基于深度学习的图像翻拍检测

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,这类图像可能会用作非法途径而不能被认证系统所识别。针对此问题,设计了一种基于深度学习的图像翻拍检测方法,该方法首先分析翻拍图像和真实图像之间的灰度变化,然后将其作为深度信念网络的输入逐层学习抽象的区分特征,最终在网络顶层实现图像的分类。实验结果表明,应用深度学习的方法能正确检测出翻拍图像。

反射分量分离的特征融合图像翻拍检测

针对翻拍图像对相关人脸识别系统的欺骗性,将基于同态滤波的反射分量分离特征作为新特征加入图像中,形成四通道图像,并将其作为简单卷积神经网络的输入的翻拍图像检测方法.结果表明:在拍摄环境复杂、干扰噪音较多、活体数量较大的环境下,该方法有较高且稳定的准确率、较好的鲁棒性及使用价值.

基于图像表面梯度的翻拍检测

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.