CN111861976A - 一种基于硬件指纹相关性的数字图像源拍摄设备识别方法 - Google Patents
一种基于硬件指纹相关性的数字图像源拍摄设备识别方法 Download PDFInfo
- Publication number
- CN111861976A CN111861976A CN202010430937.8A CN202010430937A CN111861976A CN 111861976 A CN111861976 A CN 111861976A CN 202010430937 A CN202010430937 A CN 202010430937A CN 111861976 A CN111861976 A CN 111861976A
- Authority
- CN
- China
- Prior art keywords
- camera
- test
- correlation
- picture
- sub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 72
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000006835 compression Effects 0.000 description 10
- 238000007906 compression Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/95—Computational photography systems, e.g. light-field imaging systems
- H04N23/951—Computational photography systems, e.g. light-field imaging systems by using two or more images to influence resolution, frame rate or aspect ratio
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，首先针对于待判别的相机提取它的相机指纹，然后计算属于和不属于该相机的图片和相机指纹的相关性描述值的集合，最后对于待检测图片进行假设检验，确定待检测照片是否属于该相机。本发明通过将源相机识别问题转化为一个假设检验问题，在增加少量计算和存储资源的情况之下，有效的提高了识别的准确度。
Description
技术领域
本发明属于数字被动取证领域，涉及一种基于硬件指纹相关性的数字图像源拍摄设备识别方法。
背景技术
随着科学技术的发展以及各类智能手机、数码相机等移动设备的快速普及和广泛应用，视频、图像也成为与文字、语音一样承载信息的重要载体，融入到了日常工作、学习、生活中，是传递信息、证明客观事实的有效工具。但是，频繁出现的非法内容传播、摄影作品版权纠纷、法庭数字取证、新闻与科研图像造假等事件，为图像和视频的可信性，以及非法内容源头追踪带来挑战。因此鉴别数字图像的硬件来源及图像真实性与完整性，对确保公共秩序、打击犯罪、维护司法公正和新闻诚信具有重要意义。
相机模型识别可分为主动与被动识别，主动识别是在图像内容中插入标识符，而被动方法是指仅利用图像和视频的数字数据进行来源辨别。鉴于主动方法合成机制的可信度问题，近年来，越来越多的研究人员研究被动方法。其研究基础如下：
相机成像过程复杂，光线聚焦在CCD或CMOS上，CCD或CMOS 完成光信号到信号的转换，通过模/数转换器将电信号转换成数字信号，再通过数字信号处理将其转换成数码图像。在相机成像过程中，传感器会在所拍摄的任何图像中残留确定性伪像，即所谓的传感器模式噪声(Sensor Pattern Noise，SPN)，是数码相机的固有特征，主要由光响应不均匀性(Photo Response Non-uniformity，PRNU)和固定模式噪声(Fixed Pattern Noise，FPN)组成。即使在光照一致的条件下，由于CCD和CMOS成像传感器的硅芯片中的制造缺陷和不均匀性，即使相同型号的传感器，其感光单元的输出值也会有差异，这便产生了 PRNU。PRNU对于单个传感器而言是唯一的。
图像、视频的相机模型识别是指鉴别拍摄给定图像的原始设备，鉴于PRNU在设备间的唯一性，PRNU可视为相机设备指纹，用于鉴别图片、视频的来源以及真实性。目前已有研究采用PRNU进行相机模型识别，研究表明基于PRNU的图像来源取证对于确定拍摄特定图像的设备行之有效。目前已有多种对于PRNU的提取算法，其基本思想是采集不同设备所拍摄的图像，对这些图像采用PRNU提取算法提取图像指纹，再通过求取均值或最大似然估计等对设备指纹进行估计，再计算各个设备指纹与给定测试图像之间的相关性，从而确定拍摄给定测试图像的相机对象，传统的阈值判别法只利用单一的相关特征进行判断以及支持向量机、卷积神经网络等机器学习方法，具有运算速度慢、资源需求量大、模型复杂等缺点。
发明内容
本发明的目的是提供一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，针对相机及其拍摄到的图像，可以有效判断这些图像是否来源于特定的相机设备。
