CN117597885A - 散列生成设备、散列确定设备和系统 - Google Patents

散列生成设备、散列确定设备和系统 Download PDF

Info

Publication number
CN117597885A
CN117597885A CN202280046971.2A CN202280046971A CN117597885A CN 117597885 A CN117597885 A CN 117597885A CN 202280046971 A CN202280046971 A CN 202280046971A CN 117597885 A CN117597885 A CN 117597885A
Authority
CN
China
Prior art keywords
hash
data
information
reference hash
unit
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
CN202280046971.2A
Other languages
English (en)
Inventor
板垣俊辉
中村信男
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.)
Sony Semiconductor Solutions Corp
Original Assignee
Sony Semiconductor Solutions Corp
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 Sony Semiconductor Solutions Corp filed Critical Sony Semiconductor Solutions Corp
Publication of CN117597885A publication Critical patent/CN117597885A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

提高数据的篡改的检测能力。一种散列生成设备包括参考散列信息生成单元和参考散列生成单元。包括在散列生成设备中的参考散列信息生成单元通过根据数据的共通处理来生成多条参考散列信息，所述多条参考散列信息是作为从所述数据生成的散列并且用于所述数据的篡改的确定的参考散列的信息。包括在散列生成设备中的参考散列生成单元基于生成的参考散列信息来生成参考散列。

