浏览器端定位篡改的网页脆弱水印算法

为及时阻止网页中篡改信息的传播且使真实信息得到有效利用,提出一种在浏览器端标示篡改的分块网页脆弱水印算法.算法首先按浏览器显示字符所在标签将网页分块,然后将基于块内容生成的水印信息置乱加密后嵌入在网页的颜色属性中.认证时,通过比较网页块提取水印和重构水印的不同比特个数与阈值的关系判定网页块的有效性.对判定为篡改的网页块,通过修改其浏览器端显示字符和尾标签的属性使其在浏览器端屏蔽并标示篡改,阻止伪造信息传播的同时不影响其他信息的继续使用.实验结果表明,算法在水印嵌入方法上有较好的隐蔽性,文件增量较小.当阈值为2时,算法能够较准确地检测出篡改并在浏览器端合理准确地定位标示网页块,且有效提高了算法的时间效率.

抗JPEG压缩并精确定位篡改自嵌入水印算法

为了提高自嵌入水印算法篡改定位的精确度和抗JPEG压缩性能,提出了一种用于图像篡改定位和恢复的双水印算法。该算法对图像进行一级小波分解,分别在高频和低频分量中嵌入认证水印和自恢复水印。仿真实验表明,该算法不仅能对篡改区域实现精确定位,而且具有较好的鲁棒性,可以抵抗一定的JPEG压缩。

基于强化样本的伪孪生网络图像篡改定位模型

随着互联网不断发展,网络上的篡改图像越来越多,掩盖篡改痕迹的手段越来越丰富。而现在大多数检测模型没有考虑到图像后处理操作对篡改检测算法的影响,限制了其在实际生活中的应用。为了解决上述问题,提出了一种通用的基于强化样本的伪孪生网络图像篡改定位模型。所提模型利用伪孪生网络,一方面学习真实图像中的篡改特征;另一方面通过约束卷积,抑制图像内容,从而能够更加关注篡改残留的痕迹信息。网络的两分支结构可以达到充分利用图像特征信息的目的。模型利用强化样本,可以自适应地生成当前最需要学习的篡改类型图片,实现对模型有针对性地训练,使得模型在各个方向上学习收敛,最终得到全局最优模型。利用数据增强思路,自动生成丰富的篡改图像以及其对应的掩膜,这很好地解决了篡改数据集有限的问题。在4个数据集上的大量实验证明了所提模型在像素级操作检测方面的可行性和有效性。尤其是在Columbia数据集上,算法的F1值提高了33.5%,Matthews correlation coefficirnt(MCC)得分提高了23.3%,说明所提模型利用深度学习模型的优点,显著提高了篡改定位的检测效果。

面向强后处理场景的图像篡改定位模型

针对微信、微博等社交平台对图像进行的压缩、尺度拉伸等有损操作带来的篡改痕迹模糊或被破坏的挑战,提出了一种对抗强后处理的图像篡改定位模型。该模型选用了基于Transformer的金字塔视觉转换器作为编码器,用于提取图像的篡改特征。同时,设计了一个类UNet结构的端到端编码器-解码器架构。金字塔视觉转换器的金字塔结构和注意力机制可以灵活关注图像的各个区块,结合类UNet结构能够多尺度地提取图像上下文间的关联信息,对强后处理的图像有着较好的鲁棒性。实验结果表明,所提模型在对抗JPEG压缩、高斯模糊等常见的后处理操作以及在不同社交媒体传播场景的数据集上的定位性能上明显优于目前主流的篡改定位模型,展现出了优异的鲁棒性。

基于文字边缘失真特征的翻拍图像篡改定位

针对翻拍文档图像的篡改定位问题,提出一种基于文字边缘失真特征的翻拍图像篡改定位方法。从文字边缘分布、边缘梯度以及待检测文本与参考文本在边缘梯度上的差异3个方面构建了文字失真特征,并训练了一个基于深度神经网络的分类器进行决策。同时,为了评估检测方法的性能,构建了一个包含120张合法图像、1 200张翻拍篡改文档图像的数据集。实验结果表明:所提出的方法在跨库实验场景下词汇级别的ROC曲线下面积(area under ROC curve,AUC)和等错误率(equal error rate,EER)分别达到了0.84和0.23;与Forensic Similarity (128×128)和DenseFCN相比,所提出的特征结合LightDenseNet的方法在翻拍篡改文档数据集的跨库协议下,词汇级别的AUC指标分别提高了0.06和0.17。

结合自注意力与卷积的真实场景图像篡改定位

图像是移动互联网时代传播信息的重要载体,恶意图像篡改是潜在的网络安全威胁之一。与自然场景中在物体尺度上的图像篡改不同,真实场景中的图像篡改存在于伪造的资质证书、文案、屏幕截图等,这些篡改图像通常会经过精心的手工篡改干预,因此其篡改特征与自然场景篡改特征存在差异,更具有多样性,对其篡改区域的定位更具有挑战性。针对该场景复杂且多样的篡改特征,丰富的关系信息是重要的,文中通过卷积神经网络进行自适应特征提取,并利用逆向连接的全自注意力模块进行多阶段特征关注,最后融合多阶段注意力关注结果进行篡改区域定位。所提方法在真实场景图像篡改定位任务中取得了优于对比方法的性能,其中F 1指标比主流方法MVSS-Net高出约8.98%,AUC指标高出约3.58%。此外,所提方法在自然场景图像篡改定位任务中也达到了主流方法的性能,并提供了自然场景篡改特征与真实场景篡改特征存在差异的佐证。在两种场景中的实验结果表明,所提方法能够有效地定位出篡改图像的篡改区域,且在复杂的真实场景中的定位效果更显著。

基于双流增强编码和注意优化解码的图像篡改定位算法

主流图像篡改定位方法通常通过简单操作融合不同流的不一致特征,导致特征冗余且篡改区域的像素误检。基于此,本文提出基于双流增强编码和注意优化解码的图像篡改定位框架。首先,提出双流增强编码分别对图像和频域特征进行基于噪声和通道注意力的自增强和基于特征映射的交叉注意权重的交互增强。随后,引入多级感受野策略探索多尺度上下文信息,设计邻阶特征聚合模块融合多尺度相邻特征。最后,利用篡改区域和非篡改区域协同增强模型的篡改定位能力,提出注意优化解码模块,消除初始篡改区域预测中边缘像素的错误预测,逐步精确细化篡改定位。在4个主流公共基准数据集NIST16、Coverage、Columbia、CASIA和两个现实挑战数据集IMD20、Wild上与主流篡改定位方法进行对比,本文算法在无微调模型和微调模型两个设置下,在6个数据集上的性能最优,证明本文提出的篡改定位网络能够充分利用多种篡改线索,在不同的篡改数据集上实现篡改区域的有效定位,具有更高的定位精度和更强的鲁棒性。

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.

应用注意力机制的文档图像篡改与脱敏定位

诸如合同、证明文件和通知书等一些重要的文档材料,常常以电子图像格式被存储和传播。然而,由于包含关键的文字信息,此类图像往往容易被非法篡改利用,造成严重的社会影响和危害;与此同时,考虑到个人的隐私安全问题,人们往往也会对这类图像做脱除敏感信息处理。恶意篡改与脱敏均会给原始图像引入额外痕迹,但在动机上存在区别,且在操作方式上也存在一定差异。因此,有必要对二者进行区分,从而更准确地定位出篡改区域。针对这个问题,提出了一个卷积编解码网络,通过U形连接获取编码器多级特征,有效学习篡改和脱敏处理痕迹;同时,在解码网络引入多个挤压激励注意力机制模块,抑制图像内容,关注更微弱的处理痕迹,提高网络的检测能力。为了有效地辅助网络训练,构建了一个包含常见篡改操作和脱敏操作的文档图像取证数据集。实验结果表明,算法模型在此数据集上表现良好,在公开的篡改数据集上也有不错的性能,并优于对比算法。同时,所提的算法对几种常见的后处理操作具有较好的鲁棒性。

一种准确定位篡改的遥感图像盲脆弱水印算法

针对现有块级脆弱水印方案的虚警问题,该文提出了一种准确定位篡改的遥感图像盲脆弱水印算法。首先将图像分解为不重叠的2×2块序列,接着利用逻辑映射和块自身信息进行多重异或操作,生成8位脆弱水印,最后在每个块内进行2位LSB替换,实现脆弱水印的嵌入。另外,还提出了一种虚警优化策略,可以有效减少虚警,提升定位准确度。实验结果表明,所提算法具有较好的图像视觉质量,可同时适用于8位和16位的单波段和多波段遥感图像。当面对复制粘贴,内容消除,添加虚假版权以及剪切攻击时,可实现较好的定位效果,尤其在应用于16位遥感图像上时,定位准确度可达到99%以上,优于其他算法。该文所提算法可为互联网云环境下遥感图像的安全保护提供技术保障。

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。

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。

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。

融合多尺度特征的拼接篡改图像检测算法

针对当前拼接篡改图像检测与定位方法主要专注于检测和定位小范围的篡改区域,而对于不均匀大小位置目标对象的模型性能表现不佳等问题,提出一种用于拼接篡改图像的检测与定位的新型网络架构DEUNet。DEUNet在UNet基础上引入高效加性注意力和双向残差块,用于处理不同尺度的特征,在更完整地定位大尺度篡改区域的同时减少模型的复杂度,并结合交叉熵和Dice损失函数以更好地平衡分类精度和分割准确性。实验结果表明,提出的方法性能优于其他算法,且具有良好的鲁棒性;DEUNet能成功处理不固定大小位置目标且实验验证性能优于最新算法。

基于多层次特征优化的图像拼接篡改取证网络

随着数字化的普及,数字图像篡改现象日益普遍,给社会公正和诚信带来了巨大的挑战。针对目前图像拼接篡改取证网络中存在的篡改区域定位精度低的问题,本文提出一种基于多层次特征优化的图像拼接篡改取证网络。采用双流编-解码器结构,使用SoftPool池化方法减少编码器阶段边缘等重要特征的丢失;同时,将深、浅层的特征进行融合,并引入SE注意力机制进行重要特征筛选,使网络各层能够提取更优的篡改特征信息,更准确地定位图像篡改区域。实验结果表明,本文提出的取证网络在检测性能上优于当前主流的图像拼接篡改取证网络,能更准确地定位拼接图像的篡改区域。

一种篡改检测与篡改定位分离的图像认证方案

针对脆弱水印认证算法的篡改定位精度及安全性问题,提出了一种将篡改检测和定位分离的图像认证方案:对图像进行单像素置乱并将其低两位置零,采用像素关联技术生成各个像素的篡改定位水印,并将其嵌入到自身的次低位;将图像逆置乱后并进行分块,生成各个分块的篡改检测水印,将篡改检测水印嵌入到各像素的最低位,进而生成含水印图像.理论分析和实验结果表明:该方案可以抵抗目前针对单像素认证算法的Oracle攻击及针对分块算法的量化攻击,在保证系统安全性的同时可将篡改定位到单个像素.

篡改定位精度可动态调整的无损图像认证算法

现有的基于分块的无损图像认证算法难以确定合适的认证块大小.为此,文中提出了一种认证块大小可动态调整的无损图像认证算法.该算法的图像认证块分别由若干基本图像块组合而成,相应的认证信息用数字签名技术产生,以无损水印方式嵌入,同时通过多次无损嵌入方式实现图像编号的鲁棒传送,用图像编号区分不同图像、防止矢量量化攻击.理论分析与实验结果表明,该算法可有效抵抗矢量量化攻击,图像认证块的大小能根据宿主图像特征和水印图像保真度要求进行动态调整,有效地提高了篡改定位能力.

一种能进行篡改定位的音频双水印算法

提出一种音频双水印算法,解决双水印中认证水印的抗攻击鲁棒性差以及脆弱水印定位不准确的问题。鲁棒水印采用基于RBF神经网络的音频零水印方案作为版权认证水印,因为该水印方案不改变原始音频数据,所以具有良好的透明性;脆弱水印采用一种新的双极性量化方法嵌入,提高了脆弱水印的敏感性。实验结果表明,该方案认证水印具有很强的抗攻击鲁棒性,脆弱水印具有很强的敏感性,且能够对恶意篡改进行精确定位。

精确的图像篡改定位与恢复的三水印算法

针对目前图像篡改定位与恢复的水印算法在篡改定位精度和篡改恢复性能方面存在的不足,提出一种精确的图像篡改定位与恢复的三水印算法。该算法在最低有效位(LSB)方法的基础上,采用二进制编码的方式生成检测水印、定位水印和恢复水印等三种水印,并嵌入到图像的低位。篡改检测和篡改恢复采用基于分块的检测水印和恢复水印,篡改精确定位采用基于单像素的定位水印。仿真实验表明,该算法对任意大小的亮度图像、RGB图像具有高精度的篡改定位能力,并且具有很好的篡改恢复性能。

一种精确篡改定位的数字语音取证算法

提出了一种精确篡改定位的数字语音取证算法.语音信号分帧后,对各帧信号进行置乱.水印由帧号和信号系数自相关生成,并嵌入到置乱后的信号中.实验分析结果表明,本文算法具有较好的不可听性和对恶意攻击进行精确篡改定位的能力,同时,提高了水印系统的安全性.