本发明采用的技术方案是：一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，该方法按照以下步骤实施：
首先针对于待判别的相机提取它的相机指纹，然后计算属于和不属于该相机的图片和相机指纹的相关性描述值的集合，最后对于待检测图片进行假设检验，确定待检测照片是否属于该相机。
提取相机指纹的方法具体为：
首先通过该相机采集若干数据，将数据划分为两份：测试数据集和训练数据集，图片数目分别为n1和n2，应用低通滤波器和极大似然估计的方法从训练数据集合中提取出该相机的相机指纹，本发明将相机指纹表示为K。
相关性描述值的确定方法为：
找到来源于其它相机的图片n1张，本发明中将这些图片组成的集合采用test_false表示，上述的测试集合采用test_true表示，这两个集合具有相同的图片个数，它们组成一个集类test；对于test中的单个图片I，使用一个低通滤波器filter(I)，得到一个去噪后的图像I'，用 W＝I-I'，得到残差W，用残差W和相机指纹K计算PCE(Peak to CorrelationEnergy)值或者NCC(normalized cross-correlation)值，就得到了图片I和该相机的一个相关性描述值；
对集类test中的每张图片计算其和相机指纹K的相关性描述值，最终得到相关性描述值的两个集合：p_false和p_true，分别表示 test_false和test_true中的图片与K值计算得到的相关性描述值集合。
假设检验的具体步骤为：
将一张未知来源的图片I1经过相同的低通滤波器I1'＝filter(I1)，就得到了图片I1的残差W1＝I1-I1'，将残差W1与相机指纹K计算相关性描述值，得到了标量p1；利用之前得到的两个集合p_false和p_true进行一个假设检验；在此之前，创建两个统计变量c1和c2，并设初值为0；c1和c2分别表示在重复u次检验过程中，将图片I1判断测试图像为属于源相机和不属于源相机的次数。单次检验过程描述如下：
选择一个正整数m，并且m＜n1，分别从集合p_false和p_true中随机选取m个元素，得到两个子集sub_false和sub_true，并且 |sub_false|＝|sub_true|＝m。将p1放入sub_false和sub_true中，会出现以下情况：p1与sub_false中元素具有明显差异的，并且p1在sub_false排名是靠前的，但是p1与sub_true中的元素无明显的差异，在这种情况下认为图片I1属于该相机，统计量c1自增1；p1在sub_true中是差异明显的，并且p1在sub_true排名是靠后的，而p1与sub_false中的元素并无明显的差异，在这种情况下认为图像I1不属于该相机，统计量c2自增1。
重复检验过程u次，得到最终的统计量c1和c2。
重复所述的假设检验的过程u次得到两个统计变量c1和c2，如果 c1＞c2判断图像I1属于该相机，否则判断图像I1不属于该相机。
将所述统计量c1和统计量c2按公式：
输出图像I1属于该相机的概率pr。
本发明的有益效果是：本发明利用假设检验的思想，充分利用了其它图片与相机的相关性作为参考，提高了图像相机源判别准确率的同时，降低了对计算和数据资源的需求，并且对于图片进行压缩/分辨率调整情况，其检测性能也有所提升，在通过给定相机和给定目标图片判断图片是否来源于该相机的问题上，传统的解决方案主要是通过固定的阈值来判断相关性，或者是利用机器学习的方式进行模型的训练。固定阈值的判断方式普适性比较差，无法适用于灵活多变的实际环境，而机器学习的方式对样本数量和计算资源的要求又比较高，本发明吸取了传统方法计算相机指纹快速，数据量需求小的优点，结合假设检验的思想设计了新的算法，避免了使用单一固定阈值普适性不强的缺点。
本方法为公安技侦部门的工作人员在进行图片来源认定时提供了有效的参考，同时也适用于相关司法部门进行数字图像的盲取证。本方法简洁快速、准确率高、普适性强，对各种资源消耗都比较少，在一定程度上可以为相关部门节约计算成本。
附图说明
图1是使用本发明方法与PCE，NCC两种方式，在使用不同大小核的高斯模糊算法的图片集合上进行测试的准确率的柱状图，高斯核由左到右分别为0×0，3×3，5×5，9×9；
图2是使用本发明方法与PCE，NCC两种方式，在使用不同大小采样块的图片集合上进行计算的准确率的柱状图，其中采样的块大小由左到右为128×128，256×256，512×512，1024×1024；
图3是使用本发明方法与PCE，NCC两种方式，在使用不同质量因子的JPG压缩算法处理之后的图片集合上进行计算的准确率的柱状图，JPG质量因子由左到右分别为30，60，75，100；
图4是本发明方法与PCE，NCC两种方式，在使用质量因子为 30的JPG压缩算法处理之后的图片集合上计算得到的ROC曲线；
图5是本发明方法与PCE，NCC两种方式，在使用质量因子为 60的JPG压缩算法处理之后的图片集合上计算得到的ROC曲线；
图6是本发明方法与PCE，NCC两种方式，在使用质量因子为 75的JPG压缩算法处理之后的图片集合上计算得到的ROC曲线；
