[发明专利]一种基于深度学习的单幅图像手机源重辨识方法

权利要求书

1.一种基于深度学习的单幅图像手机源重辨识方法，其特征在于包括以下步骤：

1)提出一种新的图像取证方法，解决基于分类的相机溯源方法中训练集类别不足问题；

所述基于分类的相机溯源方法中，所有待测图像的类别必须在训练集中出现过，否则会出现判断错误的情况，提出重辨识方法，利用度量学习的思想，将特征分类转换为特征匹配工作，从待测数字图像中提取手机指纹特征，再与待定图像库中的图像一一匹配，确认与其特征相似度最高的图像，则认为两幅图像为同一手机拍摄，解决基于分类的相机溯源方法中训练集类别不足的问题；

2)基于传统数字图像指纹特征提取方法，提出利用多种自学习滤波器在单幅图像中提取手机指纹特征的方法，并解释深度神经网络对于数字图像指纹特征提取的可行性；

所述基于传统数字图像指纹特征提取方法假设目标图像x是由原始图像内容x₀、指纹特征η以及随机噪声ε组成，即：

x＝x₀+η+ε，

其中，随机噪声与原始图片内容相关；对于同一手机源拍摄的K张不同相片，虽然原始图片内容和随机噪声不同，但是其中包含的手机指纹特征是不变的，故传统方法通过对多幅图像的噪声残差求平均的方式抑制图像内容，并获得手机指纹特征如下：

其中，F(·)为去噪滤波器，包括高斯滤波器或小波分解滤波器，K为同一手机源拍摄的图像张数，x^k为第k张图像的像素矩阵，即为该手机输出的指纹特征；

而对于单幅图像，无法实现以上操作，因此提出对单幅图像使用多种滤波器来替代多张同源数字图像，并以此获得数字图像指纹特征，即：

其中，S[·]是统计特征，J为滤波器数量；F_j(x)指用第j个去噪滤波器对图像x做滤波操作后的输出，ω_j是第j个去噪滤波器对应权重值；

由多个自学习滤波器构成的VGG-net中，每一层的卷积操作都是一个线性过程，且每一层的输出都是原图的近似；随着VGG-net层数的加深，每个阶段的特征图尺寸减小但数量增加，因此VGG-net网络在不同维度上学习更多原始图像的表达，同一层内的特征图是原始图像在同一个语义层中的不同映射，而不同层间的特征图则是原始图像在不同语义层的映射；VGG-net输出的所有特征图都与原始图像有关，看作原始图像的另一种表现形式，故将VGG-net每一层获得的特征图看作原图经过一个滤波器后输出的结果，即通过VGG-net的多个自学习滤波器获得多个原图经过滤波的结果，构成

3)提出一种基于全局特征融合的深度网络结构，以高效提取数字图像指纹特征；

所述基于全局特征融合的深度网络结构，由于VGG-net的每一层产生的滤波结果近似为一个线性过程，故将数字图像指纹特征提取过程改写为：

其中，选择的统计特征S[·]为均值特征，J为所使用的滤波器数量，F_j(x)指用第j个去噪滤波器对图像x做滤波操作后的输出，F_j(x)通过监督学习训练VGG-net得到；通过监督学习方法，同时能够剔除冗余特征，并实现图像内容的抑制；ω_j是第j个去噪滤波器对应权重值，通过全连接层获得ω_j，并实现加权线性组合输出；具体步骤如下：

第一步：将原图送入VGG-net提取特征，并将每一层特征图作为原图的不同滤波结果输出；

第二步：利用全局平均池化层对每一个特征图求均值特征，并将所有统计特征融合在一起；

第三步：将融合后的特征送入全连接层，利用损失函数对其做监督学习，实现对特征图做加权线性组合过程，最终提取适用于手机源重辨识的特征；

4)根据自学习滤波器和全局特征融合网络所提取的数字图像指纹特征，利用度量学习方法追溯拍摄该幅图像的具体手机源设备；

所述度量学习即相似度学习，其目标在于找到合适的度量方法，使得不同类别的图片相似度小而相同类别的图片相似度大，采用线性度量学习中的欧氏距离作为重辨识任务中相似度的衡量指标，即对于一对数字图像，若从两者提取到的手机指纹特征之间的欧氏距离小于一定值，则表示该对数字图像来源于同一手机；

使用三元组损失作为度量学习损失函数，其输入一个三元组，所述三元组的构成如下：从训练数据集中随机选一个样本，该样本称为目标点，然后再随机选取一个和Anchor属于同一类的样本和不同类的样本，这两个样本分别称为正样本和负样本，由此构成一个三元组，对应的损失函数为：

其中，f(·)为数字图像指纹特征的映射表达函数，分别为Anchor样本、Positive样本及Negative样本；α为边界阈值常数，设置为0.3，max(·)为求最大值函数。