CN112367457B - 一种视频prnu噪声提取方法及相机源检测方法 - Google Patents
一种视频prnu噪声提取方法及相机源检测方法 Download PDFInfo
- Publication number
- CN112367457B CN112367457B CN202010268608.8A CN202010268608A CN112367457B CN 112367457 B CN112367457 B CN 112367457B CN 202010268608 A CN202010268608 A CN 202010268608A CN 112367457 B CN112367457 B CN 112367457B
- Authority
- CN
- China
- Prior art keywords
- video
- prnu noise
- noise
- prnu
- calculation formula
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 230000009466 transformation Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 26
- 230000006641 stabilisation Effects 0.000 claims description 23
- 238000011105 stabilization Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005096 rolling process Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 24
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
- H04N23/682—Vibration or motion blur correction
-
- 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
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
- H04N23/689—Motion occurring during a rolling shutter mode
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种视频PRNU噪声提取方法及相机源检测方法,属于相机源检测领域,要解决的技术问题为稳定视频片段中PRNU噪声仍然不能可靠估计和匹配。提取方法包括:将具有相同几何变换的视频帧作为同一个组;利用各组残差噪声与视频帧乘积的和替代传统视频PRNU噪声计算公式中的分子,将传统视频PRNU噪声计算公式中分母替换为来自同一组的视频帧,并对各组视频帧求取的视频PRNU噪声进行累加。检测方法包括:通过上述方法对基于最大似然估计方法的传统PRNU噪声计算公式进行扩展计算;对PRNU噪声进行重叠分条,将参考PRNU噪声和测试PRNU噪声分条匹配;根据单峰值判断测试视频是否来自参考手机。
Description
技术领域
本发明涉及相机源检测领域,具体地说是一种视频PRNU噪声提取方法及相机源检测方法。
背景技术
相机源检测(Source camera identification,SCI)是一种将图像或视频与其拍摄设备相链接的方法。目前,大多数方法是基于PPRNU噪声的提取和匹配。而PRNU是由于相机传感器制造工艺不精良引起,并且出现在相机所拍摄的所有媒体中。因为PRNU噪声稳定且独一无二的存在于相机和它所拍摄的媒体中,所以,可以把PRNU噪声作为相机源检测的“指纹”。
随着视频的广泛应用,通过实验发现,将传统的从图像中提取PRNU噪声的方法扩展到视频并不能取得理想效果,并且主要存在两个问题。
一个问题是,视频文件相比于图像,拥有更多的数据,并且经常以重压缩的方式来节省存储空间,重压缩将导致提取的PRNU噪声质量严重下降。如何从压缩视频中提取可靠的PRNU噪声已得到解决。现有技术中在估计PRNU噪声时,只利用关键帧(I帧),而排除运动补偿帧(P、B帧)。这是因为视频文件的主要信息都集中在I帧,P、B帧对提取PRNU噪声帮助不大;现有技术中提出从部分解码的视频帧中提取PRNU噪声,此方法在提取精度和效率方面都有所提高。