Description

散列生成设备、散列确定设备和系统
技术领域
本公开涉及散列生成设备、散列确定设备和系统。具体地，本公开涉及散列生成设备、散列确定设备以及使用这些设备的系统。
背景技术
经由服务器等获取多媒体等的数据的系统被使用。例如，根据多媒体的寿命动态地设定指纹的长度等并用于搜索的系统已被提出(例如，参见专利文献1)。
引文列表
专利文献
专利文献1：US2012/278326 A
发明内容
技术问题
然而，在上述常规技术中，由于用于检测篡改的数据(散列)仅是一维的，因此存在难以检测数据的篡改的问题。
因此，本公开提出了提高数据的篡改的检测能力的散列生成设备、散列确定设备和系统。
问题的解决方案
本公开已被构思为解决上述问题，并且其方面是一种散列生成设备，包括：参考散列信息生成单元，所述参考散列信息生成单元通过根据数据的共通处理来生成多条参考散列信息，所述多条参考散列信息是作为从所述数据生成的散列并且用于所述数据的篡改的确定的参考散列的信息；以及参考散列生成单元，所述参考散列生成单元基于生成的参考散列信息来生成参考散列。
附图说明
图1是示出根据本公开的第一实施例的系统的配置示例的示图。
图2是示出根据本公开的第一实施例的散列生成设备的基本配置示例的示图。
图3是示出根据本公开的第一实施例的散列确定设备的基本配置示例的示图。
图4是示出根据本公开的第一实施例的散列生成处理的示例的示图。
图5是示出根据本公开的第一实施例的散列确定处理的示例的示图。
图6是示出根据本公开的第二实施例的散列生成设备的配置示例的示图。
图7是示出根据本公开的第二实施例的滤波器核的形状的示例的示图。
图8是示出根据本公开的第三实施例的散列生成设备的配置示例的示图。
图9是示出根据本公开的第四实施例的散列生成设备的配置示例的示图。
图10是示出根据本公开的第四实施例的散列生成设备的另一配置示例的示图。
图11是示出根据本公开的第四实施例的块的形状的示例的示图。
图12是示出根据本公开的第五实施例的散列生成设备的配置示例的示图。
图13是示出根据本公开的第五实施例的块的形状的示例的示图。
图14是示出根据本公开的第六实施例的散列生成设备的配置示例的示图。
图15是示出根据本公开的第七实施例的散列生成设备的配置示例的示图。
图16是示出根据本公开的第七实施例的投影中心的示例的示图。
图17是示出根据本公开的第八实施例的散列生成设备的配置示例的示图。
图18是示出根据本公开的第九实施例的散列生成设备的配置示例的示图。
图19是示出根据本公开的第九实施例的特征量组的特征量的个数的示例的示图。
图20是示出根据本公开的第十实施例的散列生成设备的配置示例的示图。
图21是示出根据本公开的第十一实施例的散列生成设备的示意性配置示例的示图。
图22是示出根据本公开的第十二实施例的散列生成设备的配置示例的示图。
图23A是示出根据本公开的第十二实施例的散列区域的示例的示图。
图23B是示出根据本公开的第十二实施例的散列区域的另一示例的示图。
图24是示出根据本公开的第十二实施例的散列确定设备的配置示例的示图。
图25是示出根据本公开的第十二实施例的效果的示例的示图。
图26是示出根据本公开的第十二实施例的散列空间的示例的示图。
图27是示出根据本公开的第十二实施例的效果的另一示例的示图。
图28是示出根据本公开的实施例的变形例的系统的配置示例的示图。
图29是示出根据本公开的实施例的变形例的系统的另一配置示例的示图。
具体实施方式
在下文中，将参考附图详细描述本公开的实施例。将按以下顺序进行描述。注意，在以下各实施例中，相同的部分由相同的附图标记表示，并且将省略冗余的描述。
1.第一实施例
2.第二实施例
3.第三实施例
4.第四实施例
5.第五实施例
6.第六实施例
7.第七实施例
8.第八实施例
9.第九实施例
10.第十实施例
11.第十一实施例
12.第十二实施例
13.变形例
(1.第一实施例)
[系统的配置]
图1是示出根据本公开的第一实施例的系统的配置示例的示图。该图是示出系统1的示意性配置示例的框图。系统1包括散列生成设备10和散列确定设备20。注意，在该图中进一步示出了中继单元2。中继单元2对应于例如包括服务器的网络。分发者经由中继单元2分发多媒体等的数据。然后，用户获取保持在中继单元2的服务器等中的数据。此时，保持在中继单元2的服务器中的数据可能违背分发者的意图而被篡改。因此，分发者基于数据生成散列并且分发该散列。用户可以基于发布的散列确定数据的篡改。
这里，散列是对于目标数据生成的唯一值，并且是用于识别数据的值。该散列由散列函数生成，并且被配置为对于数据具有短的字长。
使用该散列的系统具有两个观点：鲁棒性和对内容变化的敏感度。鲁棒性表示散列对于对诸如多媒体之类的数据的特定处理不改变的性质。这里，该特定处理被称为被识别为鲁棒的处理。被识别为鲁棒的处理是例如诸如有损压缩之类的处理，并且是预先确定的处理。此外，对内容变化的敏感度是：对于具有不同内容的多媒体，散列是不同的。鲁棒性和对内容变化的敏感度处于权衡关系中。在旨在检测篡改的散列中，可以通过增加篡改之前的散列和篡改之后的散列之间的差异来提高篡改的检测能力。
该图中的散列生成设备10生成参考散列，该参考散列是用于数据的篡改的确定的散列。另外，该图中的散列确定设备20确定数据是否被篡改。在该图的系统中，使用两个或更多个维度的多维散列提高检测篡改的能力。这里，到两个或更多个维度的多维化意味着多条数据彼此相关联以形成二维或更多维的信息以用于散列生成和确定。另外，“两个或更多个维度”意味着当数据的位串被划分为具有进位关系的位串时，存在两个或更多个组。将多条数据彼此相关联意味着对多条数据应用相同的处理。在没有应用相同的处理的情况下，对多条数据执行多个处理，并且处理的实现成本增加。因此，每处理实装成本可以处理的数据的条数(维度)减少。
在该图中所示的系统中，使用作为彼此相关联的多条信息的参考散列信息作为生成散列时的信息。散列生成设备10生成参考散列信息，并且基于参考散列信息从数据生成参考散列。另一方面，散列确定设备20对于经由中继单元2等获取的数据(以下，称为查询数据)基于参考散列信息生成确定散列。该确定散列是从在用户侧获取的数据生成的散列。通过将确定散列与参考散列进行比较，可以检测查询数据的篡改。
散列生成设备10包括参考散列信息生成单元100和参考散列生成单元170。
参考散列信息生成单元100生成上述的参考散列信息。生成的参考散列信息经由中继单元2等被发送到散列确定设备20。
参考散列生成单元170基于参考散列信息生成参考散列。生成的参考散列与参考散列信息一起被发送到散列确定设备20。
散列确定设备20包括确定散列生成单元270和确定单元200。
确定散列生成单元270基于参考散列信息生成作为查询数据的散列的确定散列。
确定单元200基于确定散列和参考散列确定查询数据的篡改。注意，如稍后将参考图24描述的那样，确定单元200还可以采用基于确定散列、参考散列和参考散列信息检测查询数据的篡改的配置。
[散列生成设备的基本配置]
图2是示出根据本公开的第一实施例的散列生成设备的基本配置示例的示图。该图是示出散列生成设备10的配置示例的框图。如上所述，散列生成设备10包括参考散列信息生成单元100和参考散列生成单元170。该图中的参考散列生成单元170包括预处理单元171、特征量提取单元172和量化单元173。
预处理单元171在稍后将描述的特征量的提取处理之前处理数据。该处理被称为预处理。预处理单元171将预处理之后的数据输出到特征量提取单元172。
在该预处理中，可以执行适应作为数据的多媒体的格式或多媒体的大小的处理。另外，作为预处理，可以执行数据块划分和滤波处理。该块划分可以应用沿着空间或时间的轴的区域的划分。此外，可以执行块划分以以块为单位执行多媒体处理。另外，预处理单元171可以使用参考散列信息确定要组合的多媒体的大小。例如，可以取决于图像中的纹理的复杂性而改变图像的水平和垂直大小。另外，在预处理单元171中，可以使用参考散列信息改变块的数量、块形状和块位置。例如，可以根据图像中的纹理的复杂性改变要划分的块的数量。例如，可以根据包括在图像中的字符信息或面部等来改变要划分的块的位置。另外，预处理单元171可以使用参考散列信息选择滤波器的系数。例如，可以根据图像中的纹理的复杂性改变滤波器的核大小和核形状。
特征量提取单元172提取数据的特征量。这里，特征量包括关于作为数据的多媒体的颜色或形状的轮廓的信息。特征量提取单元172将提取的特征输出到量化单元173。
作为提取特征量的方法，例如，可以使用包括离散余弦变换、离散傅立叶变换和离散小波变换的通过正交变换的方法、包括拉东(Radon)变换的通过投影变换的方法或者包括奇异值分解和非负值矩阵分解的通过降维的方法。此外，作为提取特征量的方法，可以应用包括平均或方差直方图的使用统计量的方法、诸如SIFT之类的使用特征点的方法、或者包括深度神经网络的基于学习的方法。
另外，特征量提取单元172可以使用参考散列信息选择要提取的特征量。此外，特征量提取单元172可以使用参考散列信息选择用于特征量提取的基底。此外，特征量提取单元172还可以使用参考散列信息选择要投影的方向和位置。另外，特征量提取单元172可以使用参考散列信息确定减少之后的维度。此外，特征量提取单元172可以使用参考散列信息确定要使用的统计量的次数。此外，特征量提取单元172可以使用参考散列信息确定要使用的特征点的数量。特征量提取单元172还可以使用参考散列信息选择用于学习的数据集。
量化单元173执行量化处理。该量化处理是减少提取的特征量并且输出该特征量作为参考散列的处理。量化方法可以是局部敏感散列、特征量的位的舍入、通过特征量的关系的二值化、或者通过特征量的阈值的二值化。在量化处理中，可以使用参考散列信息来确定量化的舍入的位。在量化处理中，可以使用参考散列信息确定确定关系的特征量的数量。在量化处理中，可以使用参考散列信息确定用于执行二值化的阈值。在量化处理中，可以使用参考散列信息将数据量减少为等于或小于某个量。
[散列确定设备的基本配置]
图3是示出根据本公开的第一实施例的散列确定设备的基本配置示例的示图。该图是示出散列确定设备20的配置示例的框图。如上所述，散列确定设备20包括确定散列生成单元270和确定单元200。
该图中的确定散列生成单元270包括预处理单元271、特征量提取单元272和量化单元273。可以与在图2中描述的预处理单元171、特征量提取单元172和量化单元173类似地配置这些。
确定单元200基于确定散列和参考散列确定数据的篡改。确定单元200通过将参考散列与确定散列进行比较来执行确定。可以通过确定参考散列和确定散列是否匹配来执行该比较。另外，可以根据参考散列和确定散列之间的距离以及发散是否等于或小于阈值执行该比较。散列之间的汉明(Hamming)距离或闵可夫斯基(Minkowski)距离可以被应用于该距离。另外，还可以通过确定在由参考散列信息指示的区域中是否包括确定散列来执行比较方法。以参考散列为中心的极坐标也可以被用于确定该区域。多维体素可以被用于确定该区域。
确定单元200的确定的结果可以是数据和查询数据是否被分类为相同的类。另外，确定的结果可以是查询数据是否为已添加了篡改的数据。另外，还可以通过诸如比率之类的连续值来指示确定的结果。
[参考散列生成处理]
图4是示出根据本公开的第一实施例的散列生成处理的示例的示图。该图是示出散列生成设备10中的参考散列生成处理的示例的流程图。首先，参考散列生成单元170接收数据(步骤S100)。接下来，参考散列信息生成单元100生成参考散列信息(步骤S101)。接下来，预处理单元171执行预处理(步骤S102)。接下来，特征量提取单元172提取特征量(步骤S103)。接下来，量化单元173执行量化(步骤S104)。参考散列生成单元170输出生成的参考散列(步骤S105)。接下来，散列生成设备10发送生成的参考散列信息和参考散列(步骤S106)。
[散列确定处理]
图5是示出根据本公开的第一实施例的散列确定处理的示例的示图。该图是示出散列确定设备20中的散列确定处理的示例的流程图。首先，散列确定设备20接收数据、参考散列信息和参考散列(步骤S120)。接下来，预处理单元271执行预处理(步骤S121)。接下来，特征量提取单元272提取特征量(步骤S122)。接下来，量化单元273执行量化(步骤S123)。确定散列生成单元270输出生成的确定散列(步骤S124)。接下来，确定单元200进行确定(步骤S125)。此后，散列确定设备20输出确定结果(步骤S126)。
如上所述，本公开的实施例的系统使用彼此相关联地具有两个或更多个维度的参考散列信息生成参考散列，并且将所生成的参考散列用于篡改的确定。通过使用组合了彼此相关联的两条或更多条信息的信息，能够提高篡改的检测能力，同时防止处理的复杂化。
(2.第二实施例)
在本公开的第二实施例中，将描述在参考散列信息生成单元100中执行滤波处理的情况。
[散列生成设备的配置]
图6是示出根据本公开的第二实施例的散列生成设备的配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括水平HPF单元110、垂直HPF单元111、能量测量单元112和113、滤波器核水平形状计算单元114和滤波器核垂直形状计算单元115。
水平HPF单元110在水平方向即x轴方向上对数据执行高通滤波处理。
垂直HPF单元111在垂直方向即y轴方向上对数据执行高通滤波处理。
能量测量单元112和113分别测量数据的水平方向和垂直方向上的能量。可以通过数据的图像的像素值的绝对值和或平方和来执行该能量测量。
滤波器核水平形状计算单元114和滤波器核垂直形状计算单元115分别计算水平方向和垂直方向上的滤波器核的形状。通过测量水平方向和垂直方向上的能量，检测诸如图像之类的数据的水平方向和垂直方向上的复杂度。根据检测的复杂度计算滤波器核的形状。所计算的多个滤波器核的形状作为参考散列信息被输出。
预处理单元171执行滤波处理作为预处理。低通滤波处理可以被应用于该滤波处理。
[滤波器核的形状]
图7是示出根据本公开的第二实施例的滤波器核的形状的示例的示图。该图示出了针对像素401的图像数据的滤波器核400。
这以外的系统1的配置与本公开的第一实施例中的系统1的配置类似，因此省略其描述。
(3.第三实施例)
在本公开的第三实施例中，将描述在参考散列信息生成单元100中执行改变图像大小的处理的情况。
[散列生成设备的配置]
图8是示出根据本公开的第三实施例的散列生成设备的配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括水平HPF单元110、垂直HPF单元111、能量测量单元112和113、图像水平大小计算单元116和图像垂直大小计算单元117。
图像水平大小计算单元116和图像垂直大小计算单元117分别计算水平方向和垂直方向上的图像的大小。通过测量水平方向和垂直方向上的能量，计算诸如图像之类的数据的水平方向和垂直方向上的图像大小。所计算的水平方向和垂直方向上的图像大小作为参考散列信息被输出。
该图中的预处理单元171执行图像缩小处理作为预处理。
这以外的系统1的配置与本公开的第二实施例中的系统1的配置类似，因此省略其描述。
(4.第四实施例)
在本公开的第四实施例中，将描述在参考散列信息生成单元100中执行将图像划分为块的处理的情况。
[散列生成设备的配置]
图9是示出根据本公开的第四实施例的散列生成设备的配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括水平HPF单元110、垂直HPF单元111、能量测量单元112和113、水平块大小计算单元118和垂直块大小计算单元119。
水平块大小计算单元118和垂直块大小计算单元119分别计算要在水平方向和垂直方向上划分的块的大小。通过测量水平方向和垂直方向上的能量，计算诸如图像之类的数据的在水平方向和垂直方向上划分的块的大小。所计算的水平方向和垂直方向上的块的大小作为参考散列信息被输出。
预处理单元171执行块划分处理作为预处理。
[散列生成设备的另一配置]
图10是示出根据本公开的第四实施例的散列生成设备的另一配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括水平HPF单元110、垂直HPF单元111、能量测量单元112和113、水平块数量计算单元120和垂直块数量计算单元121。
水平块数量计算单元120和垂直块数量计算单元121分别计算要在水平方向和垂直方向上划分的块的数量。通过测量水平方向和垂直方向上的能量，计算诸如图像之类的数据在水平方向和垂直方向上被划分成的块的数量。所计算的水平方向和垂直方向上的块的数量作为参考散列信息被输出。
[块的形状]
图11是示出根据本公开的第四实施例的块的形状的示例的示图。该图示出了划分诸如图像之类的数据402的块403。该图示出了数据402在水平方向和垂直方向上被划分为四个的情况的示例。
(5.第五实施例)
在本公开的第五实施例中，将描述在参考散列信息生成单元100中执行检测数据的字符或人的面部的处理的情况。
[散列生成设备的配置]
图12是示出根据本公开的第五实施例的散列生成设备的配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括字符检测单元122、水平大小计算单元123和垂直大小计算单元124。
字符检测单元122检测数据的字符部分。水平大小计算单元123和垂直大小计算单元124分别计算要在水平方向和垂直方向上划分的字符区域的大小。所计算的水平方向和垂直方向上的字符区域的大小作为参考散列信息被输出。注意，字符检测单元122还可以采用检测数据中的人的面部部分的配置。
预处理单元171执行块划分处理作为预处理。
[块的形状]
图13是示出根据本公开的第五实施例的块的形状的示例的示图。该图示出了字符部分的块的大小。该图中的阴影线区域表示字符部分的块404。以这种方式，字符部分的块404可以被划分为与其他块不同的大小。
这以外的系统1的配置与本公开的第一实施例中的系统1的配置类似，因此省略其描述。
(6.第六实施例)
在本公开的第六实施例中，将描述基于基底提取特征量的情况。
[散列生成设备的配置]
图14是示出根据本公开的第六实施例的散列生成设备的配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括基底候选使用特征量提取单元125、分数计算单元126和127以及基底选择单元128。
基底候选使用特征量提取单元125使用预先确定的多个基底候选提取特征量。该基底候选使用特征量提取单元125针对每个基底候选提取特征量。
分数计算单元126和127计算分数。分数计算单元126等针对基底候选使用特征量提取单元125的每个基底候选被布置，并且针对每个基底候选计算分数。可以通过对于特征量计算绝对值来计算分数。
基底选择单元128基于来自分数计算单元126等的分数从基底候选选择基底。可以通过根据分数的排序来执行该选择。通过该排序，选择并且作为参考散列信息输出优先级高的多个基底。
注意，该图中的散列生成设备10表示存在两条参考散列信息的情况，但是可以使用三条或更多条参考散列信息。在这种情况下，可以采用针对每条参考散列信息布置分数计算单元的配置。
该图中的特征量提取单元172执行基于基底提取特征量的处理。
这以外的系统1的配置与本公开的第一实施例中的系统1的配置类似，因此省略其描述。
(7.第七实施例)
在本公开的第七实施例中，将描述以字符或人的面部部分的中心作为投影中心执行投影处理的情况。
[散列生成设备的配置]
图15是示出根据本公开的第七实施例的散列生成设备的配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括字符检测单元122和投影中心检测单元129和130。
该图中的字符检测单元122检测多个字符的区域。注意，字符检测单元122还可以采用检测数据中的人的面部部分的配置。
投影中心检测单元129和130检测由字符检测单元122检测的字符的区域的中心，并且输出该中心作为投影中心。投影中心检测单元129等针对由字符检测单元122检测的每个字符被布置，并且检测投影中心。检测的多个投影中心作为参考散列信息被输出。
注意，该图中的散列生成设备10表示存在两条参考散列信息的情况，但是可以使用三条或更多条参考散列信息。在这种情况下，可以采用针对每条参考散列信息布置投影中心检测单元的配置。
该图中的特征量提取单元172通过执行基于投影中心的投影的处理来提取特征量。
[投影中心]
图16是示出根据本公开的第七实施例的投影中心的示例的示图。该图示出了数据402的字符部分的块405的中心406被设定为投影中心的情况下的示例。该图中的单点划线表示穿过中心406的投影方向。
这以外的系统1的配置与本公开的第一实施例中的系统1的配置类似，因此省略其描述。
(8.第八实施例)
在本公开的第八实施例中，将描述执行量化中的舍入处理的情况。
[散列生成设备的配置]
图17是示出根据本公开的第八实施例的散列生成设备的配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括基底使用特征量提取单元131和舍入位计算单元132和133。
基底使用特征量提取单元131使用基底提取特征量。
舍入位计算单元132和133对于由基底使用特征量提取单元131提取的特征量计算舍入位。舍入位计算单元132等针对由基底使用特征量提取单元131提取的每个特征量被布置，并且计算各舍入位。计算的多个舍入位作为参考散列信息被输出。
注意，该图中的散列生成设备10表示存在两条参考散列信息的情况，但是可以使用三条或更多条参考散列信息。在这种情况下，可以采用针对每条参考散列信息布置舍入位计算单元的配置。此外，在量化单元173中，根据参考散列信息的条数布置三个或更多个舍入位使用量化单元。
该图中的量化单元173包括舍入位使用量化单元174和175以及组合单元176。舍入位使用量化单元174和175基于输入的舍入位的数量执行舍入处理。组合单元176组合舍入位使用量化单元174和175的输出。
这以外的系统1的配置与本公开的第一实施例中的系统1的配置类似，因此省略其描述。
(9.第九实施例)
在本公开的第九实施例中，将描述比较特征量的个数的情况。
[散列生成设备的配置]
图18是示出根据本公开的第九实施例的散列生成设备的配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括基底组使用特征量提取单元134、分数计算单元126和127以及特征量个数检测单元135和136。
基底组使用特征量提取单元134使用作为基底的组的基底组来提取特征量。基底组使用特征量提取单元134针对每个基底组提取特征量。
该图中的分数计算单元126和127针对基底组使用特征量提取单元134中的每个基底组计算分数。
特征量个数检测单元135和136基于基底组使用特征量提取单元134中的每个基底组的分数检测每个组的特征量的个数。检测的多个特征量的个数作为参考散列信息被输出。
注意，该图中的散列生成设备10表示存在两条参考散列信息的情况，但是可以使用三条或更多条参考散列信息。在这种情况下，可以采用针对每条参考散列信息布置分数计算单元和特征量个数检测单元的配置。此外，在量化单元173中，根据参考散列信息的条数布置三个或更多个特征量比较单元。
该图中的量化单元173包括特征量比较单元177和178以及组合单元176。特征量比较单元177和178对于每个组确定与输入的每个组的特征量的个数对应的特征量，并且通过在组内比较所述特征量的关系来生成散列。该图中的组合单元176耦合特征量比较单元177和178的输出。
[特征量的个数]
图19是示出根据本公开的第九实施例的特征量组的特征量的个数的示例的示图。该图示出了特征量组407和408的特征量的个数的示例。特征量组407和408分别表示第一特征量组和第L特征量组。特征量组407和408中的矩形表示特征量的个数410和411。作为特征量的个数，使用了在特征量组407和408中不相同的特征量的个数。
这以外的系统1的配置与本公开的第一实施例中的系统1的配置类似，因此省略其描述。
(10.第十实施例)
在本公开的第十实施例中，将描述通过使用阈值的二值化来执行量化的情况。
[散列生成设备的配置]
图20是示出根据本公开的第十实施例的散列生成设备的配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括基底使用特征量提取单元131以及阈值计算单元137和138。
阈值计算单元137和138计算用于对由基底使用特征量提取单元131提取的特征量进行二值化的阈值。计算的多个阈值作为参考散列信息被输出。
注意，该图中的散列生成设备10表示存在两条参考散列信息的情况，但是可以使用三条或更多条参考散列信息。在这种情况下，可以采用针对每条参考散列信息布置阈值计算单元的配置。此外，在量化单元173中，根据参考散列信息的条数布置三个或更多个阈值使用二值化单元。
该图中的量化单元173包括阈值使用二值化单元179和180以及组合单元176。阈值使用二值化单元179和180使用输入的阈值对特征量进行二值化。该图中的组合单元176组合阈值使用二值化单元179和180的输出。
这以外的系统1的配置与本公开的第一实施例中的系统1的配置类似，因此省略其描述。
(11.第十一实施例)
在本公开的第十一实施例中，将描述作为参考散列信息生成包括多个散列的散列区域的情况。
[散列生成设备的配置]
图21是示出根据本公开的第十一实施例的散列生成设备的示意性配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括散列区域生成单元139。
散列区域生成单元139生成散列区域，该散列区域是包括多个散列的区域。生成的散列区域作为参考散列信息被输出。
这以外的系统1的配置与本公开的第一实施例中的系统1的配置类似，因此省略其描述。
(12.第十二实施例)
在本公开的第十二实施例中，将描述生成包括多个散列的散列区域的具体示例。
[散列生成设备的配置]
图22是示出根据本公开的第十二实施例的散列生成设备的配置示例的示图。该图是示出散列生成设备10的配置示例的框图。该图中的参考散列信息生成单元100包括特定处理单元140、特征量提取单元141和142、特征量聚合单元143、区域大小计算单元145和146以及区域量化单元147和148。
特定处理单元140对数据执行多个预先确定的特定处理。特定处理单元140输出每个特定处理后的数据。
特征量提取单元141和142提取特征量。特征量提取单元141等针对来自特定处理单元140的每个特定处理被布置，并且针对特定处理后的每个数据提取特征量。
特征量聚合单元143针对特定处理单元140的每个特定处理聚合并汇总由特征量提取单元141等提取的多个特征量。
区域大小计算单元145和146计算多个特征量的区域的大小。区域大小计算单元145等计算由特征量聚合单元143聚合的区域的大小。可以通过最大值和最小值之间的范围来计算大小。
区域量化单元147和148基于由区域大小计算单元145和146计算的区域的大小执行量化。量化的多个区域的大小表示散列区域，并且作为参考散列信息被输出。
注意，该图中的散列生成设备10表示存在两条参考散列信息的情况，但是可以使用三条或更多条参考散列信息。在这种情况下，可以采用针对每条参考散列信息布置特征量提取单元、区域大小计算单元和区域量化单元的配置。此外，在量化单元173中，根据参考散列信息的条数布置三个或更多个量化单元。
该图中的量化单元173包括量化单元181和182以及组合单元176。量化单元181和182对从特征量提取单元172输出的相应特征量进行量化。该图中的组合单元176组合量化单元181和182的输出。
[散列区域]
图23A是示出根据本公开的第十二实施例的散列区域的示例的示图。在该图中，多个散列如散列1和散列2那样被编号，并且各散列被表示为散列空间的轴。可以通过在一个轴上投影参考散列和对数据应用预先确定的特定处理的情况下的散列，由参考散列的投影的最大值和最小值的投影的具有参考标记的距离来指示区域的大小。该图中的黑色圆表示参考散列412。此外，该图中的白色圆表示应用预先确定的特定处理的情况下的散列413。散列区域是多维长方体(在该图的示例中是二维的)。
可以通过使用参考散列和与所有轴对应的区域的大小表现区域并确定在该区域中是否包括确定散列，来执行确定单元200中的确定。
[散列区域的另一示例]
图23B是示出根据本公开的第十二实施例的散列区域的另一示例的示图。该图示出了散列区域由以参考散列为中心的极坐标表示的情况的示例。
[散列确定设备的配置]
图24是示出根据本公开的第十二实施例的散列确定设备的配置示例的示图。该图是示出散列确定设备20的配置示例的框图。该图中的确定单元200包括分解单元201和205、区域使用确定单元202和203以及综合确定单元204。
分解单元201对由量化单元273组合的确定散列进行分解。另外，与确定散列类似地，分解单元205分解参考散列。
区域使用确定单元202和203确定在包括在参考散列信息中的散列区域中是否包括确定散列。
综合确定单元204基于区域使用确定单元202和203的确定结果进行确定。
注意，散列确定设备20表示存在两条参考散列信息的情况，但是可以使用三条或更多条参考散列信息。在这种情况下，可以采用针对每条参考散列信息布置区域使用确定单元的配置。此外，在量化单元173中，根据参考散列信息的条数布置三个或更多个量化单元。
[数值示例1]
将描述使用根据本公开的第十二实施例的散列生成设备10和散列确定设备20检测数据的篡改的情况下的数值示例。图像被用作数据。
首先，在图22中的预处理单元171中应用低通滤波器，以执行缩小到128像素×128像素的处理。接下来，特征量提取单元172执行有学习的四元数离散傅立叶变换。假设彩色图像的R、G和B通道是r(x,y)、g(x,y)和b(x,y)，则从彩色图像的四元数表达式I(x,y)＝ir(x,y)+jg(x,y)+kb(x,y)计算以下表达式。
在这些Q(u,v)中，选择满足u≤15和v≤15的256个。提取与四元数单位1、i、j和k对应的系数，并且将所有1024个系数排列为向量f。接下来，通过学习提取1024个系数中的120个系数。将预先确定的处理的集合Pgen应用于55个图像以创建数据集T。此外，假设第m个图像是Im。假设在T中，从Im生成的一个是Sm，并且其他是Dm。对于图像I，生成f的第i个要素的映射被设定为Hi。此时，真阳性率(TPR)和假阳性率(FPR)被定义如下。
TPRim(τ+,τ-):＝|{I|I∈Sm,τ-≤Hi(I)≤τ+}|/|Sm|
FPRim(τ+,τ-):＝|{I|I∈Dm,τ-≤Hi(I)≤τ+}|/|Dm|
这里，τ+和τ-是阈值。通过使用以下公式来计算分数，并且通过使用与最大的120个分数对应的指标来提取120个系数。
量化单元181和182使用64位浮点小数执行量化。
作为由特定处理单元140执行的处理Pgen，分别用不同的参数执行组合JPEG压缩和缩小与JPEG压缩和缩小的81种类型的处理。特征量提取单元141和142分别执行预处理单元171和特征量提取单元172的处理。在区域大小计算单元145和146中，通过在一个轴上投影参考散列和对数据应用预先确定的特定处理的情况下的散列，由参考散列的投影的最大值和最小值的投影的具有参考标记的距离来指示区域的大小。区域量化单元147和148执行量化单元181和182的处理。
图24的区域使用确定202和203基于确定散列的投影是否被包括在最大值和最小值之间来进行确定。
[效果]
将使用评价数据集描述本公开的技术的效果。在该评价数据集中，存在50个具有篡改的图像和50个没有篡改的图像。该评价数据集的被篡改的图像的区域的大小相对于整个图像为约0.1％。在评价数据集中，存在对各图像应用了上述预先确定的81个处理Pgen的变化。
对于本发明，作为比较方法使用“An Image Hashing Algorithm forAuthentication with Multi-Attack Reference Generation and AdaptiveThresholding”[http://dx.doi.org/10.3390/a13090227]的论文中的方法。在比较方法的预处理中，与本发明的条件类似，执行应用低通滤波器并缩小到128像素×128像素的处理。特征量提取使用四元数离散傅立叶变换，并且在满足u≤15和v≤15的系数中使用论文中的半监督学习获得120维散列。使用64位浮点小数的量化被用作量化。在确定中，使用论文中的自适应一维阈值计算。
图25是示出根据本公开的第十二实施例的效果的示例的示图。该图是示出ROC曲线的示图。该图中的纵轴上的CDR表示可以正确检测篡改图像的比率。另外，该图中的横轴上的FAR表示没有篡改的图像被错误地检测为具有篡改的图像的比率。CDR可以由以下公式表示。
另外，FAR可以由以下公式表示。
在该图中，虚线曲线图表示比较方法的典型结果。另外，在该图中，实线曲线图表示应用了本公开的技术的情况下的结果。尽管在比较方法的结果中曲线下的面积为0.7843，但是在本公开的技术的结果中已经实现0.9948，从而表明本公开的技术的效果。
图26是示出根据本公开的第十二实施例的散列空间的示例的示图。该图是示出144维中的通过第69散列和第8散列的空间的示图。该图中的纵轴表示作为第八散列的散列8。该图中的横轴表示作为第69散列的散列69。此外，该图中的黑三角形表示没有篡改的图像的散列。添加×的那个表示参考散列。该图中的空心三角形表示具有篡改的图像的散列。
例如，与参考散列的欧几里得距离被用作关于一维确定的信息的示例。虚线圆是欧几里得距离的阈值被设定为0.03的情况下的比较示例。在这种情况下，难以区分没有篡改的图像和具有篡改的图像。另一方面，实线矩形表示本公开的技术的情况。通过使用本公开的技术，可以区分没有篡改的图像和具有篡改的图像。这使得能够极大地提高检测率。
[数值示例2]
与上述的数值示例1相比，可以在区域大小计算单元145和146中扩展散列区域。假设hi是通过将参考散列投影在第i个轴上而获得的散列，并且hmax,i和hmin,i分别是与通过对数据应用多个特定处理而获得的散列的所述轴对应的投影的最大值和最小值。假设在区域扩展之前的有符号距离为ub＝hmax,i-hi和lb＝hmin,i-hi。可以使用α和ε作为常数如以下表达式中那样扩展区域。
ub'＝αmax(hmax,i-hi,ε)
lb'＝αmin(hmin,i-hi,ε)
通过扩展区域，可以获得减少多个特定处理的数量的效果。0.001被选择为ε，并且α被用作ROC曲线中的参数。
在评价数据集中，存在对各图像应用了上述预先确定的81个处理Peval的变化。Peval是具有与在生成时使用的处理Pgen的参数不同的参数的处理。
图27是示出根据本公开的第十二实施例的效果的另一示例的示图。该图表示ROC曲线。如图26中那样，该图示出了ROC曲线。尽管在比较方法的结果中曲线下的面积为0.7727，但是在本公开的技术的结果中已经实现0.9468，从而表明本公开的技术的效果。
这以外的系统1的配置与本公开的第十一实施例中的系统1的配置类似，因此省略其描述。
(13.变形例)
将以包括生成图像的成像元件的系统为例描述本公开的变形例。
[系统的配置]
图28是示出根据本公开的实施例的变形例的系统的配置示例的示图。如图1中那样，该图是示出系统1的配置示例的框图。该图中的系统1包括成像元件3、应用处理器4、中继单元2和终端5。
成像设备1生成图像。成像设备1可以由互补金属氧化物半导体(CMOS)图像传感器构成，并且捕获来自被摄体的光以将该光转换为作为数字数据的图像。图像被输出到应用处理器4。
应用处理器4对图像进行处理。处理后的图像被发送到中继单元2的服务器40。应用处理器4包括处理单元30和散列生成设备10。
处理单元30处理从成像设备1输出的图像。该图像对应于静止图像或运动图像。被处理的图像被发送到服务器40，并且被输出到散列生成设备10。
该图中的散列生成设备10生成由处理单元30处理的图像的参考散列信息和参考散列。生成的参考散列信息和参考散列在不经过中继单元2的情况下被发送到终端5。
该图中的中继单元2包括服务器40。服务器40保持由应用处理器4发送的图像。另外，服务器40基于来自终端5的请求将保持的图像发送到终端5。该图示出了保持在服务器40中的图像被篡改成图像′的示例。图像′被发送到终端5。
终端5捕获并显示服务器40的图像。该图中的终端5包括散列确定设备20和显示单元50。
该图中的散列确定设备20基于从应用处理器4发送的参考散列信息和参考散列确定图像的篡改。确定结果被输出到显示单元50。在该图中，散列确定设备20确定图像′的篡改。在这种情况下，散列确定设备20可以将基于参考散列信息从图像′生成的确定散列与参考散列进行比较，并且可以确定原始图像已经被篡改。
显示单元50包括液晶面板等，并且基于散列确定设备20的确定结果显示诸如从服务器40获取的图像之类的数据。当散列确定设备20的确定结果指示没有篡改时，显示从服务器40获取的图像。另一方面，当散列确定设备20的确定结果指示存在篡改时，不显示从服务器40获取的图像。
[系统的其他配置]
图29是示出根据本公开的实施例的变形例的系统的另一配置示例的示图。如图28中那样，该图是示出系统1的配置示例的框图。该图中的成像元件3对被摄体进行成像，生成图像数据，并且将该图像数据发送到中继单元2。此外，该图中的成像元件3包括散列生成设备10。该图中的散列生成设备10生成图像数据的参考散列信息和参考散列，并且将参考散列信息和参考散列发送到终端5。
该图中的中继单元2包括应用处理器4和服务器40。该图中的应用处理器4处理从成像元件3发送的图像。对于该处理，可以应用在图1中描述的被识别为鲁棒的处理。
该图中的散列确定设备20除了可以检测保持在服务器40中的图像的篡改之外，还可以检测通过应用处理器4的图像的篡改。
注意，在本公开的变形例中，构成诸如框图或流程图之类的任何图的要素的定时或位置是示例，并且可以被配置为不同。在各示例中描述的实施例具有各种变形例。即，描述的各示例的构成要素可以被部分地省略、部分地或完全地改变、或者部分地或完全地修改。另外，构成要素中的一些可以被其他构成要素替换，或者构成要素中的一些或全部可以被添加有其他构成要素。
另外，构成要素的一部分或全部可以被分割为多个部分，构成要素的一部分或全部可以被分离为多个部分，或者分割或分离的多个构成要素的至少一部分可以具有不同的功能或特征。此外，构成要素的至少一部分可以被移动以形成不同的实施例。此外，耦合要素或中继要素可以被添加到构成要素的组合的至少一部分，以形成不同的实施例。另外，切换功能或选择功能可以被添加到构成要素的组合的至少一部分，以形成不同的实施例。
本实施例不限于在各示例中描述的配置，并且可以在不偏离本技术的要旨的情况下进行各种修改。注意，在本说明书中描述的效果仅仅是示例且不受限制，并且可以提供其他效果。
在本说明书中，由计算机根据程序执行的处理不一定按流程图所描述的顺序按时间序列执行。即，由计算机根据程序执行的处理还包括并行或单独执行的处理(例如，并行处理或通过对象的处理)。此外，程序可以由一个计算机(处理器)处理，或者可以由多个计算机以分布式方式处理。此外，程序可以被传送到远程计算机并被执行。
此外，在本说明书中，系统意味着多个构成要素(设备、模块(部件)等)的集合，并且所有构成要素是否处于同一外壳中并不重要。因此，容纳在单独外壳中并且经由网络连接的多个设备和多个模块被容纳在一个外壳中的一个设备都是系统。此外，例如，被描述为一个设备(或处理单元)的配置可以被划分并配置为多个设备(或处理单元)。相反，在上面被描述为多个设备(或处理单元)的配置可以被共同配置为一个设备(或处理单元)。此外，当然，上述配置以外的配置可以被添加到各设备(或各处理单元)的配置。此外，只要整个系统的配置和操作实质上相同，某个设备(或处理单元)的配置的一部分可以被包括在另一设备(或另一处理单元)的配置中。
此外，例如，本技术可以采用云计算的配置，其中一个功能由多个设备经由网络协作分担和处理。此外，例如，可以在任何设备中执行描述的程序。在这种情况下，该设备具有必要的功能(功能块等)并且可以获得必要的信息就足够了。此外，例如，在流程图中描述的各步骤可以由一个设备执行，或者可以由多个设备分担和执行。此外，在一个步骤中包括多个处理的情况下，一个步骤中包括的多个处理可以由一个设备执行，或者可以由多个设备分担和执行。换句话说，一个步骤中包括的多个处理也可以作为多个步骤的处理被执行。相反地，被描述为多个步骤的处理可以作为一个步骤被共同地执行。
注意，在由计算机执行的程序中，描述程序的步骤的处理可以按照在本说明书中描述的顺序按时间序列被执行，或者可以并行地或在必要的定时(诸如当进行调用时)单独地被执行。即，只要不发生矛盾，就可以按照与描述的顺序不同的顺序执行各步骤的处理。此外，描述该程序的步骤的处理可以与另一程序的处理并行地被执行，或者可以与另一程序的处理组合地被执行。
注意，只要不发生矛盾，在本说明书中描述的多种本技术就可以各自被独立地实现为单一主体。当然，可以组合实现任何多种本技术。例如，在任何实施例中描述的本技术的一部分或全部可以与在其他实施例中描述的本技术的一部分或全部组合地实现。另外，所描述的任何本技术的一部分或全部可以与没有描述的其他技术组合地实现。
注意，本技术还可以具有以下配置。
(1)
一种散列生成设备，包括：
参考散列信息生成单元，所述参考散列信息生成单元通过根据数据的共通处理来生成多条参考散列信息，所述多条参考散列信息是作为从所述数据生成的散列并且用于所述数据的篡改的确定的参考散列的信息；以及
参考散列生成单元，所述参考散列生成单元基于生成的参考散列信息来生成参考散列。
(2)
根据以上的(1)所述的散列生成设备，其中
参考散列生成单元包括提取数据的特征量的特征量提取单元，以及执行减少提取的特征量并且输出特征量作为参考散列的量化处理的量化单元。
(3)
根据以上的(2)所述的散列生成设备，其中
参考散列生成单元还包括执行在特征量的提取处理之前处理所述数据的预处理的预处理单元，并且
特征量提取单元提取预处理后的所述数据的特征量。
(4)
根据以上的(3)所述的散列生成设备，其中
所述数据是包括图像的数据，
预处理单元在多个坐标轴的方向上对所述数据执行低通滤波处理作为预处理，并且
参考散列信息生成单元生成低通滤波处理的核的针对所述坐标轴中的每个坐标轴的形状的多条信息作为参考散列信息。
(5)
根据以上的(3)所述的散列生成设备，其中
所述数据是包括图像的数据，
预处理单元执行沿着多个坐标轴减小所述数据的大小的处理作为预处理，并且
参考散列信息生成单元生成针对所述多个坐标轴中的每个坐标轴的大小的信息作为参考散列信息。
(6)
根据以上的(3)所述的散列生成设备，其中
所述数据是包括图像的数据，
预处理单元执行将所述数据划分为多个块的处理作为预处理，并且
参考散列信息生成单元生成块的针对每个坐标轴的大小的信息作为参考散列信息。
(7)
根据以上的(3)所述的散列生成设备，其中
所述数据是包括图像的数据，
预处理单元执行将所述数据划分为多个块的处理作为预处理，并且
参考散列信息生成单元生成每个坐标轴的块的数量的信息作为参考散列信息。
(8)
根据以上的(3)所述的散列生成设备，其中
所述数据是包括字符的数据，
预处理单元执行划分为包括所述数据中的字符的块的处理作为预处理，并且
参考散列信息生成单元生成包括字符的块的针对每个坐标轴的大小的信息作为参考散列信息。
(9)
根据以上的(2)所述的散列生成设备，其中
参考散列信息生成单元执行用于选择要用于特征量提取单元中的特征量提取的基底的多个基底上的分数的计算处理，并且生成基于计算的分数选择的基底的信息作为参考散列信息，并且
特征量提取单元基于生成的参考散列信息来提取特征量。
(10)
根据以上的(2)所述的散列生成设备，其中
所述数据是包括字符的数据，
参考散列信息生成单元针对所述数据中的字符的每个区域检测字符部分中心，并且生成该检测的字符部分中心作为参考散列信息，并且
特征量提取单元将生成的参考散列信息作为字符部分的投影中心进行投影以提取特征量。
(11)
根据以上的(2)所述的散列生成设备，其中
参考散列信息生成单元生成提取的特征量中的每一个的舍入的位作为参考散列信息，并且
量化单元执行基于生成的参考散列信息的舍入处理作为量化处理。
(12)
根据以上的(2)所述的散列生成设备，其中
特征量提取单元针对包括用于特征量提取的多个基底的多个基底组提取特征量，并且生成与所述多个基底组对应的多个特征量组，
参考散列信息生成单元针对生成的所述多个特征量组中的每一个执行分数的计算处理，以生成特征量组中的每一个的特征量的个数作为参考散列信息，并且
量化单元通过基于生成的参考散列信息对各组确定与特征量的个数对应的特征量，并且基于特征量的关系的组内的比较结果组合特征量，来执行量化处理。
(13)
根据以上的(2)所述的散列生成设备，其中
特征量提取单元基于用于特征量提取的多个基底来提取特征量，
参考散列信息生成单元生成用于将特征量二值化的阈值作为参考散列信息，并且
量化单元通过基于生成的参考散列信息将提取的特征量二值化来执行量化处理。
(14)
根据以上的(2)所述的散列生成设备，其中
参考散列信息生成单元生成包括多个散列的散列区域作为参考散列信息。
(15)
根据以上的(14)所述的散列生成设备，其中
参考散列信息生成单元通过多个特定处理来处理所述数据，针对每个处理结果生成多个特征量，针对所述多个特定处理逐一生成散列，并且生成包括生成的该多个散列的散列区域作为参考散列信息。
(16)
根据以上的(15)所述的散列生成设备，其中
参考散列信息生成单元生成由以参考散列为中心的极坐标表示的区域作为散列区域。
(17)
一种散列确定设备，包括：
确定散列生成单元，所述确定散列生成单元基于通过根据数据的共通处理生成的多条参考散列信息来生成作为所述数据的散列的确定散列，所述多条参考散列信息是作为从所述数据生成的散列并且用于自身的数据的篡改的确定的参考散列的信息；以及
确定单元，所述确定单元基于生成的确定散列和参考散列来确定所述数据的篡改。
(18)
根据以上的(17)所述的散列确定设备，其中
参考散列信息是由多个散列构成的散列区域，并且
确定单元基于生成的确定散列是否被包括在基于参考散列信息的散列区域中来执行所述确定。
(19)
一种系统，包括：
散列生成设备，所述散列生成设备包括：
参考散列信息生成单元，所述参考散列信息生成单元通过根据数据的共通处理来生成多条参考散列信息，所述多条参考散列信息是作为从所述数据生成的散列并且用于所述数据的篡改的确定的参考散列的信息，以及
参考散列生成单元，所述参考散列生成单元基于生成的参考散列信息来生成参考散列；以及
散列确定设备，所述散列确定设备包括：
确定散列生成单元，所述确定散列生成单元基于所述多条参考散列信息来生成作为所述数据的散列的确定散列，以及
确定单元，所述确定单元基于生成的确定散列和参考散列来确定所述数据的篡改。
(20)
一种散列生成方法，包括：
通过根据数据的共通处理来生成多条参考散列信息，所述多条参考散列信息是作为从所述数据生成的散列并且用于所述数据的篡改的确定的参考散列的信息；以及
基于生成的参考散列信息来生成参考散列。
(21)
一种散列确定方法，包括：
基于通过根据数据的共通处理生成的多条参考散列信息来生成作为所述数据的散列的确定散列，所述多条参考散列信息是作为从所述数据生成的散列并且用于自身的数据的篡改的确定的参考散列的信息；以及
基于生成的确定散列和参考散列来确定所述数据的篡改。
附图标记列表
1 系统
10 散列生成设备
20 散列确定设备
100 参考散列信息生成单元
171、271 预处理单元
172、272 特征量提取单元
173、273 量化单元
200 确定单元
270 确定散列生成单元

