【技术实现步骤摘要】
本专利技术涉及图像取证的，尤其涉及到基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法。
技术介绍
1、随着信息技术和互联网领域的飞速发展，越来越多的人开始通过网络进行交流。不论是专业人士还是业余爱好者，都倾向于在网络上上传和下载图像、视频等媒体。然而，图像和视频在广泛传播的同时，一些包含违法犯罪内容或虚假诽谤信息的图像或视频也难以避免地在网络中出现。这给网络安全领域带来了重大挑战。因此，确保这些分享的照片或视频的来源和可信度变得尤为必要。
2、视频取证也是多媒体取证的关键课题之一。目前已有的源相机识别方法主要依赖于图像采集硬件和图像处理软件在图像中所遗留下的固有痕迹。例如透镜像差(san choik,lam e y,wong k k y.source camera identification using footprints from lensaberration[c]//digital photography ii.spie,2006,6069:172-179.)和色彩滤波阵列插值伪影(swaminathan a,wu m,liu k j r.nonintrusive component forensics ofvisual sensors using output images[j].ieee transactions on informationforensics and security,2007,2(1):91-106.)等。随着研究者对该领域的深入了解，出现了一种显著有效的多媒体来源检测方法——基于
3、传感器是相机成像的重要组成部分之一，因为制造材料和生产工艺方面的不同，所以可能存在一些缺陷导致在成像时产生特定的噪声伪影。这些噪声伪影具有独特的特性，即使是同一型号的相机产生的这种噪声伪影也会有所不同。研究者们将这种独特的噪声伪影称为传感器模式噪声。传感器模式噪声的主要成分由光响应非均匀性(photoresponse non-uniformity，prnu)噪声组成，因此prnu也被视为传感器模式噪声的一部分。prnu可以被视为相机的指纹，用于对未知图像和视频进行来源检测。
4、最初，lukas(lukas j,fridrich j,goljan m.digital camera identificationfrom sensor pattern noise[j].ieee transactions on information forensics andsecurity,2006,1(2):205-214.)提出了一种数字图像来源识别系统，该系统首次使用prnu(photo response non-uniformity)。其方法涉及使用小波去噪滤波器来提取图像的噪声残差，然后通过平均同一相机拍摄的图像组的噪声残差来生成相机的参考prnu。(cortianaa,conotter v,boato g,et al.performance comparison of denoising filters forsource camera identification[c]//media watermarking,security,and forensicsiii.spie,2011,7880:60-65.)通过引入复杂的bm3d滤波器，可以从图像中提取prnu。bm3d算法通过识别图像中的相似块并将它们进行组合，已经被证明在图像去噪方面非常有效。然而，需要注意的是，该算法的搜索和分组过程是相当耗时的。为解决这一问题，(kang x,chen j,lin k,et al.a context-adaptive spn predictor for trustworthy sourcecamera identification[j].eurasip journal on image and video processing,2014,2014(1):1-11.)提出了一种基于内容自适应插值的预测器,通过使用八个相邻像素来插值中心像素进行prnu的估计，该方法能够抑制场景和边缘对prnu的影响。(lawgaly a,khelifi f.sensor pattern noise estimation based on improved locally adaptivedct filtering and weighted averaging for source camera identification andverification[j].ieee transactions on information forensics and security,2016,12(2):392-404.)提出了一种改进的局部自适应离散余弦变换滤波器和加权平均算法，进一步处理和提取prnu。而(高昌锋,肖延辉,田华伟.基于多阶段渐进式神经网络的图像相机指纹提取算法[j].信息网络安全,2022,22(10):15-23.)则提出了一种基于多阶段渐进式神经网络的prnu提取算法，相较于传统的小波方法，该算法能够更充分地提取图像特征。
5、源相机的识别技术研究目前主要是针对相机拍摄的图像，而对视频识别则没有太多的研究，尤其是压缩视频。在现有的视频编码标准(如h.264、mpeg系列等标准)中，一组视频帧的组成包括i帧、p帧和b帧，(chuang w h,su h,wu m.exploring compressioneffects for improved source camera identification using strongly compressedvideo[c]//2011 18th ieee international conference on image processing.ieee,2011:1953-1956.)表明了i帧在视频取证任务中比p帧具有更高的可靠性。此外，一些研究提出了可以通过减轻视频压缩标准的不利影响来提高prnu估计的准确性，如去除解码后的伪影(altinisik e,tasdemir k,sencar h t.extracting prnu noise from h.264codedvideos[c]//2018 26th european signal processing conference(eusipco).ieee,2018:1367-1371.)。taspinar等人(s.taspinar,m.mohanty,n.memon,camera fingerprintextraction via spatial domain averaged frames,ieee transactions oninformation forensics and security 15(2020)3270–3282.)提出了一种通过对视频帧在空间域进行平均化来提本文档来自技高网...
【技术保护点】
1.基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，其特征在于，包括：
2.根据权利要求1所述的基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，其特征在于，求取参考压缩视频的PRNU噪声和测试压缩视频的PRNU噪声均包括以下步骤：
3.根据权利要求2所述的基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，其特征在于，步骤A1中，基于双密度双树复小波的分解的具体过程包括：
4.根据权利要求3所述的基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，其特征在于，步骤A2具体包括：
5.根据权利要求2所述的基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，其特征在于，步骤A3中，对每张视频帧的噪声残差使用基于量化参数值加权的最大似然估计法，其中使用归一化的权重矩阵Ut，对PRNU进行加权，加权的公式(15)：
6.根据权利要求1所述的基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，其特征在于，步骤S3中，带符号的峰值相关能量表示为：
【技术特征摘要】
1.基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，其特征在于，包括：
2.根据权利要求1所述的基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，其特征在于，求取参考压缩视频的prnu噪声和测试压缩视频的prnu噪声均包括以下步骤：
3.根据权利要求2所述的基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，其特征在于，步骤a1中，基于双密度双树复小波的分解的具体过程包括：
4.根据权利要求3所述的基于自适应贝叶...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。