图7是本发明方法与PCE，NCC两种方式，在使用质量因子为100的JPG压缩算法处理之后的图片集合上计算得到的ROC曲线。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，该方法按照以下步骤实施：
首先针对于待判别的相机提取它的相机指纹，然后计算属于和不属于该相机的图片和相机指纹的相关性描述值的集合，最后对于待检测图片进行假设检验，确定待检测照片是否属于该相机。
提取相机指纹的方法具体为：
首先通过该相机采集若干数据，将数据划分为两份：测试数据集和训练数据集，图片数目分别为n1和n2，应用低通滤波器和极大似然估计的方法从训练数据集合中提取出该相机的相机指纹，本发明将相机指纹表示为K。
相关性描述值的确定方法为：
找到来源于其它相机的图片n1张，本发明中将这些图片组成的集合采用test_false表示，上述的测试集合采用test_true表示，这两个集合具有相同的图片个数，它们组成一个集类test；对于test中的单个图片I，使用一个低通滤波器filter(I)，得到一个去噪后的图像I'，用 W＝I-I'，得到残差W，用残差W和相机指纹K计算PCE(Peak to CorrelationEnergy)值或者NCC(normalized cross-correlation)值，就得到了图片I和该相机的一个相关性描述值；
对集类test中的每张图片计算其和相机指纹K的相关性描述值，最终得到相关性描述值的两个集合：p_false和p_true，分别表示 test_false和test_true中的图片与K值计算得到的相关性描述值集合。
所述假设检验的具体步骤为：
将一张未知来源的图片I1经过相同的低通滤波器I1'＝filter(I1)，就得到了图片I1的残差W1＝I1-I1'，将残差W1与相机指纹K计算相关性描述值，得到了标量p1；利用之前得到的两个集合p_false和p_true进行一个假设检验；在此之前，创建两个统计变量c1和c2，并设初值为 0；c1和c2分别表示在重复u次检验过程中，将图片I1判断测试图像为属于源相机和不属于源相机的次数。单次检验过程描述如下：
选择一个正整数m，并且m＜n1，分别从集合p_false和p_true中随机选取m个元素，得到两个子集sub_false和sub_true，并且 |sub_false|＝|sub_true|＝m。将p1放入sub_false和sub_true中，会出现以下情况：p1与sub_false中元素具有明显差异的，并且p1在sub_false排名是靠前的，但是p1与sub_true中的元素无明显的差异，在这种情况下认为图片I1属于该相机，统计量c1自增1；p1在sub_true中是差异明显的，并且p1在sub_true排名是靠后的，而p1与sub_false中的元素并无明显的差异，在这种情况下认为图像I1不属于该相机，统计量c2自增1。
重复检验过程u次，得到最终的统计量c1和c2。
重复所述的假设检验的过程u次得到两个统计变量c1和c2，如果 c1＞c2判断图像I1属于该相机，否则判断图像I1不属于该相机。
将所述统计量c1和统计量c2按公式：
输出图像I1属于该相机的概率pr。
本发明基于硬件指纹相关性的数字图像源拍摄设备识别方法，通过对不同相机对象的指纹进行估计，计算图像指纹与不同相机对象指纹间的置信度，进一步提高图像源识别的准确率，具体包括：
N个相机模型：N个相机模型由不同品牌、不同型号的相机构成，用于测试图像的来源认定范围。
训练集：从N个相机模型中的每一个相机采集相同数量的图像，每一个相机所采集的图像不少于设定的图像最少值，N个相机所采集的图像构成训练集，不同相机所采集到的图像位于不同文件夹下。
测试集：同样从N个相机模型中的每一个相机采集相同数量的图像，每一个相机所采集的图像不少于设定的图像最少值，N个相机所采集的图像构成测试集。
本发明的方法考虑到压缩、分辨率变化、美颜算法处理、采样块变化等因素，利用相机指纹，给出了一种采用相机指纹进行图像源相机识别方案，具体按照以下方式实施：
首先针对待判别的相机提取它的相机指纹，之后计算属于和不属于该相机的图片和相机指纹的相关性描述值的集合，最后对于待检测图片进行假设检验，该方法按照以下步骤实施：
假定已有来源未知的图片集和一个给定相机，以判断图像集中的每一张是否来源于该相机为目的，首先通过该相机采集若干数据，将数据划分为两份测试数据集合和训练数据集合，图片数目分别为n1和 n2，应用低通滤波器和极大似然估计的方法从训练数据集合中提取出该相机的相机指纹，本发明采用K表示相机指纹。
然后找到来源于其它相机的图片n1张，本发明中将这些图片组成的集合称为test_false，上述的测试集合称之为test_true，这两个集合具有相同的元素个数，它们组成一个集类test。对于test中的单个图片 I，使用一个低通滤波器filter(I)，得到一个去噪后的图像I'，用 W＝I-I'，得到了残差W，用残差W和相机指纹K计算PCE(Peak toCorrelation Energy)值或者NCC(normalized cross-correlation)值，便可得到了图片I和该相机的相关性描述值，该描述值为标量，越大表明图片与相机的相关程度越高，即图片I越可能来源于该相机。对集类 test中的每张图片计算其和K的相关性的描述值，最终得到相关性的描述值的两个集合：p_false和p_true，分别表示test_false和test_true 中的图片与K值计算得到的相关性描述值集合。
