基于重采样痕迹的图像伪造检测

检测重采样痕迹是数字取证中判断图像是否被篡改的有效途径之一。针对现有重采样检测方法大多只考虑单次重采样情况,对再次经历重采样的伪造图像不能有效区分定位篡改区域这一问题,提出一种基于重采样痕迹的图像伪造检测算法。首先定义出能够描述并区分不同重采样痕迹的两个特征量,将待测图像重叠分块,计算每块的特征量,然后利用特征量的不一致性检测定位篡改区域。实验结果表明,该方法能够区分旋转与缩放的操作历史痕迹,进行篡改伪造图像的自动判断与篡改区域定位;并且当伪造图像再次经历重采样操作后,仍能区分出图像中的不同插值区域,即对再次重采样操作具有一定的鲁棒性。     

基于光源颜色和噪声的图像拼接篡改检测方法

数字图像拼接篡改是一种常见的图像伪造手段。在图像取证中,检测拼接伪造仍然是一项艰巨的任务。现有的拼接伪造检测方法多根据一种图像特性的不一致检测并定位篡改区域,而实际拼接篡改伪造往往会造成多种图像特性的改变。针对现有单一特征提取不能充分反映拼接图像特性导致检测精确率低的问题,提出一种通过提取光源颜色和噪声的混合特征来定位并显示拼接区域的高效图像拼接检测方法。实验结果表明,混合特征提取方法较单一特征提取方法能取得更高的检测精确率。     

视觉深度伪造检测技术综述

随着生成式深度学习算法的发展,深度伪造技术发展并应用于各个领域。深度伪造技术的滥用使人们逐渐意识到其带来的威胁,伪造检测技术随之而生。本文基于视觉深度伪造技术研究进行综述。1）简要介绍了视觉深度伪造技术的发展历程及技术原理,包括生成对抗网络在深度伪造制品中的应用;2）对现有的视觉深度伪造数据集进行汇总并归类;3）对目前的视觉深度伪造检测技术进行了分类,将现有的检测方法归纳为基于具体伪影的、基于数据驱动的、基于信息不一致和其他类型视觉深度伪造检测等4种分类。其中,基于伪影的检测方法着重于寻找伪造制品与真实图像之间的像素级差异,通过机器学习识别深度伪造制品中的人工伪影痕迹,基于信息不一致的方法则着重于寻找伪造制品与真实图像或视频之间的信息级差异,这两种方法都具有识别效率高、训练便捷等优点;基于数据驱动的方法通过大量的数据集和机器学习训练,直接使用神经网络本身对深度伪造制品进行训练,并通过改善网络架构增进模型以提高训练效率,因为其模型的多变和高精确率成为目前深度伪造检测的热门方向。同时,本文分析了4种方法的具体优缺点,并进一步给出了未来视觉深度伪造检测研究的重点和难点。     

特征匹配结合自适应阈值的图像伪造检测

针对现有图像复制移动伪造检测方法对图像中存在同质纹理或均匀区域检测困难、相关参数阈值选择影响检测等问题,提出一种基于特征匹配与自适应阈值的图像复制移动伪造检测方法。首先通过定义和优化成本函数来制定交互作用机制,包括匹配和变换估计步骤;然后在迭代过程中执行步骤,使相关阈值的选择和估计更合理,自动识别和定位伪造区域;最后采用检测系统的相互作用关系,检测并修正步骤中发生的错误。实验结果表明:相比传统的复制移动伪造检测方法,在对伪造图像的像素图像精度水平、旋转和缩放的鲁棒性、检测专业伪造图像以及变换矩阵的精度等不同情况,所提方法效率更高。     

深度伪造生成与检测研究综述

目前用于建立和操作多媒体信息技术已经发展到了可确保高度真实感的程度。深度伪造作为一种生成式深度学习算法,可实现音频、图像、视频的伪造生成,近些年也取得了相当巨大的进步,与之对抗的深度伪造检测技术也在不断的发展中。梳理常见深度伪造生成的技术以及相关的数据集,总结其中的原理以及最新方法成果;并对深度伪造检测相关技术和数据集进行分析总结。对深度伪造生成和检测的未来研究方向进行了总结和展望。     

一种基于自适应闭值的图像伪造检测算法

图像伪造检测是数字取证领域一个发展迅速的研究方向。复制一移动是最常见的图像伪造方式之一,其目的是通过隐藏或克隆对象来创建新的图像内容场景。复制一移动伪造检测的主要依据是图像中存在较大面积的相同或非常相似的区域对。针对以往检测方法对图像中存在同质纹理或均匀区域检测困难以及相关参数阂值选择不确定等现状,提出一种基于自适应阂值的图像复制一移动伪造检测算法,该算法不但使相关阂值的选择和估计更合理,而且能够自动识别和定位伪造区域。通过在包含同质或均匀区域的彩色伪造图像中的实验,进一步验证了本算法的有效性。     

基于均值漂移的图像复制粘贴伪造盲检测

摘要：随着数字多媒体技术及计算机网络技术的发展,数字图像在信息技术时代扮演着越来越重要的角色,图像的真实性成为现代人们广泛关注的热点之一,为此提出了一种基于均值漂移的图像复制粘贴伪造盲检测算法。提取图像的SURF（Speed up robust feature）特征点,通过最近邻匹配方法进行特征匹配,滤除冗余点,初步定位复制粘贴伪造区域。均值漂移（Mean Shift）将具有相同或相似属性的图像像素分割为同一区域,利用匹配后的SURF特征点与其所在均值漂移分割区域的位置依赖关系确定伪造区域,并采用边缘直方图和HSV颜色直方图衡量特征点所在分割区域与相邻分割区域间的相似度,进一步细化伪造检测结果,最终实现图像的复制粘贴伪造盲检测。实验结果表明,该算法能够鲁棒地、高效地检测出图像的复制粘贴伪造区域。     

利用小波域同态滤波的伪造图像检测方法

针对伪造图像中常用的模糊操作,提出一种伪造图像的检测方法,该方法首先对伪造图像进行小波域同态滤波,增强处于高频段的人为模糊边缘,然后利用数学形态方法腐蚀掉自然边缘,保留增强的模糊边缘,最后对腐蚀后的边缘图像进行区域标定,从而定位出伪造区域。实验证明该算法相对基于传统同态滤波伪造检测方法,能够较准确定位伪造区域,降低误检率。     

基于多线索痕迹指纹协同挖掘的可解释性伪造信息检测

随着信息技术的迅速发展和互联网的普及，伪造信息的产生和传播已成为一个严重的社会问题。传统的鉴伪检测方法往往局限于单一的特征或数据类型，无法满足复杂多样的伪造手段和技术。本文提出了一种基于多线索痕迹指纹协同挖掘的可解释性伪造信息检测方法，旨在解决多模态信息的伪造检测和定位问题。     

帧内复制粘贴视频伪造的盲检测

随着数字获取技术的发展,数字媒体文档的获取越来越方便,并已成为人们现代生活中不可缺少的组成部分。功能强大的视频编辑软件为视频复制粘贴提供了方便,因此视频伪造检测具有重大现实需求。利用传统的图像伪造检测算法逐帧对视频进行伪造检测计算量大、耗时冗长,且不能保证检测结果的时空一致性。本文提出了一种基于稠密SIFT流的帧内复制粘贴视频伪造盲检测算法。所提算法自适应地在内容最小变化位置把视频划分为多个视频段,提取每个视频段的关键帧;在关键帧利用匹配SIFT关键点定位初始疑似复制粘贴伪造区域,通过SIFT关键点和均值漂移分割区域的位置依赖关系细化疑似伪造区域;采用稠密SIFT流把关键帧检测结果过渡至非关键帧,最终实现视频的复制粘贴伪造盲检测。实验结果表明,所提视频伪造盲检测方法能够高效地检测出帧内复制粘贴的视频伪造区域。     

基于半色调技术的印前图像篡改检测方法

本文印前图像特指图像数字排版经编辑确认后的数字印刷样张,其以栅格处理器分色后的加网二进制形式存储.数字样张一经确认,其来源的合法性便不受怀疑.但是,从印刷的整体流程来看,数字样张的存储、传输过程中仍有较大的篡改风险.现有的复制移动篡改检测算法存在特征维度高、计算开销大或检测率较低等问题,而且不适用于分色后的二进制样张.本文提出了一种基于半色调图像网点密度特征的Copy-Move篡改检测方法,该方法针对分色处理后的CMYK目标图像的二值量化处理,采用滑动分块的方法对目标图像进行分块,通过提取图像块CMYK四个通道的局部网点密度特征对图像块进行篡改检测.实验结果表明,该方法在图像篡改检测上较以往方法相比具有较低的时间复杂度和较高的检测率,并且对图像篡改区域的旋转攻击、小尺度缩放攻击等具有较好的鲁棒性.     

大尺寸图片的复制粘贴检测*

针对目前图像复制粘贴检测算法有时间复杂度高、当图像中有光滑区域时错检率大的缺点,将图像角点区域及其八方向邻接圆形区域作为伪造检测区域,提取每个检测区域的矩特征后用k-d树进行排序,并通过比较每个区域矩特征的相似性来定位伪造复制区域.该算法效率高,且对经过旋转、添加噪声、模糊、JPEG压缩等后处理的复制粘贴伪造图像检测效果很好.     

