出处: 2018情報フォレンジックとセキュリティ上の取引上のIEEE
要約:キーポイントに基づく検出方法がコピーで使用され、大規模な幾何学的変換の堅牢性のために、改ざん検出を貼り付けます。しかし、改ざん面積が小さい場合や、キーポイントの非常に限られた数の領域を滑らか。
階層的な複製を一致特徴点と一致する階層の特徴点に基づいて検出アルゴリズムを改ざん提案ペースト。
- コントラスト閾値を低減し、入力画像をスケーリングすることにより、小さいまたは平滑領域で重要なポイントの数を生成することができ
- これは重要な問題の一致を解決するための新規な階層化マッチング戦略を提案しました
- さらに改ざん特定する各キーゾーンにロバスト(支配的な配向およびスケール情報スケール情報の主方向を含む)の機能と色情報を用いて、新たな反復位置決め技術反復定位技術を提案しています。
(コード)[ https://github.com/YuanmanLi/FE-CMFD-HFPM。】
データセット FAU [6]、GRIP [12 ]、MICC-F220 [3]、MICC-F600 [16]、CMH [15]とCOVERAGE [34]
实验环境デスクトップシングルスレッドモダリティで動作する、コアI7及び8-GB RAMを搭載しました。
メトリック TPR、FPR、スコア-F。、評価画像、ピクセル角。計算の複雑
関連研究
近年では、コピー&ペーストは、大まかに検出された2つのグループに分けることができます
高密度フィールド(またはブロックベースの)方法は、入力画像を重ね合わせて正規のブロックに分割し、ブロックマッチングにより位置決めされます。
幾何学的変換のロバスト性を高めるために、離散コサイン変換は、特異値分解(SVD)特異値分解離散ウェーブレット変換(DWT)、主成分分析(PCA)の分析の主要成分をウェーブレット変換(DCT)、離散コサイン変換が変換しますこの方法は、ブロックベースの方法は臨界点に基づく方法よりも正確であるが、より高い複雑。
しかし、現在のズームでの密なフィールドの方法、回転、ノイズ状況を追加するには良いではありません
スパース・フィールド(またはキーベース)方法
SIFTアルゴリズム:スケール空間、画像の拡大縮小、回転、アフィン変換、さらにはローカル画像に基づいて、良好な堅牢性特徴
SIFTのステップを実施1.抽出キーキー0002のキーポイントは、3 4.除去を一致します点ミスマッチ
サイズスケール方向:キーポイントは、このようなハイライトコーナー、エッジ点、ダークスポットと明るい領域の暗い領域として、安定を見つけることである、3つの特性を有していますキー検出:ガウシアンカーネルで畳み込ま画像、マルチスケールの空間をもたらします
コンストラクタ犬の機能、簡素化計算
DOGのローカル極端なポイントを探して
- >キーをピンポイント:更なるテストの極値点を見つけるには、いくつかの点を含め、丸め低コントラスト値の除去ポイント
- >方向キーの割り当て
- >キーポイントの説明
- > キーマッチ
- > 不一致点を解消
アルゴリズムの構造は、本明細書に記載の特徴抽出を- >マッチ- >改ざんローカライズ
特徴抽出Ⅲ
採用SIFT特徴抽出アルゴリズムは、しかし、検出性能を損なうことになる、小型かつ円滑な分野でSIFTキーポイントの多くを生成しません。したがって、著者らは、小面積でのキーポイントの数を生成し、平滑化することができるように、SIFTを改善するために、2つの戦略を提案します
コントラスト閾値を削減
SIFTアルゴリズムは、極端な点は、補間曲線連続空間の極値の既知の離散スケール空間極値犬の機能を使用して、即ち、キーポイントを配置し、フィルタリング)IIを、微分ガウシアンピラミッド)Iによって検出されますポイント
そのため、コントラスト値
Dは、ガウス関数の差であり、X ^補間の中心に対してオフセットされています
コントラストおよび端点を削除するには、通常、C = 4閾値C未満です。しかし、小さな平滑極値点は、閾値コントラスト領域の下で省略され、図4(b)は、あまり重要ポイントで生成され、検出改ざんの十分な証拠を提供することができません
したがって、領域のキーポイントの滑らかな小さな数を確保するために生成するために、一方が閾値C、Cを下げる必要がありますが、低すぎる、低すぎることができないキーポイントマッチング問題を引き起こし、不安定性の重要な点の多くを生成することになります。
したがって、我々は適切な点cを選択するために実験を行います。第1の画像のそれぞれは、同一サイズのブロックを重複に分割されている(月、砂漠、空、などを含む)、滑らかな画像領域100を選択し、パッチ、100×100〜500の合計としてサイズで最小分散を有するブロックを選択しますパッチと×500の5のサイズは最終的に500を得ました
式7によれば、Cの適切な値を与えます
Cは、コントラスト閾値であり、4は0を転送から、ステップ= 0.01は、制約がされている\(N ^ {C} _ {I} \) 、キーポイントの個数、i番目のパッチは、少なくとも保証されている\(S ^ {I} \)パッチのサイズのキーポイントごとに1200個のピクセルがあります。C = 0.01、C = 0.1を設け、ミスマッチを考慮して、少しだけより良いC = 0.1より、最適解である場合、図4のD Cは、キー値の数と、の関係です。図4cは、c = 0.1の結果であります
入力画像をスケーリング
しっかり集め臨界点で、その結果、あまりにも多くの時間を秒秒より大きい、より重要な点が、しかし入力画像は、4Eとして、臨界点の数を高める大きくすることができ、スケーリング、キーポイントマッチング問題は悪化するトレードオフS =そう2
二つの方法上記の重要なポイントの数が大幅に増加することができますが、重要な点は、マッチングの困難を引き起こし、不一致のため、以下の問題点を改善するためのマッチング戦略と測位技術の上に提案します
階層的特徴マッチングⅣ
キーポイントマッチング問題
図5aは、改ざん画像であります
図5b:5直接マッチング、キー2990、C = 4、S = 1
5C:1つの直接マッチング、キー35601、C = 0.1、S = 2
5D:54番目の規模クラスタリングマッチングキー35601、C = 0.1、S = 2
上記の方法を使用した後に、キーポイントの数が10回を倍増するが、1 5下に当たることがない、同じ位置または隣接する位置の異なるスケールがより重要な点を生成するために反して、対応する記述子に非常に類似していますマッチング条件式(5)、キーポイントマッチング問題-Iと呼ば
キーポイントマッチ改ざんイメージのキーのサブセットを作成する記載、マッチングは、ユークリッド距離を用いて、任意の二つの類似度キーポイントディスクリプタによって完成されます
二点、最短直線と。記載された2点のユークリッド距離との間の直線距離
式(5)、対になるべきキーポイント(\(R_ {I}、\)\(R_ {I} \) )を満足する
\ [\ FRAC {R_ {I } {最近点R_ {J}距離を} R_ {I}点距離S_ {J}} <しきい値付近回\]
アルゴリズムの計算の複雑さが大幅に増加するマッチング呼ばキーポイントマッチング問題-II
上記二つの問題、階層的特徴マッチングアルゴリズムを、図6に示すアルゴリズムの構造を解決するために、
重複クラスタ階調を一致させることによって設定されている二つの部分、1)2をクラスタリングスケールを一致させることによって設定されている)からなります
グループBは、クラスタリング規模で一致しています
図3に示すように、SIFTアルゴリズム、オクターブ基としてガウシアン画像は、スケール空間代表点が検出されました。方法を使用した後Ⅲ、しっかりキーポイントの数ロバストな大規模なスケーリングのための比較的低い規模小規模ジョイント2.高マッチングキーポイントの1オクターブ高いスケールので、異なるスケールのキーポイントを集めたので、この溶液は、それぞれ、単一のオクターブ内の各下位尺度と一致し、且つ複数のスケールより高いオクターブで一緒に一致すべきです。
基である上記式8によれば、キーポイントは3つのグループ、octave1、octave2、octave3に分割され
\は、(\ gamma_ {I} \ ) i番目のオクターブにおける第1のスケール値犬の画像です。\(\ sigma_ {K}が\ ) キーポイントkのスケール値が大きく滑らかな画像
したがって、図に示すように、キーポイントマッチング問題-I問題を低減することから5d。
そのノートの数を増加させることは、上記に一致するが、ロバスト性を犠牲にある程度イメージをスケーリングします。高スケールを考慮C3は、ズームの画像の堅牢性を保持するために、ある程度まで、すべてのキーポイントを含みます。ロバスト小規模用C1 C2マッチ
重複グレーレベルのクラスタリングを介してCグループマッチング
重複したクラスタ階調を一致させることにより、グループ
SIFT式(5)は、すべてのキーポイントはとても一致するように、同じグループ内の距離計算を必要としました。しかし、重要なポイントの数、計算負荷の増加に伴って。したがって、本明細書の構造において、効率的なマッチングアルゴリズムが重要であり、マッチング戦略が提案されている - の階調を一致重複クラスタ
正しい一致は、2つの同様の地域に類似した画素値を有するべきであるため、コピー&ペーストの検出では、先験的知識は、です。したがって、分類のグレースケール値は、式5に基づくマッチングにおける各階調値を適用し、臨界点を提案しました。
唯一のいくつかのグレー値クラスにすべてのキーの分離は、異なるグレー値の間に失われる可能性が正しいクラスと一致し、したがって、サブセット、ステップ= C1と重なるLに0-255、式9に示すように重なり合っステップ= C2、
\(C_ {P、I} \) 、臨界点におけるi番目overlppedグレーレベルクラスタリングのスケールクラスタリングを表す\(A_ {I} \)\(B_ {J} \)のグレー値の集合の代表開始点と終了点
Pは、一致するすべてのペアの画像を表す(P_ {P} I \の)\式11を有する整合ペア内のi番目overlppedグレーレベルクラスタリングにおけるスケールクラスタリングを表します
、使用をマッチング誤差を解消するために、
Ⅴ反復偽造場所
イテレーション改ざん場所
コピーし、キーポイントに基づく検出アルゴリズムを貼り付け、位置合わせに問題があります
複数の改ざんエリア、homograohyユニークではない、と改ざん不明の数が存在する場合には
原点マッチング処理に対応する全てのマッチング、したがって改竄点、一致するシーケンスの分離
RANSACアルゴリズムは、単一のホモグラフィを推定することで、マッチング順序に一致させるべきです。
従来の解決策:
1)で説明したように[3]、[15]は、最初のキーワード位置によってクラスタリングのキーワードベースのクラスタリングアルゴリズムに一致する、元の鍛造キーワードおよびキーワードは、異なる分け提案しましたクラスタリング、次に、接続する2つのクラスタが同じ(一方のクラスタから別のクラスタへ)配列を一致マッチ[3]を割り当てられ、
[5]のキーポイントに基づく2)セグメント化アルゴリズム、画像全体が第1の分割されていますその後、小さな非重複領域、分割領域のそれぞれとの間の試合。動きに対応する-領域が一致する十分な数の点が含まれている場合は、領域がコピーすると考えられます。
問題
1)改ざん複数の領域は、実際のクラスタは、実際にクラスタ領域を改ざんすることは容易で未知又はタンパ局在領域耐えるに近い地域であります
ユニバーサルアルゴリズムパラメータを見つけることが計算上、集中困難2)大型画像セグメンテーション
我々のアプローチ
1)任意のセグメントまたはクラスタリング工程なし
色情報のロバスト特徴(主方向とスケール情報)2)臨界点とテイク利点
3)非常に正確な位置決めを改ざん
具体的な手順