最后在进行决策或者说是认定的环节，将一张未知来源的图片I1经过相同的低通滤波器I1'＝filter(I1)，就得到了图片I1的残差W1＝I1-I1'，将W1与相机指纹K计算相关性描述值，得到了标量p1；(假如I1来自于该相机，则p1的值与p_true集合中的值并无明显的差异，但是却和 pce_false集合中的值具有明显的差异；同理假如I1并非来自于该相机，则p1的值与p_true集合中的值具有明显的差异，但是和p_false集合中的值并无明显差异)。利用之前得到的两个集合p_false和p_true进行一个假设检验，这个过程描述如下：选择一个正整数m，并且m＜n1，随机地分别从集合p_false和p_true中选取m个元素，得到两个子集sub_false和sub_true，|sub_false|＝|sub_true|＝m，将p1放入sub_false和 sub_true中，会出现以下情况：1.p1在sub_false中差异明显的，但是与sub_true中的元素无明显的差异，在这种情况下有理由判断I1属于该相机，统计变量c1自增1；2.p1与sub_true中元素具有明显差异，而与sub_false中的元素并无明显的差异，在这种情况下有理由判断I1不属于该相机，统计变量c2自增1。重复这个过程u次得到两个统计变量c1和c2，这里有两种处理方式：
1.如果c1＞c2判断I1属于该相机，否则判断I1不属于该相机；
2.按公式：
输出I1属于该相机的概率pr作为认定依据。
此外，本发明方法还对JPG压缩、低通滤波器、以及更少的参与计算的像素块，都有较强的抵抗性。1)从上述方法可以看出，本发明在原有PCE/NCC的基础之上，充分利用了其余图片在当前相机上的比较效果，并不是像传统方法那样只用当前图片与待检测相机的信息，原有的相关性描述算法已经经过了理论和实践的检验，是可靠的，本发明在这些算法上进行改进，虽然计算复杂度稍有增加，但在精度与可靠性方面获得了较为明显的精提升和增强；2)此算法不需要像深度学习算法那样保存大量的网络结构数据，也不需要大量的图片训练网络，每一个图片只需要保存一个float型的相关性描述值即可，在相机数量比较多的情况下，大大地减少了计算需要的存储空间消耗；
本方法的基本思想是：假设单张测试图片来源于该相机，那么它和其它来源于该相机的图片的相关性值差异不大，但是却和不属于这个相机的图片的相关性值有较大差异；但是，如果这个图片不来源于这个相机，则它和其它来源于该相机的图片相关性值差异较大，而和不属于这个相机的图片相关值差异性不大。利用这一个先验知识设计算法。在原始相关性描述值的基础之上，构造了假设检验模型，即随机从属于该相机的图片相关性描述值集合和不属于该相机的图片相关性描述值集合中选择支持图片和相机存在或不存在相关性的证据。实际上，在传统算法的基础之上只需要多存储1000×8B的数据作为检验支撑数据就可以得到检测正确率的显著提升；
图1是使用本发明方法与PCE，NCC两种方式，在使用不同大小核的高斯模糊算法的图片集合上的准确率的柱状图；图2是使用本发明方法与PCE，NCC两种方式，在使用不同大小核的高斯模糊算法的图片集合上的准确率的柱状图；图3是使用本发明方法与PCE， NCC两种方式，在使用不同质量因子的JPG压缩算法处理之后的图片集合上的准确率的柱状图；从图1中可以看出，高斯滤波器为一个典型的低通滤波器，使用平均的方式去除高频信息，可以看到在随着卷积核的大小增大，识别率呈现下降趋势，但本发明提出的算法的识别率都是高过传统的PCE和NCC两种算法的，在卷积核大小达到9×9 时，高频信息几乎全部丢失。所以在这样的情况下，算法的区别性几乎消失，原因在于可利用信息基本全部丢失；从图2可以看出，用于参与计算的中心像素块大小越大，算法的识别率越高，显然在各个层次大小不同的块中间，本发明提出的算法的识别率最高，并且随着块大小的增加最先逼近于1；从图3中可以看出，在JPG压缩中，由于量化环节会使图像不可逆的丢失高频信息，导致伪影的出现，进而影响到识别率，所以随着JPG质量因子的不断降低，识别率呈现一个下降的趋势。但是可以看出，在相同的质量因子下，本算法仍然保持最高的识别精度；采用测试的图像均使用双线性插值算法变换到 1024×1024的大小，由此可以看出，不管是传统PCE，NCC算法，以及本发明提出的算法，均对图像的分辨率变换具有很强的抵抗性，本发明选取的以上的三种测试方法在图像处理算法中具有一定的代表性，可以看出本发明算法在一般意义下优于传统的使用比较普遍的PCE和NCC两种算法。图4到图7分别展示了本发明算法、PCE、 NCC在JPG质量因子分别为30，60，75，100时的ROC曲线，主要应用到了(2)中的
输出了概率值，之后求得 ROC曲线。
