高级搜索

基于级联卷积神经网络的图像篡改检测算法

毕秀丽 魏杨 肖斌 李伟生 马建峰

引用本文: 毕秀丽, 魏杨, 肖斌, 李伟生, 马建峰. 基于级联卷积神经网络的图像篡改检测算法[J]. 电子与信息学报, doi: 10.11999/JEIT190043 shu
Citation:  Xiuli BI, Yang WEI, Bin XIAO, Weisheng LI, Jianfeng MA. Image Forgery Detection Algorithm Based on Cascaded Convolutional Neural Network[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190043 shu

基于级联卷积神经网络的图像篡改检测算法

    作者简介: 毕秀丽: 女,1982年生,副教授,研究方向包括图像处理、多媒体安全和图像取证;
    魏杨: 男,1993年生,硕士生,研究方向包括深度学习、图像取证;
    肖斌: 男,1982年生,教授,研究方向包括图像处理、模式识别和数字水印;
    李伟生: 男,1975年生,教授,研究方向包括智能信息处理与模式识别;
    马建峰: 男,1963年生,教授,研究方向包括计算机网络、信息安全;
    通讯作者: 肖斌, xiaobin@cqupt.edu.cn
  • 基金项目: 国家自然科学基金(61572092, U1401252),国家重点研发计划基金(2016YFC1000307-3)

摘要: 基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。

English

    1. [1]

      MAHDIAN B and SAIC S. Using noise inconsistencies for blind image forensics[J]. Image and Vision Computing, 2009, 27(10): 1497–1503. doi: 10.1016/j.imavis.2009.02.001

    2. [2]

      FARID H. Exposing digital forgeries from JPEG ghosts[J]. IEEE Transactions on Information Forensics and Security, 2009, 4(1): 154–160. doi: 10.1109/TIFS.2008.2012215

    3. [3]

      YE Shuiming, SUN Qibin, and CHANG E C. Detecting digital image forgeries by measuring inconsistencies of blocking artifact[C]. Proceedings of 2007 IEEE International Conference on Multimedia and Expo, Beijing, China, 2007: 12–15. doi: 10.1109/ICME.2007.4284574.

    4. [4]

      BIANCHI T and PIVA A. Image forgery localization via block-grained analysis of JPEG artifacts[J]. IEEE Transactions on Information Forensics and Security, 2012, 7(3): 1003–1017. doi: 10.1109/TIFS.2012.2187516

    5. [5]

      RAO Y and NI Jiangqun. A deep learning approach to detection of splicing and copy-move forgeries in images[C]. Proceedings of 2016 IEEE International Workshop on Information Forensics and Security, Abu Dhabi, UAE, 2016: 1–6. doi: 10.1109/WIFS.2016.7823911.

    6. [6]

      ZHANG Ying, GOH J, WIN L L, et al. Image region forgery detection: A deep learning approach[M]. MATHUR A and ROYCHOUDHURY R. Proceedings of the Singapore Cyber-Security Conference. Amsterdam: IOS Press, 2016: 1–11. doi: 10.3233/978-1-61499-617-0-1.

    7. [7]

      BAPPY J H, ROY-CHOWDHURY A K, BUNK J, et al. Exploiting spatial structure for localizing manipulated image regions[C]. Proceedings of 2017 IEEE International Conference on Computer Vision, Venice, Italy, 2017: 4980–4989. doi: 10.1109/ICCV.2017.532.

    8. [8]

      WEI Yang, BI Xiuli, and XIAO Bin. C2R Net: The coarse to refined network for image forgery detection[C]. Proceedings of the 201817th IEEE International Conference on Trust, Security and Privacy in Computing and Communications/12th IEEE International Conference on Big Data Science and Engineering, New York, USA, 2018: 1656–1659. doi: 10.1109/TrustCom/BigDataSE.2018.00245.

    9. [9]

      HUH M, LIU A, OWENS A, et al. Fighting fake news: Image splice detection via learned self-consistency[C]. Proceedings of the 15th European Conference on Computer Vision, Munich, Germany, 2018: 106–124. doi: 10.1007/978-3-030-01252-6_7.

    10. [10]

      SIMONYAN K and ZISSERMAN A. Very deep convolu-tional networks for large-scale image recognition[EB/OL]. https://arxiv.org/abs/1409.1556, 2014.

    11. [11]

      HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[C]. Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 770–778. doi: 10.1109/CVPR.2016.90.

    12. [12]

      IOFFE S and SZEGEDY C. Batch normalization: Accelerating deep network training by reducing internal covariate shift[EB/OL]. https://arxiv.org/abs/1502.03167, 2015.

    13. [13]

      NAIR V and HINTON G E. Rectified linear units improve restricted boltzmann machines[C]. Proceedings of the 27th International Conference on Machine Learning, Haifa, Israel, 2010: 807-814.

    14. [14]

      BEEFERMAN D and BERGER A. Agglomerative clustering of a search engine query log[C]. Proceedings of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Boston, USA, 2000: 407-416. doi: 10.1145/347090.347176.

    15. [15]

      BARBER C B, DOBKIN D P, and HUHDANPAA H. The quickhull algorithm for convex hulls[J]. ACM Transactions on Mathematical Software, 1996, 22(4): 469–483. doi: 10.1145/235815.235821

    16. [16]

      CANNY J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(6): 679–698. doi: 10.1109/TPAMI.1986.4767851

    17. [17]

      SRIVASTAVA N, HINTON G, KRIZHEVSKY A, et al. Dropout: A simple way to prevent neural networks from overfitting[J]. The Journal of Machine Learning Research, 2014, 15(1): 1929–1958.