ステップ1)で単離し削除一致。
ステップ2):ローカルホモグラフィ推定。
ステップ3):単一の支配的な方向条インライア選択および検証の使用。
ステップ4):タンパー局在を用いてスケールおよび色情報。
孤立マッチしたペアの除去
コピーを検出し、先験的知識貼り付ける:連続した形状で改ざんを、正しいマッチングキーがので、ローカルエリアで単離されてはなりません。式12によれば、単離された戦を捨て
\(N_ \の{K}) 、\(N_ {K '}の\)距離マッチングペアを指す(K、K'距離)< \(ISO T_は{100} = \)の数と一致します
有効な一致の残りのセットは、Mのように定義されます
ローカルホモグラフィのB評価
Mからランダム(K、K ')、式(14)、選択された\(C_ {K} \) 、\(C_ {kは'} \)を表し\(M_ {キー} \)の距離kのキーポイントと臨界点近傍K」
\(M_ {キーが} \) 、キーポイントMを指す\(T_ {D} \) = 100は、DIS(P、K)は、2つのキーポイントのユークリッド距離を算出します
生成\(M_ {K} \)を含む距離(K、K ')(すべてのペアの臨界点近傍からマッチング順\(C_ {K} \)の{\(C_ K}' \) )
(https://blog.csdn.net/xuyangcao123/article/details/70916767)
\(M_ {K} \)そのhomograhyにおける2つの連続した部分領域から、仮定(なH_k {} \)\同じ、従ってⅤ冒頭で述べた問題を解決します。
[16]また、マッチドペア(3ランダムに選択された隣接する対)を算出するアフィン行列の部分によって推定アフィン行列の組、各々が示唆されます。彼らの目標は、スペースの右の概念の試合で収集することです。
そして、我々は、絞り込みを行い、すべてのインライアをアフィン行列を推定し、次に使用するために、2つの隣接地域からのすべての一致を使用します
支配的な姿勢を用いてCホモグラフィ検証とインライア選択
ホモグラフィ検証主方向インライアによって選択
RANSAC法は、完全に正確ではない場合は特に長い時間のための十分なインライアの数。我々は、新規な単一の検証を提案し、入力は、選択方法は、各キーポイント主要方向に関連付けられた使用を指すべきです。
SIFTアルゴリズムでは、支配的な向きは回転不変で重要な役割を果たしています。
<K、K 'が>正しいマッチングは、主方向キーポイントオフセット(\ \ theta_ {K'} - \ theta_ {K} \) 推定アフィンホモグラフィと適合性であるべきである(\なH_k {} \)。いくつかの偽のマッチングは、同じ変換オベイを射影変換することができるが、その主方向はBEと互換性がありませんが(なH_k {} \)\
\(なH_k {} \)ライティング
正則行列である2×2、\(T = [T_ {X}、{Y} T_] T ^ {} \)転移ベクター遷移行列であります
特異値分解式
\(R&LT(\ theta_ {H})\)、\ (R&LT(\ phi_ {H})\)の回転動作の代表的なパラメータである\(\ theta_ {H} \)、\ (\ phi_ {H} \)
コピーして、時計回りに回転又は反時計回りであってもよいパッチを貼り付け\(\ theta_ {H}は\ ) (0、にマップ\(2 \ PI \) ]宇宙
検証する定義関数(なH_kを{} \)\正しく
正しい推定する\(なH_k \)と<K、K「>の正しいマッチングを、fはゼロに近くなければなりません。
\(\ハット{M_ {K }} \) 表現\(なH_k \)知られ、RANSACアルゴリズムの結果インライアセットを行った後に戻る(\帽子{M_ {K \ \}} \ subseteq {M_ {K}}) 、偽インライアを排除する場合にのみ\(\ハット{M_ {K }} \) の時間受け入れるように、式22を満たすの90%以上(\なH_k \) (\(T_ \シータ= 15 \))
