KR20220084236A

KR20220084236A - 개선된 조작영상의 검출시스템 및 방법

Info

Publication number: KR20220084236A
Application number: KR1020200173922A
Authority: KR
Inventors: 오병태
Original assignee: 한국항공대학교산학협력단
Priority date: 2020-12-13
Filing date: 2020-12-13
Publication date: 2022-06-21
Also published as: KR102533984B1

Abstract

본 발명은 개선된 조작영상의 검출시스템 및 방법에 관한 것이다. 개시된 개선된 조작영상의 검출시스템 및 방법은, 영상의 조작여부를 감추는 안티포렌식 기술에 강인한 개선된 조작영상의 검출시스템에 있어서, 원본 영상과 조작 영상의 판별을 위하여, 상기 원본영상 및 조작 영상을 학습이 불가능한 임의의 공간으로 변환하는 학습불가 블록 및 상기 학습불가 블록을 통하여 변환된 데이터를 기반으로 변환 도메인에서 학습을 수행하는 검출기를 포함하는 것을 특징으로 하는 개선된 조작영상의 검출시스템 및 방법을 제공한다. 본 발명에 의하면, 영상의 조작여부를 감추는 안티포렌식 기술에 강인한 개선된 조작영상의 검출시스템 및 방법을 제공할 수 있다는 이점이 있다.

Description

개선된 조작영상의 검출시스템 및 방법{ADVANCED SYSTEM AND METHOD FOR DETECTING VIDEO FORGERY}

본 발명은 개선된 조작영상의 검출시스템 및 방법에 관한 것으로, 더욱 상세하게는 영상의 조작 여부를 검출하기 위한 시스템에서, GAN 기반의 안티포렌식에 강인하도록 설계된 개선된 조작영상의 검출시스템 및 방법에 관한 것이다.

이 부분에 기술된 내용은 단순히 본 실시 예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.

급격히 발전하고 있는 과학 기술에 힘입어, 디지털 영상이 다양한 방식으로 획득되고 다양한 곳에서 이용되고 있다. 이와 같이 디지털 영상 문화가 발전함에 따른 부작용으로, 다양한 방식으로 디지털 영상의 수정과 조작이 이루어 지고, 이를 통해 법정과 같은 장소에서 영상의 진위여부를 판가름하는 등의 여러가지 어려움이 생기고 있다.

이를 해결하기 위해, 디지털 포렌식 기술의 발전이 필수 불가결하다. 디지털 포렌식 기술에는 크게, 시/공간적 불일치성을 이용한 기법과, 영상/동영상의 조작을 시도할 때, 반드시 일어나는 이중 압축 환경에서 발생하는 부호화/복호화 패턴의 특징을 이용한 기법 등이 있다.

하지만 포렌식 기술의 발전과 동시에 조작할 때 생기는 특징을 파악하여 이를 검출하는 포렌식 방식에 대응하기 위해 이러한 특징을 지우거나 감추는 등의 안티포렌식(Anti-forensic) 방식 또한 다양하게 개발되고 있다. 특히 인공지능 기술의 발전으로 인하여 사람의 눈으로는 구별할 수 없는 특징을 아주 세밀하고 정교하게 변형시켜 일반적인 포렌식 검출기가 검출하지 못하게 하는 기술이 최근 크게 발전하고 있다.

이러한 기술 중에서 특히 적대적 생성 신경망(Generative Adversarial Networks, GAN) 방식에서는 생성기와 검출기의 적대적 대응관계를 바탕으로 영상/동영상의 흔적을 삭제하는 안티포렌식 역할을 아주 훌륭하게 수행한다. GAN 기반으로 만들어진 대표적인 조작 기술로는 현재 크게 사회적인 이슈로 떠오른 딥페이크(DeepFake) 기술이 있다. 이러한 최신의 안티포렌식 기술을 무력화 할 수 있는 카운터 안티포렌식(Counter anti-forensic) 기술로서의 검출기 개발이 필요하다.

이에, 본 발명에서는, 종래 기술에 비하여 안티포렌식 기술에 강인한 개선된 조작영상의 검출시스템 및 방법를 제안하고자 한다.

