毕设&课设&项目&实训-2019年大创项目和2019年新苗人才计划项目，针对翻拍的图片进行检测与识别..zip

# Remake-detection ## 开发时间：2019.3-2020.10 ### 项目概述：2019年大创项目和2019年新苗人才计划项目，针对翻拍的图片进行检测与识别，主要使用lbp算法，前期准确率在80.08%左右，后不断扩大优化图片数据库，准确率提升到97.4%结题。 - ### 目录 - [一、 课题背景和意义](#一-课题背景和意义) - [二、 国内外现状](#二-国内外现状) - [１、阿里云上线了活体翻拍检测应用](#１阿里云上线了活体翻拍检测应用) - [2、腾讯优图也于2017年，发布了人脸核身技术的增强，强防翻拍活体检测技术。](#2腾讯优图也于2017年发布了人脸核身技术的增强强防翻拍活体检测技术) - [3、北京交通大学教授提出了基于图像表面梯度的翻拍检测：](#3北京交通大学教授提出了基于图像表面梯度的翻拍检测) - [三、 课题目标](#三-课题目标) - [四、 课题内容和方案](#四-课题内容和方案) - [1、通过在网上翻阅论文，查找实验方法，查询特征提取方法得到了两类方法：](#1通过在网上翻阅论文查找实验方法查询特征提取方法得到了两类方法) - [2、数据采集：](#2数据采集) - [3、数据处理和得出结论：](#3数据处理和得出结论) - [五、 课题创新性](#五-课题创新性) - [六、初步可行性分析](#六初步可行性分析) ### 一、 课题背景和意义 　　随着图像显示技术的不断提升，人们可通过许多方法获取高质量的翻拍图像，越来越多的不法分子开始将这类图像用于非法途径，而目前的图像取证系统往往难以检测出图像是否属于翻拍。鉴于翻拍图像对于社会秩序及公共安全可能带来的潜在危害，这就使得实际应用中，针对视频攻击的防翻拍活体检测服务成为了更强烈的需求。　　 　　目前图像翻拍检测可分为三类：从显示媒介特性角度出发，从色彩还原与翻拍场景角度出发以及从噪声分析的角度出发。从显示媒介特性角度出发，考虑到对图像进行翻拍的过程中，显示媒介自身的特性会影响到翻拍图像的性质，如：纹理特性等，利用纹理特征等方面的差异对图像进行翻拍检测。从色彩还原与翻拍场景角度出发，考虑到翻拍图像的光度特性以及翻拍过程中可能携带的背景信息，对翻拍图像进行检测。从噪声分析的角度出发，考虑到了自然图像和原始图像在噪声特征上的不同，对翻拍图像进行检测。 ### 二、 国内外现状 #### １、阿里云上线了活体翻拍检测应用　　  　　可以根据客户要求进行图片的同步、异步检测任务。同时提供了API接口。　　 　　 #### 2、腾讯优图也于2017年，发布了人脸核身技术的增强，强防翻拍活体检测技术。　　 　　目前，优图已与中国联通展开合作，为联通腾讯王卡提供人脸核身技术，对激活用户进行“实名绑定+活体验证+人脸验证”的三重安全方案来与每一个新开用户进行身份认证。此外，FaceIn 人脸核身也已在微众银行、中国联通、滴滴出行、EMS、钱生钱、通联商务等合作伙伴中广泛使用，该服务应用范围也已经拓展至公安政务、安全监管、金融、社保、直播等领域。　　 　　 #### 3、北京交通大学教授提出了基于图像表面梯度的翻拍检测：　　 　　北京交通大学教授提出，经过翻拍后的篡改图像能够轻易绕过现有的图像篡改检测系统,这对图像真实性的检测构成严重的安全威胁.本文基于翻拍过程中两次使用相机进行拍摄而引入的非线性响应,使用 Lib-SVM 设计图像分类器判别翻拍图像和真实图像.翻拍后图像表面梯度值与真实图像相比会产生非线性变化,这使翻拍图像表面梯度值产生异常.本文基于图像表面梯度特性提取相关特征值,使用支持向量机分类器进行翻拍图像和真实图像的判别.实验结果表明,本文提出的特征分类效果良好,可以正确检测翻拍图像。 ### 三、 课题目标　　 　　随着图像拍摄以及显示技术的发展，图像翻拍质量越来越高，这类图像可能会用做非法途径。翻拍检测实验的目的是为了分辨出图片的翻拍与否，从而避免翻拍照片冒充顶替真实照片事情的发生。希望将翻拍检测准确率提升到95%或以上。 ### 四、 课题内容和方案　　 #### 1、通过在网上翻阅论文，查找实验方法，查询特征提取方法得到了两类方法：　　 　　传统的特征提取分类方法和基于深度学习的分类方法。由于深度学习需要的数据量较大，所以我们在初期先选择了传统的特征提取分类方法。为此我们找了一些常用的特征比如：LBP（Local Binary Patterns）特征， DOG（Difference of Guassian）特征等。首先我们选择了 LBP 特征（暂时我们的所有数据都是基于 LBP 特征提取得来的，其他特征数据正在分析处理，方法类似），我们选择 LBP 特征是因为在进行 LBP 特征提取后，图像表面的某些微纹理差会被扩大，如液晶屏幕的网状条状的纹路。其中原始 LBP 原理如下图：　　 　　 　　也就是在灰度图像中的一点，以它为中心的 3*3 像素为一个单位，将中心店的灰度值与周围 8 个像素块的灰度值进行比较，大于中心为 1，小于或等于为 0，最后得到 8 个 0 或者 1 的数，从左上角第一个数开始顺时针取出他们得到一个 8 位二进制数，将其转化成十进制就是该图像的 LBP 值，将所有点的LBP 值统计重新生成一幅由 LBP 值组成的图像，也就是该图像的 LBP 特征图像。最后将 LBP 特征图像分块求其直方图并重新将其连接得到一个一维向量，也就是改图的一维 LBP 特征向量，至此我们就得到了一张图的待分类数据。　　 #### 2、数据采集：　　 　　根据公司要求，我们的数据采集主要是通过日常大家手中（多种品牌）的手机、平板、相机等对人像、身份证、银行卡在不同灯光不同角度不同背景进行拍摄，由此得到一手照片，下文称为真像。在初期我们只对人像进行了处理和分析。对于翻拍照片，下文称为假像，我们也是通过各种拍摄设备在不同灯光不同角度在不同的投射设备上进行翻拍，主要的投射设备是笔记本电脑屏幕，手机屏幕，平板屏幕，激光相片等。在试验初期，得到完整人像1550 张，其中真像 539 张，假像 1011 张。　　 #### 3、数据处理和得出结论：　　 　　在对人像处理时，考虑到脸部特征的影响和减少外界多余特征的影响，我们将图片做了脸部截取并将所有图片进行归一化，最后截取归一化后图片大小为 200*200 像素，截得人头像 1209 张，其中真像 429张，假像 780 张。原图和截取情况如下：　　 　　 　　接着用上述 LBP 特征提取的方法进行处理，处理后的特征图（左真右假如下：　　 　　 　　处理前的真假图（左真右假）如下：　　 　　 　　将所有图片的特征向量堆叠成.mat 文件