本发明考虑到了图片经过压缩、分辨率变化、美颜算法处理、采样块变化等一系列常见图像处理操作因素之后，利用简单假设检验思想的，充分从相机与其它图片的相关性中提取有益信息，提出了一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，在较少的计算和存储资源消耗上，明显提高了图片来源认定的准确率；同时本发明算法相比于其他的机器学习算法，使用了较少的计算和存储资源，使其在面对更多的相机时也有更好的性能表现，所以在实际中具有较大的应用价值。
Claims (6)
1.一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，其特征在于，该方法按照以下步骤实施：
首先针对于待判别的相机提取它的相机指纹，然后计算属于和不属于该相机的图片和相机指纹的相关性描述值的集合，最后对于待检测图片进行假设检验，确定待检测照片是否属于该相机。
2.根据权利要求1所述的一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，其特征在于，所述提取相机指纹的方法具体为：
首先通过该相机采集若干数据，将数据划分为两份：测试数据集和训练数据集，图片数目分别为n1和n2，应用低通滤波器和极大似然估计的方法从训练数据集合中提取出该相机的相机指纹，本发明将相机指纹表示为K。
3.根据权利要求1所述的一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，其特征在于，所述相关性描述值的确定方法为：
找到来源于其它相机的图片n1张，本发明中将这些图片组成的集合采用test_false表示，上述的测试集合采用test_true表示，这两个集合具有相同的图片个数，它们组成一个集类test；对于test中的单个图片I，使用一个低通滤波器filter(I)，得到一个去噪后的图像I'，用W＝I-I'，得到残差W，用残差W和相机指纹K计算PCE(Peak to CorrelationEnergy)值或者NCC(normalized cross-correlation)值，就得到了图片I和该相机的一个相关性描述值；
对集类test中的每张图片计算其和相机指纹K的相关性描述值，最终得到相关性描述值的两个集合：p_false和p_true，分别表示test_false和test_true中的图片与K值计算得到的相关性描述值集合。
4.根据权利要求1所述的一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，其特征在于，所述假设检验的具体步骤为：
将一张未知来源的图片I1经过相同的低通滤波器I1'＝filter(I1)，就得到了图片I1的残差W1＝I1-I1'，将残差W1与相机指纹K计算相关性描述值，得到了标量p1；利用之前得到的两个集合p_false和p_true进行一个假设检验；在此之前，创建两个统计变量c1和c2，并设初值为0；c1和c2分别表示在重复u次检验过程中，将图片I1判断测试图像为属于源相机和不属于源相机的次数。单次检验过程描述如下：
选择一个正整数m，并且m＜n1，分别从集合p_false和p_true中随机选取m个元素，得到两个子集sub_false和sub_true，并且|sub_false|＝|sub_true|＝m。将p1放入sub_false和sub_true中，会出现以下情况：p1与sub_false中元素具有明显差异的，并且p1在sub_false排名是靠前的，但是p1与sub_true中的元素无明显的差异，在这种情况下认为图片I1属于该相机，统计量c1自增1；p1在sub_true中是差异明显的，并且p1在sub_true排名是靠后的，而p1与sub_false中的元素并无明显的差异，在这种情况下认为图像I1不属于该相机，统计量c2自增1。
重复检验过程u次，得到最终的统计量c1和c2。
5.根据权利要求4所述的一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，其特征在于，重复所述的假设检验的过程u次得到两个统计变量c1和c2，如果c1＞c2判断图像I1属于该相机，否则判断图像I1不属于该相机。
6.根据权利要求5所述的一种基于硬件指纹相关性的数字图像源拍摄设备识别方法，其特征在于，将所述统计量c1和统计量c2按公式：
v∈(0,1)输出图像I1属于该相机的概率pr。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010430937.8A CN111861976B (zh) | 2020-05-20 | 2020-05-20 | 一种基于硬件指纹相关性的数字图像源拍摄设备识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010430937.8A CN111861976B (zh) | 2020-05-20 | 2020-05-20 | 一种基于硬件指纹相关性的数字图像源拍摄设备识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111861976A true CN111861976A (zh) | 2020-10-30 |
| CN111861976B CN111861976B (zh) | 2024-02-02 |
Family