基于可形变自相关网络的图像篡改检测方法

基于深度学习的图像复制-粘贴篡改检测方法在特征提取过程中未考虑特征的空间排列,在小区域篡改样本下检测性能不佳。基于可形变自相关网络提出一种图像篡改检测方法。通过引入可形变卷积和多尺度空间金字塔,自适应地学习篡改目标的空间形变,同时通过构造自相关金字塔式特征层次结构,融合全局特征和局部特征以提升图像篡改检测性能。实验结果表明,该方法在公开的图像篡改检测基准上各项评测指标均优于对比方法,其精确率、召回率、F₁值较BusterNet 2019分别提高14.85、15.04、12.81个百分点,在小区域篡改样本下性能优势更为明显。     

Image copy-move forgery passive detection based on improved PCNN and self-selected sub-images

Image forgery detection remains a challenging problem. For the most common copy-move forgery detection, the robustness and accuracy of existing methods can still be further improved. To the best of our knowledge, we are the first to propose an image copy-move forgery passive detection method by combining the improved pulse coupled neural network (PCNN) and the self-selected sub-images. Our method has the following steps: First, contour detection is performed on the input color image, and bounding boxes are drawn to frame the contours to form suspected forgery sub-images. Second, by improving PCNN to perform feature extraction of sub-images, the feature invariance of rotation, scaling, noise adding, and so on can be achieved. Finally, the dual feature matching is used to match the features and locate the forgery regions. What's more, the self-selected sub-images can quickly obtain suspected forgery sub-images and lessen the workload of feature extraction, and the improved PCNN can extract image features with high robustness. Through experiments on the standard image forgery datasets CoMoFoD and CASIA, it is effectively verified that the robustness score and accuracy of proposed method are much higher than the current best method, which is a more efficient image copy-move forgery passive detection method.     

基于DWT和形态学滤波的图像伪造检测方法

针对图像中复制-移动和拼接形式的图像伪造检测,提出一种基于离散小波变换(DWT)和形态学滤波的图像伪造检测方法。首先,将图像转换为灰度图,通过应用DWT获得LH、HL和HH子带。然后,通过阈值判断来获得伪造图像区域的边缘,并通过形态学滤波来连接边缘使其清晰化。最后,提取伪造区域的SIFT特征,并通过相似性检测来寻找图像中与伪造区域相似的区域,以此来确定伪造类型。实验结果表明,该方法能够准确检测出伪造区域和伪造类型。     

基于多支持区域局部亮度序的图像伪造检测

图像伪造检测是目前数字图像处理领域中的一个研究热点,其中复制-粘贴是最常用的伪造手段。由于伪造区域在粘贴前会被进行一定的尺度、旋转、JPEG压缩、添加噪声等操作,这使得检测伪造区域具有一定的挑战性。针对图像复制-粘贴伪造技术,提出一种基于多支持区域局部亮度序模式（LIOP）的图像伪造检测算法。首先,利用最大稳定极值区域（MSER）算法提取具有仿射不变性的区域作为支持区域;其次,利用非抽样Contourlet变换得到不同尺度、不同分辨率和不同方向的多个支持区域;然后,在每个支持区域上提取同时具有旋转不变性和单调亮度不变性的LIOP描述子,并利用双向距离比值法实现特征初匹配;接着,采用空间聚类将匹配的特征进行归类,进而用随机抽样一致性（RANSAC）算法对每个归类进行几何变换参数估计;最后,使用必要的后处理等操作来检测出伪造区域。实验表明,提出的算法具有较高的伪造检测精度与可信度。     

基于超像素形状特征的图像复制粘贴篡改检测算法

针对传统图像复制粘贴篡改检测方法中划分子块的数目过大导致算法时间复杂度过高且抵抗几何变换能力较弱的问题,提出一种基于超像素形状特征的图像复制粘贴篡改检测算法.首先提出基于小波对比度自适应划分超像素的方法分割图像并提取稳定的特征点;然后提出新颖的形状编码方式提取超像素形状特征,并与特征点融合,估计可疑伪造区域;最后对可疑伪造区域进行二次超像素分割和匹配,精确定位篡改区域.实验结果表明,提出的算法具有抵抗几何变换、噪声、模糊和JPEG压缩的能力.     

基于深度特征提取和DCT变换的图像复制粘贴篡改检测

针对图像复制粘贴篡改检测中算法时间复杂度过高和定位区域不完整的问题,提出一种基于深度特征提取和离散余弦变换的图像复制粘贴篡改检测算法。首先,融合图像颜色和纹理信息获得四通道图像,计算自适应特征提取阈值,并通过基于全卷积神经网络的特征检测器提取图像深度特征;其次,通过离散余弦变换提取块特征进行初步匹配,再利用点特征向量消除误匹配;最后,通过卷积运算精确定位篡改区域。通过在公共数据集上进行验证,充分展示了该算法在检测效率和定位区域完整性方面的优势。     

基于不变矩特征的图像区域复制粘贴篡改检测

针对一种常见的篡改手段--图像区域复制粘贴,提出了一种基于不变矩特征的检测方法。将图像分成多个重叠块,提取每块的不变矩特征与直方图特征,结合起来得到图像的特征矢量。利用字典排序,依照预定的相似性标准,确定图像中的复制粘贴区域。实验结果表明,该算法在抗旋转操作方面明显优于经典的PCA检测算法,能准确检测出90°和180°的旋转。