【《图像真伪识别的研究现状的文献综述》4500字】

图像真伪识别的研究现状的文献综述图像取证方法主要分为主动取证和被动取证（如图1-3）。主动取证方法需要发送端提前主动地对图片数据进行处理，接收端可以通过验证事先约定好的验证方式来进行检验图像是否经过篡改，主动检测主要包含数字签名、数字水印等相对于主动取证。被动取证的适用范围更为广泛，根据被动取证的目的，可以分为图像溯源取证和图像内容取证。图像溯源也就是寻找图像的来源，内容取证是通过判断图像的内容是否经过改变来检测图像是否经过篡改。图1-3主动检测和被动检测1.1主动取证主动取证是图片在发送之前需要在图片嵌入相关有效信息（水印），接收者收到图像之后主要通过提取有效信息（水印）来判断图像是否经过篡改。（1）数字水印数字水印主要是发送者提前向图像中通过密钥K嵌入水印，接收者通过密钥K提取水印，通过比较水印有无发生变化来确实图像是否经过篡改，如下图1-4。图1-4数字水印（2）数字签名发送方的“签名”主要通过发送方的私钥K对数据进行加密得到数字签名S1，接收方通过发送方的公钥K来对“签名”内容进行解密得到提取的数字签名S2，如果S1和S2相等，则图像未经过篡改，如果二者不相等，则图像经过篡改，如下图1-5。图1-5数字签名1.2被动式取证主动式检测具有一定的局限性，只有在图像中包含数字水印或者数字签名时才可以对图像的真伪进行判断，而生活中绝大多数图片是没有经过此类处理的，所以主动式检测适用性更窄。图片被动式取证又名为数字图像盲取证，盲取证是指图片不必从数字水印或数字签名进行取证，而是根据图片具有的特点进行分析取证，例如图像的光照一致性、JPEG图片的噪声特征变化等等。因此，被动检测相较于主动检测适应范围更宽广。1.2.1图像溯源被动检测由于不同的拍摄设备之间存在差异，所以拍摄成果也会有不同的属性。所以，国内外专家对此做了相关的研究。每幅图像的噪声都不相同，即使是使用相同的拍摄设备图像的噪声也会存在差异，所以可以利用这一特点对拼接图象进行盲取证，曾凤[1]提出一种二次加噪相关性的拼接篡改图像检测方法，先对图像进行二次加噪，根据加噪前后对应子块关系数和阈值大小进行分类，最后根据分类定位出拼接区域。周国语[2]提出一种基于JPEG压缩噪声估计的图像检测算法，由于JPEG压缩会对图像进行噪声化，所以可以提取篡改区域的噪声特征，之后通过小波变换方法估计噪声标准差，从而定位篡改的区域。未经过篡改图像的成像过程非常复杂，当前篡改软件已经非常的出色，只有在细小的方面存在差异，比如图像的纹理、光照。梁诗博[3]对篡改图像中人物所在区域的光照差别进行了研究，提出了基于光照方向一致性的检测方法，因为不需要借助假设条件和光照反射模型，从而提高了检测的通用性，同时，他还提出光源一致性的检测方法，利用统一框架对水平和垂直方向进行检测，从而确定图像是否经过篡改。目前，日常生活中JPEG格式的图像使用率占比较高，由于不同拍摄设备所产生的JPEG图片的设备型号也是不同的。所以李亚宾[4]提出了一种通过联合统计对齐的JPEG重压缩图像设备型号从而来鉴别图像是否经过篡改，该论文将最大平均差异作为衡量图像在经过压缩前后特征分布差异的标准，并将图像的原始特征映射到对重压缩不敏感的空间，从而可以通过分类算法进行分类。图像内容被动检测图像内容被动检测可以分为两类，一类是基于传统检测算法，一类是基于深度学习检测算法。传统检测算法目前为止，一个检测算法只可以检测一种篡改技术，不可以一个算法对所有篡改进行检测。随着深度学习的发展，许多专家通过深度学习检测篡改图像，并取得了不错的效果。（1）传统检测算法通过像素的全局性是否一致问题，Dong等[5]通过捕获由拼接引起的像素相关性的全局不一致，利用Sobel算子和log来获取局部清晰图像变化，将图像边缘像素信息进行拼接检测，判断是否发生篡改。尺度不变特征变换（Scale-InvariantFeatureTransform）技术，具有强大的物体识别能力，即使物体发生旋转、缩放等操作也可以识别出相似物体。因此，SIFT适合于复制黏贴检测，也有专家在此方面进行了研究。SomayehSadeghi等人[6]使用SIFT提取特征点，根据其欧几里得距离搜索相似的关键点，根据匹配的关键点确认篡改区域。郝浩[7]针对SIFT在进行复制黏贴检测时速度慢问题，提出了n2NN（new2NearestNeighbor），先通过SIFT进行特征点提取，之后使用n2NN进行特征点匹配。n2NN是基于2NN的改进，在进行特征点匹配之前将特征点分成两份，之后在进行2NN特征匹配，改进后的算法，相较于之匹配效率有很大提升。如果图像被篡改前后图片格式都是JPEG格式，那么此被篡改图片会经过两次JPEG压缩，经过双重压缩的JPEG图像的离散余弦变换系数（DCT）变化是有一定的规律。