基于由粗到细匹配的跨视角拼接检测方法技术

本发明专利技术提供了一种基于由粗到细匹配的跨视角拼接检测方法，包括：对待测图像进行特征提取，得到特征点；设置粗匹配阈值，对特征点进行匹配，得到粗匹配集合，粗匹配集合包括正确匹配对和错误匹配对；对粗匹配集合进行建模，得到混合模型，对混合模型进行最大后验概率估计，对正确匹配对和错误匹配对进行区分，得到输出正确匹配对集合；根据正确匹配对集合，对待测图片的拼接篡改区域定位，得出检测结果。得出检测结果。得出检测结果。

【技术实现步骤摘要】
基于由粗到细匹配的跨视角拼接检测方法


[0001]本专利技术涉及数字图像取证
，尤其涉及基于由粗到细匹配的跨视 角拼接检测方法。

技术介绍

[0002]随着图像编辑软件的发展，人们逐渐开始使用图像编辑软件对图像进行 编辑之后再上传至社交网络等平台。图像编辑技术为人们的生活带来了诸多 便利的同时也具有潜在的危险因素，一旦被恶意篡改的图像用于新闻报道、 学术造假和恶意诽谤等用途，将带来不可估量的严重危害，轻则对个人产生 不良影响，重则有损国家安全。因此，数字图像取证技术应运而生。
[0003]同源拼接是数字图像篡改方式中最为常见的篡改类型之一。同源拼接指 的是对图像中的部分区域进行复制，之后再将其粘贴到同一张图像中的其它 区域，其目的在于对某些特定目标的强调或者掩盖。经过同源拼接操作，篡 改图像中会出现至少一处的高度相似的区域，两处高度相似的区域会给人带 来很强的不自然感。一般情况下，通过同源拼接产生的伪造图片可以被一眼 识破。所以伪造者为了提升篡改的逼真程度，将源目标以跨视角下的形态进 行拼接，相比于以往的同源拼接篡改，跨视角拼接产生的伪造图片具有更强 的欺骗性。
[0004]针对跨视角拼接产生的伪造图片的图像拼接检测方案根据拼接类型大致 可以分为两种，一种是同源拼接检测，另一种是异源拼接检测。同源拼接篡 改检测可以分为三种。
[0005]第一种是基于图像块特征的检测算法，使用DCT系数作为图像块特征， 并利用字典排序进行特征匹配，使用PCA、KPCA以及SVD来减少特征维度， 利用高斯金字塔分解图像并使用Hu矩作为图像块特征。然而基于图像块特征 匹配的方法具有一定的局限性，其一是图像块特征一般是对重叠块进行提 取，由于重叠块数量较大，导致特征数量庞大，计算量较大；其二是图像块 特征对于缩放等后处理操作的鲁棒性较差，难以有效检测经过后处理的图 像。第二种是基于关键点特征的检测算法。由于关键点的提取是依靠图像中 的熵值较高的点，所以，关键点在图像中的分布是较为稀疏的。实验证明基 于关键点特征的检测算法具有较低的计算复杂度。第三类是基于深度特征的 检测算法。这种端到端的检测网络可以实现对拼接目标和源目标进行区分。
[0006]对于异源拼接篡改检测，根据特征类型可以分为两种。第一种是基于传 统统计特征的检测算法，统计特征有噪声模式、CFA去马赛克特征以及操作 相关的篡改痕迹特征。第二种是基于深度学习的检测方法。早期的基于深度 学习的方法是对图像划分成不同的块，并通过学习不同块之间的差异性进行 篡改检测。最近几年，国内外的研究学者提出将图像拼接检测当作一种分割 任务来处理。
[0007]通过对同源拼接篡改检测方法和异源拼接篡改检测分析，可以发现同源 拼接篡改检测方法是通过对图像的相似区域进行搜索完成检测，但在视角有 所变化的情况下，两处区域的相似度受到限制，特征的鲁棒匹配较为困难。 而异源拼接篡改检测是基于篡改区
域与原始区域统计特征的差异性完成检 测，然而在跨视角拼接中拼接目标与源目标属于具有一定的相似性，二者的 统计特征不具备较大差异，无法进行精确度较高的跨视角拼接检测。

