一种基于多特征融合的图像翻拍检测方法技术

本发明专利技术公开了一种基于多特征融合的图像翻拍检测方法，包括：采集图像，包括原始自然图像和翻拍图像；对训练图像提取多组特征；获取多个分类模型，采用每组特征分别得到对应的一个分类模型；多种分类结果融合，采用加权投票法对多个分类模型的分类结果融合；待测图像翻拍检测，将待测图像提取多组特征后输入到对应的分类模型，获取分类结果，并融合多种分类结果得到最终检测结果。本发明专利技术采用多种特征融合进行翻拍检测，避免单一特征造成的结果误差；采用多个分类模型训练，通过加权投票法对多个分类结果融合，降低了检测结果的错误率；每个分类模型采用不同方法，综合了多种分类模型的优点，增加了分类结果的准确性。

A method of image reproduction detection based on multi feature fusion

【技术实现步骤摘要】
一种基于多特征融合的图像翻拍检测方法
本专利技术涉及图像翻拍检测技术，更具体的说，涉及一种基于多特征融合的图像翻拍检测方法。
技术介绍
随着家庭宽带走进千家万户，装维工作质量成为了影响用户网络使用体验的重要因素之一。宽带装维场景的核心问题在于如何对装维过程进行合理高效的质检，从而让装维人员符合施工规范，保证施工准确性，同时降低在装维质检上的人工人本，提高质检效率。在电信装维业务中，每天都会对上传的生产作业照片进行质检，质检照片是否合格，如对照片是否翻拍进行检测。在装机或挂测时，需要要求装维人员上传完成作业后的图片，图片中包含分光器设备及设备上的唯一标识标签。但在上传的图片中，发现部分照片不是现场拍照，而是翻拍手机上照片或者是电脑照片。为了防止装维人员造假，需要对上传的图片进行翻拍检测。由于每天都会上传大量的图片，人工质检耗费大量的人力。
技术实现思路
针对上述现有技术存在的问题，本专利技术提供了一种基于多特征融合的图像翻拍检测方法，提取图像多组特征值通过多个分类模型进行分类检测，并融合多种分类结果，对翻拍的图片进行智能检测，提高质检准确性。包括：采集图像，包括原始自然图像和翻拍图像，并将采集图像人工标注作为训练图像；对训练图像提取多组特征，所述多组特征包括图像的梯度特征、图像的噪声特征和图像的DCT变换系数统计特征；获取多个分类模型，采用每组特征分别得到对应的一个分类模型；多种分类结果融合，采用加权投票法对多个分类模型的分类结果融合；待测图像翻拍检测，将待测图像提取多组特征后输入到对应的分类模型，获取分类结果，并融合多种分类结果得到最终检测结果。作为上述方案的进一步优化，所述获取多个分类模型，具体包括：获取第一分类模型，将训练图像的梯度特征输入到LibSVM分类模型训练，通过LibSVM分类模型输出图像是否属于翻拍的结果；获取第三分类模型，将训练图像的DCT变换系数统计特征输入到卷积神经网络训练，通过卷积神经网络输出图像是否属于翻拍的结果；获取第二分类模型，将训练图像的噪声特征输入到第二分类模型存储，所述第二分类模型通过分别计算待测图像噪声特征和原始自然图像噪声特征的相似度S1、待测图像噪声特征和翻拍图像噪声特征的相似度S2，输出待测图像是否属于翻拍的结果。作为上述方案的进一步优化，第二分类模型中，若相似度S1大于预设原始自然图像噪声特征隶属度阈值，则输出待测图像为原始自然图像，若相似度S2大于预设翻拍图像噪声特征隶属度阈值，则输出待测图像为翻拍图像。作为上述方案的进一步优化，所述梯度特征提取方法为：4.1、通过图片获取R，G，B三个通道下的图像分量像素矩阵和图片的灰度图像素矩阵；4.2、对步骤4.1中的四幅图通过sobelxy算子获取四张梯度图；4.3、对每张梯度图上的像素点的值分别进行统计，将频率、均值和方差特征，得到每张梯度图的图片特征，四张梯度图获得的同一张图像的图片特征集合；步骤4.2中获取梯度图的公式为：其中，A是图像的像素矩阵，I是通过sobelxy算子获取的梯度图。作为上述方案的进一步优化，所述步骤4.3中对每张梯度图上的像素点的值进行统计，先将每张梯度图的256分量处理成32分量，再统计32分量的频率及其均值和方差，得到每张梯度图的34个特征值。作为上述方案的进一步优化，所述噪声特征提取方法，对图片采用小波函数进行小波分解后，经过阈值过滤函数过滤噪声后，再通过小波逆变换重构去噪后的图像数据，将去噪前图像与去噪后图像的差值作为噪声数据，对噪声数据统计，以均值，方差，偏斜度，峰值作为特征数据，其中同一张图片采用多种小波函数获取多种去噪结果。作为上述方案的进一步优化，所述图像的DCT变换系数统计特征提取方法为：7.1、将m*m的图像分成8*8的小块，m是8的整数倍，将每块图像的像素值数据f(x,y)通过DCT变换公式得到DCT系数F(u，v)，所述DCT变换公式为：其中，u∈[0,7]，v∈[0,7]，x∈[0,7]，y∈[0,7]；7.2、将整张图像的每个像素点经过DCT变换后的DCT系数F(u，v)组成m*m的表格，按照zig-zag顺序对每块的DCT系数F(u，v)扫描，将不同块的同一个位置的DCT系数F(u，v)组合在一个特征矩阵中，矩阵的行数和列数均为m/8,每张图像按zig-zag顺序扫描取前20个特征矩阵作为特征数据。作为上述方案的进一步优化，所述多种分类结果融合，具体为将分类模型分类结果的原始自然图像记为1，翻拍图像记为0，三个分类模型结果分别记为W1，W2，W3，若W1+W2+W3大于1，则融合结果记为1，若W1+W2+W3小于等于1，则融合结果记为0.本专利技术的一种基于图像多特征的图像翻拍检测方法，具备如下有益效果：1.本专利技术的一种基于图像多特征的图像翻拍检测方法，通过对图像提取多种特征，包括图像的梯度特征、图像的噪声特征和图像的DCT变换系数统计特征，避免单一特征造成的结果偏差；采用多个分类模型训练，通过加权投票法对多个分类结果融合，降低了检测结果的错误率；每个分类模型采用不同方法，综合多种分类模型的优点，增加了分类结果的准确性。2.本专利技术的一种基于图像多特征的图像翻拍检测方法，在第二分类模型中，通过计算待测图像噪声特征和原始自然图像噪声特征的相似度S1、待测图像噪声特征和翻拍图像噪声特征的相似度S2，比较S1和预设原始自然图像噪声特征隶属度阈值的大小，S2和预设翻拍图像噪声特征隶属度阈值的大小，输出判断结果，避免了深度神经网络模型的训练时间长和过拟合等弊端。3.本专利技术的一种基于图像多特征的图像翻拍检测方法，图像的梯度特征提取用时较短，相比于LBP(局部二值模式)，特征提取用时平均提升1-2倍，从10s降到5s，有效缩短翻拍检测效率。附图说明图1为本专利技术一种基于图像多特征的图像翻拍检测方法的提取噪声特征的流程框图；图2为本专利技术一种基于图像多特征的图像翻拍检测方法的提取DCT变换系数特征的流程框图；图3为本专利技术一种基于图像多特征的图像翻拍检测方法的整体流程框图。实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。参照附图1-3，本专利技术提供了一种基于图像多特征的图像翻拍检测方法，包括：采集图像，包括原始自然图像和翻拍图像，并将采集图像人工标注作为训练图像；对训练图像提取多组特征，所述多组特征包括图像的梯度特征、图像的噪声特征和图像的DCT变换系数统计特征；获取多个分类模型，采用每组特征分别得到对应的一个分类模型；多种分类结果融合，采用加权投票法对多个分类模型的分类结果融合；待测图像翻拍检测，将待测图像提取多组特征后输入到对应的分类模型，获取本文档来自技高网...

