |
| CN111738274A (zh) * | 2020-05-08 | 2020-10-02 | 华南理工大学 | 基于局部光滑投影的抗对抗攻击相机源识别方法 |
| CN111738274B (zh) * | 2020-05-08 | 2022-04-22 | 华南理工大学 | 基于局部光滑投影的抗对抗攻击相机源识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348376B (zh) | 一种基于神经网络的行人实时检测方法 | |
| CN110348434A (zh) | 相机来源鉴别方法、系统、存储介质和计算设备 | |
| CN108830145B (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
| CN108230278B (zh) | 一种基于生成对抗网络的图像去雨滴方法 | |
| CN110135319A (zh) | 一种异常行为检测方法及其系统 | |
| Chen et al. | Research on recognition of fly species based on improved RetinaNet and CBAM | |
| CN109784148A (zh) | 活体检测方法及装置 | |
| CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
| CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
| CN110825900A (zh) | 特征重构层的训练方法、图像特征的重构方法及相关装置 | |
| Li et al. | Image manipulation localization using attentional cross-domain CNN features | |
| Chen et al. | Image splicing localization using residual image and residual-based fully convolutional network | |
| CN111222583B (zh) | 一种基于对抗训练与关键路径提取的图像隐写分析方法 | |
| CN115719463A (zh) | 一种基于超分辨率重构和自适应挤压激励的烟火检测方法 | |
| Kadim et al. | Deep-learning based single object tracker for night surveillance. | |
| CN115761888A (zh) | 基于nl-c3d模型的塔吊操作人员异常行为检测方法 | |
| CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
| CN115376010A (zh) | 一种高光谱遥感影像分类方法 | |
| CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
| CN113962900A (zh) | 复杂背景下红外弱小目标检测方法、装置、设备及介质 | |
| Shah et al. | Efficient detection of pixel-level adversarial attacks | |
| CN113569806A (zh) | 人脸识别方法及装置 | |
| CN117011196B (zh) | 一种基于组合滤波优化的红外小目标检测方法及系统 | |
| CN114549912B (zh) | 引力波侯选体筛选方法、装置及存储介质 | |
| CN114065867B (zh) | 一种数据分类方法、系统及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |