CN115102735A - 图像认证的方法及装置 - Google Patents
图像认证的方法及装置 Download PDFInfo
- Publication number
- CN115102735A CN115102735A CN202210675054.2A CN202210675054A CN115102735A CN 115102735 A CN115102735 A CN 115102735A CN 202210675054 A CN202210675054 A CN 202210675054A CN 115102735 A CN115102735 A CN 115102735A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- authenticated
- authentication
- pixels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 20
- 239000003638 chemical reducing agent Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- OQMBBFQZGJFLBU-UHFFFAOYSA-N Oxyfluorfen Chemical compound C1=C([N+]([O-])=O)C(OCC)=CC(OC=2C(=CC(=CC=2)C(F)(F)F)Cl)=C1 OQMBBFQZGJFLBU-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004898 kneading Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/12—Applying verification of the received information
- H04L63/126—Applying verification of the received information the source of the received data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Abstract
本说明书实施例提供一种图像认证的方法及装置,在图像认证过程中,将待认证图像进行分割,得到持有待认证图像的部分像素作为有效像素的子图像。子图像中的有效像素描述了待认证图像来源设备的部分硬件特征。其中,利用子图像进行来源设备认证,并可以尽可能避免在相关业务处理中泄露用于来源设备认证的有效像素。从而,增加通过进行业务处理的图像获取用于设备认证的图像信息,提高对数据来源可信验证的可靠性。
Description
技术领域
本说明书一个或多个实施例涉及计算机技术领域,尤其涉及图像安全认证的方法及装置。
背景技术
图像认证是检测图像是否被恶意篡改、认证图像数据的完整性,同时能容忍压缩或噪声对原图像质量造成影响的一种图像处理方法。图像认证可以包括两个方面:对图像内容的认证;对图像来源的认证。其中,对图像内容的认证用于确保采集对象的可信,可以应用于各种领域,例如基于面容认证的刷脸支付、刷脸门禁,基于指纹识别的指纹打卡、指纹解锁等等。对图像来源的认证则保证图像采集过程的可信,例如是对拍摄图像的设备进行的认证,其可以应用于调查取证、版权确认等情形下的图像真实合法来源的认证。然而,用于拍摄图像的设备的信息如果被伪造,仍可能造成数据污染风险,导致信息可信度降低、价值降低。
发明内容
本说明书一个或多个实施例描述了一种图像认证的方法及装置,用以解决背景技术提到的一个或多个问题。
根据第一方面,提供一种图像认证的方法,包括:获取关于拍摄设备的待认证图像;基于对所述待认证图像的各个像素进行的分割,得到第一子图像;通过所述第一子图像提取所述待认证图像对应的设备指纹信息;将所述设备指纹信息与针对所述拍摄设备的指纹认证信息进行比较,从而对所述设备指纹信息进行认证,以确定所述待认证图像是否来自所述拍摄设备。
在一个实施例中,所述第一子图像为与所述待认证图像分辨率一致的图像,并通过以下方式得到:从所述待认证图像中确定多个原始像素作为有效像素;获取各个有效像素分别对应的各个像素值;通过各个像素值对所述有效像素之外的各个其他像素进行插值,得到的插值图像作为所述第一子图像。
在一个实施例中,所述通过所述第一子图像提取所述待认证图像对应的设备指纹信息包括:利用降噪器对所述第一子图像进行去噪处理,得到第一标准图像;根据所述第一子图像与所述第一标准图像的差值,确定所述第一子图像的噪声图像;基于对所述第一子图像的噪声图像的处理,确定用于描述所述待认证图像对应的设备指纹信息。
在一个实施例中,所述指纹认证信息通过以下方式确定:获取经由所述拍摄设备拍摄的若干个样本图像,并按照与第一子图像一致的方式分割出各个第一样本子图像;利用降噪器对各个第一样本子图像进行去噪处理,得到各个标准样本图像;根据各个第一样本子图像与相应的标准样本图像的差值图像,确定各个样本噪声图像;基于各个样本噪声图像的最大似然估计,确定所述指纹认证信息。
在一个实施例中,所述指纹认证信息为以下两项的比值:各个样本噪声图像与相应的标准样本图像按照预定融合方式的融合结果进行叠加的第一叠加结果、各个标准样本图像与其自身按照预定融合方式的融合结果进行叠加的第二叠加结果。
在一个实施例中,所述将所述设备指纹信息与针对所述拍摄设备的指纹认证信息进行比较包括:检测所述设备指纹信息与所述指纹认证信息的张量相似度;在所述张量相似度大于预定阈值的情况下,确定所述认证结果为认证通过;否则,确定所述认证结果为认证未通过。
在一个实施例中,所述基于对所述待认证图像的各个像素进行的分割,还得到第二子图像;所述方法还包括:基于认证结果,利用所述第二子图像进行相应业务处理。
在一个实施例中,所述基于认证结果,利用所述第二子图像进行相应业务处理之前,所述方法还包括:分别提取所述第一子图像和所述第二子图像的语义特征;检测所述第一子图像和所述第二子图像的语义特征的一致性,从而判断所述第一子图像和所述第二子图像是否由同一个图像分割得到。
在一个实施例中,所述第二子图像和所述第一子图像的有效像素无交集,且单个子图像的有效像素为在所述待认证图像中均匀分布的像素,所述有效像素是从所述待认证图像获取的原始像素。
在一个实施例中,所述均匀分布包括:按行/列等间距间隔分布、按像素等间距间隔中的至少一项。
在一个实施例中,所述基于认证结果,利用所述第二子图像进行相应业务处理包括:将所述第二子图像用于发布、上传至服务器、上传至云端、提交至区块链网络、返还至来源设备中的一项操作。
根据另一方面,提供一种图像认证的装置,包括:
获取单元,配置为获取关于拍摄设备的待认证图像;
分割单元,配置为基于对所述待认证图像的各个像素进行的分割,得到第一子图像;
提取单元,配置为通过所述第一子图像提取所述待认证图像对应的设备指纹信息;
认证单元,配置为将所述设备指纹信息与针对拍摄设备的指纹认证信息进行比较,从而对所述设备指纹信息进行认证,以确定待认证图像是否来自所述拍摄设备。
根据第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面的方法。
根据第四方面,提供了一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面的方法。
通过本说明书实施例提供的方法和装置,在图像认证过程中,将待认证图像进行分割,得到持有待认证图像的部分像素作为有效像素的子图像。子图像中的有效像素描述了待认证图像来源设备的部分硬件特征。其中,利用子图像进行来源设备认证,并可以尽可能避免在相关业务处理中泄露用于来源设备认证的有效像素。从而,增加通过进行业务处理的图像获取用于设备认证的图像信息,提高对数据来源可信验证的可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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它的附图。
图1示出本说明书应用背景的一个具体实施场景示意图;
图2示出本说明书技术构思的一个实施架构示意图;
图3示出根据一个实施例的图像认证方法流程图;
图4a、图4b、图4c分别示出根据具体例子中对带认证图像分割的分割方式示意;
图5示出根据一个实施例的图像认证的装置的示意性框图。
具体实施方式
下面结合附图,对本说明书提供的技术方案进行描述。
首先以区块链数据存储场景描述本说明书提出的背景。
如本领域技术人员所知,区块链网络是一种分布式存储、记录的体系,其中包含多个节点,各个节点之间可以互相通信并交易数据。区块链技术(Blockchain technology,简称BT)是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算范式,用区块链技术所串接的分布式账本能让两方有效记录交易,且可永久查验交易。由于区块链技术有着不可篡改、去中心化等特点,其在各种领域的应用越来越广泛。
区块链基于其本身的特点,通常致力于解决信任相关的应用问题。这里说的信任问题,不仅包含链上数据不可更改的保真性,还涉及上链数据来源的真实可信性。例如,商品溯源、实物监管、调查取证等涉及链下与链上数据衔接的信任关卡问题,是数据来源可信的重要场景。举例而言,对于链下人、物、场的描述,通常基于线下的物联网设备进行数据采集,对视频和照片拍摄、音频采集,以及RFID、蓝牙、UWB等至少一个传感器收集的数据上链后进行综合画像,构成链上抽象模型的真实存在证明。链上的抽象模型在不同的应用场景下,具备一定的金融属性(如质押货物)、法律属性(如作为事实证据)、市场价值属性(如商品及原材料),等等。这些链上数据结合一些特定的商业模式,即能产生相关的业务价值。
可以理解,日常业务处理过程中,受商业利益、员工消极怠工等因素影响,可能发生伪造真实商品的生产和运输过程数据、捏造调查证据数据等现象。而这些伪造的数据一旦上链,会对链上数据产生污染,影响链上信息的可信度及信息价值。
通常,数据伪造者可能根据伪造成本及伪造数据带来的收益关系决定是否伪造数据对象和环境、数据采集上下文、数据采集设备。数据伪造者可能来自系统外部(如区块链的非法使用者),也可能来自系统内部(如区块链的合法使用者)。前者可以通过窃取设备、无感知地攻击设备及软件的方式伪造数据,后者可以通过直接攻击设备及软件、伪造采集对象及采集上下文的方式伪造数据。无论哪种方式,当伪造数据成本远高于伪造带来的利益时,则更有可能使伪造者选择放弃。
数据采集通常是通过传感器接受模拟信号,解码成数字信号,并将数字信号编码成特定数据格式的过程。在数据采集过程中,如何保证采集对象和采集过程的真实可信是一个既有趣又有实际价值的问题。可信数据采集技术的价值便在于通过提高伪造成本,来阻止大多数数据伪造的发生,保证链上信息与链下物理世界的正确对应关系。通过人工智能(AI)及物联网(IoT)技术解决上链物理世界信息的源头可信问题,是一个重要解决手段。
图1示出了一个通过智能终端可信地采集数据的具体实施场景。参考图1所示,是一个调查取证场景。用户通过智能终端上的终端应用户或者小程序等,执行取证进程。在取证进程的执行过程中,用户可以通过智能终端(如智能手机)本身,或者智能终端所关联的其他智能设备,如运动摄像头、录音笔、边缘计算硬件盒子等,采集相关证据数据,并提交至区块链网络进行存证。而智能终端上执行取证进程的终端应用户或者小程序等,可以得到取证完毕的反馈,例如可以获得一个证据编码,在需要使用相应证据的情况下,可以基于该证据编码向区块链查询相关证据数据。
为了确保数据来源可靠性,可以从所采集的数据中提取数据来源设备的个性化数据,从而构建相关画像,用于验证数据来源设备。本说明书主要讨论图像的认证过程。图像的采集设备通常是摄像头,因此,可以基于摄像头传感器加工时的个体差异性,提取硬件指纹对不同设备进行认证和区分。摄像头的拍摄原理通常是:通过光学系统将影像聚焦在成像元件CCD/CMOS上,通过A/D转换器将每个像素上光电信号转变成数码信号,再经DSP处理成数码图像,存储到存储介质当中。光线经镜头、CCD进行滤色、感光(光电转化),按照一定的排列方式将拍摄物体“分解”成了一个一个的像素点,这些像素点以模拟图像信号的形式转移到“模数转换器”上,转换成数字信号,传送到图像处理器上,处理成真正的图像。摄像头采集的图像噪声通常和亮度有关,亮度越高,噪声越低。而单个摄像头在加工时光学元件会出现这样或那样的不同之处,从而一组光学元件具有个性化特点。这些个性化特点可以体现在所拍摄的图像中。
根据一些论文(如Chen M,Fridrich J,Goljan M,et al.Determining imageorigin and integrity using sensor noise[J].IEEE Transactions on informationforensics and security,2008,3(1):74-90等)的记载,对于单个摄像头而言,假设其拍摄的任一个图像记为Ii,且该图像Ii可以表示为:Ii=Ii0+Ii0*k+e。其中,Ii0为理想状态下无噪声的图像,k为摄像头硬件指纹(PRNU),摄像头硬件描述了由摄像头的硬件特征产生的噪声,可能伴随该摄像头终身,e为其他噪声,如灰尘等。在该式中,图像Ii0和噪声k、e均可以通过在各个像素上的像素值描述,而Ii0*k表示的是理想状态下无噪声的图像与摄像头硬件指纹的融合。其融合方式可以包括但不限于:按像素相乘、通过卷积神经网络处理,等等中的至少一项。
假设可以通过denoiser(降噪器,如KONoise、图片降噪精灵CleanerZoomer、二次元图片拉伸降噪神器waifu2x-caffe等等)获取一个较为理想的去噪图像,这个去噪后的图像记为Id0,则可以由此获取去噪前后的差值,作为所提取的噪声,如:ri=Ii-Id0。ri包含了摄像头硬件指纹噪声和其他噪声,即Ii*k+e'。其中e'归入了所有其他的噪音。根据之前的相关论文,e'一般为高斯噪音,均值为0。由此便可以根据单个摄像头采集的n个图像的最大似然估计算出raw格式的摄像头指纹k如下:
这里,(ri*Ii)、(Ii)2分别可以表示图像Ii与噪声的融合、图像Ii与其自身的融合。n为用于确定摄像头指纹的图像数量,如20、50等。
如此,针对一个待认证图像,可以通过差值方式ri=Ii-Id0提取相应的来源设备噪声,并比较与摄像头指纹k的一致性,从而在一致的情况下,确定待认证图像来自摄像头指纹k对应的拍摄设备。
然而,该方式下,如果伪造者利用用户在云端、社交平台等发布的若干张图像,可以从中提取设备指纹信息,从而将所提取的设备指纹信息添加到经过降噪器处理的其他图像上,以伪造相应设备提供相关图像。
为此,本说明书提供一种新的技术构思,用于使用待认证图像中的部分像素进行认证,其余像素按照业务处理需求公开,从而使得伪造者通过公开的图像无法获取有效认证信息,而提高伪造难度,保护数据采集设备的信息安全。值得说明的是,本说明书的技术构思基于区块链的链上数据可信的应用场景提出,但不排除可以推广到各种需要验证图像来源设备认证的各种信息可信度认证场景,而不局限于上链数据的认证。
图2示出了本说明书技术构思的一个具体实施架构。该方法可以称为空间域切分方法。也就是说,将图像从空间上进行切分。在图2示出的流程中,可以先进行设备指纹注册。即,先获取待注册设备拍摄的若干图像作为注册用的样本图像,将各个样本图像进行一致的空间域分割。单个样本图像分割后可以得到至少一个子图像,例如奇数列的像素构成的图像或偶数列的像素构成的图像。然后,将其中各个样本图像各自按照相同方法分割得到的一个子图像(如奇数列像素构成的图像),按照前述方法确定相应的设备指纹认证信息(如k)。在需要认证某个图像是否来自于该拍摄设备的情况下,可以从待认证图像中按照相同方法分割出一个子图像,并从分割出的子图像(如奇数列像素构成的图像)中提取设备指纹信息,从而与预先提取的指纹认证信息比对是否一致。并在一致的情况下,确定认证通过,待认证的图像来源于指纹认证信息对应的拍摄设备。
另一方面,在需要公开设备图像时,可以公开经由用于认证的子图像之外的其他像素生成的子图像。如此,由于来源设备认证所使用的设备指纹信息不是经由全部像素获取的设备指纹信息,在用于来源设备认证的像素不被全部或大部分公开的情况下,公众至少无法完全获知用于来源设备认证的像素及其噪声。从而,可以增加伪造指纹信息的成本,保护数据采集设备的信息安全,提高数据来源认证的可靠性。
图3示出了根据本说明书一个实施例的图像认证流程。该图像认证流程适用于调查取证、版权确认等等需要对图像来源进行认证的各种场景。该流程的执行主体可以是任意具有一定计算能力的计算机、设备、服务器等。该执行主体可以针对待认证图像,对其拍摄设备进行认证,以确定待认证图像是否来源于某个拍摄设备,即对待认证图像进行来源认证。其中,拍摄设备可以是智能手表、智能手机、智能手环、照相机、笔记本电脑、摄像头、行车记录仪、倒车影像等等各种智能终端、辅助拍摄设备、监测设备或其他具有拍摄图像功能的各种设备。
如图3所述,该图像认证流程可以包括以下步骤:步骤301,获取关于拍摄设备的待认证图像;步骤302,基于对待认证图像的各个像素进行的分割,得到第一子图像;步骤303,通过第一子图像提取待认证图像对应的设备指纹信息;步骤304,将设备指纹信息与针对拍摄设备预先存储的指纹认证信息进行比较,从而对设备指纹信息进行认证,以确定待认证图像是否来自拍摄设备。
首先,在步骤301中,获取关于拍摄设备的待认证图像。
可以理解,这里的待认证图像是需要认证来源设备(即拍摄设备)的任意图像,对图片的认证实质上是对设备的认证。因此,在对图片认证的情况下,要确定认证来源设备,即某个拍摄设备。这里的拍摄设备可以是通过身份码指定的拍摄设备,例如某用户的智能手机,也可以是通过其他图像描述的设备,例如,认证当前的待认证图像是否来源于其他若干图像的采集设备,等等。
接着,通过步骤302,基于对待认证图像按像素进行的分割,得到第一子图像。
这里,第一子图像可以用于通过待认证图像中的部分像素描述待认证图像。该部分像素可以是按照预定方式从待认证图像中选择的像素,例如,奇数行像素、偶数列像素、前预定行像素、按照预定列范围确定的像素,等等。从待认证图像中选择的像素携带有待认证图像来源设备的硬件特征,因此可以称为有效像素。第一子图像可以基于有效像素确定。
在一个实施例中,第一子图像可以是从待认证图像中分割出的像素直接得到的图像,例如预定行像素、按照预定列范围(如第100至1000列)确定的像素构成的图像。这种方式得到的第一子图像是待认证图像的一部分。
在另一个实施例中,第一子图像也可以是通过分割出的像素组合得到的图像,例如,将奇数行像素等按顺序靠拢得到的图像。如图4a、图4b中同一种颜色的色块按顺序靠拢得到的图像。即,填满浅灰色缝隙,得到待认证图像一半分辨率的图像,作为相应子图像。然而,这种排列方式可能造成子图像相对于待认证图像的失真,例如长、宽比例不协调等,图4c的分割方式按照该方法组成的子图像也可能造成像素的错位等。
根据又一个实施例,可以将分割得到的有效像素保持原来相对位置不变,而对其他像素进行像素值的填充,从而得到与待认证图像分辨率一致的图像作为相应子图像。像素填充方式例如为插值填充。插值方式例如为中位数插值、均值插值、等分插值等。举例而言,图4a、图4b中,深灰色色块对应的像素,生成相应子图像时,可以在浅灰色色块位置(如401行)进行插值,例如通过其两侧的色块(402行和403行)对应的各个像素值的均值作为浅灰色色块位置(401行)上的像素值。这里所涉及的像素值可以是像素在各个图像通道(例如R、G、B通道等)上对应的图像值。在图4c示出的情形下,单个像素如404,相邻4个像素均为有效像素,则可以通过同一行或列的相邻有效像素进行插值,取如像素406、408的像素值的均值,或者像素405、407的像素值的均值进行插值,也可以通过其所有相邻有效像素进行插值,例如利用像素405、407、406、408的像素值的均值进行插值。在两个有效像素之间间隔多个需要插值的像素时,可以将两个有效像素之间的像素值等分后进行插值。如两个有效像素之间有3个待插值像素,两个有效像素的像素值分别为121、221,则将差数100四等分为25后,在3个待插值像素分别插入像素值121+25、121+50、121+75。这种方式下得到的子图像保持了待认证图像的比例和有效像素位置,能够更好地还原待认证图像的视觉效果。
实践中,还可以有各种其他像素分割方法,例如,每隔两行取两行像素,分割到同一个子图像。待认证图像可以分割出一个第一子图像,也可以分割出包括第一子图像在内的多个子图像。再例如,共分割成3个子图像,在行/列方向上,分割到同一个子图像的相邻像素中间间隔2个像素,等等。各个子图像中,来自于待认证图像的像素均可以被称为有效像素。
然后,经由步骤303,通过第一子图像提取待认证图像对应的设备指纹信息。
其中,设备指纹信息的提取方式可以如前文描述的差值提取方法。具体而言,可以利用降噪器对第一子图像(如记为I1)进行去噪处理,得到第一标准图像(如记为I10),根据第一子图像与第一标准图像的差值(如I1-I10),确定第一子图像的噪声图像,再基于对第一子图像的噪声图像的预定处理,确定用于描述待认证图像对应的拍摄设备的设备指纹信息。
其中,降噪器可以是常规技术中的各种用于对图像降噪处理的硬件或软件(如终端应用、小程序、应用插件等)设备。第一子图像与第一标准图像的差值(如I1-I10)可以是按照相应图像通道逐个图像值进行减法运算的差值。可选地,这里的差值可以取绝对值。对第一子图像的噪声图像的预定处理例如是:获取第一子图像的噪声图像、对第一子图像的噪声图像进行卷积操作得到卷积图像等。
可以理解,以上方法所提取的设备指纹信息可以在像素级上进行。换句话说,第一子图像与第一标准图像的差值是与第一子图像的各个像素一一对应的图像形式,第一子图像的噪声图像可以是该差值对应的图像,也可以是对该差值经在各个图像通道上加权合并、归一化等处理构成的图像。
这里,用第一子图像代替待认证图像提取拍摄设备的设备指纹信息,而非使用待认证图像的全部像素,从而所提取到的有效设备指纹信息也是针对拍摄设备的部分组件特征。
进一步地,基于步骤304,将设备指纹信息与针对拍摄设备的指纹认证信息进行比较,从而对设备指纹信息进行认证。
其中,针对某个拍摄设备的指纹认证信息可以预先存储,也可以从其他设备获取,还可以在当前步骤中调用相关进程提取,在此不做限定。针对拍摄设备的指纹认证信息可以从来自该拍摄设备的一个或多个图像中提取。用于提取指纹认证信息的图像可以称为样本图像信息,指纹信息提取原理为前文描述的原理。概括而言,在获取经由拍摄设备拍摄的若干个样本图像后,可以按照与针对待认证图像分割出第一子图像一致的分割方式分割出各个第一样本子图像,然后利用降噪器对各个第一样本子图像进行去噪处理,得到各个标准样本图像,再根据各个第一样本子图像与相应的标准样本图像的差值图像,确定各个样本噪声图像,进而基于各个样本噪声图像的最大似然估计,确定该拍摄设备的指纹认证信息。
在可选的实施例中,指纹认证信息为以下两项的比值:各个样本噪声图像与相应的标准样本图像按照预定融合方式的融合结果进行叠加的第一叠加结果、各个标准样本图像与其自身按照预定融合方式的融合结果进行叠加的第二叠加结果。其中,预定融合方式例如是拼接、加和、卷积处理等。如前文描述的等。其中,ri*Ii表示样本噪声图像ri与相应的标准样本图像Ii按照预定融合方式的融合结果,n为样本图像数量,也是样本噪声图像、标准样本图像的数量,表示以上第一叠加结果。相应地,(Ii)2表示标准样本图像Ii与其自身按照预定融合方式的融合结果,表示以上第二叠加结果。