    18. [18]

      ZAMPOGLOU M, PAPADOPOULOS S, and KOMPATSIARIS Y. Large-scale evaluation of splicing localization algorithms for web images[J]. Multimedia Tools and Applications, 2017, 76(4): 4801–4834. doi: 10.1007/s11042-016-3795-2

    1. [1]

      杨宏宇王峰岩. 基于深度卷积神经网络的气象雷达噪声图像语义分割方法. 电子与信息学报, doi: 10.11999/JEIT190098

    2. [2]

      陈光武程鉴皓杨菊花刘昊张琳婧. 基于改进神经网络增强自适应UKF的组合导航系统. 电子与信息学报, doi: 10.11999/JEIT181171

    3. [3]

      贺丰收何友刘准钆徐从安. 卷积神经网络在雷达自动目标识别中的研究进展. 电子与信息学报, doi: 10.11999/JEIT180899

    4. [4]

      王巍周凯利王伊昌王广袁军. 基于快速滤波算法的卷积神经网络加速器设计. 电子与信息学报, doi: 10.11999/JEIT190037

    5. [5]

      盖杉鲍中运. 基于改进深度卷积神经网络的纸币识别研究. 电子与信息学报, doi: 10.11999/JEIT181097

    6. [6]

      秦华标曹钦平. 基于FPGA的卷积神经网络硬件加速器设计. 电子与信息学报, doi: 10.11999/JEIT190058

    7. [7]

      殷礼胜唐圣期李胜何怡刚. 基于ARIMA和遗传粒子群小波神经网络组合模型的交通流预测. 电子与信息学报, doi: 10.11999/JEIT181073

    8. [8]

      谷允捷胡宇翔谢记超. 基于重叠网络结构的服务功能链时空优化编排策略. 电子与信息学报, doi: 10.11999/JEIT190145

    9. [9]

      王练张贺张昭张勋杨. 基于自适应随机线性网络编码的优先级调度方案. 电子与信息学报, doi: 10.11999/JEIT180885

    10. [10]

      罗钧杨永松侍宝玉. 基于改进的自适应差分演化算法的二维Otsu多阈值图像分割. 电子与信息学报, doi: 10.11999/JEIT180949

    11. [11]

      李海李怡静吴仁彪. 载机偏航下基于广义相邻多波束自适应处理的低空风切变风速估计. 电子与信息学报, doi: 10.11999/JEIT180758

    12. [12]

      孙彦景石韫开云霄朱绪冉王赛楠. 基于多层卷积特征的自适应决策融合目标跟踪算法. 电子与信息学报, doi: 10.11999/JEIT180971

    13. [13]

      唐敏齐栋刘成城赵拥军. 基于多级阻塞的稳健相干自适应波束形成. 电子与信息学报, doi: 10.11999/JEIT180332

    14. [14]

      李林王林韩红霞姬红兵江莉. 自适应时频同步压缩算法研究. 电子与信息学报, doi: 10.11999/JEIT190146

    15. [15]

      王琼罗亚洁李思舫. 基于分段循环冗余校验的极化码自适应连续取消列表译码算法. 电子与信息学报, doi: 10.11999/JEIT180716

    16. [16]

      梁爽杭文龙冯伟刘学军. 基于分类误差一致性准则的自适应知识迁移. 电子与信息学报, doi: 10.11999/JEIT181054

    17. [17]

      黄国策王桂胜任清华董淑福高维廷魏帅. 基于Hilbert信号空间的未知干扰自适应识别方法. 电子与信息学报, doi: 10.11999/JEIT180891

    18. [18]

      侯志强王帅廖秀峰余旺盛王姣尧陈传华. 基于样本质量估计的空间正则化自适应相关滤波视觉跟踪. 电子与信息学报, doi: 10.11999/JEIT180921

    19. [19]

      关泽文陈建文鲍拯. 一种改进的基于峰值信噪比-高阶奇异值分解的天波超视距雷达自适应海杂波抑制算法. 电子与信息学报, doi: 10.11999/JEIT180707

    20. [20]

      唐伦杨恒马润琳陈前斌. 基于5G接入网络的多优先级虚拟网络功能迁移开销与网络能耗联合优化算法. 电子与信息学报, doi: 10.11999/JEIT180906

  • 图 1  基于级联卷积神经网络算法的检测流程

    图 2  基于级联卷积神经网络算法的检测示例

    图 3  粗筛网络结构

    图 4  粒提网络结构

    图 5  4组对比实验示例

    图 6  各算法在不同攻击下的检测效果

    表 1  各算法的检测结果

    算法精确率召回率F
    NOI0.150.130.14
    GHO0.190.270.22
    DCT0.420.810.55
    NADQ0.120.700.20
    C2R-Net0.610.430.51
    LSC-Net0.140.620.23
    本文算法0.620.730.67
    下载: 导出CSV
  • 加载中
图(6)表(1)
计量
  • PDF下载量:  18
  • 文章访问数:  266
  • HTML全文浏览量:  165
  • 引证文献数: 0
文章相关
  • 通讯作者:  肖斌, xiaobin@cqupt.edu.cn
  • 收稿日期:  2019-01-15
  • 录用日期:  2019-04-19
  • 网络出版日期:  2019-05-21
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章