基于生成对抗网络的车牌图像篡改检测数据增广

现有的篡改检测方法,主要使用基于数据驱动的深度学习模型,检测效果与训练数据的质量和数量成正比,且人工制作高质量的篡改图片费时费力。针对高质量车牌篡改图片数据量少的情况,提出一种针对车牌场景的篡改图片数据增广方法。结合车牌定位模块、车牌矫正模块、基于生成对抗网络(GAN)的图像擦除模块和文字风格迁移模块,构建一个车牌字符篡改系统,以模拟真实场景的车牌篡改流程。相较于传统篡改方法,借助GAN生成的篡改字符种类更多元化、更具备多样性。实验结果表明,使用所提系统生成的车牌篡改图片可以达到篡改区域语义高度合理,且肉眼不可分辨的视觉效果;将它作为扩充数据训练篡改检测模型,曲线下面积(AUC)提升了42.9%,F1值提升了33.0%,漏检率下降了16.6%。同时,使用所提系统生成的车牌篡改图片搭配多种数据处理方法在不同篡改检测网络上均能有效提升检测性能;使用扩充数据训练后,篡改检测网络不仅可以成功检测传统篡改方法的篡改痕迹,针对现阶段流行的生成式篡改,检测效果也明显提升。

基于改进的RRU-Net的图像篡改检测算法

针对现有深度学习图像篡改检测模型难以利用网络浅层的篡改痕迹特征,导致检测效果差、定位精度低的问题,提出基于改进环形残差U-Net(Ringed Residual U-Net,RRU-Net)的图像篡改检测算法。首先利用分级监督策略设计篡改融合定位模块,将模型分层输出,使深、浅层特征信息充分融合,提高模型对浅层的纹理、边缘信息的敏感性。其次在二元交叉熵基础上对损失函数进行改进,用不同层的损失来衡量总损失。最后在模型中运用组归一化,加快模型收敛速度,同时避免过拟合。在CSAIA和Columbia数据集上的实验结果与RRU-Net相比,F1值分别提高了0.08和0.072,表明该方法具有较高的检测精度,且能有效定位篡改区域。

基于特征级联融合的图像篡改检测方法

针对图像篡改检测领域中不能有效处理不同尺度特征问题,提出一种特征级联融合检测网络.网络采用特征级联融合模块结合U型分割网络结构,有效融合不同尺度的特征信息.通过在每个网络块融合浅层特征信息、瓶颈层和深层特征信息,以弥补深层语义信息的不足,并抑制背景信息干扰,提升了浅层网络的检测能力,实现了对篡改区域的精准定位.实验结果表明,与现有的图像篡改检测方法相比,特征级联融合检测网络显示出更高的准确性和稳定性,在CASIA数据集上F-measure提高了3%,在COLUMB数据集上提高了4%,证明了其在图像篡改检测任务中的有效性.

基于上下文语义信息的凭证篡改检测研究

在消费金融服务场景下,存在用户逾期还款的情况。在逾期协商还款过程中,少量用户篡改图像凭证,实现不当得益。这些篡改集中在个人信息、印章、出具单位等具有很强的上下文语义联系内容上。基于此,在传统空域直接像素空间RGB和频域离散余弦变换(discrete cosin transform,DCT)作为判别特征的基础上,引入了文字块、印章块的位置关系和反卷积网络,实现了一种包含语义关系的端到端全卷积神经网络模型。该模型在天池2022年“真实场景篡改图像检测挑战赛”的数据集上,相对于传统模型平均交并比有3.97%的提升,在实际凭证图像篡改判断中,提升了3.7%的篡改检测准确率。

新颖的内容自适应图像篡改检测与自恢复算法研究

针对在原始图像中嵌入大量的水印(认证水印和参考水印)容易造成图像失真的问题,提出嵌入少量参考水印的方法。为了减小图像失真,提出将少量的参考水印信息嵌入在原始图像的边缘、轮廓等区域的方法。在恢复篡改区域时,提出利用图像修复算法将篡改块匹配问题转化为非局部自相似图像块的最小化问题,复制攻击图像本身的相似信息来恢复篡改区域。实验结果表明,在水印容量为0.015626的情况下,该算法得到嵌入水印后图像的峰值信噪比(peak signal to noise ratio,PSNR)均值超过60 dB,恢复图像的PSNR均值超过40 dB。

基于注意力机制的渐进式图像复制粘贴篡改检测

针对图像复制粘贴篡改检测深度学习方法中特征提取阶段信息丢失问题,本文提出基于注意力机制的渐进式图像复制粘贴篡改检测模型.该模型在特征提取阶段不同于先下采样得到强语义信息,再上采样恢复高分辨率恢复位置信息的常见结构,而是整个过程保持并行多分辨率,不同分辨率分支之间信息交互,同时达到强语义信息和精准位置信息的目的 .特征提取的关键是:首先给出不同分辨率特征图;然后结合空间与通道的注意力机制由低到高渐进式进行特征连接,生成对应分辨率下的子掩码;同时,在图像级检测中,特征按分辨率由高到低逐渐连接丰富信息;最后引入焦点损失来降低类别不平衡对模型带来的影响,对不同分辨率下的掩码进行同等权重监督.实验结果表明,论文提出的检测方法在公开数据集像素级与图像级的检测结果中优于现有方法,验证了注意力机制和渐进式特征连接的有效性.

基于Mask-RCNN的图像篡改检测模型

随着图像篡改工具的多样化发展,伪造图片持续增多,并且不再局限于拼接、复制-移动、移除等某一具体的技术,然而当前提出的多数方法面对包含多种篡改类型图片的情况下,检测效果较差。因此提出了一种双通道Mask-RCNN的图像篡改检测模型。通过噪声通道挖掘图像的噪声分布等内部统计特征,通过彩色图像通道提取图像对比度差异、篡改伪影以及边界等表层特征,同时利用自适应双重注意力模块自适应地融合两个通道的特征,以准确定位篡改区域,实现像素级分割。在主流标准数据集上的实验结果表明,所提模型相较于当前先进模型具有更优的检测性能,是一种更加通用且精确的图像篡改检测模型。

改进的DeepLabv3+同图复制篡改检测算法

为解决现有的篡改检测算法难以提取图像篡改边缘特征、篡改区域定位精度较低问题,提出一种改进的DeepLabv3+同图复制篡改检测算法。该算法在DeepLabv3+网络中引入双重注意力机制模块,用于捕捉上下文信息,以提高模型对篡改区域的适应性;采用残差细化模块对预测掩膜进一步优化,以增强模型对篡改边界的敏感性;使用一种新的混合损失函数用于模型训练,以利于模型在像素级和图像级中学习篡改图像与对应真实掩膜之间的映射关系。实验结果表明,改进的DeepLabv3+同图复制篡改检测算法,在COPYMOVE_NIST和COPYMOVE_COCO数据集上的3个评价指标均高于FCN、U-Net及DeepLabv3+算法,检测精度分别达到0.929和0.895,能够有效地提取图像篡改边缘特征,解决边缘像素漏检和误检问题。

基于改进CenterNet的图像多篡改检测模型

针对目前的图像篡改数据集中缺少同时包含多种篡改操作的单张图像的问题,构建了包含多种图像篡改手段的综合数据集(MTO Dataset),每张图片包含复制移动、拼接和移除中的2种或3种篡改操作。针对多篡改检测,提出了一种基于改进CenterNet的图像多篡改检测模型,将RGB图像和经过隐写分析得到的噪声特征图作为特征提取网络的输入,在特征提取网络ResNet-50的每一层卷积前加入门控通道注意力转换单元以促进特征通道间关系。为得到更具辨别性的特征,通过改进后的注意力机制自适应学习并调节特征权重,最后使用改进的损失函数优化边框预测的准确度。实验结果证明,与当前先进模型DETR、EfficientDet和VarifocalNet相比,该模型的F1分数提升0.4%~7.4%,检测速率提高1.32~3.06倍。

基于优化因子耦合比值制约规则的图像复制-粘贴篡改检测算法

当前较多的图像伪造检测算法直接将未经优化的图像特征提取结果用于篡改检测,忽略了伪图像特征的影响,导致其不能较为准确地检测伪造内容。对此,本研究提出了一种优化因子耦合比值制约规则的方法,用于检测伪造图像。首先,引入高斯差分(Difference of Gaussian,DoG)算子,通过比较像素点与其邻域点像素值的方法来提取图像特征。再利用DoG算子的二次Taylor展开式,构造优化因子,从提取的图像特征中筛选出不稳定的伪特征,以提高伪造内容的检测准确度。随后,在图像特征点的极坐标系中,建立特征点的8邻域区,用以计算特征向量。然后,通过特征向量求取特征点间的欧式距离信息,以及通过归一化互相关(Normalizedcrosscorrelation,NCC)函数求取特征点间的互相关信息,从而完成图像特征的匹配。最后,借助特征点间欧氏距离信息构造比值制约规则,对匹配特征点进行归类,以识别篡改内容。实验结果表明,较当前图像篡改检测方法而言,在各种几何变换操作下,本研究提出的算法具有更高的检测精度与鲁棒性,能够较为完整地检测出篡改内容。