Claims (19)

1.一种散列生成设备，包括：
参考散列信息生成单元，所述参考散列信息生成单元通过根据数据的共通处理来生成多条参考散列信息，所述多条参考散列信息是作为从所述数据生成的散列并且用于所述数据的篡改的确定的参考散列的信息；以及
参考散列生成单元，所述参考散列生成单元基于生成的参考散列信息来生成参考散列。
2.根据权利要求1所述的散列生成设备，其中
参考散列生成单元包括提取数据的特征量的特征量提取单元，以及执行减少提取的特征量并且输出特征量作为参考散列的量化处理的量化单元。
3.根据权利要求2所述的散列生成设备，其中
参考散列生成单元还包括执行在特征量的提取处理之前处理所述数据的预处理的预处理单元，并且
特征量提取单元提取预处理后的所述数据的特征量。
4.根据权利要求3所述的散列生成设备，其中
所述数据是包括图像的数据，
预处理单元在多个坐标轴的方向上对所述数据执行低通滤波处理作为预处理，并且
参考散列信息生成单元生成低通滤波处理的核的针对所述坐标轴中的每个坐标轴的形状的多条信息作为参考散列信息。
5.根据权利要求3所述的散列生成设备，其中
所述数据是包括图像的数据，
预处理单元执行沿着多个坐标轴减小所述数据的大小的处理作为预处理，并且
参考散列信息生成单元生成针对所述多个坐标轴中的每个坐标轴的大小的信息作为参考散列信息。
6.根据权利要求3所述的散列生成设备，其中
所述数据是包括图像的数据，
预处理单元执行将所述数据划分为多个块的处理作为预处理，并且
参考散列信息生成单元生成块的针对每个坐标轴的大小的信息作为参考散列信息。
7.根据权利要求3所述的散列生成设备，其中
所述数据是包括图像的数据，
预处理单元执行将所述数据划分为多个块的处理作为预处理，并且
参考散列信息生成单元生成每个坐标轴的块的数量的信息作为参考散列信息。
8.根据权利要求3所述的散列生成设备，其中
所述数据是包括字符的数据，
预处理单元执行划分为包括所述数据中的字符的块的处理作为预处理，并且
参考散列信息生成单元生成包括字符的块的针对每个坐标轴的大小的信息作为参考散列信息。
9.根据权利要求2所述的散列生成设备，其中
参考散列信息生成单元执行用于选择要用于特征量提取单元中的特征量提取的基底的多个基底上的分数的计算处理，并且生成基于计算的分数选择的基底的信息作为参考散列信息，并且
特征量提取单元基于生成的参考散列信息来提取特征量。
10.根据权利要求2所述的散列生成设备，其中
所述数据是包括字符的数据，
参考散列信息生成单元针对所述数据中的字符的每个区域检测字符部分中心，并且生成该检测的字符部分中心作为参考散列信息，并且
特征量提取单元将生成的参考散列信息作为字符部分的投影中心进行投影以提取特征量。
11.根据权利要求2所述的散列生成设备，其中
参考散列信息生成单元生成提取的特征量中的每一个的舍入的位作为参考散列信息，并且
量化单元执行基于生成的参考散列信息的舍入处理作为量化处理。
12.根据权利要求2所述的散列生成设备，其中
特征量提取单元针对包括用于特征量提取的多个基底的多个基底组提取特征量，并且生成与所述多个基底组对应的多个特征量组，
参考散列信息生成单元针对生成的所述多个特征量组中的每一个执行分数的计算处理，以生成特征量组中的每一个的特征量的个数作为参考散列信息，并且
量化单元通过基于生成的参考散列信息对各组确定与特征量的个数对应的特征量，并且基于特征量的关系的组内的比较结果组合特征量，来执行量化处理。
13.根据权利要求2所述的散列生成设备，其中
特征量提取单元基于用于特征量提取的多个基底来提取特征量，
参考散列信息生成单元生成用于将特征量二值化的阈值作为参考散列信息，并且
量化单元通过基于生成的参考散列信息将提取的特征量二值化来执行量化处理。
14.根据权利要求2所述的散列生成设备，其中
参考散列信息生成单元生成包括多个散列的散列区域作为参考散列信息。
15.根据权利要求14所述的散列生成设备，其中
参考散列信息生成单元通过多个特定处理来处理所述数据，针对每个处理结果生成多个特征量，针对所述多个特定处理逐一生成散列，并且生成包括生成的该多个散列的散列区域作为参考散列信息。
16.根据权利要求15所述的散列生成设备，其中
参考散列信息生成单元生成由以参考散列为中心的极坐标表示的区域作为散列区域。
17.一种散列确定设备，包括：
确定散列生成单元，所述确定散列生成单元基于通过根据数据的共通处理生成的多条参考散列信息来生成作为所述数据的散列的确定散列，所述多条参考散列信息是作为从所述数据生成的散列并且用于自身的数据的篡改的确定的参考散列的信息；以及
确定单元，所述确定单元基于生成的确定散列和参考散列来确定所述数据的篡改。
18.根据权利要求17所述的散列确定设备，其中
参考散列信息是由多个散列构成的散列区域，并且
确定单元基于生成的确定散列是否被包括在基于参考散列信息的散列区域中来执行所述确定。
19.一种系统，包括：
散列生成设备，所述散列生成设备包括：
参考散列信息生成单元，所述参考散列信息生成单元通过根据数据的共通处理来生成多条参考散列信息，所述多条参考散列信息是作为从所述数据生成的散列并且用于所述数据的篡改的确定的参考散列的信息，以及
参考散列生成单元，所述参考散列生成单元基于生成的参考散列信息来生成参考散列；以及
散列确定设备，所述散列确定设备包括：
确定散列生成单元，所述确定散列生成单元基于所述多条参考散列信息来生成作为所述数据的散列的确定散列，以及
确定单元，所述确定单元基于生成的确定散列和参考散列来确定所述数据的篡改。
CN202280046971.2A 2021-07-07 2022-03-04 散列生成设备、散列确定设备和系统 Pending CN117597885A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021112533 2021-07-07
JP2021-112533 2021-07-07
PCT/JP2022/009402 WO2023281811A1 (ja) 2021-07-07 2022-03-04 ハッシュ生成装置、ハッシュ判定装置及びシステム

