[发明专利]相机来源鉴别方法、系统、存储介质和计算设备

权利要求书

1.一种相机来源鉴别方法，其特征在于，步骤如下：

构建训练样本集，训练样本集中包括多张已知相机来源的图像，各图像作为训练样本；

针对于训练样本集中的各训练样本，提取相机模式噪声特征；

构建用于生成相机模式噪声特征的生成网络以及用于对输入进行相似性判断的判别器网络，并且将生成网络的输出端连接到判别器网络的输入端；

将各训练样本输入到生成网络中，同时将各训练样本中提取的相机模式噪声特征输入到判别器网络中，对生成网络和判别器网络进行训练，得到相机来源鉴别模型；

针对于需要检测相机来源的待测图像，提取相机模式噪声特征；

将待测图像输入到相机来源鉴别模型的生成网络中，同时将待测图像所提取到的相机模式噪声特征输入到相机来源鉴别模型的判别器网络中，通过相机来源鉴别模型的判别器网络最终输出相机来源鉴别结果。

2.根据权利要求1所述的相机来源鉴别方法，其特征在于，生成网络和判别器网络进行训练，得到相机来源鉴别模型的具体过程如下：

步骤S21、将训练样本输入到生成网络中，通过生成网络生成相机模式噪声特征图，作为无标记样本数据；同时将训练样本中提取的相机模式噪声特征作为有标记样本数据；

步骤S22、有标记样本数据和无标样本数据进行叠加后输入到判别器网络中，供判别器网络学习两种类型的数据分布；

步骤S23、根据判别器网络对输入的样本数据的真假性判别结果，通过反向传播算法更新判别器网络的节点的权重系数；

步骤S24、根据判别器网络的反馈结果，固定判别器网络参数，通过反向传播算法更新生成网络的节点权重系数；

步骤S25、判断判别器网络的分类准确率误差是否小于预设阈值，如果否，则转至步骤S21，重复进行训练，如果是，则生成网络和判别器网络训练结束，得到相机来源鉴别模型。

3.根据权利要求2所述的相机来源鉴别方法，其特征在于，步骤S25中通过对数似然函数的损失函数判断判别器网络的分类准确率误差是否小于预设阈值。

4.根据权利要求1所述的相机来源鉴别方法，其特征在于，针对于待测图像进行检测的过程如下：

针对于需要检测相机来源的待测图像，提取相机模式噪声特征；将待测图像输入到生成网络中，通过生成网络生成相机模式噪声特征图，作为待检测相机模式噪声特征；

将从待测图像中提取出的相机模式噪声特征和生成网络生成的待检测相机模式噪声特征叠加后输入到判别器网络中，经过判别器网络的Softmax多分类层输出，得到相机来源鉴别结果。

5.根据权利要求1所述的相机来源鉴别方法，其特征在于，针对于训练样本集中的各训练样本和待测图像，提取相机模式噪声特征方式如下：针对训练样本或待测图像进行小波滤波处理，得到小波滤波处理后的图像，将训练样本或待测图像减去小波滤波处理后的图像，得到残差图像，将残差图像作为相机模式噪声特征。

6.根据权利要求1所述的相机来源鉴别方法，其特征在于，所述生成网络和判别器网络为在DCGAN框架下构建的网络；

所构建的生成网络包括依次连接的第一卷积层、relu激活层、第二卷积层、池化层、第三卷积层、池化层、第四卷积层、池化层、上采样层、relu激活层、上采样层和第五卷积层；

所构建的判别器网络包括依次连接的第六卷积层、relu激活层、第七卷积层、池化层、第八卷积层、池化层、第九卷积层、池化层和softmax多分类层。