可以理解,设备指纹信息和指纹认证信息可以是二维张量或三维张量,二维张量可以是类似像素点的多个特征点上的特征值构成的特征图,三维张量可以是多通道上的特征图。因此,设备指纹信息和指纹认证信息的比较可以通过张量之间的相似性或相关性描述。相似性或相关性用于表示设备指纹信息和指纹认证信息之间的一致性。以相似度为例,将设备指纹信息与要认证的拍摄设备的指纹认证信息进行比较例如可以包括:检测设备指纹信息与指纹认证信息的张量相似度,在张量相似度大于预定阈值的情况下,确定认证结果为认证通过,否则,确定认证结果为认证未通过。这里的相似度可以换成相关性。相似度或相关性可以通过杰卡德系数、余弦相似度、方差、KL散度等各种张量相似度描述方式进行描述,在此不再一一例举。
通常,认证通过,则可以确定待认证图像来自相应拍摄设备,认证不通过,可以确定待认证图像并非来自上述拍摄设备。
在一些具体的场景中,对图像进行来源设备认证的目的是用认证通过的图像进行相关业务处理,例如调查取证场景下,经认证的图像可以作为电子证据,版权确认场景下经认证的图像可以用于发表,区块链存储场景下,经认证的图像可以用于上链以供后续查阅,等等。这样,用于后续业务处理的图像处于可能被公众获取(如下载等)的情形。如此,攻击者可能经过有限次实验,从用于业务处理的图像中确定来源于同一拍摄设备的图像的指纹认证信息及认证规则。
为此,根据一些可能的设计,在步骤302中,基于对待认证图像的各个像素进行分割的分割结果还可以包括第二子图像。其中,该第二子图像的各个有效像素在待认证子图像中可以均匀分布。为了确保使用第一子图像进行指纹认证的隐秘性,可以使用第一子图像之外的其他子图像进行业务处理。于是,图3示出的流程还可以包括:步骤305,基于认证结果,利用第二子图像进行相应业务处理。这里,相应业务处理可以包括但不限于以下中的至少一项:将第二子图像用于发布、上传至服务器、上传至云端、提交至区块链网络、返还至来源设备,等等。
其中,针对待认证图像进行的分割可以得到两个或更多子图像。其中第二子图像可以是区别于第一子图像的任一个子图像。第二子图像中的有效像素与第一子图像中的有效像素可以没有任何交集,也可以具有不超过预定比例的交集,例如不超贵第一子图像百分之5比例的交集。相应的业务处理过程中,可以使用该第二子图像进行。如此,在第二子图像被公布的情况下,不能获知第一子图像的有效信息。尤其地,在第二子图像与第一子图像中的有效像素没有交集的情况下,因此,在第二子图像被公布的情况下,不会泄露第一子图像中关于设备身份的任何信息。
根据一个实施例,第二子图像可以是在对待认证图像进行分割的过程中,与第一子图像一起生成的,例如,将待认证图像中的像素分割为两部分,一部分像素作为第一子图像的有效像素,另一部分像素作为第二子图像的有效像素。实践中,根据待认证图像的像素数量,待认证图像的各个像素可以被分割到至少2个子图像中。例如,在常规的照片展示中,假设300万像素的图像可以清楚展示相关目标,则一个1600万像素的待认证图像可以被拆分为5个左右300万像素的子图像,也可以拆分为2个800万像素的子图像,还可以以其他满足业务需求的分辨率分割,在此不做限定。为了描述方便,本说明书将待认证图像被分割的若干子图像中用于进行来源设备认证称为第一子图像,其他子图像之一可以称为第二子图像。
图4a、图4b、图4c示出了将待认证图像分割为两部分的情形,且这两部分像素在待认证图像中可以交叉均匀分布的示意。分割到不同部分的像素通过不同深度的色块表示。这里所谓的均匀分布,可以理解为在待认证图像中按照均匀间隔排列。
如图4a所示,是一种按照行、列间隔分割的方式。每隔预定行,抽出若干行像素作为单个子图像中的有效像素。如预定行为1的情况下,奇数行像素构成第一子图像的有效像素,偶数行像素构成第二子图像的有效像素,反之亦可,即:奇数行像素构成第二子图像的有效像素、偶数行像素构成第一子图像的有效像素。类似地,图4b示出的分割方式为每隔预定列,抽出若干列像素作为单个子图像中的有效像素。
图4c是一种结合行、列均匀间隔的分割方式,在每一行,每隔预定列抽出若干列上的像素作为单个子图像中的有效像素,在每一列,对应到单个子图像的有效像素为每隔预定行的若干行上的像素。在预定行、预定列、若干行、若干列均为1且仅分割出两个子图像的情况下,图4c示出的分割方式中,每行像素中,每隔一个像素的各个像素被分割到同一个子图像中,同样,在每列像素中,每隔一个像素的各个像素被分割到同一个子图像中。分割效果如图4c所示,深灰色色块表示分割到同一子图像中的各个像素,浅灰色色块表示分割到另一个子图像中的各个像素。
在更多实施例中,还可以通过其他合适的方式生成第一子图像、第二子图像,在此不再赘述。
如此,在单个子图像中的有效像素在待认证图像中均匀分布的情况下,有效像素可以涉及待认证图像的各个区域,并尽可能恢复出视觉上差别不大的子图像。由于用于相关业务处理的子图像与进行设备认证的子图像中所包含的像素没有重叠,或仅有允许的少部分重叠,从而无法从进行业务处理的子图像中获取设备认证信息,可以提高设备来源认证的可靠性。
在这种机制下的一些实际业务场景中,为了避免用户利用来源于相应拍摄设备的图像进行认证,并利用其他图像进行相应业务处理(如上传区块链系统),还可以在确保第一子图像和第二子图像中的有效像素均在待认证图像中均匀分布的情况下,对第一子图像和所述第二子图像进行语义比较,以确定两者是否来源于同一个图像的分割结果。具体地,可以分别提取第一子图像和第二子图像的语义特征,并检测第一子图像和第二子图像的语义特征的一致性,从而判断第一子图像和第二子图像是否由同一个图像分割得到。
其中,提取语义特征的操作可以提取图像中的局部区域特征,其可以经由预先训练的卷积神经网络、常规的语义提取网络(如FCN,Fully Convolutional Networks)等实现。语义特征可以通过张量描述,因此,第一子图像和第二子图像的语义特征的一致性可以通过张量的相似性表征。张量相似性可以通过杰卡德系数、余弦相似度、方差、KL散度等各种张量相似度描述方式进行描述,在此不再赘述。在第一子图像和第二子图像的语义特征一致(如相似度大于预定阈值)的情况下,可以确定第一子图像和第二子图像是由同一个图像分割得到,否则,确定第一子图像和第二子图像是不同的图像。