【技术保护点】
1.一种基于多特征融合的图像翻拍检测方法，其特征在于：包括：/n采集图像，包括原始自然图像和翻拍图像，并将采集图像人工标注作为训练图像；/n对训练图像提取多组特征，所述多组特征包括图像的梯度特征、图像的噪声特征和图像的DCT变换系数统计特征；/n获取多个分类模型，采用每组特征分别得到对应的一个分类模型；/n多种分类结果融合，采用加权投票法对多个分类模型的分类结果融合；/n待测图像翻拍检测，将待测图像提取多组特征后输入到对应的分类模型，获取分类结果，并融合多种分类结果得到最终检测结果。/n

【技术特征摘要】
1.一种基于多特征融合的图像翻拍检测方法，其特征在于：包括：
采集图像，包括原始自然图像和翻拍图像，并将采集图像人工标注作为训练图像；
对训练图像提取多组特征，所述多组特征包括图像的梯度特征、图像的噪声特征和图像的DCT变换系数统计特征；
获取多个分类模型，采用每组特征分别得到对应的一个分类模型；
多种分类结果融合，采用加权投票法对多个分类模型的分类结果融合；
待测图像翻拍检测，将待测图像提取多组特征后输入到对应的分类模型，获取分类结果，并融合多种分类结果得到最终检测结果。


2.根据权利要求1所述的一种基于多特征融合的图像翻拍检测方法，其特征在于：所述获取多个分类模型，具体包括：
获取第一分类模型，将训练图像的梯度特征输入到LibSVM分类模型训练，通过LibSVM分类模型输出图像是否属于翻拍的结果；
获取第三分类模型，将训练图像的DCT变换系数统计特征输入到卷积神经网络训练，通过卷积神经网络输出图像是否属于翻拍的结果；
获取第二分类模型，将训练图像的噪声特征输入到第二分类模型存储，所述第二分类模型通过分别计算待测图像噪声特征和原始自然图像噪声特征的相似度S1、待测图像噪声特征和翻拍图像噪声特征的相似度S2，输出待测图像是否属于翻拍的结果。


3.根据权利要求2所述的一种基于多特征融合的图像翻拍检测方法，其特征在于：第二分类模型中，若相似度S1大于预设原始自然图像噪声特征隶属度阈值，则输出待测图像为原始自然图像，若相似度S2大于预设翻拍图像噪声特征隶属度阈值，则输出待测图像为翻拍图像。


4.根据权利要求1所述的一种基于多特征融合的图像翻拍检测方法，其特征在于：所述梯度特征提取方法为：
4.1、通过图片获取R，G，B三个通道下的图像分量像素矩阵和图片的灰度图像素矩阵；
4.2、对步骤4.1中的四幅图通过sobelxy算子获取四张梯度图；
4.3、对每张梯度图上的像素点的值分别进行统计，将频率、均值和方差特征，得到每张梯度图的图片特征，四张梯度图获得的同一张...

【专利技术属性】
技术研发人员：李飞，盛刚，毕佳佳，张琦，赵龙，
申请(专利权)人：科大国创软件股份有限公司，
类型：发明
国别省市：安徽;34