基于卷积神经网络的相机模型识别算法研究

发布时间：2021-03-03 13:30

　　图像采集设备和网络通讯技术的进步以及图像处理技术的发展,使得图像逐渐成为通信的重要载体。但也给不法分子带来了可乘之机,如果在新闻报道、法庭取证、保险理赔、国际事务等方面应用了篡改图像,会带来严重的社会问题及冲突。旨在利用各类图像特征对图像进行分析从而验证图像真伪的数字图像取证技术,日益受到广泛关注。相机模型识别作为一种便捷、直接的图像取证技术,可以在不添加额外信息的情况下,通过图像内隐含的相机特征判断待查图像的相机模型,这种取证方式逐渐成为图像取证的热门研究方向。此外,准确的相机模型识别算法可以有效地辅助篡改检测等其他方向,在取证领域拥有重大的应用价值。本文围绕目前研究中存在的相机模型特征易受图像内容影响、各种算法难以进行性能比较等问题,基于卷积神经网络设计不同的预处理模块,并在公平合理的实验设计和性能评价标准下,对相机模型识别进行研究。本论文主要从以下几个方面对所开展的工作进行介绍:（1）本文提出了一种基于多特征表示和丰富卷积特征网络的相机模型识别算法。首先,多特征表示由多尺度高通预处理模块和RGB通道信息构成。利用多尺度高通预处理模块可以放大相机模型特征,在此基础上融合RGB颜色通... 

【文章来源】：济南大学山东省

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

数字图像获取流程图

济南大学硕士学位论文5（a）原始图像（b）理想的相机指纹（c）真实的相机指纹图1.2相机指纹对比图传统方法的鲁棒性普遍较好，并且由于它们是基于显示或隐式模型得到的，所以其主要吸引力在于其简便性和可解释性。但是，此类方法并不总是可行的。首先，由于不完善的去噪算法，识别性能会受到图像内容变化的较大影响，如图1.2所示。在图1.2（c）中可视化了从原始图像中提取的真实指纹，由于塔的内部及其周围栏杆区域中的纹理较多，导致提取的相机指纹不够理想，使得算法在图像的平坦区域识别效果好，而在纹理区域效果较差。此外，随着相机制造技术以及图像处理工艺的发展，人工设计相机特征变得困难，使得此类方法难以进行。最后，应用传统方法提取相机特征，通常需要拍摄多个平场图像，导致将其应用于真实场景的难度较大且费时费力。1.3.2基于深度学习的相机模型识别方法的研究现状近几年，深度学习（DeepLearning）一直保持着较猛的发展速度，此类方法在各个领域内都取得了不错的成绩，它的出现进一步促进了计算机视觉任务的发展。因此，卷积神经网络（ConvolutionalNeuralNetwork,CNN）在相机模型识别领域中也得到了广泛的关注和应用。不同于以先验知识为指导的传统特征工程工作，深度学习是遵循数据驱动的方法。首先，一部分工作中应用的卷积神经网络模型[39-41]是专门为解决相机模型识别问题而设计的。这类方法所设计的网络结构普遍较为简单，其卷积层数通常在5层以内。但为了获得更高的准确率，有一些工作[9,42,43,44]会将设计的浅层CNN级联附加的分类器，该方法在实际操作中会更加繁琐，并且在某种程度上识别性能依赖于附加的分类器。其中，Bondi等人[9]提出的方法是将CNN应用于相机模型识别领域的开创性工作。此方法利用卷积神经网络?

图1.3分类

【参考文献】：
期刊论文
[1]JPEG图像文件头取证[J]. 邢文博,杜志淳.  计算机科学. 2019(S1)
[2]数字图像司法鉴定相关技术研究[J]. 李雄伟,王秋云,杨昊亮.  中国公共安全(学术版). 2018(02)
[3]多媒体信息技术及安全概述[J]. 尤新刚,毛英杰,周琳娜.  信息安全与通信保密. 2011(10)
[4]K-means算法研究综述[J]. 吴夙慧,成颖,郑彦宁,潘云涛.  现代图书情报技术. 2011(05)
[5]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇.  软件学报. 2008(01)
[6]数据挖掘中的数据预处理[J]. 刘明吉,王秀峰,黄亚楼.  计算机科学. 2000(04)



本文编号：3061349