[发明专利]基于局部光滑投影的抗对抗攻击相机源识别方法

说明书

本发明公开了一种基于局部光滑投影的抗对抗攻击相机源识别方法，包括步骤：1)相机图像预处理；2)构建相机源识别特征提取网络；3)生成噪声图像分块集合；4)定义局部光滑投影损失函数；5)构建相机源识别前置防御网络；6)应用识别模型。本发明利用了局部光滑投影使相机源识别的特征提取过程有效抑制对抗噪声以提取到具有对抗鲁棒性的特征，从而实现在相机源识别中防御对抗攻击。同时，本发明采用了一种相机源识别前置防御网络，将特征提取过程和防御过程分离，不仅易于训练，而且可以被迁移到不同的相机源识别网络中。本发明兼顾了基于深度神经网络的相机源识别方法的准确性、鲁棒性以及可迁移性。

技术领域

本发明涉及图像处理的技术领域，尤其是指一种基于局部光滑投影的抗对抗攻击相机源识别方法。

背景技术

相机源识别旨在通过分析拍摄图像中的噪声来识别出相应相机型号。在诸多调查法证问题中，相机源识别问题已经引起了极大的关注，在近两年，IEEE信号处理学会就举办了Kaggle相机源识别大赛，进一步推动这一方向的研究。相机源识别对于刑事调查和审判至关重要，例如解决版权侵权案件，并指出非法图像的作者。相机源识别也为其它和图像篡改检测相关的问题提供了重要的证据。早期常见的相机源识别方法主要是使用图像元数据，将相机型号信息置入图像中，但是这个方法添加的元数据本身就很容易被伪造。后来，研究者提出了基于匹配噪声模式的方法，如使用噪声过滤器——小波滤波器来提取用于识别的噪声或者用一些统计方法获得某些统计量作为特征，如使用彩色的去马赛克图像的最小二乘估计作为分类特征，但是这些方法的准确率也不是非常理想。

近年来，基于得益于深度学习技术尤其是卷积神经网络的发展，相机源识别的准确度较于传统方法有了飞跃性的提高。然而，由于深度神经网络是线性的，因而非常容易遭受到对抗攻击。攻击者只要在图像中加入微小的对抗噪声，就能够让基于深度神经网络的相机源识别方法产生错误的分类，从而带来一系列的安全问题。

由于相机源识别不同于一般图像分类任务，它并不依赖于图像内容而是依赖于图像噪声，通用的防御对抗攻击的方法例如噪声消除很可能在消除噪声的同时破坏图像中用于识别噪声。对于另一类鲁棒性优化方法，如对抗训练，尽管能够一定程度上防御对抗攻击，但是也非常容易降低了识别的准确度。而通常来说，训练神经网络的代价是非常昂贵的，上述的鲁棒性优化的方法难以被迁移到不同的深度神经网络上。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于局部光滑投影的抗对抗攻击相机源识别方法，该方法通过相机图像预处理获得可供网络训练的图像分块。在构建和训练相机源识别特征提取网络后，基于相机源识别的特征提取投影对不同噪声影响的分析，为图像分块建立局部统计坐标，并构建了局部光滑投影目标，减缓特征提取投影在不同噪声下的振荡现象，从而保证网络对对抗噪声的鲁棒性。同时，为了使得网络易于训练且获得迁移特性，该方法采用了一个相机源识别前置防御网络来过滤噪声图像分块，将相机源识别特征提取网络训练过程和防御过程分离，避免了相机源识别特征提取网络的参数更新。

为实现上述目的，本发明所提供的技术方案为：基于局部光滑投影的抗对抗攻击相机源识别方法，包括以下步骤：

1)相机图像预处理

给定相机拍摄图像数据集，将不同相机型号采集的图像切分成不重叠的原始图像分块，筛选原始图像分块并进行归一化处理；

2)构建相机源识别特征提取网络

根据原始图像分块的大小，定义一个相机源识别特征提取网络并进行初始化；使用步骤1)中处理后的原始图像分块训练相机源识别特征提取网络；

3)生成噪声图像分块集合

基于步骤2)中相机源识别特征提取网络的梯度生成含有多个噪声图像分块的噪声图像分块集合，该噪声图像分块集合中的噪声包含对抗噪声和高斯噪声两种噪声，因此，该噪声图像分块集合包含对抗噪声图像分块和高斯噪声图像分块两种噪声图像分块；