基于Convnext-Upernet的图像篡改检测定位模型

在当前数字时代,假新闻、网络勒索等网络犯罪行为愈发猖獗,导致篡改图像产生的负面影响日益凸显.鉴于此,检测与定位篡改图像已成为图像取证领域的关键任务.近年来,深度学习技术在计算机视觉领域取得了显著进展,众多篡改检测模型亦逐渐应用该技术.然而,现有模型大多需要在大量数据上进行预训练,且其鲁棒性和泛化能力相对较弱.为解决上述问题,本研究采用在计算机视觉领域表现优异的纯卷积神经网络模型Convnext作为主干网络,并借助统一感知解析网络Upernet提取图像中的多尺度特征,构建了一种基于Convnext-Upernet的篡改检测定位模型.在此基础上,本研究进一步运用自监督数据增强方法放大图像中的篡改痕迹,并利用与篡改检测定位任务无关的图像分类损失函数提高篡改图像检测定位的准确性.本研究在当前主流的篡改检测定位数据集上进行了大规模实验证明,所提出的模型具有高效且精确的篡改检测定位能力.相较于现有跨库性能最佳的MVSSNet++模型,本研究所提出的模型在检测定位性能上提高了14.4%,泛化能力得到全面提升,并对常见的后处理操作展示出了强大的鲁棒性.

一种改进Faster R-CNN的图像篡改检测模型

随着人工智能的发展,数字图像被广泛应用于各大领域。然而,图像编辑软件的出现导致大量图像受到恶意篡改,严重影响了图像内容的真实性。图像篡改检测的研究不同于通用的目标检测,它需要更加关注图像本身的篡改信息,而这些信息表现形式往往比较微弱,所以检测时需要侧重于学习更丰富的篡改特征。提出一种结合梯度边缘信息和注意力机制的双流Faster R-CNN模型,可以实现不同篡改类型区域的检测定位。双流之一为原色流,利用注意力机制提取图像的表层特征,如亮度对比、篡改边界的视觉差异等。双流之二为梯度流,利用梯度高通滤波器增强真实区域与篡改区域之间的边缘异常特征,使模型更容易发现篡改图像中微弱的篡改痕迹。通过紧凑型双线性池化将原色流和梯度流的特征进行融合。由于公开可用的图像篡改数据集规模较小,基于PASCAL VOC 2012数据集创建了规模为10000幅的图像篡改检测数据集,用于模型预训练。在COVER、COLUMBIA和CASIA数据集上的检测结果表明,所提模型的检测精度相比当前最好模型的提高了7.1%~9.6%,并在JPEG压缩和图像模糊攻击下表现出了更高的鲁棒性。

基于约束卷积与注意力机制的图像篡改检测

在进行图像篡改检测时,需要重点解决的问题是如何来挖掘图像中的篡改信息以及怎样对篡改信息进行提取,直接影响到了模型对篡改特征的学习程度和检测效果。当前基于目标检测网络来实施图像篡改检测的模型常依赖Faster R-CNN为根基进行构建,但卷积操作会擅自提取视觉特征并且存在卷积归纳偏差,致使网络无法对篡改图像信息进行全面的分析,一定程度上限制了模型对篡改区域的识别能力。同时,Faster R-CNN对目标区域的池化方式还会带来检测精度上的丢失。提出一种以Transformer模型为根基搭建的注意力机制图像篡改检测模型。模型首先融合篡改图像的RGB信息和约束卷积层提取的图像噪声信息,然后利用CBAM注意力模块对融合特征进行处理得到优化后的篡改特征,最后将优化特征送入Transformer进行篡改区域的识别并输出检测框和置信度分数。文中提出的模型与RGB-N、RGB-E和FCR-CNN模型相比,在NIST16数据集上的F1分数分别提高了7.57%、2.94%和0.31%,在Columbia数据集上的F1分数分别提高了16.22%、15.45%和2.36%。以热力图的形式对实验过程中的篡改特征图进行可视化与比对,进一步验证了上述方法的有效性。

基于双重水印的图像篡改检测算法研究

双重水印嵌入算法是在当前数字水印技术和信息隐藏技术研究成果的基础上,结合变换域和空间域方面的技术理论,对需要保护的图像进行双重水印嵌入。该算法充分发挥变换域算法水印鲁棒性好、抗攻击能力强和空间域算法水印嵌入量大的优势。采用图像分块检测算法,可降低篡改检测的虚警率,提升检测的精确度和水印的抗攻击性能。基于双重水印的图像篡改检测算法可以很好地对数字图像的真实性和完整性进行验证。

基于改进YOLOv5的图像篡改检测算法

为了促进模型对图像篡改特征的学习并且在篡改区域定位上取得较好的效果,模型构建常会采用提取某一特定图像信息或利用这些信息(如图像RGB信息、噪声信息和边缘信息等)组成多分支网络的方式来辅助模型训练,但局限地利用某些图像特征是否也能对其他模型产生帮助以及到底何种篡改特征能较好地辅助模型训练不能一概而论。文章以YOLOv5为基础,在不依赖特定提取某一篡改图像特征的情况下,利用其模块化组成结构的优势在模型主干、颈部和头部合理采用注意力模块和transformer对各阶段特征图进行增强和优化来构建网络,本模型在检测精度上超过了现有主流检测方法。

基于改进YOLOX-X的图像篡改检测算法

在图像篡改检测任务中,重点需要关注的是伪造区域与原始区域的差别特征,目前的图像篡改检测算法普遍存在检测效果较差、识别精度不题。为解决上述问题,文章提出一种基于改进YOLOX-X的图像篡改检测算法。为了将提取到的多尺度篡改特征进行更充分的融合,引入了ASFF特征融合机制,并且对本篡改检测算法中的损失函数进行了改进,使用EIOU对损失函数进行优化,使网络更快速准确的识别定位篡改区域。通开的图像篡改数据集上的实验结果表明,本文提出方法的整体性能要优于其他主流的图像篡改检测算法。

基于均匀兴趣点和二进制描述的图像篡改检测研究

随着各种图像编辑工具的发展,图像伪造活动呈上升趋势。此类活动由攻击者实施,目的是诽谤他人和网站,或者获取金钱利益、勒索等。图像伪造通过多种方式进行,其中,一种是Copy-move图像伪造。Copy-move图像伪造的基本过程如下:Copy图像中存在的对象,并使用Copy的对象或将Copy的对象放置在同一图像的不同位置来创建新的图像,因此需要伪造检测系统来保护图像的真实性。提出了一种有效的Copy-move伪造检测技术,该方法首先采用子块和迭代的自适应选取阈值的特征点检测方法提取关键点,采用rBRIEF算法来刻画被提取的点,在匹配阶段结合SLIC分割算法和RANSAC算法分离正确的匹配,最后利用优化的零均值归一化互相关(ZNCC)算法对重复的区域进行定位和标记。大量实验证明,所提算法可以节省计算时间,并且能更准确地检测重复区域。

基于深度学习和深度信息的图像篡改检测方法

针对基于深度学习的图像篡改检测方法无法解决后处理攻击的篡改图像问题,提出基于深度学习和深度信息的图像篡改检测方法。利用单目深度估计算法获取深度信息,将原始红、绿、蓝(RedGreenBlue,RGB)图像和预测深度图重构为RGB-D图像,通过获取RGB-D图像中的颜色相似性特征和深度相似性特征进行图像篡改检测,提高现有图像篡改检测方法的准确性。实验结果表明,该方法在USCISI数据集上各项评价指标优于对比方法,证明深度信息可以辅助实现图像复制-粘贴篡改检测任务。

基于希尔伯特-黄变换的音频信号复制粘贴篡改检测算法

复制粘贴篡改是音频篡改常用的篡改方式。当被篡改的音频段来自于同一音频且伴随着后处理操作时,这种篡改往往难以检测。针对有后处理的音频信号复制粘贴篡改,文章提出了一种基于希尔伯特-黄变换的音频信号复制粘贴篡改检测和定位的方法。采用音高跟踪技术将音频信号的有声段和无声段区分开来,对每个有声段分别实行希尔伯特-黄变换以提取谱图特征,进而利用动态时间规整(DTW)来计算每个谱图特征的相似度,当满足设定阈值条件时,通过比较希尔伯特谱图特征的DTW值来检测音频复制粘贴篡改,同时根据DTW值对应有声段的索引来定位复制粘贴篡改的位置。实验结果表明:该方法对几种常用的音频复制粘贴后处理操作都具有较好的鲁棒性;与基于梅尔谱图的音频信号复制粘贴篡改检测方法相比,所提方法检测准确率高、召回率高、鲁棒性好。

工程设计数字图纸DXF格式文件的篡改检测定位方法

传统设计文件的不可篡改都是靠纸板蓝图保证,但随着信息化的发展,强烈需要一种能高效检测定位电子版设计文件是否发生篡改和定位篡改位置的技术。将多元素DXF格式设计文件分解,按元素提取最重要的层、块、实体元素和实体数量,构成设计文件的特征。将提取的特征作为底层叶子,利用基于MD5算法的默克尔树得到防篡改码。通过对比防篡改码可以检测是否发生篡改和定位篡改位置。理论分析和实验表明,本方法可以检测文件是否篡改并进行定位。对1 MB设计文件生成防篡改码仅需2 s,满足实践需要。