[发明专利]一种大规模双盲相机源检测方法

说明书

本发明设计了一种双盲环境下的图像相机源识别方法，属于图像信号处理、数字图像取证和机器学习技术领域。本发明首先训练了一种结合了度量损失和分类损失的深度卷积模型，并利用其提取图像的相机特征；之后利用词袋模型快速计算图像集的相似性矩阵；最后，设计了相应的优化方程，并利用ADMM框架进行求解，其结果能够预测大规模背景下相机源未知的图像集中相机源的数量和相机‑图像对应关系。本发明的显著优势在于只用有限类别的训练数据来提取不限类别的图像相机源特征，并能快速的解决大规模背景下的双盲相机源检测问题。

技术领域

本发明涉及一种一种大规模双盲相机源检测方法，属于图像信号处理、数字取证、机器学习技术领域。

背景技术

数码图像是当今应用最为广泛的信息载体。人们通过各种拍摄设备记录场景事件，并借助互联网来实现快速、便捷的新闻发布和交流。数码图像和视频能够极大的提高人们获取信息的效率，但同时其发布源和权威性难以得到有效的保障，并造成了一系列的社会问题，如版权纠纷，新闻伪造，电信诈骗等等。随着图像和视频形式的交流和沟通日益增多，人们迫切的希望有一种有效的图像认证手段，能够保证数字图像的来源与权威性。

一般来说，解决图像认证问题的途径之一是相机源识别(camera sourceidentification,CSI)，即通过数字图像中的视觉成分来分辨其中包含的拍摄设备特有的相机特征。作为图像取证研究领域中的重要课题，相机源识别技术在近年来得到了越来越多的关注，并取得了一些较好的进展。例如，借助不同相机镜头上的灰尘特有的分布，或是不同相机厂商使用不同的颜色插值算法，都能在一定程度上实现相机源识别。目前来说，在诸多相机源识别技术中，光响应非均匀噪声(Photo-Respond Non-Uniformity noise，PRNU)得到了最广泛的研究。其根据光感阵列中微弱的响应误差，来区分、辨识不同的拍摄设备所获取的图像。

然而，上述的相机源识别技术存在诸多限制，难以在真实的应用场景下使用，例如镜头灰尘痕迹和光响应非均匀噪声特征在对于纹理和曝光复杂的图像中难以有效的提取，而颜色插值算法难以区分同厂商同型号的不同相机。为追求更好的鲁棒性，一些研究中采用数据驱动的模型来解决相机源识别问题，即利用大量标注数据，借助机器学习技术，“学习”出一个逼近真实情况的相机源识别模型。随着深度学习、卷积神经网络在机器视觉领域的大放异彩，这种思路在成为相关领域的研究热点。例如Baroffio等人提出了一个基于CNN的分类深度网络，成功训练出了一个能够分类33部相机的相机源识别模型；而Tuman也是基于类似的思路，训练了一个相机品牌分类模型，也取得了较好的效果。相比与传统的启发式的模型，这些基于学习的模型通常有更好的泛化效果。但是，这一类方法的缺陷在于，他们把相机源识别问题当成了一个分类问题，而当被识别图像的相机源不在模型的训练数据中时，该类方法就会失效。在现实情况中，相机的数量数不胜数，一个只能识别固定的若干部相机的模型是难以应用于实际生产场景中的。

除此之外，当前一些经典的相机源识别的技术所设想的场景与实际应用场景仍有差距，使得相关研究难以被直接应用在真实生产当中。在经典的相机源识别技术中，通常是将其作为一个检索问题或是分类问题，即判断两张图像是否是同一部相机所拍摄。而在实际生产中，往往是面临一组相机源未知的图像，且相机源的数量是未知的。对于这组图像，我们希望能够快速、准确的解决两个问题，即该组图像中有多少个不同的相机源，以及哪些图像是由哪些相机拍摄。相比于传统的特定图像的相机源分类/检索研究，上述的场景显然更加贴合实际。

针对经典的相机源识别研究，在本方法中，我们将着力解决以下三个问题：

1.基于数据驱动的相机源特征提取，借助大量数据和机器学习技术得到更加鲁棒的特征；

2.双盲式的相机源识别算法，即在相机源数量未知、图像与相机源的对应关系未知的场景下，对一组大规模图像的相机源进行识别和分类；

3.快速的相机源识别算法，即面对互联网环境下的海量待识别图像，能快速的得出相机源识别结果的算法。