J.Lukas[8]就是通过研究双重压缩检测的特性，从双重压缩图像中预计出原始量化表，通过量化表的对比来进行图像取证。刘啸天[9]等人就传统的JPEG双重压缩只可以检测出图像是否经过重复压缩，但是无法精准的定位出篡改的的位置问题，提出了一种基于块效应痕迹的盲取证算法，可以实现对篡改区域的定位，首先通过DCT经过重复压缩后的系数块效应的映射关系，计算出图像篡改后篡改区域交流系数分布，然后通过在拉普拉斯模型的基础上,构建重复压缩概率模型,用来描述DCT系数变化程度,之后利用贝叶斯理论估测出被修改区域,最后利用后验概率得到图像在修改过程中存在的压缩特征和块效应,通过阈值分类进行判断,最终实现了对篡改区域检测。传统检测算法主要是针对不同篡改类型产生的不同的篡改痕迹来进行鉴定。因为篡改方式繁多，所以也相应的产生了大量的被动取证的方法。在这其中基于篡改痕迹的检测方法（例如DCT、SVD等），其检测的鲁棒性以及准确性相较于基于成像设备固有属性一致性检测方法（例如CFA特点、JPEG量表等）更加优秀。但是传统检测算法也存在一定的缺陷，截至目前传统检测算法一个算法还无法同时检测多个篡改方式，所以其在应用方面存在很大的局限性。（2）深度学习检测算法随着篡改技术的发展，图像的被动篡改也面临着很大的挑战，传统检测算法还是存在一定的局限性，无法根据篡改特征同时对多个篡改方式进行判断。随着深度学习的不断发展，2016年YingZhang[10]首次将深度学习技术应用于图像拼接检测，提出了一种基于Daubechies小波特征的深度学习方法，首先，将图片有RGB转为YCrCb，利用YCrCb颜色空间对篡改更加敏感。其次，将图片分割为32*32个图像块，进行小波特征提取。最后将生成的图像特征块输入五层神经网络进行真假分类，完成判断。该模型识别精度低，定位略微粗糙。为了解决GAN框架的带来的篡改识别问题，Pengzhou等人[11]提出了一种针对GAN篡改的识别模型（GSR-Net），模型结构(如图1-6)。该模型主要分为生成器和鉴别器，生成器是取出供体图像中的某部分拼接到源图像中，再经过卷积生成篡改图像；鉴别器分为分割阶段和替换阶段，两个阶段之间进行参数共享，分割阶段主要负责识别篡改边界，替换阶段是将篡改区域替换为真实区域，生成新的篡改边界。这种模型是通过鉴别器识别拼接边缘的伪影来进行确实是否经过拼接篡改，在该方法中拼接篡改以及复制黏贴达到了相当不错的效果。图1-6GSR-Net模型结构图YaqiLiu等人[12]在2019年提出了基于空洞卷积的深度匹配模型（DAMC），模型如图1-7，该模型基于GAN框架，分为DMAC网络，类别检测网络以及区域定位网络。生成器部分主要是DMAC网络，使用VGG-16进行特征骨干提取，将网络的最后三层卷积换成了空洞卷积层，之后将提取到的特征图输入到基于空洞卷积的关联层计算关联度映射，在采取基于空洞网络的空间金字塔池化结构计算出篡改图像和供体掩码。鉴别器主要由类别检测网络和区域定位网络组成，类别检测网络可以用于鉴别生成器确定区域区域的真假，区域定位网络主要用于对比篡改区域和供体区域是否一致。采用篡改图像和真实的供体图像作为输入。图1-7DMAC网络结构双JPEG图像压缩检测在传统检测算法中有介绍过，在深度学习检测算法中，Park[13]提出一种篡改区域定位的框架，如图1-8所示。先将图片分割为大小相同的图像块，之后将图片转为YCbCr颜色空间并计算DCT系数，之后根据得到的多个DCT系数得到图像的直方图特征，并将该特征作为输入进入深度卷积神经网络进行特征提取，最后结合量化表判断是否经过篡改。图1-8基于JPEG特征的篡改区域定位框架楚雪玲[14]等人提出了基于卷积神经网络的双JPEG格式下的压缩检测算法，主要是通过使用不同的质量因子对数据集中的样本进行单JPEG压缩和双JPEG压缩,CNN网络的输入是DCT,输出层是样本类别的概率分类。通过实验可以证实,如果数据样本尺寸越大,篡改后的质量因子和分类器正确率与其正相关，所以二者也会随着增大。与现有的算法相比,算法的正确率最高提高了1.3%。随着目标检测的不断发展，基于Two-Stage的FasterR-CNN，基于One-Stage的YOLO都在目标检测中取得了不错的成果。Pengzhou等人[15]提出了一种双流FasterR-CNN网络结构，网络结构如图1-9，首先模型在对图像训练的时候采取的是端对端的训练，之后检测经过处理图像的被篡改的区域。模型分为RGB流和噪声流，RGB流主要应用于RGB图片的特征提取，通过对比度差异以及不自然边来确定篡改区域的边界，噪声流则是通过SRM特征提取噪声的特征，从而找出未篡改区域和篡改区域的噪声空间的差异。