进一步地,第一子图像和第二子图像是由同一个图像分割得到的情况下,可以使用第二子图像进行相应业务处理,而第一子图像和第二子图像是不同的图像的情况下,可以驳回针对第二子图像的业务处理请求。
回顾以上过程,本说明书提供的图像认证流程,由于将待认证图像进行分割,仅采用部分像素提取拍摄设备的部分硬件特征进行来源设备认证,从而可以尽量避免用于业务处理的图像对图像中包含设备的指纹认证信息的像素进行的公开,有效提高设备来源认证的可靠性。
根据另一方面的实施例,还提供一种图像认证的装置。该装置可以设于任何具有一定计算能力的设备、装置或服务器。图5示出了一个实施例的图像认证的装置500。如图5所示,装置500包括:
获取单元501,配置为获取关于拍摄设备的待认证图像;
分割单元502,配置为基于对待认证图像的各个像素进行的分割,得到第一子图像;
提取单元503,配置为通过第一子图像提取待认证图像对应的设备指纹信息;
认证单元504,配置为将设备指纹信息与针对拍摄设备的指纹认证信息进行比较,从而对设备指纹信息进行认证,以确定待认证图像是否来自拍摄设备。
在一些可选的实现方式中,第一子图像为与待认证图像大小一致的图像,并由分割单元502通过以下方式得到:从待认证图像中确定多个原始像素作为有效像素;获取各个有效像素分别对应的各个像素值;通过各个像素值对所述有效像素之外的各个其他像素进行插值,得到的插值图像作为第一子图像。
根据一个可能的设计,提取单元503进一步配置为:
利用降噪器对第一子图像进行去噪处理,得到第一标准图像;
根据第一子图像与第一标准图像的差值,确定第一子图像的噪声图像;
基于对第一子图像的噪声图像的预定处理,确定用于描述待认证图像的拍摄设备的设备指纹信息。
在一个实施例中,装置500还包括认证信息确定单元(未示出),配置为通过以下方式确定指纹认证信息:
获取经由拍摄设备拍摄的若干个样本图像,并按照与第一子图像一致的方式分割出各个第一样本子图像;
利用降噪器对各个第一样本子图像进行去噪处理,得到各个标准样本图像;
根据各个第一样本子图像与相应的标准样本图像的差值图像,确定各个样本噪声图像;
基于各个样本噪声图像的最大似然估计,确定指纹认证信息。
在一个进一步的实施例中,指纹认证信息为以下两项的比值:各个样本噪声图像与相应的标准样本图像按照预定融合方式的融合结果进行叠加的第一叠加结果、各个标准样本图像与其自身按照预定融合方式的融合结果进行叠加的第二叠加结果。
根据一个可选的实现方式,认证单元504进一步配置为:
检测设备指纹信息与指纹认证信息的张量相似度;
在张量相似度大于预定阈值的情况下,确定认证结果为认证通过;
否则,确定认证结果为认证未通过。
在一个可能的设计中,对待认证图像的各个像素进行分割,还得到第二子图像;装置500还包括处理单元(未示出),配置为:
基于认证结果,利用第二子图像进行相应业务处理。
在一个实施例中,装置500还包括语义匹配模块,配置为:
分别提取第一子图像和第二子图像的语义特征;
检测第一子图像和第二子图像的语义特征的一致性,从而判断第一子图像和第二子图像是否由同一个图像分割得到。
在另一个实施例中,第二子图像和第一子图像的有效像素无交集,且单个子图像的有效像素为在待认证图像中均匀分布的像素。有效像素可以是从待认证图像获取的原始像素。
其中,以上均匀分布可以包括:按行/列等间距间隔分布、按像素等间距间隔中的至少一项。
处理单元可以配置为:
将第二子图像用于发布、上传至服务器、上传至云端、提交至区块链网络、返还至来源设备中的一项操作。
值得说明的是,图5所示的装置500与图3描述的方法相对应,图3的方法实施例中的相应描述同样适用于装置500,在此不再赘述。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行结合图3等所描述的方法。
根据再一方面的实施例,还提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现结合图3等所描述的方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本说明书实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所描述的具体实施方式,对本说明书的技术构思的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所描述仅为本说明书的技术构思的具体实施方式而已,并不用于限定本说明书的技术构思的保护范围,凡在本说明书实施例的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本说明书的技术构思的保护范围之内。
Claims (14)
1.一种图像认证的方法,包括:
获取关于拍摄设备的待认证图像;
基于对所述待认证图像的各个像素进行的分割,得到第一子图像;
通过所述第一子图像提取所述待认证图像对应的设备指纹信息;
将所述设备指纹信息与针对所述拍摄设备的指纹认证信息进行比较,从而对所述设备指纹信息进行认证,以确定所述待认证图像是否来自所述拍摄设备。
2.根据权利要求1所述的方法,其中,所述第一子图像为与所述待认证图像分辨率一致的图像,并通过以下方式得到:
从所述待认证图像中确定多个原始像素作为有效像素;
获取各个有效像素分别对应的各个像素值;
通过各个像素值对所述有效像素之外的各个其他像素进行插值,得到的插值图像作为所述第一子图像。
3.根据权利要求1所述的方法,其中,所述通过所述第一子图像提取所述待认证图像对应的设备指纹信息包括:
利用降噪器对所述第一子图像进行去噪处理,得到第一标准图像;
根据所述第一子图像与所述第一标准图像的差值,确定所述第一子图像的噪声图像;
基于对所述第一子图像的噪声图像的预定处理,确定用于描述所述待认证图像对应的设备指纹信息。
4.根据权利要求1所述的方法,其中,所述指纹认证信息通过以下方式确定:
获取经由所述拍摄设备拍摄的若干个样本图像,并按照与分割所述第一子图像一致的方式分割出各个第一样本子图像;
利用降噪器对各个第一样本子图像进行去噪处理,得到各个标准样本图像;
根据各个第一样本子图像与相应的标准样本图像的差值图像,确定各个样本噪声图像;
基于各个样本噪声图像的最大似然估计,确定所述指纹认证信息。
5.根据权利要求4所述的方法,其中,所述指纹认证信息为以下两项的比值:各个样本噪声图像与相应的标准样本图像按照预定融合方式的融合结果进行叠加的第一叠加结果、各个标准样本图像与其自身按照预定融合方式的融合结果进行叠加的第二叠加结果。
6.根据权利要求1所述的方法,其中,所述将所述设备指纹信息与针对所述拍摄设备的指纹认证信息进行比较包括:
检测所述设备指纹信息与所述指纹认证信息的张量相似度;
在所述张量相似度大于预定阈值的情况下,确定所述认证结果为认证通过;
否则,确定所述认证结果为认证未通过。
7.根据权利要求1所述的方法,其中,所述基于对所述待认证图像的各个像素进行的分割,还得到第二子图像;所述方法还包括:
基于认证结果,利用所述第二子图像进行相应业务处理。
8.根据权利要求7所述的方法,其中,所述基于认证结果,利用所述第二子图像进行相应业务处理之前,所述方法还包括:
分别提取所述第一子图像和所述第二子图像的语义特征;
检测所述第一子图像和所述第二子图像的语义特征的一致性,从而判断所述第一子图像和所述第二子图像是否由同一个图像分割得到。
9.根据权利要求7所述的方法,其中,所述第二子图像和所述第一子图像的有效像素无交集,且单个子图像的有效像素为在所述待认证图像中均匀分布的像素,所述有效像素是从所述待认证图像获取的原始像素。
10.根据权利要求9所述的方法,其中,所述均匀分布包括:按行/列等间距间隔分布、按像素等间距间隔中的至少一项。
11.根据权利要求1所述的方法,所述基于认证结果,利用所述第二子图像进行相应业务处理包括:
将所述第二子图像用于发布、上传至服务器、上传至云端、提交至区块链网络、返还至来源设备中的一项操作。
12.一种图像认证的装置,包括:
获取单元,配置为获取关于拍摄设备的待认证图像;
分割单元,配置为基于对所述待认证图像的各个像素进行的分割,得到第一子图像;
提取单元,配置为通过所述第一子图像提取所述待认证图像对应的设备指纹信息;
认证单元,配置为将所述设备指纹信息与针对拍摄设备的指纹认证信息进行比较,从而对所述设备指纹信息进行认证,以确定待认证图像是否来自所述拍摄设备。
13.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-11中任一项的所述的方法。
14.一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210675054.2A CN115102735A (zh) | 2022-06-15 | 2022-06-15 | 图像认证的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210675054.2A CN115102735A (zh) | 2022-06-15 | 2022-06-15 | 图像认证的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115102735A true CN115102735A (zh) | 2022-09-23 |
Family
ID=83290755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210675054.2A Pending CN115102735A (zh) | 2022-06-15 | 2022-06-15 | 图像认证的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115102735A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140133714A1 (en) * | 2009-07-17 | 2014-05-15 | The University Of Maryland | Method and apparatus for authenticating biometric scanners |
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 |
CN111178166A (zh) * | 2019-12-12 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种基于图像内容自适应的相机源识别方法 |
US10868984B1 (en) * | 2018-11-15 | 2020-12-15 | Government of the United States as represented by Director, National Security Agency | Method for estimating an improved camera fingerprint by identifying low-mass pixel positions and correcting corresponding fingerprint values |
-
2022
- 2022-06-15 CN CN202210675054.2A patent/CN115102735A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140133714A1 (en) * | 2009-07-17 | 2014-05-15 | The University Of Maryland | Method and apparatus for authenticating biometric scanners |
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 |
