基于样本错配训练的图像PRNU噪声提纯方法

基于传感器模式噪声的图像来源鉴别算法的关键在于如何获取高质量的光响应非均匀性(Photo-response non-uniformity,PRNU)噪声,目前大多数增强PRNU噪声质量的算法以及出于实际应用的目的对其压缩的算法几乎是在人工假设模型的基础上实现的。本文提出了一种基于样本错配训练的图像PRNU噪声提纯方法,该方法使用了深度堆叠自编码器网络,并设计了一种样本错配的技术对其进行训练。这种基于样本错配训练的端到端深度神经网络的使用有效避免了人工设计算法的局限性,对图像PRNU噪声进行了有效提纯,进而提升了其用于图像来源鉴别时的性能。在Dresden图像数据集上进行的比较实验结果表明,提纯后的PRNU噪声具有更好的性能。

基于三方加权稀疏编码模型的PRNU提取算法

估计图像中真实噪声是基于光照响应不一致(photo-response non-uniformity,PRNU)对图像来源取证的关键步骤.相较于加性高斯白噪声(additive white Gaussian noise,AWGN)的估计,现有多数PRNU提取算法所采用的噪声估计算法在图像真实噪声提取方面性能劣势明显.该文提出了一种基于三方加权稀疏编码模型(trilateral weighted sparse coding model,TWSCM)的PRNU提取算法.TWSCM在估计噪声时能够保留更多PRNU噪声成分,有助于对图像中PRNU噪声的提取,因此在真实噪声估计上具有较好的性能.在当前最大的图像相机源取证基准库上的测试,实验结果证明所提出的基于TWSC的PRNU提取算法在图像相机源取证任务中具有较好的性能.

基于对偶生成对抗网络的数字成像设备指纹提取算法

光响应非均质性具有唯一性和相对稳定性,是对数字成像拍摄设备进行溯源取证的重要依据,被称为设备指纹。在图像的真实噪声中,除了PRNU设备指纹外,还包含大量的随机噪声。为有效提取PRNU设备指纹,提出一种基于对偶生成对抗网络的数字成像设备指纹提取算法。该算法基于生成对抗网络的思想进行训练,生成训练数据进行数据增强,有效地提高了训练效率;同时采用UNet的网络结构联合残差学习的策略,能够在减少GPU占用的同时减少对训练数据的需求量。提出的算法在当前最大的智能手机来源取证数据集上进行测试,实验结果显示,与基于块匹配3D滤波以及前馈去噪卷积神经网络的算法相比,该算法有着更好的识别效率和普适性。

图像中的设备指纹提取技术研究综述

随着图像获取与传输便利性的不断提高以及图像编辑工具的快速普及,使得恶意用户能够容易拍摄、传播、编辑和修改数字图像,进而达到实施恶意行为或犯罪的目的,则数字图像或视频将成为侦查取证与司法诉讼的关键证据。由图像传感器制造工艺的缺陷和硅晶片的不均匀性引起的光照响应不一致性(PRNU)对于每个相机来说,具有唯一性和稳定性,因此可以将其作为图像来源取证的有效设备指纹。首先对包括设备指纹技术在内的数字图像取证技术进行整体性的回顾,并介绍设备指纹的主要应用情景;然后介绍图像中设备指纹提取的基本技术原理,对设备指纹的提取技术发展情况进行综述;最后对设备指纹提取技术亟待解决的问题与技术发展趋势进行探讨。