한국등록특허공보 10-2097422호, 2020년 4월 6일 공개(명칭 : 조작 영상 검출 장치 및 방법) 한국등록특허공보 제10-1725041호, 2017년 4월 10일 공개(명칭: 위조 영상 검출 방법 및 그 장치) 한국등록특허공보 제10-1311309호, 2013년 9월 25일 공개(명칭: 영상 조작 검출방법 및 영상 조작 검출장치)

(비특허 문헌 1) B. Bayar, and M. C. Stamm, "A generic approach towards image manipulation parameter estimation using convolutional neural networks." In Proceedings of the 5th ACM Workshop on Information Hiding and Multimedia Security, pp. 147-157, 2017 (비특허 문헌 2) B. Li, H. Zhang, H. Luo, and S. Tan. "Detecting double JPEG compression and its related anti-forensic operations with CNN." Multimedia Tools and Applications 78, no. 7 (2019): 8577-8601.

본 발명은 전술한 종래 기술의 문제점을 해결하기 위하여 제안된 것으로, 영상의 조작여부를 감추는 안티포렌식 기술에 강인한 개선된 조작영상의 검출시스템 및 방법을 제공하는데 주된 목적이 있다.

또한, 본 발명의 다른 목적은 학습기반 방식 기술을 적용한 영상 조작여부 검출 시, 학습된 GAN 기반의 포렌식 기술에서도 높은 기검출율이 유지할 수 있도록 하는 개선된 조작영상의 검출시스템 및 방법을 제공하는데 있다.

본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

전술한 목적을 달성하기 위한 본 발명의 일 양상은, 영상의 조작여부를 감추는 안티포렌식 기술에 강인한 개선된 조작영상의 검출시스템에 있어서, 원본 영상과 조작 영상의 판별을 위하여, 상기 원본영상 및 조작 영상을 학습이 불가능한 임의의 공간으로 변환하는 학습불가 블록; 및 상기 학습불가 블록을 통하여 변환된 데이터를 기반으로 변환 도메인에서 학습을 수행하는 검출기를 포함하는 것을 특징으로 하는 개선된 조작영상의 검출시스템을 제공한다.

상기 학습불가 블록은, 학습이 불가능한 입력과 출력간의 변환관계를 나타내는 변환식을 가지는 것일 수 있다.

상기 조작 영상은 GAN 기반 안티포렌식 시스템 내부의 생성기를 통해 생성된 것일 수 있다.

상기 검출시스템이 조작 검출을 위해 영상의 이중압축 여부를 판별하는 시스템인 경우, 상기 학습불가 블록이 상기 입력 영상을 한 번 더 압축하는 함수를 가지는 것일 수 있다.

상기 검출기는, 상기 압축된 입력 영상이 한번더 압축된 영상을 판별하는 것일 수 있다.

상기 학습불가 블록은, 불연속적인 함수로서 미분불능한 양자화 함수인 것일 수 있다.

상기 학습불가 블록은, 미분 불가능한 함수를 네트워크 내 활성화 함수에 사용하는 것일 수 있다.

본 발명의 다른 일 양상은, 영상의 조작여부를 감추는 안티포렌식 기술에 강인한 개선된 조작영상의 검출방법에 있어서, 원본 영상과 조작된 영상의 판별을 위하여, 상기 원본영상 및 조작 영상을 학습불가 블록에 입력하는 단계; 상기 학습불가 블록에서 상기 입력된 원본영상 및 상기 조작 영상을 학습이 불가능한 임의의 공간으로 영상을 변환하는 단계; 및 상기 변환된 데이터를 기반으로 변환 도메인에서 상기 검출기를 학습시키는 단계를 포함하는 것을 특징으로 하는 개선된 조작영상의 검출방법을 제공한다.

상기 조작 영상은, GAN 기반 안티포렌식 시스템 내부의 생성기를 통해 생성된 것일 수 있다.

상기 학습된 검출기는, 임의의 영상의 조작여부를 검출하는 것일 수 있다.

본 발명의 다른 일 양상은, 제8항 내지 제10항 중 어느 한 항에 기재된 개선된 조작영상의 검출방법을 실행하는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체를 제공한다.

본 발명의 개선된 조작영상의 검출시스템 및 방법에 의하면, 영상의 조작여부를 감추는 안티포렌식 기술에 강인한 개선된 조작영상의 검출시스템 및 방법을 제공할 수 있다는 효과가 있다.

