[发明专利]一种基于深度学习的社交网络图像源识别方法及系统

权利要求书

1.一种基于深度学习的社交网络图像源识别方法，其特征在于，包括以下步骤：

S1，采用极大似然估计方式估计测试图片数据集所属相机的指纹集合Kset；

S2，从测试图片数据集中随机抽选训练图片I，并按照预设大小从随机抽选的训练图片中任意位置截取一张子图I′，同时随机获取一个l∈{0,1}，当l＝1时，从指纹集合Kset中取出随机抽选的训练图片的源相机指纹图像M，并从源相机指纹图像M中截取与训练图片中任意位置截取的子图相同位置的子图M′，并将{1,I′,M′}作为一个组合对pair；当label＝0时，随机从指纹集Kset中取出不是训练图片I所属相机的指纹图像，并从该图像中截取与I′大小相同的子图M″,并将{0,I′,M″}作为一个组合对pair；将获取的组合对pair输入到训练模型进行训练，重复从测试图片数据集中随机抽选训练图片进行训练，直至经过训练模型输出的噪声图片值与估计出的相机指纹的相关系数达到设定阈值，完成模型训练；

S3，采用训练后的模型对待验证社交网络图像进行处理得到待验证社交网络图像的噪声图像值，与得到的噪声图像值最接近的PRNU值所对应的相机即为待验证社交网络图像的图像源。

2.根据权利要求1所述的一种基于深度学习的社交网络图像源识别方法，其特征在于，测试图片数据集为已知相机拍摄图片。

3.根据权利要求1所述的一种基于深度学习的社交网络图像源识别方法，其特征在于，采用极大似然估计的方式估计出图片数据集所属相机的PRNU值为K：

W_k为测试图片数据集中第k张图片的噪声残差，I_k为测试图片数据集中第k张图片的噪声图片。

4.根据权利要求1所述的一种基于深度学习的社交网络图像源识别方法，其特征在于，训练模型采用CSI-CNN网络结构，包括输入层，卷积层和输出层。

5.根据权利要求4所述的一种基于深度学习的社交网络图像源识别方法，其特征在于，输入层采用大小为3×3的128×3个卷积核进行卷积，并使用ReLU激活函数来实现神经元间的非线性输出；卷积层使用残差网络的瓶颈残差模块,依次经过1×1×128、3×3×32、1×1×32的卷积核进行卷积并执行批量归一化和ReLU激活函数来输出128维的特征矩阵；卷积层的前M层通过对训练集中图像的特征学习，得到去除加性噪声后的图像，并作为卷积层的后续层的输入，卷积层的后续层通过对去除加性噪声后的图像的特征学习，得到输入图像的噪声图像值；输出层采用大小为3×3×128的卷积核来输出图像乘性噪声指纹。

6.根据权利要求1所述的一种基于深度学习的社交网络图像源识别方法，其特征在于，设定阈值为80％。

7.根据权利要求1所述的一种基于深度学习的社交网络图像源识别方法，其特征在于，将获取的组合pair输入损失函数计算输出的噪声图片与估计出的相机指纹的相关系数loss(x,y,l)：

其中，当l＝1时，ρ(x,y)相关系数越大表明，则损失越小，表明输入的x图片出自PRNU值为y所属相机。

8.根据权利要求1所述的一种基于深度学习的社交网络图像源识别方法，其特征在于，将测试图片数据集按比例划分为验证集，指纹估计集，训练集和测试集；

指纹估计集为图片集根据极大似然估计和小波滤波的方法估计相机指纹；

训练集为使用输入的训练集和相机指纹值训练网络，使得训练出来的网络输出为下载图片的噪声图片，并可与相机指纹K计算相关系数确定下载图片所属相机源；

验证集为验证输入训练出来的网络后，网络输出的噪声图像与相机指纹的相关系数是否符合实际相关性。

9.一种用于权利要求1所示社交网络图像源识别方法的社交网络图像源识别系统，其特征在于，包括预训练模块和识别模块；

预训练模块用于估计测试图片数据集所属相机的指纹集合Kset，并从测试图片数据集中随机抽选训练图片I，并按照预设大小从随机抽选的训练图片中任意位置截取一张子图I′，同时随机获取一个l∈{0,1}，当l＝1时，从指纹集合Kset中取出随机抽选的训练图片的源相机指纹图像M，并从源相机指纹图像M中截取与训练图片中任意位置截取的子图相同位置的子图M′，将{1,I′,M′}作为一个组合对pair；当label＝0时，随机从指纹集Kset中取出不是训练图片I所属的相机的指纹图像，并从该图像中截取与I′大小相同的子图M″,将{0,I′,M″}作为一个组合对pair；将获取的组合对pair输入到训练模型进行训练，重复从测试图片数据集中随机抽选训练图片进行训练，直至经过训练模型输出的噪声图片值与估计出的相机指纹的相关系数达到设定阈值，将训练完成的模型传输至识别模块；

识别模块用于根据训练后的模型对待验证社交网络图像进行处理得到待验证社交网络图像的噪声图像值，与得到的噪声图像值最接近的PRNU值所对应的相机即为待验证社交网络图像的图像源。