之后，将RGB流和噪声流提取到的特征用区域推荐网络(RPN)来寻找潜在的篡改区域。实验结果证明，该方法具有较强的鲁棒性，在拼接、复制粘贴、移除等操作中取得了很好的效果。图1-9双流FasterR-CNN网络深度学习检测算法可以使用一个算法同时检测多个篡改痕迹，这是传统算法目前无法达到的效果。基于手工设计特征检测精度较高、发展相对成熟，但是篡改技术日新月异，手工设计特征的弊端就越发明显，其很容易被新的篡改技术所屏蔽。基于自适应特征提取方法鲁棒性较低、发展不是很成熟，其主要依赖于区域边缘异常以及图像内在的统计特征，而这两种方式都很容易被破坏掉，使模型无法检测到。同时在“数据为王”的深度学习中，现有的图像篡改的数据集远远不足以应对复杂多变的篡改技术，所以数据集的扩充也是首要任务。参考文献曾凤,王伟,汤敏,李洪均,陈俊杰.基于二次加噪相关性的拼接图像盲取证[J].武汉大学学报，2016周国语.基于JPEG特性的图像拼接篡改检测算法研究[D].重庆邮电大学，2017梁诗博.基于光照一致性的篡改图像识别技术研究[D].沈阳理工大学,2019李亚宾.JPEG重压缩图像的来源鉴别研究[D].大连理工大学，2019DongJ,WangW,TanT,etal.Run-lengthandedgestatisticsbasedapproachforimagesplicingdetection[C]//Internationalworkshopondigitalwatermarking.Springer,Berlin,Heidelberg,2008:76-87.SomayehSadeghi,HamidA.Jalab,KokSheikWong,etal.KeypointBasedAuthenticationAndLocalizationOfCopy-MoveForgeryInDigitalImage.2017,30(2)郝浩.基于SIFT的数字图像复制粘贴盲取证系统的研究与实现[D].中南财经政法大学，2019LUKŠJ,FRIDRICHJ.EstimationofprimaryquantizationmatrixindoublecompressedJPEGimages;proceedingsoftheProcDigitalforensicresearchworkshop,F,2003[C].刘啸天,王鸿.字节码图像压缩中块效应痕迹盲取证算法[J].计算机仿真，2020ZHANGY,GOHJ,WINLL,etal.ImageRegionForgeryDetection:ADeepLearningApproach;proceedingsoftheSG-CRC,F,2016[C].ZHOUP,CHENB-C,HANX,etal.Generate,SegmentandReplace:TowardsGenericManipulationSegmentation[J].arXivpreprintarXiv:181109729,2018.LIUY,ZHUX,ZHAOX,etal.AdversarialLearningforConstrainedImageSplicingDetectionandLocalizationbasedonAtrousConvolution[J].IEEETransactionsonInformationForensicsandSecurity,2019.PARKJ,CHOD,AHNW,etal.DoubleJPEGdetectioninmixedjpegqualityfactorsusingdeepconvolutionalneuralnetwork;proceedingsoftheProceedingsoftheEuropeanConferenceonComputerVision(ECCV),F,2018[C].楚雪玲,魏为民,华秀茹,李思纤,栗风永.一种基于深度学习的双JPEG图像压缩检测算法[J].上海电力大学学报，2020ZHOUP,HANX,MORARIUVI,etal.Learningrichfeaturesforimagemanipulationdetection;proceedingsoftheProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition,F,2018[C].HowardAG,ZhuM,ChenB,etal.Mobilenets:Efficientconvolutionalneuralnetworksformobilevisionapplications[J].arXivpreprintarXiv:1704.04861,2017.CSDN.了