또한, 학습기반 방식 기술을 적용한 영상 조작여부 검출 시, 학습된 GAN 기반의 포렌식 기술에서도 높은 기검출율이 유지할 수 있도록 하는 개선된 조작영상의 검출시스템 및 방법을 제공할 수 있다는 효과가 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 종래기술에 의한 GAN기반의 조작기 및 검출기 구성을 예시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 개선된 조작영상의 검출시스템의 구성을 예시한 도면이다.
도 3은 역전파 알고리즘의 구성을 예시한 도면이다.
도 4는 양자화 함수를 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 개선된 조작영상의 검출방법을 예시한 도면이다.

이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다.

몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

본 발명의 도면의 각 구성부들은 개선된 조작영상의 검출시스템 및 방법에서 서로 다른 특징적인 기능들을 나타내기 위해 독립적으로 도시한 것으로, 각 구성부들이 분리된 하드웨어나 하나의 소프트웨어 구성단위로 이루어짐을 의미하지 않는다. 즉, 각 구성부는 설명의 편의상 각각의 구성부로 나열하여 포함한 것으로 각 구성부 중 적어도 두 개의 구성부가 합쳐져 하나의 구성부로 이루어지거나, 하나의 구성부가 복수개의 구성부로 나뉘어져 기능을 수행할 수 있고 이러한 각 구성부의 통합된 실시예 및 분리된 실시예도 본 발명의 본질에서 벗어나지 않는 한 본 발명의 권리범위에 포함된다.

또한, 일부의 구성 요소는 본 발명에서 본질적인 기능을 수행하는 필수적인 구성 요소는 아니고 단지 성능을 향상시키기 위한 선택적 구성 요소일 수 있다. 본 발명은 단지 성능 향상을 위해 사용되는 구성 요소를 제외한 본 발명의 본질을 구현하는데 필수적인 구성부만을 포함하여 구현될 수 있고, 단지 성능 향상을 위해 사용되는 선택적 구성 요소를 제외한 필수 구성 요소만을 포함한 구조도 본 발명의 권리범위에 포함된다.

이하, 첨부된 도면들을 참조하여 본 발명의 실시예에 대해 살펴보기로 한다.

도 1은 종래기술에 의한 GAN기반의 조작기 및 검출기 구성을 예시한 도면이다.

일반적인 검출기(101)의 경우 조작되지 않은 이미지/영상과 조작된 이미지/영상의 구분되는 특징을 파악하여 이를 기반으로 검출기(101)를 개발하게 된다. 최근 딥러닝과 같은 인공지능 기반의 학습 방식을 이용하여 보다 강력한 검출기(101)를 만들 수 있게 되었다.

하지만, 검출 기술의 눈부신 발전과 동일하게 딥러닝 기반 기술의 발전으로 조작 기술의 성능 또한 크게 향상되었다. 특히 적대적 대응방식을 사용하는 GAN 기반의 방식에서는 생성기(103)에서 사람의 눈에는 거의 띄지 않는 변화만을 이용하여 조작된 영상의 특징 및 흔적을 조작되지 않은 원 영상과 거의 유사하게 만드는 것이 가능하게 되었다. 이와 같은 안티포렌식 기술이 나오면서, 기존 대부분의 검출기(101)들이 무력화 되는 문제가 생기게 되었다. 이처럼 GAN 기반의 안티포렌식 기술로 생성기(103)로부터의 조작 흔적이 지워지거나 감추어진 영상들은 기 개발된 대부분의 조작 검출기(101)를 회피하는 우수한 성능을 지니고 있어 사회적으로 문제를 일으킬 소지가 매우 크다.

이러한 문제점을 해결하기 위해, 현재 가장 성능이 우수한 안티포렌식 기술보다 우수한 검출기(101)를 개발한다면 조작 영상을 검출해 낼 수는 있다. 하지만 GAN 기반의 안티포렌식 기술에 의한 생성기(103)는 이처럼 새롭게 개발된 검출기(101)를 바탕으로 안티포렌식 기술을 계속해서 진화시킬 수 있는 능력이 있다는 큰 문제점이 있다. 예를 들면, 만약 매우 정확도가 높은 검출기(101) D를 개발하여 기존 GAN 기반 생성기(103)의 안티포렌식 기술을 무력화 했다고 가정하자. 하지만 만약 검출기(101) D의 딥러닝 네트워크 구조가 알려진다면 이를 바탕으로 GAN내의 생성기(103) G가 검출기(101) D를 바탕으로 다시 한번 적대적으로 학습이 가능하게 되어 결국은 검출기(101) D를 무력화 할 수 있는 또다른 형태의 생성기(103) G’로 진화할 수 있게 된다. 즉, 생성기(103)와 검출기(101)가 끊임없이 적대적으로 상호작용하는 과정에서 생성기(103)의 성능이 업데이트 되는 구조를 가지는 GAN 특성으로 인하여, 어떠한 새로운 검출기(101)가 개발되어도 GAN 기반의 안티포렌식 기술을 완전히 무력화 할 수 없게 되는 큰 문제가 생기게 된다.

본 발명의 일실시에서는 종래기술에 의한 지속적인 적대적 학습을 불가능하게 하기 위한 새로운 방식을 제안한다. 일반적으로 딥러닝 기술과 같은 학습 기반으로 개발된 검출기(101)는 GAN기반의 안티포렌식 시스템 내부의 생성기(103) 학습을 위한 검출기(101)로 재사용되어 끊임없이 생성기(103)의 성능향상을 도와줄 수 있다는 문제점을 보완하기 위해, 검출기(101)를 이용하여 GAN내부의 생성기(101)의 학습이 불가능한 검출 시스템을 제안한다.

이를 위하여 첫번째 방법은 간단하게 학습 기반이 아닌 방식으로 검출기(101)를 설계하는 것을 생각할 수 있다.

두번째 방법은 새롭게 개발되는 GAN내부의 생성기의 업데이트를 막기 위해서, 그림 2와 같이 학습이 불가능한 블록을 중간에 강제로 삽입하는 방식을 제안한다.

도 2는 본 발명의 일 실시예에 따른 개선된 조작영상의 검출시스템의 구성을 예시한 도면이다.

본 발명의 일 실시예에서는 원본 영상 x와 조작된 영상 x^의 판별을 위하여, 원본영상 x 및 조작된 영상 x^을 학습불가 블록(201)을 통하여 학습이 불가능한 임의의 공간으로 우선 변환하고 (Φ(x), Φ(x^)), 변환된 데이터를 기반으로 변환 도메인에서 검출기(203)를 학습하는 방식을 사용한다.

이때 학습불가 블록(201)이 가지는 입력과 출력간의 변환관계를 나타내는 변환식은 학습이 불가능한 어떠한 함수일 수 있다.

본 발명의 일실시 예로서 조작 검출을 위해 영상의 이중압축 여부를 판별하는 시스템이라 하고, 학습불가 블록(201)을 입력된 영상을 한 번 더 압축하는 함수를 가지는 장치로 가정한다. 그렇게 되면 실제 1 번 압축된 영상은 2번 압축이, 2번 압축된 영상은 3번 압축이 된 상태로 변화하게 된다.

이 경우 검출기(203)는 1번/2번 압축된 영상을 판별하는 것이 아닌 2번 / 3번 압축된 영상을 판별하여 최종 입력영상의 이중압축 여부를 판별한다. 해당 검출기(203)는 중간에 압축이라는 비선형적이면서 학습이 불가능한 모듈, 즉, 학습불가 블록(201)을 사이에 두고 있고, 따라서 검출기(203)의 오류값이 학습 불가능한 압축 시스템의 특성으로 인하여 더 이상 오류역전파를 시킬 수 없기 때문에, 실제 검출기(203)의 네트워크 구조가 모두 공개되더라도 실제 안티포렌식 시스템의 GAN 내의 생성기(205)가 이 정보를 바탕으로 학습을 진행할 수 없게 된다.

오류역전파(Error Backpropagation)이란, 역방향 가중치 조정을 통해 오차를 최소화하여 신경망 학습을 위한 지도학습 알고리즘이다.

도 3은 역전파 알고리즘의 구성을 예시한 도면이다.

입력신호(Input)에서 출력신호(Output)로 가중치를 업데이트하면서 활성화함수를 통해 결과값을 가져오는 것을 순전파(Forward)라고 한다. 하지만, 이러한 순전파의 출력값에는 오류가 있을 수 있기에 등장한 것이 오류역전파이다. 오류역전파는 입력에서 출력으로 순전파하여 나온 결과값이 오차(Error)를 갖게되어, 이 오차를 다시 역방향으로 은닉층(hidden layer)와 입력층(input layer) 사이에 오차를 다시 보내 가중치를 업데이트하면서 출력(Output)에서 발생한 오차를 조정하는 것이다. 이때 결과에 많은 오류를 미친 뉴런에는 더 많은 오차를 돌려서 가중치를 조정한다.

본 발명의 일실시예에 의한 학습불가 블록(201)을 포함하는 영상 압축 시스템이 학습이 불가능한 이유는 크게 2가지 이유가 존재한다. 첫째, 압축시스템에서 정보의 코드화를 위해 많이 사용되는 도 4와 같은 양자화(Quantization) 함수는 불연속적인 함수로서 명백하게 미분불능한 시스템이다.

도 4는 양자화 함수를 예시한 도면이다.

또 다른 이유로는, 영상 압축 과정에서는 일정한 규칙을 가지고 데이터를 코드화 한 후, 코드화한 정보와 예측된 영상 값을 가지고 율-왜곡(Rate-distortion) 함수를 생성하여 가장 효율적인 값을 찾게 되는 과정을 가진다. 이때, 코드화된 정보의 비트량(rate) 값은 전체 코드화된 정보의 분포를 통해 결정되게 되므로, 현재 값에서의 미분값을 측정하는 것은 불가능하다. 이와 같이 학습불가 블록(201)에서 미분 불가능한 함수를 네트워크 내 활성화 함수(Activation function)에 사용하는 방법 등으로 효율적이면서도 미분 불가능한 모듈 삽입을 진행할 수 있다.

위의 과정을 확인하기 위하여 실제 GAN기반의 생성기를 테스트 한 결과는 아래 표 1과 같다.

Method	[1]	[2]	제안방식
일반 조작영상에 대한 검출율	98.5%	98.5%	99.9%
본 발명에 의한 안티포렌식 기술 적용 이후 검출율	58.0%	54.5%	90.1%

먼저 높은 검출율을 지닌 학습기반 방식 기술을 선정하여 조작 여부를 검출한 결과 상기 표 1과 같이 99%에 가까운 높은 정확도를 가지게 됨을 알 수 있다.

하지만, 해당 검출기를 바탕으로 안티포렌식 시스템을 구축하게 되면 실제 검출율이 50% 남짓으로 크게 떨어지는 것을 볼 수 있다. 반면, 제안 방식의 검출기(203)는 직접적으로 GAN 학습을 진행할 수 없으며, 다른 방식으로 학습된 GAN기반 안티포렌식 기술에도 90% 이상의 검출율을 가지는 등 크게 강인한 것을 확인할 수 있다.

도 5는 본 발명의 일 실시예에 따른 개선된 조작영상의 검출방법을 예시한 도면이다.

원본 영상 x와 조작된 영상 x^의 판별을 위하여, 원본영상 x 및 조작된 영상 x^을 학습불가 블록(201)에 입력한다(S501).

학습불가 블록(201)에서는 입력된 원본영상 x 및 조작된 영상 x^을 학습이 불가능한 함수를 선정하여, 학습이 불가능한 임의의 공간으로 영상을 변환한다(S503),

이후, 변환된 데이터(Φ(x), Φ(x^))를 기반으로 변환 도메인에서 검출기(203)를 학습하는 방식을 사용한다(S505).

학습된 검출기(203)는 영상조작여부를 검출에 활용할 수 있으며(S507), 종래 기술에 비하여 안티포렌식에 강인한 성능을 가지게 된다.

도 5에서는 단계 S501 내지 단계 S507을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 5에 기재된 순서를 변경하여 실행하거나 단계 S501 내지 단계 S507 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 5는 시계열적인 순서로 한정되는 것은 아니다. 예컨대, S505의 학습단계는 일회성으로 그치는 것이 아니라 충분한 성능을 가질때까지 반복될 수 있다.

본 명세서에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

본 발명의 개선된 조작영상의 검출시스템 및 방법에 따르면, 영상의 조작여부를 감추는 안티포렌식 기술에 강인한 개선된 조작영상의 검출시스템 및 방법을 제공할 수 있는 솔루션으로 활용 가능하다는 점에서, 기존 기술의 한계를 뛰어 넘음에 따라 관련 기술에 대한 이용만이 아닌 적용되는 장치의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.