(なH_k \)\後で、
\(M_H \)、kは選択されたライナーで表すキーポイント
絞り込みその後、取得Linera \(なH_k \)
密な分野でのD偽造のローカライズ
提案されたアルゴリズム集約型のフィールドの位置に改ざん
- 各入力ポイントスケール情報疑わしい領域の建設
- 色情報の整合性を検証することにより、不審な地域を絞り込みます
ある\(m_h \)各インライア点k部分円形形状と疑われる領域が
\は、(\ sigma_k \)、kの値の尺度である(\ = 16 \アルファ)\ハイパーパラメータであります
\(M_h \)の各点のマッチングシーケンスの、そう得るための2つの疑わしい領域S S '
不審な面積を最適化するために、色情報を使用します
Kへのホモグラフィを経由してS kを*
KおよびK * KとKに似RGB情報*は、コピーしていると考えられてポイントを貼り付けると
Q1は、コピーに基づくすべての点を表し、計算Sを貼り付け、
間で
\(\オメガ(K)\) 3×3のk個のフィールドであり、Zは正規化係数、閾値である\(T_rgb = 10 \)
反対方向変換におけるS「K」で
Q2は、コピーに基づくすべての点を表し、計算」Sを貼り付け、
B 0は元の画像を示し、領域1は、改ざんを表し、二値画像タンパー位置を表し、Bは最初0に初期化され、その後、Q1 Q2はマークされた点と呼びます
移動領域 - なお、上記ステップ2)-4)により、我々は、ホモグラフィ変換を満たすためにアップコピー得ることができます。しかし、複数のクローン、ホモグラフィは、一意ではないかもしれません。図に示すように、私たちのローカリゼーションアルゴリズムは、反復的です。
具体的には、我々のアプローチ、ステップ2)-4)実験= 15 K)で(K回の反復を繰り返します。各反復では、我々は、ホモグラフィを推定するための一致の一部のみを使用します
すべての反復が完了した後、Bに:小さなギャップを埋めるために小さな領域、形態学的閉鎖演算を取り外し、
最後に検出された領域の偽造を生成
ⅵ実験
データセット:
- FAU:実際のコピーに対応する原画像48及び48を含む - 改ざん操作を動画、約3000×2300の解像度平均
- GRIP:80は、元の画像80が含まれており、改ざん複製忠実度を移動し、それは同じサイズ1024×768です。モバイル改ざん検出が課題となっている - ことは注目に値する、GRIPパッチの改ざんいくつかは非常に(例えばSIFTなど)スパースサンプリングの複製に基づいている、滑らかさ
- MICC-F220:110と110は、画像合成改ざんされていない改ざん画像、解像度から722×480 800×600
- MICC-F600:3888×2592に元の画像、800×533の画像解像度からなる改ざん画像160及び440
- CMH:1296×972から845×634から108個のを含むクローン実画像解像度
- (COVERAGE)https://github.com/wenbihan/coverage ]:生データセット100 -改ざん画像、400×486の解像度平均。各画像は似ていますが、実際のオブジェクトが含まれています。我々の実験では、我々はオリジナルの91を使用- 9リリースグランドトゥルース間違ったイメージのペアを除く、組成物のための画像の一部を改ざん。
検出結果
8、表12は、FAUグリップの結果であります
堅牢な検出
表3は、FAUのデータセット、アルゴリズムの異なる段階の影響を示すことです
従来のマッチング方法を示したマッチング
マッチング+ Sは、クラスタ規模のために一致のセットを表します
マッチング+ SGは、階層マッチングを(重複グレー値スケールクラスタリング及びクラスタを含む)を提案した方法を示して
参照
https://wenku.baidu.com/view/87270d2c2af90242a895e52e.html?re=view