基于孪生网络的数字图像相机源识别.docx

基于孪生网络的数字图像相机源识别 数字图像的来源识别是图像取证的一个重要组成部分。数字图像的来源鉴别，即成像设备识别，是指给定一张图像，通过科技手段和方法，判定它的成像设备是什么。来源鉴别的种类有很多，本文主要研究的是个体识别相关的内容，给定一张数字图像，判断它是来自几个相机中的哪一个。 在传统方法中，通过传感器模式噪声来实现来源鉴别。传感器模式噪声的提出最早是在 2006 年，Lucas 等人在文献[3]中提出了最早的基于传感器模式噪声的相机源识别算法。之后，Chen 等人在文献[4]中对该算法进行改进，结合图像光响应非均匀性进行检测。国内的陈凌翔等人[5]通过去除颜色插值所产生的一部分噪声，提高模式噪声的提取精度。 然而，传统方法存在一些缺陷，例如需要大量的数据和计算资源等。因此，本文设计了一种基于孪生网络的识别架构来进行相机源鉴别。将基于传感器模式噪声的方法和深度学习方法进行结合，在孪生网络中首先提取相机的“指纹”，之后通过添加了注意力机制的残差网络提取特征，实现相机源识别。 基于孪生网络的相机源识别架构是通过将传感器模式噪声和深度学习方法进行结合来实现的。孪生网络共享权重的两个分支网络，分别输入两个样本，即基准图像 P1 和待测图像 P2。然后对输入的两个图像进行滤波操作，从而得到相机参考模式噪声 S1 和待测图像模式噪声 S2。由基准图像 P1 提取到的模式噪声即为相机 C 的“指纹”信息。利用添加了注意力机制的残差网络，对两个噪声图像提取特征。通过计算特征向量之间的距离，将待测图像的噪声信息与相机 C 的“指纹”信息进行相似度度量，从而判断待测图像 P2 是否可以看成是相机 C 拍摄的，实现相机源判别。 在孪生网络中，损失函数是根据式(1)和式(2)所示。式中，DW 代表提取到的一个图像对中，特征向量的欧氏距离，P 表示提取到的特征维数；Y 是表示两个图像是否来自同一相机的标签。Y=1 代表输入的一对图像来自同一个相机，Y=0 则代表两者不是同一相机拍摄；m 为设定的阈值；N 为样本个数。如果输入的两个图像是同一相机拍摄的，那么损失函数就剩下∑YDW2，此时如果特征向量的欧式距离较大，那么损失函数也随之变大，相似的特征离得较远，说明当前的网络模型仍需要优化，不断更新匹配程度。 在数字图像的“指纹”提取中，每个成像设备都有其独一无二的传感器。自然景物在成像过程中，光信号传到相机的传感器，此时由于各像素对光的敏感程度是有一定差异的，同时还有低频缺陷的影响，所以每个传感器都有其独一无二的模式噪声，相当于相机独特的“指纹”。换句话说，所有由该相机拍摄的图像，模式噪声都带有该相机的痕迹，基于此可进行相机源的判别。本文在孪生网络前端进行相机“指纹”的提取，通过对图像进行自适应小波滤波来实现。原图像跟滤波之后的图像相减，得到的差值噪声即为所求。 本文设计了一种基于孪生网络的数字图像相机源识别架构，通过结合传感器模式噪声和深度学习方法来实现相机源鉴别。该架构可以实现高效、准确的相机源识别，并且可以应用于图像取证、数字图像 forensics 等领域。