ID=72985149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010430937.8A Active CN111861976B (zh) | 2020-05-20 | 2020-05-20 | 一种基于硬件指纹相关性的数字图像源拍摄设备识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861976B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705397A (zh) * | 2021-08-16 | 2021-11-26 | 南京信息工程大学 | 基于双流cnn结构融合prnu的gan生成人脸检测方法 |
| CN114025073A (zh) * | 2021-11-18 | 2022-02-08 | 支付宝(杭州)信息技术有限公司 | 提取摄像头的硬件指纹的方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120195476A1 (en) * | 2011-01-27 | 2012-08-02 | Sevine Bayram | Sensor fingerprint matching in large image and video databases |
| 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 |
| US9525866B1 (en) * | 2016-04-18 | 2016-12-20 | The United States Of America As Represented By The Director, National Security Agency | Building a digital camera fingerprint from cropped or corrupted images |
| CN108154080A (zh) * | 2017-11-27 | 2018-06-12 | 北京交通大学 | 一种视频设备快速溯源的方法 |
| CN110084854A (zh) * | 2009-12-24 | 2019-08-02 | 康耐视公司 | 用于相机校准误差的运行时测定的系统和方法 |
-
2020
- 2020-05-20 CN CN202010430937.8A patent/CN111861976B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084854A (zh) * | 2009-12-24 | 2019-08-02 | 康耐视公司 | 用于相机校准误差的运行时测定的系统和方法 |
| US20120195476A1 (en) * | 2011-01-27 | 2012-08-02 | Sevine Bayram | Sensor fingerprint matching in large image and video databases |
| 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 |
| US9525866B1 (en) * | 2016-04-18 | 2016-12-20 | The United States Of America As Represented By The Director, National Security Agency | Building a digital camera fingerprint from cropped or corrupted images |
| CN108154080A (zh) * | 2017-11-27 | 2018-06-12 | 北京交通大学 | 一种视频设备快速溯源的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 胡永健;俞兵华;简超;: "利用模式噪声主分量信息的源相机辨识技术", 计算机应用, no. 01 * |
| 胡永健;简超;俞兵华;: "利用彩色图像信息的源相机辨识策略", 计算机应用, no. 10 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705397A (zh) * | 2021-08-16 | 2021-11-26 | 南京信息工程大学 | 基于双流cnn结构融合prnu的gan生成人脸检测方法 |
| CN114025073A (zh) * | 2021-11-18 | 2022-02-08 | 支付宝(杭州)信息技术有限公司 | 提取摄像头的硬件指纹的方法及装置 |
| CN114025073B (zh) * | 2021-11-18 | 2023-09-29 | 支付宝(杭州)信息技术有限公司 | 提取摄像头的硬件指纹的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111861976B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hsu et al. | Video forgery detection using correlation of noise residue | |
