CN114125437A

CN114125437A - 适用于轨道交通的图像重压缩检测方法

Info

Publication number: CN114125437A
Application number: CN202210106941.8A
Authority: CN
Inventors: 邹常付; 赵东见; 万春芳; 金钰; 吉小鹏
Original assignee: Nanjing Mccarthy Intelligent Technology Co ltd
Current assignee: Nanjing Mccarthy Intelligent Technology Co ltd
Priority date: 2022-01-28
Filing date: 2022-01-28
Publication date: 2022-03-01
Anticipated expiration: 2042-01-28
Also published as: CN114125437B

Abstract

本发明公开一种适用于轨道交通的图像重压缩检测方法，包括头文件量化表修改、JPEG图像解压缩、特征提取、检测器训练和结果分析。本发明针对现有轨道交通图像检测技术中JPEG重压缩问题，通过对JPEG头文件中的量化表进行人为的改动，干预JPEG图像的解压缩过程，降低截断误差的产生，并设计相应的后处理神经网络，提升特征提取的有效性，从而提升JPEG重压缩检测方法的精度，利于轨道交通中智能闸机快速识别检测。

Description

适用于轨道交通的图像重压缩检测方法

技术领域

本发明属于图像处理技术，具体涉及一种适用于轨道交通的图像重压缩检测方法（轨道交通人工智能安检闸机系统）。

背景技术

随着计算机和网络技术的发展，图像篡改的成本已经大大降低。越来越多的数字图像出现在日常生活中，导致数字图像可信度下降，因此数字图像取证技术受到政府和执法机构的关注。当前，JPEG压缩是一种流行的压缩标准，因此，与JPEG格式相关的取证问题受到更多关注。如果将一部分源图像移动到目标JPEG图像中，则在再次保存时可能会导致JPEG重压缩的出现。目前已经有一些检测JPEG重压缩的方法出现，大多数的JPEG取证问题都涉及以JPEG格式保存的图像。

在目前的轨道交通案件过程中时常需要进行行人、人脸或物品等图像检测识别，在现有检测技术中当操作者读取以JPEG格式保存的图像时，图像编辑软件或编程语言将通过解压缩过程将其转换为位图格式并显示，这是因为以JPEG格式保存的图像实际上将图像内容（量化过的离散余弦变换系数）和头文件（解压缩所需要的参数）保存在比特流中。

然而，现有的JPEG重压缩检测技术分为同步和异步两种算法，针对异步的算法无法检测同步的情况，针对同步的算法在异步上的性能会被大大的削弱。为了构造一种通用的检测算法，但是不论是同步还是异步的情况，其压缩必定包含量化痕迹，其是JPEG压缩中最重要的检测信息。量化痕迹与量化表息息相关，通过对于量化表的修改重新表征已有的特征，利用重训练使得算法的通用性增强。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种具有通用性的适用于轨道交通的图像重压缩检测方法，针对现有轨道交通图像检测技术中JPEG重压缩问题，通过对JPEG头文件中的量化表进行人为的改动，干预JPEG图像的解压缩过程，降低截断误差的产生，提升特征提取的有效性，从而提升JPEG重压缩检测方法的精度，利于轨道交通中智能闸机快速识别检测。

技术方案：本发明的一种适用于轨道交通的图像重压缩检测方法，包括以下步骤：

步骤S1、采集轨道交通中的目标JPEG图像

步骤S1.1、读取JPEG码流信息，即使用JPEGTOOLBOX工具包对目标JPEG图像的JPEG码流进行拆分，拆成为JPEG码流头文件和JPEG码流JPEG系数两个部分；然后读取JPEG码流头文件中的亮度量化表和色度量化表；

步骤S1.2、修改上述头文件的亮度量化表和色度量化表；

步骤S2、目标JPEG图像解压缩，即基于步骤S1中修改过的头文件对目标JPEG图像进行解压缩，得到重构的JPEG图像；

步骤S3、特征提取，分别对原始目标JPEG图像和重构后的JPEG图像提取基于误差和直方图的特征，进而得到两种特征；

步骤S4、构建相应神经网络检测模型，将步骤S3所得两种特征作为输入进行优化：

步骤S4.1、搭建卷积神经网络，该卷积神经网络使用tanh激活函数；

步骤S4.2、将步骤S3中提取的新特征和原始特征进而二维变换，形成为H×W的矩阵，然后将这个矩阵输入上述卷积神经网络进行重训练，得到神经网络检测模型；

此处，提取的新特征和原始特征的数量为S；

步骤S5、结果分析：对于训练好的网络结构构建其特征热力图以及剪枝，即在训练好的网络隐藏层设置阈值ε，将大于ε的神经元进行保留，删除掉阈值小于ε的隐藏层神经元；然后将两种特征投入支持向量机中训练并得到一个结果，通过分析特征在神经网络中的变化，比对两种分类器神经网络和支持向量机的变化，利用支持向量机的可解释性引导网络的修改。

由于现有JPEG解压缩过程中会发生截断误差造成图像信息的二次损失，发生截断误差的图像像素值为0或者255，因此为避免截断误差的产生，本发明对亮度量化表和色度量化表进行修改：

将亮度量化表和色度量化表中的系数均替换为1，然后使用替换好的亮度量化表和色度量化表对JPEG码流进行解码，再对其进行检测得到重构后的JPEG图像。通过将亮度和色度量化表中的系数替换为1，能够有效地减少0或者255的出现，从而使得截断误差的个数大大减少，避免JPEG图像在解压缩过程中的信息二次损失，减少JPEG压缩对于检测的影响，并且由于后续利用替换好的亮度量化表和色度量化表对JPEG码流进行解码。

进一步地，所述目标JPEG图像解压缩的具体过程为：

根据JPEG码流头文件中保存的编码格式对齐JPEG码流中JPEG系数进行解压缩，同时不使用JPEG码流中保存的亮度量化表和色度量化表进行解压缩操作，而是使用系数全替换为1的量化表进行解压缩，这样就不需要考虑JPEG图像的质量，而是需要避免解压缩过程中截断误差带来的图像信息二次损失对于检测的干扰，步骤S2中已经避免截断误差的产生。

步骤S3中分别对原始目标JPEG图像和重构后的JPEG图像提取基于误差和直方图的特征，进而得到两种特征；这样能够通过避免信息的损失从而提升现有算法的检测性能，针对同步重压缩的算法能够有效地检测异步重压缩，针对异步重压缩的算法能够检测同步重压缩。

考虑到提取到的特征数量要小于常规图像的尺寸，本发明的卷积神经网不宜太深，避免陷入梯度消失的情况，因此所述卷积神经网络依次包括形变层、卷积层（卷积核尺寸为3*3）、激活层、池化层（尺寸为2*2）、卷积层（卷积核尺寸为3*3）、激活层和隐藏层；使用tanh函数避免整个网络模型变的稀疏，提高训练效果。

有益效果：与现有技术相比，本发明具有以下优点：

（1）本发明能够提升现有算法的通用性，扩展现有算法的实际应用。

（2）本发明的需要时间短，且能有效地提升现有算法的通用性，适应于轨道交通领域对于行人、人脸或物品等图像进行快速检测的要求。

（3）本发明构建神经网络检测模型对提出的特征进一步优化，在之前的JPEG任务中，由于JPEG噪声比较微小导致神经网络中的梯度难以找到下降的方向，因此提取出误差和直方图特征对神经网络的输入进行优化，使其梯度能够有效地下降，从而提升检测精度。

附图说明

图1为本发明的整体流程示意图；

图2为本发明的神经网络结构图

图3a为实施例中原量化表解压缩的分布示意图；

图3b为实施例中QF2=50时的分布示意图；

图3c为实施例中QF2=100时的分布示意图；

图4为本发明一实施例中解压缩过程示意图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

本发明的一种适用于轨道交通的图像重压缩检测方法，针对JPEG图像重压缩问题，通过对JPEG头文件中的量化表进行人为的改动，干预JPEG图像的解压缩过程，降低截断误差的产生，提升特征提取的有效性，从而提升JPEG重压缩检测方法的精度。

如图1所示，本实施例的适用于轨道交通的图像重压缩检测方法，包括以下步骤：头文件量化表修改、JPEG图像解压缩、特征提取、检测器训练、结果分析。具体图像重压缩检测方法，包括以下步骤：

S1、采集轨道交通中的目标JPEG图像

S1.1、读取JPEG码流信息，即使用JPEGTOOLBOX工具包对目标JPEG图像的JPEG码流进行拆分，拆成为JPEG码流头文件和JPEG码流JPEG系数两个部分；然后读取JPEG码流头文件中的亮度量化表和色度量化表；

S1.2、修改上述头文件的亮度量化表和色度量化表；

S2、目标JPEG图像解压缩，即基于步骤S1中修改过的头文件对目标JPEG图像进行解压缩，得到重构的JPEG图像；

S3、特征提取，分别对原始目标JPEG图像和重构后的JPEG图像提取基于误差和直方图的特征，进而得到两种特征；

S4.1、搭建卷积神经网络，该卷积神经网络使用ReLu激活函数；

S4.2、将步骤S3中提取的新特征和原始特征进而二维变换，形成为H×W的矩阵，然后将这个矩阵输入上述卷积神经网络进行重训练，得到神经网络检测模型；

S5、结果分析：对于训练好的网络结构构建其特征热力图以及剪枝，即在训练好的网络隐藏层设置阈值ε，将大于ε的神经元进行保留，删除掉阈值小于ε的隐藏层神经元；然后将两种特征投入支持向量机中训练并得到一个结果，通过分析特征在神经网络中的变化，比对两种分类器的变化，利用支持向量机的可解释性引导网络的修改。

图1中两种特征中一个是直接使用亮度和色度量化表进行解压缩提取的特征，另一个是修改量化表后提取的特征。

本发明替换目标JPEG图像中的亮度量化表和色度量化表，在此基础上对其进行解压缩操作得到重构的JPEG图像，基于现有算法提取扰动后的特征，将其与原始特征进行结合，设计相应的后处理网络，扩展现有算法的通用性。

本实施例的卷积神经网络模型如图2所示，依次包括形变层、卷积层、激活层、池化层、卷积层、激活层和隐藏层。

本实施例对头文件中的原始量化表进行修改，然后根据修改过的量化表对JPEG流进行解压缩，提取解压缩过程中产生的截断和舍入误差，并利用提取的截断和舍入误差对现有检测算法进行重训练，最后得到JPEG重压缩检测结果。

图3a至图3c展示了QF1=50，QF2=70的解压缩过程截断和舍入操作之后图像的分布情况。图3a代表原量化表解压缩的分布；图3b代表QF2=50的分布；图3c代表QF2=100的分布。可以看出当QF2减小时，分布将集中在0和255附近；当QF2增大至100时分布将集中在128附近，产生上述现象的原因是如果QF减小，也就是量化步长变大，会导致反量化后的值增大，从而影响逆离散余弦变换（IDCT），使结果接近0或者255；这意味着截断误差的增加导致了损失信息的增加；相反，当QF增大，量化步长减小，IDCT的结果将会集中在128附近。

也就是说，随着QF2的增加，具有截断误差的像素数量减少，当QF2为100时，截断错误不会发生。由于截断误差和舍入误差在取值范围内相差较大，减小截断误差更有利于特征的提取，因此本发明选择将原来的量化表替换为按QF=90或100计算的量化表，能够提高检测的性能。

使用修改后的量化表对JPEG流进行解压缩，解压缩流程如图4所示。对JPEG图像进行反量化、离散余弦反变换操作，将此时重构后的彩色JPEG图像与在此基础上进行截断和舍入操作后的图像进行相减，得到截断和舍入误差。

然后将提取的截断和舍入误差作为输入送入现有的JPEG重压缩检测方法进行重训练，并对训练好的模型进行测试。

最后根据重训练模型的精度进行对比分析，最终确定本发明的可行性，得出结论。

本实施例选择Wang等人、Yang等人两种JPEG重压缩检测算法进行验证，重训练模型精度和重训练前精度如表1和表2所示。根据精度对比可以明显看出，本发明的可行性以及其有效的提升了现有JPEG重压缩检测算法的性能。表1是不修改量化表后得到的实验性能，表2是通过修改量化表后得到的实验性能。图3a至图3c充分展示了修改量化表后对于JPEG图像分布的影响。

表1 重训练前两种现有的JPEG重压缩检测算法的原始精度

表2 修改量化表重训练后两种JPEG重压缩检测算法的精度

Claims

1.一种适用于轨道交通的图像重压缩检测方法，其特征在于：包括以下步骤：

步骤S1、采集轨道交通中的目标JPEG图像

步骤S1.2、修改上述头文件的亮度量化表和色度量化表；

步骤S4、构建相应神经网络检测模型，将步骤S3所得两种特征作为输入进行优化；

步骤S4.2、将步骤S3中提取的新特征和原始特征进而二维变换，形成为H×W的矩阵，然后将这个矩阵输入上述卷积神经网络进行训练，得到神经网络检测模型；

步骤S5、结果分析：对于训练好的网络结构构建其特征热力图以及剪枝，即在训练好的网络隐藏层设置阈值ε，将大于ε的神经元进行保留，删除掉阈值小于ε的隐藏层神经元；然后将两种特征投入支持向量机中训练并得到一个结果，通过分析特征在神经网络中的变化，比对两种分类器的变化，利用支持向量机的可解释性引导网络的修改。

2.根据权利要求1所述的适用于轨道交通的图像重压缩检测方法，其特征在于：所述步骤S1.2修改亮度量化表和色度量化表的具体方法为：

将亮度量化表和色度量化表中的系数均替换为1，然后使用替换好的亮度量化表和色度量化表对JPEG码流进行解码，再对其进行检测得到重构后的JPEG图像。

3.根据权利要求1所述的适用于轨道交通的图像重压缩检测方法，其特征在于：所述目标JPEG图像解压缩的具体过程为：

根据JPEG码流头文件中保存的编码格式对齐JPEG码流中JPEG系数进行解压缩，同时不使用JPEG码流中保存的亮度量化表和色度量化表进行解压缩操作，而是使用系数全替换为1的量化表进行解压缩。

4.根据权利要求1所述的适用于轨道交通的图像重压缩检测方法，其特征在于：所述卷积神经网络依次包括形变层、卷积层、激活层、池化层、卷积层、激活层和隐藏层；

上述卷积层的卷积核尺寸为3*3，池化层的尺寸为2*2，卷积层的卷积核尺寸为3*3。