另一个问题是,为了消除手抖等无意识抖动造成的视频不流畅现象,相机内配备的卷帘快门校正技术等一系列视频稳定功能对视频帧进行几何变换,使得相邻帧间相同位置的像素可能由传感器不同位置拍摄。而PRNU噪声来源于传感器,所以出现PRNU噪声错位的现象。因此,用传统的统计方法来正确估计PRNU噪声是很困难的。为了解决这个问题,等人提出通过平移来补偿PRNU噪声之间的错位。Taspinar等人提出将视频帧分成两部分,并将其PRNU噪声关联起来。根据峰值相关能量(Peak Correlation Energy,PCE)来判断是否是稳定视频的。然后,通过穷举的方法找到每一帧与相邻帧之间的空间几何关系,进而将错位的视频帧序列重新对齐。Iuliani等人利用混合方法,即提出从图像中提取的参考PRNU噪声比视频中提取可靠性更高。
如何解决稳定视频片段中PRNU噪声仍然不能可靠估计和匹配,是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足,提供一种视频PRNU噪声提取方法及相机源检测方法,来解决的稳定视频片段中PRNU噪声仍然不能可靠估计和匹配的问题。
第一方面,本发明提供一种视频PRNU噪声提取方法,利用静止视频提取参考PRNU噪声,对基于最大似然估计方法的传统PRNU噪声计算公式进行扩展计算,所述传统视频PRNU噪声计算公式为:
其中,W表示视频帧的残差噪声,W=I(x,y)-F(x,y),F(·)表示对视频帧进行去噪处理,I表示视频帧,i表示视频帧编号,(x,y)表示视频分辨率;
所述提取方法包括如下步骤:
利用各组残差噪声与视频帧乘积的和替代传统视频PRNU噪声计算公式中的分子,得到初次扩展后视频PRNU噪声计算公式,所述初次扩展后视频PRNU噪声计算公式为:
将传统视频PRNU噪声计算公式中分母替换为来自同一组的视频帧,并对各组视频帧求取的视频PRNU噪声进行累加,得到二次扩展后视频PRNU噪声计算公式,所述二次扩展后视频PRNU噪声计算公式为:
其中,i表示视频帧索引,j∈{1,2,......,m},j表示组别索引,第j组的视频帧具有由视频稳定功能引入的相同的校正变换;
并定义如下:
基于上述二次扩展后视频PRNU噪声计算公式,分组提取PRNU噪声的计算公式为:
基于上述二次扩展后视频PRNU噪声计算公式,从单帧视频帧中提取测试PRNU噪声的计算公式为:
作为优选,所述视频稳定功能包括但不限于卷帘快门校正。
第二方面,本发明提供一种相机源检测方法,包括如下步骤:
基于传统PRNU噪声计算公式计算参考PRNU噪声和单帧的测试PRNU噪声;
通过如第一方面任一项所述的一种视频PRNU噪声提取方法,利用静止视频提取参考PRNU噪声,对基于最大似然估计方法的传统PRNU噪声计算公式进行扩展计算,得到如下概率计算公式:
基于上述概率计算公式,通过下述公式对PRNU噪声进行重叠分条,将参考PRNU噪声和测试PRNU噪声分条匹配,所述公式为:
根据单峰值判断测试视频是否来自参考手机,如果单峰值大于阈值,测试视频来自参考手机,所述单峰值计算公式为:
其中,(upeak,vpeak)表示峰值坐标,Npeak表示峰值邻域。
作为优选,对PRNU噪声进行重叠分条之前,进行如下步骤:
从一定长度的视频中截取静止视频片段,并基于传统PRNU噪声计算公式提取参考PRNU噪声;
基于传统PRNU噪声计算公式提取待测视频的测试PRNU噪声;
分别对参考PRNU噪声和测试PRNU噪声按条划分。
作为优选,所述视频稳定功能包括但不限于卷帘快门校正。
本发明的一种视频PRNU噪声提取方法及相机源检测方法具有以下优点:
1、根据相机内嵌稳定功能对视频帧引入的几何配准进行矫正,扩展了PRNU噪声的数学模型;
2、现阶段很难确定卷帘快门校正是对帧内哪几部分进行校正变换,对PRNU噪声采取重叠分条匹配的方法,与传统整帧匹配方法相比,减少了匹配错误率,提升了性能。
3、通过PCE值度量相应分条的相似性,减少了匹配的时间复杂度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
下面结合附图对本发明进一步说明。
附图1为实施例2一种相机源检测方法的流程框图;
附图2为实施例2一种相机源检测方法中分条匹配的流程框图;
附图3为实施例2一种相机源检测方法中基于宽带检测实验产生的不同分行ROC曲线示意图;
附图4为实施例2一种相机源检测方法中与其它算法性能比较产生的不同手机类内类间ROC曲线示意图;
附图5为为实施例2一种相机源检测方法中不同算法ROC曲线示意图;。
其中,附图4(a)IPhone6中,PRNU噪声被划分为100×1920AUC=0.819。对比实验单帧匹配的AUC=0.799;测试视频只从关键帧中提取PRNU噪声进行匹配的AUC=0.715;测试视频的帧分组提取PRNU噪声AUC=0.969;
数据库中其他智能手机如IPhone 4S、IPhone 5C、IPhone 6plus的ROC曲线如图4(b)-(d)所示。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供一种视频PRNU噪声提取方法及相机源检测方法,用于解决稳定视频片段中PRNU噪声仍然不能可靠估计和匹配的技术问题。
实施例1:
在现实绝大多数取证场景中,由于无法拿到拍摄者的手机,只能得到由手机拍摄的视频。因此,从一定长度的视频中截取静止片段提取参考PRNU噪声,才更符合实际应用场景。在这种情况下,不仅测试PRNU噪声,参考PRNU噪声也不是传感器模式噪声的可靠估计,它们都受相邻帧间像素错位的影响。经过分析,在相对静止的视频序列中,可能并不是所有的帧都遭受了卷帘快门校正技术或者视频稳定功能带来的旋转、缩放等几何变换。所以,利用静止视频提取参考PRNU噪声相对可靠。
本发明的一种视频PRNU噪声提取方法,利用静止视频,对基于最大似然估计方法的传统PRNU噪声计算公式进行扩展计算,传统视频PRNU噪声计算公式为:
其中,W表示视频帧的残差噪声,W=I(x,y)-F(x,y),F(·)表示对视频帧进行去噪处理,I表示视频帧,i表示视频帧编号,(x,y)表示视频分辨率。
本实施例的提取方法包括如下步骤:
S300、利用各组残差噪声与视频帧乘积的和替代传统视频PRNU噪声计算公式中的分子,得到初次扩展后视频PRNU噪声计算公式,上述初次扩展后视频PRNU噪声计算公式为:
S400、将传统视频PRNU噪声计算公式中分母替换为来自同一组的视频帧,并对各组视频帧求取的视频PRNU噪声进行累加,得到二次扩展后视频PRNU噪声计算公式,二次扩展后视频PRNU噪声计算公式为:
其中,i表示视频帧索引,j∈{1,2,......,m},j表示组别索引,第j组的视频帧具有由视频稳定功能引入的相同的校正变换;
并定义如下:
S500、基于上述二次扩展后视频PRNU噪声计算公式,分组提取PRNU噪声的计算公式为:
S600、基于上述二次扩展后视频PRNU噪声计算公式,从单帧视频帧中提取测试PRNU噪声的计算公式为:
其中步骤S100中,Ti θ并不仅仅代表一个整帧的配准交换,反而它可以随视频帧内不同部分的几何变换而改变。考虑到无意识的抖动引发的相机运动是一个循环往复的过程,所以在这个过程中可能存在类似的运动。并且一个视频片段中含有大量视频帧,所以这些帧可能有一部分对应相同的几何变换Tθ。
由于相机内稳定功能对单个帧使用旋转、缩放、平移等几何变换,使帧间像素出现错位的现象。所以,从图像拓展到稳定视频的最大似然估计模型不再能有效表示传统算法中分组或单帧提取的PRNU噪声。本实施例后续步骤对最大似然估计模型进行分解,使其准确表示传统算法分组估计的PRNU噪声。
步骤S600中,由于卷帘快门校正技术对帧内不同部分独立地应用二维透视变换矩阵,导致帧内不同部分PRNU噪声的偏移量也不同,所以对视频帧分条为{1,2,......,l},每条大小为x·y表示视频分辨率,每条PRNU噪声对应的几何变换用表示,视频帧内不同条的PRNU噪声表示为:
实施例2:
通过PCE值度量手机的参考PRNU噪声与待测视频的测试PRNU噪声两个二维矩阵之间的相似性。如果两个噪声之间的相关性大于特定阈值,则认为该手机拍摄了待测视频,反之,则认为待测视频与该手机无关。为了在两个二维矩阵上计算PCE值,首先需要归一化交叉相关(Normalized Cross Correlation,NCC)参考PRNU噪声和测试PRNU噪声,计算噪声信号的互相关系数由分组提取PRNU噪声的计算公式、提取测试PRNU噪声的计算公式扩展后的最大似然估计模型得到PRNU噪声,除了会受到校正变换外,分组求PRNU噪声时还会有每组内的帧数占总帧数的比例。如果按照传统方法,即分组提取测试PRNU噪声与参考PRNU噪声进行关联,如下计算公式:
从单帧中提取测试PRNU噪声与参考PRNU噪声匹配时,虽然会减少测试PRNU噪声分组提取时组内帧数占总帧数比例的影响,如下式:
但是,对于在帧内进行校正变换的视频稳定功能来说,造成PRNU噪声帧内不同程度的偏移,该算法并不能准确提取和匹配PRNU噪声。
大多数智能手机配备的是卷帘快门,而针对防抖的卷帘快门校正技术是在帧内进行校正变换。虽然上述计算公式中单帧匹配避免了分组匹配时一部分错位的影响,但是考虑到卷帘快门校正技术等视频稳定功能对帧内配准时,PRNU噪声在帧内也会有不同程度错位,上述公式中参考PRNU噪声和测试PRNU噪声进行匹配可能会不准确。
如附图1-2所示,本实施例中,把参考PRNU噪声和测试PRNU噪声分条匹配,提出新的基于重叠分条的匹配算法,采取重叠分条的原因是现阶段很难确定卷帘快门校正是对帧内哪几部分进行校正变换。所以,为了尽可能减少匹配错误率,本实施例公式对PRNU噪声采取重叠分条的方法。
具体的,本实施例一种相机源检测方法包括如下步骤:
S100、基于传统PRNU噪声计算公式计算参考PRNU噪声和单帧的测试PRNU噪声;
S200、通过如实施例1公开的一种基于稳定视频的PRNU噪声提取方法,利用静止视频提取参考PRNU噪声,对基于最大似然估计方法的传统PRNU噪声计算公式进行扩展计算,得到如下概率计算公式:
S300、基于下述公式对PRNU噪声进行重叠分条,将参考PRNU噪声和测试PRNU噪声分条匹配,公式为:
S400、根据单峰值判断测试视频是否来自参考手机,如果单峰值大于阈值,测试视频来自参考手机,所述单峰值计算公式为:
其中,(upeak,vpeak)表示峰值坐标,Npeak表示峰值邻域。
对PRNU噪声进行重叠分条之前,进行如下步骤:
(1)从一定长度的视频中截取静止视频片段,并基于传统PRNU噪声计算公式提取参考PRNU噪声;
(2)基于传统PRNU噪声计算公式提取待测视频的测试PRNU噪声;
(3)分别对参考PRNU噪声和测试PRNU噪声按条划分。
PRNU噪声分条后,匹配的时间复杂度也会减小。
本实施例基于重叠分条的相机源检测在Windows10(64)平台上使用MatlabR2015b实现实验方案。所有视频来自VISION[20]数据库。实验使用13部智能手机,例如苹果、索尼、一加拍摄的分辨率为1920×1080,1分钟左右的稳定视频。如表2。每个设备随机选取大约60个视频作为类间测试,使用接收操作者曲线(Receiver OperatingCharacteristic Curve,ROC)和曲线下面积(Area Under Curve,AUC)面积描述本文算法和其他算法的准确性对比。
表一、使用的智能手机
结果分析如下:
(一)基于带宽检测实验
在本节中,讨论PRNU噪声采取哪种分条匹配更加准确。根据卷帘快门校正技术的专利指出,视频帧可以按行平均划分为25、32、60、100和180行,即44、34、18、11和6条。为了提高匹配准确性,本文采取更加细致的重叠分条方法。并且考虑到时间复杂度,所以每次分条后再向上取半,参考PRNU噪声和测试PRNU噪声按不同分行共进行107、67、35、21、12次匹配。根据不同分条计算正确率和虚警率。不同分条的AUC面积如表2所示。可以看出分条大小为100×1920和60×1920时,AUC面积差别不大,但是,在时间复杂度的考虑下,采取100×1920的分条会达到较好效果。如附图3所示。
附图1不同分行ROC曲线,100×1920的AUC面积最大,达到不同分条的最好效果。
表2、不同分条的AUC面积
(二)与其它算法性能相比较
在确定100×1920分条较好之后,通过用现有的基于整帧的匹配算法与本文所提分条匹配算法进行比较,并用ROC曲线进一步说明本文算法的准确性。其中一种方法是对测试视频所有帧进行分组处理,每组包含相同数量的帧来提取测试PRNU噪声,并分别与参考PRNU噪声匹配。第二是只从单帧中提取测试PRNU噪声不做任何处理;第三是只解码视频中的关键帧来提取测试PRNU噪声。
为了证明算法的有效性,使用数据库中不同智能手机拍摄的视频进行测试。而PRNU噪声属于白噪声,两个不同智能手机相机的PRNU噪声很难进行关联。因此在测试中,本文尝试对来自同一品牌型号的不同智能手机的视频进行类内和类间测试,以避免偶然性,并证明算法的准确性。每个手机大约20个类内测试视频和50个类间测试视频,不同算法分别提取测试PRNU噪声与手机的参考PRNU噪声匹配,画出ROC曲线图,如图4(a)-(d)所示。看出本文分条匹配算法AUC面积比基于整帧的传统算法大,匹配准确性较高,该方法具有较好的匹配性能。
然后本实施例通过数据库中13部手机总体ROC曲线与上述三种现有技术进行比较,进一步检验提出的基于重叠分条匹配算法的性能。类间分别取50个视频,提取测试PRNU噪声,将参考PRNU噪声和测试PRNU噪声分成100×1920的大小。与13部手机的参考PRNU噪声匹配,画出平均ROC曲线。本文算法的AUC面积为0.8411,如图5所示。
可以看出,本实施例所提分条匹配算法的AUC=0.8411。对比实验中,PRNU噪声单帧匹配的AUC=0.8049。测试视频的PRNU噪声只从关键帧中提取的AUC=0.6218;分组提取测试PRNU噪声的AUC=0.7023。因此,由于卷帘校正技术和视频稳定功能的联合作用,本实施例提出的PRNU噪声分条匹配的算法比整帧匹配的算法具有更高的精度。
本实施例提出一种基于防抖稳定视频PRNU噪声分条匹配的相机源检测算法。根据相机内嵌稳定功能对视频帧引入的几何配准进行矫正,扩展了PRNU噪声的数学模型。同时,首次提出对PRNU噪声采取重叠分条匹配的方法,算法检测性能比传统整帧匹配方法提升15%以上。通过在智能手机拍摄的224个稳定视频组成的数据库上执行实验结果表明,该算法对具有视频稳定功能的相机源检测具有良好的性能。下一步研究将在提高相机源检测准确率的同时降低时间复杂度。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (5)
1.一种视频PRNU噪声提取方法,其特征在于利用静止视频提取参考PRNU噪声,对基于最大似然估计方法的传统PRNU噪声计算公式进行扩展计算,所述传统视频PRNU噪声计算公式为:
其中,W表示视频帧的残差噪声,W=I(x,y)-F(x,y),F(·)表示对视频帧进行去噪处理,I表示视频帧,i表示视频帧编号,(x,y)表示视频分辨率;
所述提取方法包括如下步骤:
利用各组残差噪声与视频帧乘积的和替代传统视频PRNU噪声计算公式中的分子,得到初次扩展后视频PRNU噪声计算公式,所述初次扩展后视频PRNU噪声计算公式为:
将传统视频PRNU噪声计算公式中分母替换为来自同一组的视频帧,并对各组视频帧求取的视频PRNU噪声进行累加,得到二次扩展后视频PRNU噪声计算公式,所述二次扩展后视频PRNU噪声计算公式为:
其中,i表示视频帧索引,j∈{1,2,......,m},j表示组别索引,第j组的视频帧具有由视频稳定功能引入的相同的校正变换;
并定义如下:
基于上述二次扩展后视频PRNU噪声计算公式,分组提取PRNU噪声的计算公式为:
基于上述二次扩展后视频PRNU噪声计算公式,从单帧视频帧中提取测试PRNU噪声的计算公式为:
2.根据权利要求1所述的一种视频PRNU噪声提取方法,其特征在于所述视频稳定功能包括但不限于卷帘快门校正。
3.一种相机源检测方法,其特征在于包括如下步骤:
基于传统PRNU噪声计算公式计算参考PRNU噪声和单帧的测试PRNU噪声;
通过如权利要求1或2所述的一种视频PRNU噪声提取方法,利用静止视频提取参考PRNU噪声,对基于最大似然估计方法的传统PRNU噪声计算公式进行扩展计算,得到如下概率计算公式:
基于上述概率计算公式,通过下述公式对PRNU噪声进行重叠分条,将参考PRNU噪声和测试PRNU噪声分条匹配,所述公式为:
根据单峰值判断测试视频是否来自参考手机,如果单峰值大于阈值,测试视频来自参考手机,所述单峰值计算公式为:
其中,(upeak,vpeak)表示峰值坐标,Npeak表示峰值邻域。
4.根据权利要求3所述的一种相机源检测方法,其特征在于对PRNU噪声进行重叠分条之前,进行如下步骤:
从一定长度的视频中截取静止视频片段,并基于传统PRNU噪声计算公式提取参考PRNU噪声;
基于传统PRNU噪声计算公式提取待测视频的测试PRNU噪声;
分别对参考PRNU噪声和测试PRNU噪声按条划分。
5.根据权利要求3或4所述的一种相机源检测方法,其特征在于所述视频稳定功能包括但不限于卷帘快门校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010268608.8A CN112367457B (zh) | 2020-04-08 | 2020-04-08 | 一种视频prnu噪声提取方法及相机源检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010268608.8A CN112367457B (zh) | 2020-04-08 | 2020-04-08 | 一种视频prnu噪声提取方法及相机源检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112367457A CN112367457A (zh) | 2021-02-12 |
CN112367457B true CN112367457B (zh) | 2022-03-22 |
Family
ID=74516364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010268608.8A Active CN112367457B (zh) | 2020-04-08 | 2020-04-08 | 一种视频prnu噪声提取方法及相机源检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112367457B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TR2021018005A2 (tr) * | 2021-11-18 | 2021-12-21 | Bursa Uludag Ueniversitesi | Panorama fotoğraflarindan kaynak kamera sensörü parmak i̇zi̇ üreti̇mi̇ yöntemi̇ |
CN114554227B (zh) * | 2022-01-17 | 2023-05-23 | 广东工业大学 | 基于多尺度变换域自适应维纳滤波的压缩视频来源检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844638A (zh) * | 2016-03-23 | 2016-08-10 | 武汉大学 | 一种通过相机噪声实现鉴别照片真伪的方法及系统 |
CN108259791A (zh) * | 2018-01-05 | 2018-07-06 | 南京信息工程大学 | 一种从视频文件中提取prnu噪声的方法 |
CN108319986A (zh) * | 2018-02-08 | 2018-07-24 | 深圳市华云中盛科技有限公司 | 基于prnu的图像来源的鉴定方法及其系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7616237B2 (en) * | 2005-12-16 | 2009-11-10 | The Research Foundation Of State University Of New York | Method and apparatus for identifying an imaging device |
US8497933B2 (en) * | 2011-09-30 | 2013-07-30 | Konica Minolta Laboratory U.S.A., Inc. | Scanning active illumination media |
US10297011B2 (en) * | 2013-04-05 | 2019-05-21 | Ahmet Emir Dirik | Anonymization system and method for digital images |
CN103593645A (zh) * | 2013-10-11 | 2014-02-19 | 合肥工业大学 | 剪切图像源相机识别方法 |
CN108540458A (zh) * | 2018-03-21 | 2018-09-14 | 努比亚技术有限公司 | 一种终端校验的方法、设备、服务器及存储介质 |
-
2020
- 2020-04-08 CN CN202010268608.8A patent/CN112367457B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844638A (zh) * | 2016-03-23 | 2016-08-10 | 武汉大学 | 一种通过相机噪声实现鉴别照片真伪的方法及系统 |
CN108259791A (zh) * | 2018-01-05 | 2018-07-06 | 南京信息工程大学 | 一种从视频文件中提取prnu噪声的方法 |
CN108319986A (zh) * | 2018-02-08 | 2018-07-24 | 深圳市华云中盛科技有限公司 | 基于prnu的图像来源的鉴定方法及其系统 |
Non-Patent Citations (2)
Title |
---|
A Novel Decision Fusion Method for Image Forgery Localization;Xin-hua Tang,Wei-Wei Zhang;《中国自动化学会控制理论专业委员会.第37届中国控制会议论文集》;20180725;全文 * |
Davide Cozzolino ; Francesco Marra ; Diego Gragnaniello ; et.al..Combining PRNU and noiseprint for robust and efficient device source identification.《EURASIP Journal on Information Security》.2020,205-214. * |
Also Published As
Publication number | Publication date |
---|---|
CN112367457A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2339532B1 (en) | Depth compensated noise reduction in multi-view video | |
EP1814307B9 (en) | Method for detecting the quality of the multimedia communication | |
CN112367457B (zh) | 一种视频prnu噪声提取方法及相机源检测方法 | |
US8644604B2 (en) | Apparatus and method for aligning color channels | |
US20060285729A1 (en) | Fingerprint recognition system and method | |
US20100054542A1 (en) | Processing video frames with the same content but with luminance variations across frames | |
Gisolf et al. | Improving source camera identification using a simplified total variation based noise removal algorithm | |
JP4672680B2 (ja) | 画像処理方法、画像処理装置、画像処理プログラム及びそのプログラムを記録したコンピュータ読み取り可能な記録媒体 | |
US20140037212A1 (en) | Image processing method and device | |
US20050123052A1 (en) | Apparatus and method for detection of scene changes in motion video | |
CN111652875B (zh) | 一种视频伪造检测方法、系统、存储介质、视频监控终端 | |
CN106169173B (zh) | 一种图像插值方法 | |
EP2137977A2 (en) | Systems and methods for measuring loss of detail in a video codec block | |
CN112991159B (zh) | 人脸光照质量评估方法、系统、服务器与计算机可读介质 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN112330618B (zh) | 图像偏移检测方法、设备及存储介质 | |
Chen et al. | A universal reference-free blurriness measure | |
KR101311309B1 (ko) | 영상 조작 검출방법 및 영상 조작 검출장치 | |
CN112364835B (zh) | 视频信息取帧方法、装置、设备及存储介质 | |
CN111369592B (zh) | 一种基于牛顿插值的快速全局运动估计方法 | |
CN109359513B (zh) | 一种基于边缘检测和颜色匹配的异常检测方法 | |
KR101220003B1 (ko) | 시차 맵 생성 방법 | |
CN112183454A (zh) | 图像检测方法及装置、存储介质、终端 | |
KR101731695B1 (ko) | 시간적 일관성을 유지하는 다시점 이미지의 색상 왜곡 보정 방법 및 장치 | |
CN116684626B (zh) | 视频压缩方法和共享售卖柜 |
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 |