| CN109636754B (zh) | 基于生成对抗网络的极低照度图像增强方法 | |
| Lin et al. | Preprocessing reference sensor pattern noise via spectrum equalization | |
| CN108154080B (zh) | 一种视频设备快速溯源的方法 | |
| Al-Ani et al. | On the SPN estimation in image forensics: a systematic empirical evaluation | |
| Taspinar et al. | Camera fingerprint extraction via spatial domain averaged frames | |
| Yang et al. | A fast source camera identification and verification method based on PRNU analysis for use in video forensic investigations | |
| CN111861976B (zh) | 一种基于硬件指纹相关性的数字图像源拍摄设备识别方法 | |
| Chetty et al. | Digital video tamper detection based on multimodal fusion of residue features | |
| CN111709930A (zh) | 基于模式噪声的图片出处与窜改认定方法 | |
| Pande et al. | Hardware architecture for video authentication using sensor pattern noise | |
| Mehrish et al. | Robust PRNU estimation from probabilistic raw measurements | |
| Chetty et al. | Nonintrusive image tamper detection based on fuzzy fusion | |
| Flor et al. | PRNU-based source camera identification for multimedia forensics | |
| Lawgaly et al. | Sensor pattern noise estimation using non-textured video frames for efficient source smartphone identification and verification | |
| Wang et al. | Image source identification using convolutional neural networks in IoT environment | |
| Galdi et al. | Secure user authentication on smartphones via sensor and face recognition on short video clips | |
| Samaras et al. | Robustness in blind camera identification | |
| Jöchl et al. | Device (in) dependence of deep learning-based image age approximation | |
| Gharibi et al. | Using the local information of image to identify the source camera | |
| Lawgaly et al. | PRNU estimation based on weighted averaging for source smartphone video identification | |
| McCloskey | Confidence weighting for sensor fingerprinting | |
| CN113609954B (zh) | 一种基于深度学习的社交网络图像源识别方法及系统 | |
| Vidhya et al. | Fingerprint image enhancement using wavelet over Gabor filters | |
| Li et al. | Autocorrelation and dct based quality metrics for fingerprint samples generated by smartphones |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |