CN114723953A - 一种面向图像来源检测的深度神经网络 - Google Patents

一种面向图像来源检测的深度神经网络 Download PDF

Info

Publication number
CN114723953A
CN114723953A CN202210322175.9A CN202210322175A CN114723953A CN 114723953 A CN114723953 A CN 114723953A CN 202210322175 A CN202210322175 A CN 202210322175A CN 114723953 A CN114723953 A CN 114723953A
Authority
CN
China
Prior art keywords
network
image
sci
net
deep neural
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
Application number
CN202210322175.9A
Other languages
English (en)
Inventor
郑宏
黎曦
鞠剑平
酉昌辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202210322175.9A priority Critical patent/CN114723953A/zh
Publication of CN114723953A publication Critical patent/CN114723953A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本方法公开了一种面向图像来源检测的深度神经网络(全称Source Camara Identification Network，简称SCI‑Net)。该网络共有四个卷积层、四个池化层以及一个全连接层，最后使用softmax分类器对全接连层输出的特征分类。网络输入数据是64*64*3的图像块(64*64像素，3个RGB颜色通道)，前三个卷积层有64个卷积核，第四个卷积层有32个卷积核，网络中所有的卷积层的感受野均为3*3。每一个卷积层后面都接一个relu层，加强网络非线性表达能力，防止过拟合。每个卷积层后面还接了一个max‑pooling，这是因为max‑pooling操作有助于保留更多的纹理信息并提高收敛性能。网络最后提取到512维的特征，并将其输入到全连接层，最后通过一个softmax分类器输出分类结果。本方法公开的SCI‑Net结构简单、推理速度快、分类精度高，可应用于实时性要求较高的场景。

Description

一种面向图像来源检测的深度神经网络
技术领域
本发明涉及计算机视觉与信息安全领域，更具体地，涉及一种基于深度学习的图像来源检测方法。
图像来源检测是确定图像由哪个相机设备拍摄的过程。它一般在安全和法律问题中被用作证据。随着科学技术的发展，图像采集设备越来越普及。与此同时，图像编辑工具变得越来越普遍，任何人都可以轻松地修改图像。图像的来源和完整性需要可靠地验证。图像检测是防止恶意篡改图像以获取非法利益的必要技术手段。源相机识别是多媒体取证中的一个热点问题，其目的是追踪图像的拍摄相机。识别源相机是指出非法图像(例如犯罪现场、恐怖行为场景等)所有者并确保此类数字数据安全可靠的重要步骤。
目前可以将摄像机识别方法分为两类。第一类将需要计算模型(PRNU，径向畸变)，然后评估模型和待测试图像之间的统计接近度(相关性)以识别摄像机。这一类方法通常是利用传感器模式噪声作为指纹识别传感器的源相机设备识别方法。此外，也有一些研究人员通过相机镜头径向畸变识别相机来。由于每个相机模型都表示一个独特的径向畸变图案，因此它被用作指纹来帮助识别。这类方法存在特征提取难度大以及识别率较低等问题。
第二类方法主要是基于机器学习以及特征提取。这类方法通常会由己知的训练集训练一个分类器，分类器通过计算已学习到的模型与待测试图像的特征向量之间的距离，得到分类结果。研究人员通过提取图像的多种特征(颜色特征、图像质量指标、小波域统计量等) 并将这些特征用于相机模型来源分类。近年来，研究人员利提出了利用机器学习的局部二值模式、共生矩阵、CFA插值相关的颜色相关性特征轨迹和条件概率统计等特征来识别数码相机模型的方法。虽然基于机器学习的检测一定程度上解决了相机来源检测问题，但是特征的提取依赖研究人员手动提取，特征提取难度大，且不一定可以有效提取关键特征，因此，其检测准确率仍有待提升。
为了提升相机来源检测的准确率并提升深度学习推理速度，本发明提出了一种面向图像来源检测的深度神经网络。图像来源检测不同于一般的图像视觉任务，通常图像视觉更关注图像的内容，网络尽可能提取到与图像内容相关的特征。相反的是，在图像来源检测中图像内容属于干扰信息，卷积网络应该尽可能的去除图像内容的影响。因此，本发明提出了一种基于小尺寸卷积核的面向图像来源检测的深度神经网络，特征提取网络所有卷积核大小均为3×3,这种小尺寸卷积核有利于提取图像中的细微噪声，从而进一步提升了图像来源检测的准确率。
为实现上述目的，本发明所提供的技术方案为：一种面向深度神经网络的图像来源检测方法，包括以下步骤：
S1、获取基础数据集，包括来自N个相机设备的高清图像，其中N为大于1小于100的整数；
S2、将基础数据集中的图像裁剪成a像素大小进行且互不重叠的图像块；
S3、构建相机设备自动识别网络SCI-Net，SCI-Net如图1 所示；
S4、基于大量有标识的图像块作为训练数据集，不断训练优化SCI-Net的网络模型的各种参数，识别类型为相机设备实例的分类；其中，作为训练及待检测的图像块不需要做额外的预处理。
在S1步骤中分类的最小精度为设备级，即区分图像是来源于某一相机设备而非区分来自某一相机模型。
在S2步骤中，所述的图像裁剪参数a是64×64像素。
将相机设备训练集中的图像块和该图像块对应的分类标签作为原始输入，对SCI-Net网络进行的监督学习训练。
在S3步骤中，所述相机设备自动识别网络SCI-Net包括13 层，其中第一层为输入层，2到11层为卷积层与池化层交替，第12-13 层为全连接层。在12层中包含了激励函数RELU；所述的相机设备自动识别网络SCI-Net将己有的标明类别信息的图像块以及确定的标签为输入，不断迭代训练优化网络，最终得到一个性能良好的分类设备。SCI-Net参数如表1所示。
所述的SCI-Net网络中，所有的卷积层卷积核大小均为3×3，池化操作均采用max-pooling，分类器使用softmax函数。
在步骤S4中，由于深度神经网络的参数非常多，因此模型的搜索空间巨大，只有足够的训练数据参与网络的训练优化阶段，这样网络模型才能充分提取到各种各样的噪声特征，从而可以对图像来源进行精确分类。
使用softmax函数对网络提取的有效特征进行分类， softmax函数将SCI-Net的多个神经元的输出，映射到(0,1)区间内，从而来进行图像来源分类。
与现有技术相比，本发明技术方案的有益效果是：
1.本发明首次使用小尺寸卷积核提取图像噪声，有利于有效噪声特征的提取，更有利于图像来源的分类判断。与现有的图像来源检测方法相比在检测准确率上有很大的提升，在图像来源检测方面的很大的参考价值。
2.本发明提出的深度神经网络的网络层数相对较少，参数量相对较小，因此，训练的收敛速度相对较快，所需要的训练数据也相对较小，比较适合对时间和训练样本要求较高的应用场景。
附图说明
图1为图像来源检测的深度神经网络。
图2为本发明实施例的方法流程图
具体实施方式
本发明提出了一种面向图像来源检测的深度神经网络，包括以下步骤：
获取基础数据集，包括来自9个相机设备的高清图像,共900 张数字图像；
将数据集中的图像按3：1：1比例分成训练集、验证集和测试集。
将数据集图像按相机型号分类，并将所有图片裁剪成尺寸为 64×64像素的且互不重叠的图像块。
将图像块与其对应的类别标签制作成训练数据集、验证数据集、测试数据集。
使用digit可视化深度学习工具构建相机设备自动检测网络SCI-Net。
所述相机设备自动识别网络SCI-Net包括13层，其中第一层为输入层，2到11层为卷积层与池化层交替，第12-13层为全连接层。在12层中包含了激励函数RELU；所述的相机设备自动识别网络SCI-Net将己有的标明类别信息的图像块以及确定的标签为输入，不断迭代训练优化网络，最终得到一个性能良好的分类设备。
以训练数据集作为SCI-Net网络输入，训练优化网络参数，最终得到训练好的网络模型。
网络训练超参数设置如下：初始学习速率为0.001，采用 SGD优化，冲量设置为0.95，下降策略为指数下降。
在网络训练收敛后，得到网络模型文件。
选取一张待测试图片，并分割为1200张64×64像素大小互不重叠的图像块，制作成测试集。
将测试集作为输入，输入到SCI-Net中。得到1200个测试结果
根据SCI-Net的输出的1200个结果进行投票，得票最多的相机模型即为测试图像所属的相机设备。
在实施例中，还可以进行以下拓展：对SCI-Net的输入图像作拉普拉斯滤波预处理。
在实施例中，还可以进行以下拓展：对SCI-Net的输入图像作SRM滤波预处理。
Figure BDA0003570457990000051
Figure BDA0003570457990000061
表1为网络的参数结构表。

Claims (5)

1.一种面向图像来源检测的深度神经网络(SCI-Net)，其特征在于，包括以下内容：
S1、SCI-Net输入数据为k大小的图片。
S2、SCI-Net网络共有四个卷积层、四个池化层以及一个全连接层。
S3、所有卷积层均使用c大小的滤波器。
S4、SCI-Net中所有卷积层后接一个ReLu和max-pooling层。
S5、SCI-Net最后通过一个softmax分类器输出分类结果。
根据权利1要求的一种面向图像来源检测的深度神经网络，其特征在于，所述的k是64×64像素。
根据权利1要求的一种面向图像来源检测的深度神经网络，其特征在于，所述的c是3×3。
2.根据权利1要求的一种面向图像来源检测的深度神经网络，其特征在于：分类的最小精度为设备级，即区分图像是来源于某一相机设备而非区分来自某一相机模型。
3.根据权利1要求的一种面向图像来源检测的深度神经网络，其特征在于：待检测图片被裁剪成N个大小为k的图像块。
4.根据权利1要求的一种面向图像来源检测的深度神经网络，其特征在于：权利要求5中的N个图像块需要被送入到SCI-Net中检测并得到N个分类结果。
5.根据权利1要求的一种面向图像来源检测的深度神经网络，其特征在于：本方法对6中的N个分类结果进行投票，得票最多类的即判定为图像来源的检测结果。
CN202210322175.9A 2022-03-29 2022-03-29 一种面向图像来源检测的深度神经网络 Pending CN114723953A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210322175.9A CN114723953A (zh) 2022-03-29 2022-03-29 一种面向图像来源检测的深度神经网络

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210322175.9A CN114723953A (zh) 2022-03-29 2022-03-29 一种面向图像来源检测的深度神经网络

Publications (1)

Publication Number Publication Date
CN114723953A true CN114723953A (zh) 2022-07-08

Family

ID=82240542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210322175.9A Pending CN114723953A (zh) 2022-03-29 2022-03-29 一种面向图像来源检测的深度神经网络

Country Status (1)

Country Link
CN (1) CN114723953A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116417068A (zh) * 2023-02-03 2023-07-11 中国人民解放军军事科学院军事医学研究院 一种基于深度学习预测工程化核酸序列实验室来源的方法、系统及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116417068A (zh) * 2023-02-03 2023-07-11 中国人民解放军军事科学院军事医学研究院 一种基于深度学习预测工程化核酸序列实验室来源的方法、系统及装置
CN116417068B (zh) * 2023-02-03 2024-01-16 中国人民解放军军事科学院军事医学研究院 一种基于深度学习预测工程化核酸序列实验室来源的方法、系统及装置

Similar Documents

Publication Publication Date Title
Zhuang et al. Image tampering localization using a dense fully convolutional network
CN111445459B (zh) 一种基于深度孪生网络的图像缺陷检测方法及系统
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN112990282B (zh) 一种细粒度小样本图像的分类方法及装置
CN111626357B (zh) 一种基于神经网络模型的图像识别方法
CN111754441B (zh) 一种图像复制粘贴伪造被动检测方法
CN110599458A (zh) 基于卷积神经网络的地下管网检测评估云系统
Pawade et al. Comparative study of different paper currency and coin currency recognition method
Zhang et al. Multi-scale segmentation strategies in PRNU-based image tampering localization
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
CN114723953A (zh) 一种面向图像来源检测的深度神经网络
CN110852292A (zh) 一种基于跨模态多任务深度度量学习的草图人脸识别方法
CN111461135B (zh) 利用卷积神经网络集成的数字图像局部滤波取证方法
Shao et al. Forensic scanner identification using machine learning
CN116912184B (zh) 一种基于篡改区域分离和区域约束损失的弱监督深度修复图像篡改定位方法及系统
CN116524725B (zh) 一种智能驾驶的交通标志图像数据识别系统
CN117079354A (zh) 一种基于噪声不一致性的深度伪造检测分类和定位方法
CN110599460A (zh) 基于混合卷积神经网络的地下管网检测评估云系统
Abdulhussein et al. Computer vision to improve security surveillance through the identification of digital patterns
Wu et al. Review of imaging device identification based on machine learning
CN106570910B (zh) 基于自编码特征和近邻模型的图像自动标注方法
Qu An approach based on object detection for image forensics
Xie et al. Tobacco plant recognizing and counting based on svm
CN111080586B (zh) 基于卷积神经网络的篡改图像来源取证方法
CN112529835A (zh) 一种基于源相机识别的图像拼接篡改检测与定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication