数字图像反取证技术综述

目的 数字图像的真实性问题备受人们关注,被动取证是解决该问题的有效途径。然而,如果伪造者在篡改图像的同时利用反取证技术对篡改的痕迹进行消除或伪造,那么已有的大量被动取证技术都将失效。回顾图像反取证技术的研究现状（包括兴起原因、实现原理、技术特点以及应用前景）,并根据已有文献总结反取证技术面临的主要挑战和机遇。方法 由于现有的被动取证技术大都基于遗留痕迹和固有特征的异同来辨识图像真伪,因此本文以不同的取证特征为线索来评述和比较反取证技术的原理和策略。结果 根据取证特征的不同,将反取证技术归纳为遗留痕迹隐藏、固有特征伪造和反取证检测等三类,并展示了当前各类反取证技术面临的难点和挑战。结论 对数字图像反取证技术进行总结和展望,并指出其算法未来在通用性、安全性、可靠性等方面将有待进一步的深入研究。     

深度视频修复篡改的被动取证研究

深度视频修复技术就是利用深度学习技术, 对视频中的缺失区域进行补全或移除特定目标对象。它也可用于合成篡改视频, 其篡改后的视频很难通过肉眼辨别真假, 尤其是一些恶意修复的视频在社交媒体上传播时, 容易造成负面的社会舆论。 目前,针对深度视频修复篡改的被动检测技术起步较晚, 尽管它已经得到一些关注, 但在研究的深度和广度上还远远不够。 因此, 本文提出一种基于级联 ConvGRU 和八方向局部注意力的被动取证技术, 从时空域角度实现对深度修复篡改区域的定位检测。首先,为了提取修复区域的更多特征, RGB 帧和错误级分析帧 ELA 平行输入编码器中, 通过通道特征级融合, 生成不同尺度的多模态特征。其次, 在解码器部分, 使用编码器生成的多尺度特征与串联的 ConvGRU 进行通道级融合来捕捉视频帧间的时域不连续性。最后, 在编码器的最后一级 RGB 特征后, 引入八方向局部注意力模块, 该模块通过八个方向来关注像素的邻域信息, 捕捉修复区域像素间的异常。实验中, 本文使用了 VI、 OP、 DSTT 和 FGVC 四种最新的深度视频修复方法与已有的深度视频修复篡改检测方法 HPF 和 VIDNet 进行了对比, 性能优于 HPF 且在编码器参数仅 VIDNet 的五分之一的情况下获得与 VIDNet 可比的性能。结果表明, 本文所提方法利用多尺度双模态特征和引入的八方向局部注意力模块来关注像素间的相关性, 使用 ConvGRU捕捉时域异常, 实现像素级的篡改区域定位, 获得精准的定位效果。     

基于模式特征的H.264/AVC可逆视频水印

目的 针对当前可逆视频水印隐蔽性和篡改定位能力不足问题,提出一种新颖的基于帧内预测模式的可逆视频水印算法。方法 首先,深入分析I帧亮度分量的预测模式对不同类型篡改的敏感性,提取每个帧内编码宏块的预测模式,通过预测模式生成特征码。然后,结合H.264/AVC编码特性和误差补偿算法,在每个亮度4×4残差块中筛选出误差最小系数。最后,运用差值扩展的方法将特征信息作为水印可逆的嵌入到所选系数。结果 在含水印视频未受到篡改时,解码端提取水印后可对原始视频进行无损恢复。当视频受到篡改时,算法能精确定位篡改区域并且篡改定位精度达到4×4子块级。由于水印嵌入在误差最小的系数中,能够有效地降低水印嵌入对于视频质量的影响,嵌入水印后图像的PSNR值比现有的基于H.264/AVC可逆水印方案平均提高10%,测试序列的码率增量平均降低了22%左右。结论 本文算法较现有算法具有更好的嵌入率、隐蔽性、篡改检测精度, 适用于医学、军事、卫星等领域。     

检测小篡改区域的U型网络

目的 图像篡改区域检测是图像取证领域的一个挑战性任务,其目的是找出图像的篡改区域。传统方法仅针对某种特定的篡改方式进行设计,难以检测其他篡改方式的图像。基于卷积神经网络的方法能够自适应地提取特征,同时检测包含多种篡改方式的图像。但是其中多数方法都选择增强图像的噪声特征,这种机制无法较好处理篡改区域与原图像来源相同、噪声相似的情况。多数方法还忽略了篡改区域过小而产生的样本不平衡问题,导致检测效果不佳。方法 提出了一个基于区域损失的用于检测小篡改区域的U型网络,该网络构建了一个异常区域特征增强机制,放大与图像背景差异较大的异常区域的特征。此外,还利用区域损失增强对篡改区域框内像素的判别能力,可以解决因篡改区域过小而产生的样本不平衡问题。结果 消融实验说明了异常区域特征增强机制和区域损失机制的有效性;对JPEG压缩和高斯模糊的对抗性测试证明了模型的鲁棒性;在CASIA2.0（CASI-A image tampering detection evaluation database）、NIST2016（NIST nimble 2016 datasets）、COLUMBIA （Columbia uncompressed image splicing detection evaluation dataset）和COVERAGE （a novel database forcopy-move forgery detection）数据集上与最新方法进行比较时,本文方法取得了最优性能,其F1 score分别为0.979 5、0.982 2、0.995 3和0.987 0。结论 本文的异常区域特征增强机制和区域损失机制能有效提高模型性能,同时缓解篡改区域过小导致的样本不平衡问题,大量实验也表明了本文提出的小篡改区域检测方法的优越性。     

融合双目多维感知特征的立体视频显著性检测

目的 立体视频能提供身临其境的逼真感而越来越受到人们的喜爱,而视觉显著性检测可以自动预测、定位和挖掘重要视觉信息,可以帮助机器对海量多媒体信息进行有效筛选。为了提高立体视频中的显著区域检测性能,提出了一种融合双目多维感知特性的立体视频显著性检测模型。方法 从立体视频的空域、深度以及时域3个不同维度出发进行显著性计算。首先,基于图像的空间特征利用贝叶斯模型计算2D图像显著图;接着,根据双目感知特征获取立体视频图像的深度显著图;然后,利用Lucas-Kanade光流法计算帧间局部区域的运动特征,获取时域显著图;最后,将3种不同维度的显著图采用一种基于全局-区域差异度大小的融合方法进行相互融合,获得最终的立体视频显著区域分布模型。结果 在不同类型的立体视频序列中的实验结果表明,本文模型获得了80%的准确率和72%的召回率,且保持了相对较低的计算复杂度,优于现有的显著性检测模型。结论 本文的显著性检测模型能有效地获取立体视频中的显著区域,可应用于立体视频/图像编码、立体视频/图像质量评价等领域。     

JPEG图像双重压缩偏移量估计的篡改区域自动检测定位

目的 为了解决现有图像区域复制篡改检测算法只能识别图像中成对的相似区域而不能准确定位篡改区域的问题,提出一种基于JPEG(joint photographic experts group)图像双重压缩偏移量估计的篡改区域自动检测定位方法。方法 首先利用尺度不变特征变换(SIFT)算法提取图像的特征点和相应的特征向量,并采用最近邻算法对特征向量进行初步匹配,接下来结合特征点的色调饱和度(HSI)彩色特征进行优化匹配,消除彩色信息不一致引发的误匹配;然后利用随机样本一致性(RANSAC)算法对匹配对之间的仿射变换参数进行估计并消除错配,通过构建区域相关图确定完整的复制粘贴区域;最后根据对复制粘贴区域分别估计的JPEG双重压缩偏移量区分复制区域和篡改区域。结果 与经典SIFT和SURF(speeded up robust features)的检测方法相比,本文方法在实现较高检测率的同时,有效降低了检测虚警率。当第2次JPEG压缩的质量因子大于第1次时,篡改区域的检出率可以达到96%以上。 结论 本文方法可以有效定位JPEG图像的区域复制篡改区域,并且对复制区域的几何变换以及常见的后处理操作具有较强的鲁棒性。     

像素方向分布不一致性的图像模糊取证方法

相机的普及和图像处理软件的广泛应用使得数字图像正面临着被随意篡改和伪造的威胁。针对模糊润饰后的数字伪造图像,提出一种利用像素方向分布不一致性特征进行定位检测数字图像取证的方法。通过从图像中提取每个像素的方向特征来描述润饰操作对像素方向分布的破坏,在此基础上利用模糊区域与未模糊区域像素方向相关性的特征对模糊润饰的伪造图像区域进行定位。实验表明,该算法能够有效地对模糊润饰的图像进行检测和定位并且具有很好的鲁棒性。     

基于自适应提点鲁棒定位的图像复制粘贴篡改检测

复制-粘贴篡改检测(Copy-Move Forgery Detection, CMFD)是数字图像篡改的一种常见方式,近年来已成为多媒体取证领域一个重要的研究方向.本文提出一种鲁棒的复制-粘贴篡改检测算法,基于构造波动函数自适应获取阈值的方法均匀提取图像特征点,可在篡改区域小或平滑的情况下进行鲁棒检测.引入DBQ-LSH匹配算法进行特征匹配,降低了时间复杂度.提出基于不变矩LBP图像的定位方法,在图像受到噪声攻击和JPEG压缩攻击下能精准定位篡改位置.实验结果表明,该算法具有优良的检测正确率(图像级)和检测精度(像素级).     