101: 검출기 103; 생성기
201: 학습불가 블록 203: 검출기 205: 생성기

Claims

영상의 조작여부를 감추는 안티포렌식 기술에 강인한 개선된 조작영상의 검출시스템에 있어서,
원본 영상과 조작 영상의 판별을 위하여, 상기 원본영상 및 조작 영상을 학습이 불가능한 임의의 공간으로 변환하는 학습불가 블록; 및
상기 학습불가 블록을 통하여 변환된 데이터를 기반으로 변환 도메인에서 학습을 수행하는 검출기를 포함하는 것을 특징으로 하는 개선된 조작영상의 검출시스템.
제1항에 있어서,
상기 학습불가 블록은,
학습이 불가능한 입력과 출력간의 변환관계를 나타내는 변환식을 가지는 것을 특징으로 하는 개선된 조작영상의 검출시스템.
제1항에 있어서,
상기 조작 영상은 GAN 기반 안티포렌식 시스템 내부의 생성기를 통해 생성된 것을 특징으로 하는 개선된 조작영상의 검출시스템.
제1항에 있어서,
상기 검출시스템이 조작 검출을 위해 영상의 이중압축 여부를 판별하는 시스템인 경우,
상기 학습불가 블록이 상기 입력 영상을 한 번 더 압축하는 함수를 가지는 것을 특징으로 하는 개선된 조작영상의 검출시스템.
제4항에 있어서,
상기 검출기는,
상기 압축된 입력 영상이 한번더 압축된 영상을 판별하는 것을 특징으로 하는 개선된 조작영상의 검출시스템.
제1항에 있어서,
상기 학습불가 블록은,
불연속적인 함수로서 미분불능한 양자화 함수인 것을 특징으로 하는 개선된 조작영상의 검출시스템.
제1항에 있어서,
상기 학습불가 블록은,
미분 불가능한 함수를 네트워크 내 활성화 함수에 사용하는 것을 특징으로 하는 개선된 조작영상의 검출시스템.
영상의 조작여부를 감추는 안티포렌식 기술에 강인한 개선된 조작영상의 검출방법에 있어서,
원본 영상과 조작된 영상의 판별을 위하여, 상기 원본영상 및 조작 영상을 학습불가 블록에 입력하는 단계;
상기 학습불가 블록에서 상기 입력된 원본영상 및 상기 조작 영상을 학습이 불가능한 임의의 공간으로 영상을 변환하는 단계; 및
상기 변환된 데이터를 기반으로 변환 도메인에서 상기 검출기를 학습시키는 단계를 포함하는 것을 특징으로 하는 개선된 조작영상의 검출방법.
제8항에 있어서,
상기 조작 영상은, GAN 기반 안티포렌식 시스템 내부의 생성기를 통해 생성된 것을 특징으로 하는 개선된 조작영상의 검출방법.
제8항에 있어서,
상기 학습된 검출기는,
임의의 영상의 조작여부를 검출하는 것을 특징으로 하는 개선된 조작영상의 검출방법.
제10항에 있어서,
상기 검출기는,
상기 압축된 입력 영상이 한번더 압축된 영상을 판별하는 것을 특징으로 하는 개선된 조작영상의 검출방법.
제8항에 있어서,
상기 학습불가 블록은,
불연속적인 함수로서 미분불능한 양자화 함수인 것을 특징으로 하는 개선된 조작영상의 검출방법.
제8항에 있어서,
상기 학습불가 블록은,
미분 불가능한 함수를 네트워크 내 활성화 함수에 사용하는 것을 특징으로 하는 개선된 조작영상의 검출방법
영상의 조작여부를 감추는 안티포렌식 기술에 강인한 개선된 조작영상의 검출방법에 있어서,
원본 영상과 조작된 영상의 판별을 위하여, 상기 원본영상 및 조작 영상을 학습불가 블록에 입력하는 단계;
상기 학습불가 블록에서 상기 입력된 원본영상 및 상기 조작 영상을 학습이 불가능한 임의의 공간으로 영상을 변환하는 단계; 및
상기 변환된 데이터를 기반으로 변환 도메인에서 상기 검출기를 학습시키는 단계를 포함하는 개선된 조작영상의 검출방법을 실행하는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.