【技術實現(xiàn)步驟摘要】
本專利技術涉及圖像安全，尤其涉及自適應采樣機制和雙步自相關的復制移動篡改檢測方法。
技術介紹
1、隨著移動設備成本的迅速下降，任何人都可以隨時隨地使用手機拍攝照片，同時，圖像編輯軟件的快速進步和普及使得數(shù)字圖像的內容可以輕易地被篡改，而且篡改痕跡幾乎無法察覺[1，2]。考慮到數(shù)字圖像在新聞報道、政治事件、犯罪偵查以及保險索賠等領域經常被用作關鍵證據(jù)，偽造的圖像帶來的后果可能十分嚴重[3,4]。因此，準確地檢測圖像是否被篡改顯得尤為重要。圖像篡改的方式多種多樣，其中復制移動偽造(copy-moveforgery，cmf)是一種非常常見且操作簡單的篡改方法，該方法將圖像的一個或多個區(qū)域(源區(qū)域)復制并粘貼到同一圖像的其他位置(目標區(qū)域)，為了使篡改看起來更加真實，該方法通常還會對復制的區(qū)域進行亮度調整、對比度調整以及進行縮放和旋轉等幾何處理。
2、近年來有許多復制移動篡改檢測(copy-move?forgery?detection，cmfd)方法被提出，它們主要可以被分為兩類，即基于手工設計特征的方法[5，7-14]和基于深度學習[6，15-19]的方法。前者可進一步劃分成基于塊的方法[7，9-11]和基于關鍵點的方法[8，12-14]。基于塊的方法通常將可疑的圖像劃分為重疊或不重疊的塊，再利用離散余弦變換[9]、主成分分析[10]或zernik變換矩[11]等方法提取每個圖像塊的特征，然后通過兩兩比較塊與塊之間的相似特征來檢測copy-move篡改區(qū)域。基于塊的方法較為簡單，但計算量較大，且難以應對復雜的幾何變換。基于
3、近年來，深度學習，特別是是卷積神經網(wǎng)絡被廣泛地應用于各個領域。基于深度學習的方法也為cmfd提供了有效的解決方案。wu等[15]提出的busternet是第一個可以進行端到端訓練的基于卷積神經網(wǎng)絡的cmfd模型，它由并行的兩個分支組成，一個分支用于檢測被篡改的目標區(qū)域，而另一個分支用于檢測相似性高的復制移動篡改區(qū)域，然而，busternet的并行結構使兩個分支需要同時正確定位，才能夠正確分類源區(qū)域和目標區(qū)域。為了解決這個問題，chen等[16]提出了兩個串行的子網(wǎng)絡，即cmsdnet與strdnet，其中cmsdnet用于檢測輸入圖像中的高相似區(qū)域，而strdnet用于從檢測到的高相似區(qū)域中區(qū)分源區(qū)域和目標區(qū)域。zhu等[17]提出了ar-net，它結合了自適應注意力機制與殘差精煉模塊，是一個端到端的cmfd網(wǎng)絡。liu等[18]提出了一個兩階段的cmfd框架，其結合了自深度匹配與關鍵點匹配。weng等[6]提出了兩個獨立的u形結構的cmfd網(wǎng)絡，即ucm-net-l和ucm-net-s。其中ucm-net-l負責檢測大面積的篡改區(qū)域，ucm-net-s負責檢測小面積的篡改區(qū)域，且每個網(wǎng)絡都包含三個模塊，即特征提取模塊(feature?extraction?module，fem)、篡改區(qū)域定位模塊(tampered?region?localization?module，trlm)以及fem和trlm之間的多個跨層連接。雖然ucm-net-l和ucm-net-s在檢測大面積和小面積篡改區(qū)域時取得了優(yōu)秀的檢測性能，但兩個網(wǎng)絡都需要單獨進行訓練，這增加了計算資源的開銷。為了降低計算開銷，同時保持良好的檢測性能，shi等[19]提出了一個集成了低消耗scc(low-cost?self-correlation?calculation)、門控特征融合模塊(gated?feature?fusion?module，gffm)和配備了fasternet?block[20]的殘差u塊(faster?residual-u-block，frsu)的輕量級高精度網(wǎng)絡lhcm-net。
4、目前為止，大多數(shù)基于深度學習的cmfd網(wǎng)絡的檢測流程是首先使用卷積神經網(wǎng)絡來提取輸入圖像的特征，然后通過自相關(self-correlation?calculation，scc)模塊來計算特征之間的相似度，得到相關性圖，最后利用卷積層和上采樣層解碼相關性圖得到最終的檢測結果。然而，大多數(shù)cmfd網(wǎng)絡在以上階段中均存在缺陷。首先，在特征提取階段，常用的標準卷積層不能根據(jù)被篡改區(qū)域的面積和形狀來自適應地調整采樣點的數(shù)量和位置，這增加了網(wǎng)絡檢測不同大小的篡改區(qū)域的難度。此外，cmfd網(wǎng)絡中的scc旨在計算特征圖中每個特征點之間的相似性，當其被用于高分辨率特征圖時必然會產生昂貴的計算負擔。最后，現(xiàn)有的cmfd網(wǎng)絡在自相關模塊之后僅利用了相關性特征來得到篡改檢測結果，忽略了骨干網(wǎng)絡提取的局部上下文特征，這導致了模型對篡改區(qū)域的邊緣和內部預測不精確。