US10868984B1 (en) * | 2018-11-15 | 2020-12-15 | Government of the United States as represented by Director, National Security Agency | Method for estimating an improved camera fingerprint by identifying low-mass pixel positions and correcting corresponding fingerprint values |
CN111178166A (zh) * | 2019-12-12 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种基于图像内容自适应的相机源识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | An automated and robust image watermarking scheme based on deep neural networks | |
Park et al. | Double JPEG detection in mixed JPEG quality factors using deep convolutional neural network | |
Boulkenafet et al. | On the generalization of color texture-based face anti-spoofing | |
Swaminathan et al. | Digital image forensics via intrinsic fingerprints | |
Piva | An overview on image forensics | |
Stamm et al. | Information forensics: An overview of the first decade | |
Rocha et al. | Vision of the unseen: Current trends and challenges in digital image and video forensics | |
US8675926B2 (en) | Distinguishing live faces from flat surfaces | |
Kang et al. | A context-adaptive SPN predictor for trustworthy source camera identification | |
Iuliani et al. | A leak in PRNU based source identification—questioning fingerprint uniqueness | |
CN110210498B (zh) | 基于残差学习卷积融合网络的数字图像设备取证系统 | |
Murali et al. | Comparision and analysis of photo image forgery detection techniques | |
Liu et al. | Detect image splicing with artificial blurred boundary | |
CN110674800B (zh) | 一种人脸活体检测方法、装置、电子设备及存储介质 | |
Sharma et al. | Comprehensive analyses of image forgery detection methods from traditional to deep learning approaches: an evaluation | |
Zhang et al. | Improved Fully Convolutional Network for Digital Image Region Forgery Detection. | |
US20230091865A1 (en) | Face image verification method and apparatus, electronic device, and storage medium | |
Zhang et al. | Identifying source camera using guided image estimation and block weighted average | |
Hakimi et al. | Image-splicing forgery detection based on improved lbp and k-nearest neighbors algorithm | |
Mastorakis et al. | Dlwiot: Deep learning-based watermarking for authorized iot onboarding | |
CN112989308B (zh) | 账户的认证方法、装置、设备及介质 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
Chen et al. | Detecting anti-forensic attacks on demosaicing-based camera model identification | |
Bruno et al. | PNU Spoofing: a menace for biometrics authentication systems? | |
CN112560734A (zh) | 基于深度学习的重获取视频检测方法、系统、设备及介质 |
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 |