[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

说明书

本发明公开了一种基于深度学习的社交网络图像源识别方法及系统，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，根据图片的噪声指纹特征与其相机源的相机指纹特征完成网络模型的训练，利用噪声图片值与估计出的相机指纹的相关系数实现社交网络图像源识别，计算出识别的准确率，本发明在原始图片数据集和社交网络上经过处理的数据集上都表现良好，有更为精确的相机源识别的准确率和较强的鲁棒性。解决了传统单一的移动取证或社交网络取证方法对于相机源识别的准确率低的问题。

技术领域

本方法属于深度学习和数字取证领域，涉及一种基于深度学习的社交网络图像源识别方法及系统。

背景技术

近年来，随着Twitter、Facebook、微信、Instagram、新浪微博等社交网络平台的兴起，在线社会网络已经广泛应用于我们的日常生活，并正在改变我们的生活和交流方式。智能手机在用户利用社交平台发布和分享多媒体内容(图片、视频等)的行为中发挥了重要的作用，也为欺诈活动提供了媒介。因此，智能手机和社交网络平台相结合的取证方法成为数字取证的研究热点，特别是在执法人员在搜集犯罪证据中发挥极大的作用。

数字取证的一个常见问题是图像的设备来源识别。相机传感器指纹不仅成功地应用于相机识别和图像处理，而且还涉及到基于摄像机的盲图像聚类问题。在线社会网络中，图像通过智能手机拍摄并上传到社交网络平台上，上传成功后可与其他用户进行共享，以供查看和下载。目前，大多数社交网络平台允许用户使用智能手机拍摄图像同时进行上传。Facebook、微信和其他社交网络平台包含大量的照片，这些内容构成了有价值的实时信息源，利用这些信息源来匹配智能手机，解决执法人员面对海量社交网络数据取证困难的问题。

由于社交网络平台上数据信息的广泛性和异构性，以及大规模数据集对图像取证算法造成的计算复杂度高的困难，很少有研究将图像取证和社交网络取证相结合。

发明内容

本发明的目的在于提供一种基于深度学习的社交网络图像源识别方法及系统，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种基于深度学习的社交网络图像源识别方法，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所属的源相机指纹图像，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。

进一步的，测试图片数据集为已知相机拍摄图片。

进一步的，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。

进一步的，训练模型采用CSI-CNN网络结构，包括输入层，卷积层和输出层。