5、現(xiàn)有技術中在特征提取階段，現(xiàn)有的cmfd網(wǎng)絡采用標準卷積層對輸入圖像進行特征提取，而標準卷積層的采樣位置是固定的，因此難以同時有效地提取不同面積和形狀的篡改區(qū)域的特征。此外，由于cmfd網(wǎng)絡中的自相關模塊需要在特征圖上的兩兩特征點之間計算相似度，這帶來了巨大的計算開銷，因此目前大多數(shù)cmfd網(wǎng)絡僅在低分辨率特征圖上使用自相關模塊，然而，這不可避免地導致了這些網(wǎng)絡忽略了高分辨率特征之間的相似度，損害了模型的性能。最后，現(xiàn)有的cmfd網(wǎng)絡在自相關模塊之后僅使用了卷積層與上采樣層對從自相關模塊得到的相關性特征圖進行處理，來得到copy-move篡改檢測結果。這種方法雖然考慮了特征之間的相關性信息，但是忽略了特征本身的局部上下文信息，這導致了模型對篡改區(qū)域邊緣和內部的檢測結果不夠準確。
技術實現(xiàn)思路
1、本專利技術的目的在于提供自適應采樣機制和雙步自相關的復制移動篡改檢測方法，能夠在多個數(shù)據(jù)集上取得優(yōu)秀檢測性能，且輕量、低計算開銷。
2、本專利技術采用的技術方案是：
3、自適應采樣機制和雙步自相關的復制移動篡改檢測方法，包括模型的構建部分、模型的訓練與推理部分，具體步驟如下：
4、步驟1、構建自適應采樣機制和雙步自相關的復制移動篡改檢測網(wǎng)絡模型，網(wǎng)絡模型執(zhí)行如下步驟：
5、步驟1-1、特征提取：將待檢測圖像輸入以asm-net為骨干網(wǎng)絡的al-net，asm-net包含4個階段，前兩個階段均由依次設置的一個“cbg?3-2”與兩個“cbg?3-1”組成，用于提取輸入圖像上的低級特征，從而幫助al-net更好地檢測小面積的篡改區(qū)域；后兩個階段均由依次設置的一個“cbg?3-2”與三個可自動調節(jié)采樣點數(shù)量與位置的asm?block組成，用于自適應地提取輸入圖像上的高級特征，從而幫助al-net更好地檢測大面積的篡改區(qū)域；asm-net四個階段輸出的特征圖分別為f1、f2、f3和f4；其中，cbg?3-2表示由3×3大小，步長為2的標準卷積層、batch?normalization層和gelu激活本文檔來自技高網(wǎng)...
【技術保護點】
1.自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：其包括模型的構建部分、模型的訓練與推理部分，具體步驟如下：
2.根據(jù)權利要求1所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟1-1中自適應采樣機制ASM執(zhí)行如下步驟：
3.根據(jù)權利要求2所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：α與β在第ASM-Net的第三階段被設置為5，在ASM-Net的第四階段被設置為3。
4.根據(jù)權利要求2所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟1-2具體包括以下步驟：
5.根據(jù)權利要求2所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟1-3具體包括以下步驟：
6.根據(jù)權利要求5所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟1-3-1具體包括以下步驟：
7.根據(jù)權利要求5所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟1-3-2具體包括以下步驟：
8.根
9.根據(jù)權利要求1所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟2-1的數(shù)據(jù)預處理包括以下步驟：
10.根據(jù)權利要求1所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟2-2的訓練過程設置為60輪，步驟2-3的設定值為0.5。
...【技術特征摘要】
1.自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：其包括模型的構建部分、模型的訓練與推理部分，具體步驟如下：
2.根據(jù)權利要求1所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟1-1中自適應采樣機制asm執(zhí)行如下步驟：
3.根據(jù)權利要求2所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：α與β在第asm-net的第三階段被設置為5，在asm-net的第四階段被設置為3。
4.根據(jù)權利要求2所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟1-2具體包括以下步驟：
5.根據(jù)權利要求2所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟1-3具體包括以下步驟：
6.根據(jù)權利要求5所述的自適應采樣機制和雙步自相關的復制移動篡改檢測方法，其特征在于：步驟1-3-1具體包括以下...
【專利技術屬性】
技術研發(fā)人員：石宇軒，翁韶偉，張?zhí)炻?/a>，
申請(專利權)人：福建理工大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。