技术实现思路

[0008]本专利技术的实施例提供了一种基于由粗到细匹配的跨视角拼接检测方法， 以克服现有技术的缺陷。
[0009]为了实现上述目的，本专利技术采取了如下技术方案。
[0010]一方面，本专利技术提供一种基于由粗到细匹配的跨视角拼接检测方法，包 括：
[0011]对待测图像进行特征提取，得到特征点；
[0012]设置粗匹配阈值，对特征点进行匹配，得到粗匹配集合，粗匹配集合包 括正确匹配对和错误匹配对；
[0013]对粗匹配集合进行建模，得到混合模型，对混合模型进行最大后验概率 估计，对正确匹配对和错误匹配对进行区分，得到正确匹配对集合；
[0014]根据正确匹配对集合，对待测图片的拼接篡改区域定位，得出检测结 果。
[0015]可选地，对待测图片的拼接篡改区域定位，包括：
[0016]对待测图像进行超像素分割，筛选包含正确匹配集合中的匹配点的图像 块；
[0017]以图像块内的全部元素为基础，构建凸包；
[0018]对凸包进行图像分割，细化拼接篡改区域。
[0019]可选地，特征点的特征描述子包括手工设计特征和CNN提取特征。
[0020]可选地，手工设计特征包括SIFT、SURF，CNN提取特征包括： ContextDesc、R2D2。
[0021]可选地，多个特征点的匹配方法包括：
[0022]通过计算一个特征点s
i
与其余的所有特征点之间的欧式距离得到距离集 合D＝{d1，...，d
n
‑1}；
[0023]计算距离集合中相邻两个距离的比值R，若满足R
k
小于粗匹配阈值，且 R
k+1
大于粗匹配阈值，则{d1,d2,...,d
k
}对应的特征点与特征点s
i
匹配，得到粗匹配 集合，粗匹配集合为{Q1，Q2}。
[0024]可选地，基于下式计算得到距离集合中相邻两个距离的比值R：
[0025][0026]式中，d
i
为距离集合中的一个距离，d
i+1
为距离集合中与d
i
相邻的下一个距 离。
[0027]可选地，细匹配模型中，正确匹配的坐标服从均值为0方差为σ的高斯分 布，错误匹配服从参数为c的均匀分布，并为正确匹配和错误匹配的关联隐变 量h
n
∈{0，1}，1代表正确匹配，0代表错误匹配。混合模型的似然函数为：
[0028][0029]式中p为后验概率，q
1n
、q
2n
为匹配点坐标，θ＝{f，σ，α}为未知参数集合，α 为混合系数，B为距离，f为向量场。
[0030]可选地，基于下式计算距离B：
[0031][0032]式中，q
1n
、q
2n
为匹配点坐标，B为距离，f为向量场。
[0033]可选地，f由对粗匹配集合插值得到，用于拟合正确匹配。
[0034]可选地，基于下式对f施加平滑约束：
[0035][0036]式中，p(f)为f的概率分布函数，为再生核Hilbert空间，λ为正实数。
[0037]本专利技术有益效果：通过由粗到细的匹配策略来提升匹配的鲁棒性，粗匹 配通过适当扩大匹配阈值从而保留下更多的匹配对，细匹配则是通过对含有 错误匹配的粗匹配样本进行向量场插值，使得向量场可以拟合潜在的正确匹 配样本。本专利技术通过对包含错误匹配的粗匹配样本插值出一个平滑的向量场 来保留下更多的跨视角区域匹配对，并通过图割的方式实现篡改区域的像素 级定位，有效提升了跨视角拼接检测的性能。
[0038]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的 描述中变得明显本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于由粗到细匹配的跨视角拼接检测方法，其特征在于，包括：对待测图像进行特征提取，得到特征点；设置粗匹配阈值，对所述特征点进行匹配，得到粗匹配集合，所述粗匹配集合包括正确匹配对和错误匹配对；对所述粗匹配集合进行建模，得到混合模型，对所述混合模型进行最大后验概率估计，对所述正确匹配对和所述错误匹配对进行区分，得到正确匹配对集合；根据所述正确匹配对集合，对所述待测图片的拼接篡改区域定位，得出检测结果。2.根据权利要求1所述的方法，其特征在于，对所述待测图片的拼接篡改区域定位，包括：对所述待测图像进行超像素分割，筛选包含所述正确匹配集合中的匹配点的图像块；以所述图像块内的全部元素为基础，构建凸包；对所述凸包进行图像分割，细化拼接篡改区域。3.根据权利要求2所示的方法，其特征在于，所述特征点的特征描述子包括手工设计特征和CNN提取特征。4.根据权利要求3所述的方法，其特征在于，所述手工设计特征包括SIFT、SURF，所述CNN提取特征包括：ContextDesc、R2D2。5.根据权利要求2所述的方法，其特征在于，所述多个特征点的匹配方法包括：通过计算一个所述特征点s
i
与其余的所有所述特征点之间的欧式距离得到距离集合D＝{d1，...，d
n
‑1}；计算所述距离集合中相邻两个距离的比值R，若满足R
k
小于所述粗匹配阈值，且R
k+1
大于所述粗匹配阈值，则{d1，d2，...，d

【专利技术属性】
技术研发人员：倪蓉蓉，孙钰，赵耀，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：