边缘与区域不一致性引导下的图像拼接篡改检测网络

目的 针对已有图像拼接篡改检测方法中存在的真伪判断分类精度不高、拼接篡改区域定位不准确问题，本文设计了一种篡改边缘两侧和篡改区域内外不一致性引导下的重点关注篡改区域与篡改边缘的图像拼接篡改检测卷积神经网络。方法 图像内容在篡改过程中，拼接物体的边缘都会留下篡改痕迹，这是图像拼接篡改检测的重要线索。因此，本文设计了一条篡改边缘提取分支，通过学习拼接物体边缘两侧的不一致性，重点提取拼接篡改区域的边缘轮廓。考虑到篡改边缘像素点过少会导致网络难以收敛，提出一个边缘加粗策略，形成一个边缘加粗的"甜甜圈"，使得篡改边缘提取结果更具完整性。在不同图像采集过程中，所用相机设备和光线条件等因素不同，导致每幅图像包含的信息也不尽相同。对此，设计了一条篡改区域定位分支，重点学习来自不同图像拼接区域与周围区域之间不一致性的差异化特征，并将注意力机制引入图像拼接篡改检测的篡改区域定位分支，进一步提高对拼接篡改区域的学习关注程度。面向真伪判断设计了一条图像是否经过拼接篡改的二分类网络分支，不但可以快速有效地给出输入图像是否为篡改图像的判断结果，而且可以与上述两条分支的输出结果一起提供给用户，由用户结合视觉语义信息进行综合判断。结果 本文算法与已有的4个代表性方法在4个专业数据集上进行算法实验和性能比较。在真伪判断分类的精确度方面，在Dresden、COCO（common objects in context）、RAISE（a raw images dataset for digital image forensics）和IFS-TC（information forensics and security technical committee）数据集上分别提高了8.3%、4.6%、1.0%和1.0%；在篡改区域定位的准确度方面，F1评分与重叠度IOU（intersection over union）指标较已有方法分别提升了9.4%和8.6%。结论 本文算法将真伪判别分类、篡改区域定位和篡改边缘提取融合在一起，互相促进，较大提升了各分支任务的性能表现，在图像拼接篡改检测方面取得了优于已有方法的效果，为数字图像取证技术领域的研究工作拓展了思路。     

融合多特征的视频帧间篡改检测算法

传统的视频帧间被动取证往往依赖单一特征,而这些特征各自适用于某类视频,对其他视频的检测精度较低。针对这种情况,提出一种融合多特征的视频帧间篡改检测算法。该算法首先计算视频的空间信息和时间信息值并对视频进行分组,接着计算视频帧间连续性VQA特征,然后结合SVM–RFE特征递归消除算法对不同特征排序,最后利用顺序前向选择算法和Adaboost二元分类器对排序好的特征进行筛选与融合。实验结果表明,该算法提高了篡改检测精度。     

数字音频篡改被动检测研究综述

数字音频篡改被动检测是指不依赖任何预先嵌入的信息来鉴别数字音频真伪的技术,其最主要研究内容是判定数字音频的真实性和完整性,在司法取证、新闻公正、知识产权保护等领域有着广泛的应用前景。目前领域内相关综述主要从数字音频主动、被动取证总体框架开展,并未专门针对数字音频篡改被动取证研究进行系统全面总结,且涉及被动取证部分存在时效性不足的问题。据此首先总结了数字音频篡改被动检测的任务模型和取证框架,接着依据篡改手段、检测策略、所使用的统计特征及模型,将目前的数字音频篡改被动检测方法分为四类：基于篡改操作的检测方法、基于数字音频重压缩的检测方法、基于录音设备和音频录制环境的检测方法、基于数字音频信号自身统计特性的检测方法,然后分析了每种方法所采用的典型算法和扩展手段,并对不同检测算法进行性能比较,然后对这四类方法的检测特点和使用范围进行总结。最后综合近年来国内外研究人员的主要成果,总结了数字音频篡改被动检测研究面临的问题和挑战,并对未来的研究进行了展望。     

视频帧率上转换检测技术综述

视频帧率上转换检测技术是视频取证技术的一种。为了系统阐述视频上转换检测领域现状,合理导向后续研究,对相关技术进行了综述。首先对相关研究历史和发展进程进行阐述,总结上转换概念及技术框架。然后根据检测技术的目的,对现有算法分类阐述。最后汇总介绍了视频帧率上转换检测领域的主要研究团队及其研究成果。从算法框架、检测结果等方面对比现有检测技术,提出了两点展望。视频帧率上转换作为视频后处理技术的重要组成部分,目前仍需进一步研究。     

面向GAN生成图像的被动取证及反取证技术综述

生成对抗网络（generative adversarial network,GAN）快速发展,并在图像生成和图像编辑技术等多个方面取得成功应用。然而,若将上述技术用于伪造身份或制作虚假新闻,则会造成严重的安全隐患。多媒体取证领域的研究者面向GAN生成图像已提出了多种被动取证与反取证方法,但现阶段缺乏相关系统性综述。针对上述问题,本文首先阐述本领域的研究背景和研究意义,然后分析自然图像采集与GAN图像生成过程的区别。根据上述理论基础,详细介绍了现有GAN生成图像的被动取证技术,包括：GAN生成图像检测算法,GAN模型溯源算法和其他相关取证问题。此外,针对不同应用场景介绍基于GAN的反取证技术。最后,通过实验分析当前GAN生成图像被动取证技术所面临的挑战。本文根据对现有技术从理论和实验两方面的分析得到以下结论：现阶段,GAN生成图像的被动取证技术已在空间域和频率域形成了不同技术路线,较好地解决了简单场景下的相关取证问题。针对常见取证痕迹,基于GAN的反取证技术已能够进行有效隐藏。然而,该领域研究仍存在诸多局限：1）取证与反取证技术的可解释性不足;2）取证技术鲁棒性和泛化性较弱;3）反取证技术缺乏多特征域协同的抗分析能力等。上述问题和挑战还需要研究人员继续深入探索。     

<Emphasis Type="Bold">Inter-frame forgery detection in H.264 videos using motion and brightness gradients</Emphasis>

In the midst of low cost and easy-to-use multimedia editing software, which make it exceedingly simple to tamper with digital content, the domain of digital multimedia forensics has attained considerable significance. This research domain deals with production of tools and techniques that enable authentication of digital evidence prior to its use in various critical and consequential matters, such as politics, criminal investigations, defense planning. This paper presents a forensic scheme for detection of frame-based tampering in digital videos, especially those captured by surveillance cameras. Frame-based tampering, which involves insertion, removal or duplication of frames into or from video sequences, is usually very difficult to detect via simple visual inspection. Such forgeries, however, disturb the temporal correlation among successive frames of the tampered video. These disturbances, when analyzed in an appropriate manner, help reveal the evidence of forgery. The forensic technique presented in this paper relies on objective analysis of prediction residual and optical flow gradients for the detection of frame-based tampering in MPEG-2 and H.264 encoded videos. The proposed technique is also capable of determining the exact location of the forgery in the given video sequence. Results of extensive experimentation in diverse and realistic forensic set-ups show that the proposed technique can detect and locate tampering with an average accuracy of 83% and 80% respectively, regardless of the number of frames inserted, removed or duplicated.     

Video tampering dataset development in temporal domain for video forgery authentication

Videos are tampered by the forgers to modify or remove their content for malicious purpose. Many video authentication algorithms are developed to detect this tampering. At present, very few standard and diversified tampered video dataset is publicly available for reliable verification and authentication of forensic algorithms. In this paper, we propose the development of total 210 videos for Temporal Domain Tampered Video Dataset (TDTVD) using Frame Deletion, Frame Duplication and Frame Insertion. Out of total 210 videos, 120 videos are developed based on Event/Object/Person (EOP) removal or modification and remaining 90 videos are created based on Smart Tampering (ST) or Multiple Tampering. 16 original videos from SULFA and 24 original videos from YouTube (VTD Dataset) are used to develop different tampered videos. EOP based videos include 40 videos for each tampering type of frame deletion, frame insertion and frame duplication. ST based tampered video contains multiple tampering in a single video. Multiple tampering is developed in three categories (1) 10-frames tampered (frame deletion, frame duplication or frame insertion) at 3-different locations (2) 20-frames tampered at 3- different locations and (3) 30-frames tampered at 3-different locations in the video. Proposed TDTVD dataset includes all temporal domain tampering and also includes multiple tampering videos. The resultant tampered videos have video length ranging from 6 s to 18 s with resolution 320X240 or 640X360 pixels. The database is comprised of static and dynamic videos with various activities, like traffic, sports, news, a ball rolling, airport, garden, highways, zoom in zoom out etc. This entire dataset is publicly accessible for researchers, and this will be especially valuable to test their algorithms on this vast dataset. The detailed ground truth information like tampering type, frames tampered, location of tampering is also given for each developed tampered video to support verifying tampering detection algorithms. The dataset is compared with state of the art and validated with two video tampering detection methods.

     

重采样图像的盲检测技术

数字图像取证技术是一门不依赖任何图像先验知识而对图像来源和内容真实性进行认证的新兴技术。重采样检测是数字图像取证的一个重要分支,已成为当前的研究热点。详细分析对比了两类图像重采样盲检测算法：基于期望值最大化的重采样检测和基于差分周期特性的重采样检测,并对当前应用和后续研究进行相关论述。     

以运动矢量残差为载体的视频隐写算法

目的 以运动矢量（MV）为载体的视频隐写算法会破坏同一帧内相邻宏块或者相邻帧相同位置宏块的运动矢量之间的相关性,从而容易被基于运动矢量时空相关性（temporal-spatial correlation）特征的隐写分析算法检测到。为了解决这个问题,在H.264/AVC的视频编解码标准下构建了一种能抵抗基于运动矢量时空相关性隐写分析的视频隐算法。方法 通过分析运动矢量残差（MVD）与运动矢量时空相关性的联系,证明了保持运动矢量残差的统计特征的隐写算法能够很好地保持视频运动矢量的时空相关性;通过分析运动矢量残差的统计特征设置了一种能保持其直方图特征的嵌入规则,使用4个标记符和一个队列来记录修改载体造成的特征改变,并进行相应的补偿操作,将秘密信息嵌入到视频压缩过程中的熵编码之前的运动矢量残差中;结合可变长度的矩阵编码,有效降低了嵌入秘密信息对载体的修改量。结果 实验结果表明,该算法能较好地保持运动矢量残差在隐写前后的直方图特征,具有较好的视觉不可见性,对视频峰值信噪比（PSNR）和码率影响都不超过0.5%,满载嵌入的情况下基于运动矢量时空相关性的隐写分析算法对其的检测正确率只有70%左右。结论 本文算法以运动矢量残差为隐写嵌入的载体,使用保持其直方图特征的嵌入规则,结合了矩阵编码以减低对载体的修改量,能较好抵抗基于运动矢量时空相关性的隐写分析。     

基于Krawtchouk不变矩的复制-粘贴篡改盲检测算法

针对数字图像检测中一类常见的复制-粘贴图像篡改,提出一种基于小波变换和径向Krawtchouk不变矩的盲检测算法。算法利用小波变换提取图像的低频分量,对低频分量分块提取径向Krawtchouk不变矩特征,这种特征描述方式对图像旋转后处理具有鲁棒性,然后将特征向量进行按字典排序,并结合数学形态学进行图像复制篡改区域的检测和定位。实验表明该算法能有效地定位出复制和粘贴的图像篡改区域,并对粘贴区域旋转操作具有很强的鲁棒性。     

视频帧内运动目标移除篡改检测算法

针对数字视频帧内对象被移除的篡改操作,提出了一种基于主成分分析（PCA）的篡改检测算法。首先对待测视频帧与基准帧相减得到的差异帧使用稀疏表示方法进行去噪,降低噪声对随后特征提取的干扰;其次将去噪后的视频帧进行非重叠分块,利用主成分分析提取像素点的特征并构造特征向量空间;然后使用k-means算法对特征向量空间进行分类,并将分类结果用二值矩阵表示;最后对二值矩阵进行图像形态学操作得到最终检测结果。实验结果表明所提算法的检测性能指标精确度达到91%、准确度达到100%、F1值达到95.3%,比基于压缩感知的视频篡改检测算法在性能指标上有一定程度的提高。实验证明,对于背景静止的视频,该算法能够检测出帧内运动目标被删除的篡改操作,而且对有损压缩视频具有很好的鲁棒性。