Publications (1)

Publication Number Publication Date
CN117597885A true CN117597885A (zh) 2024-02-23

Family

ID=84801387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280046971.2A Pending CN117597885A (zh) 2021-07-07 2022-03-04 散列生成设备、散列确定设备和系统

Country Status (3)

Country Link
CN (1) CN117597885A (zh)
DE (1) DE112022003415T5 (zh)
WO (1) WO2023281811A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3854804B2 (ja) * 2001-02-09 2006-12-06 キヤノン株式会社 情報処理装置及びその制御方法及びコンピュータプログラム及び記憶媒体
JP4454908B2 (ja) * 2002-04-05 2010-04-21 キヤノン株式会社 情報処理装置、情報処理方法、プログラム及び記録媒体
JP4610176B2 (ja) * 2003-04-15 2011-01-12 エヌ・ティ・ティ・コミュニケーションズ株式会社 データ原本性確保方法およびシステム、ならびにデータ原本性確保用プログラム
US10263783B2 (en) * 2013-08-23 2019-04-16 Nec Corporation Method and system for authenticating a data stream

Also Published As

Publication number Publication date
WO2023281811A1 (ja) 2023-01-12
DE112022003415T5 (de) 2024-05-16

Similar Documents

Publication Publication Date Title
Wu et al. Busternet: Detecting copy-move image forgery with source/target localization
Tang et al. Robust image hashing with ring partition and invariant vector distance
CN108229297B (zh) 人脸识别方法和装置、电子设备、计算机存储介质
US8483427B2 (en) System and method for image authentication
WO2016082277A1 (zh) 一种视频认证方法及装置
CN110853033B (zh) 基于帧间相似度的视频检测方法和装置
TW201824179A (zh) 圖像篡改檢測方法及裝置
KR101912748B1 (ko) 확장성을 고려한 특징 기술자 생성 및 특징 기술자를 이용한 정합 장치 및 방법
CN111144366A (zh) 一种基于联合人脸质量评估的陌生人脸聚类方法
CN106203461B (zh) 一种图像处理方法及装置
Liang et al. Efficient hashing method using 2D-2D PCA for image copy detection
CN112651953B (zh) 图片相似度计算方法、装置、计算机设备及存储介质
US20200005078A1 (en) Content aware forensic detection of image manipulations
US8164633B2 (en) Calibration apparatus and method for imaging devices and computer program
Tang et al. Robust image hashing via visual attention model and ring partition
Raja et al. Color adaptive quantized patterns for presentation attack detection in ocular biometric systems
JP6202938B2 (ja) 画像認識装置および画像認識方法
CN110766708B (zh) 基于轮廓相似度的图像比较方法
KR102592668B1 (ko) 안면 인식 방법 및 디바이스
CN108010076B (zh) 一种面向密集工业棒材图像检测的端面外观建模方法
CN117597885A (zh) 散列生成设备、散列确定设备和系统
Doegar et al. Image forgery detection based on fusion of lightweight deep learning models
Li et al. Perceptual hashing for color images
CN116091998A (zh) 图像处理方法、装置、计算机设备和存储介质
CN108280468A (zh) 一种基于网格的图像识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication