出处: 2018 정보 법의학 및 보안에 대한 거래에 IEEE
개요 : 키포인트 기반 탐지 방법은 복사에 사용되는 대규모의 기하학적 변형에 대한 내성 탬퍼 검출을 붙여. 그러나 조작 된 지역은 작거나 지역 키포인트의 매우 제한된 수의 부드러운.
계층 복제를 일치하는 특징점 일치 계층 특징점을 기반으로 탐지 알고리즘을 조작 제안 붙여 넣습니다.
- 콘트라스트 임계치를 저감하고, 입력 이미지를 스케일링함으로써, 또는 작은 매끄러운 영역 요점들을 생성 할
- 그것은 주요 이슈 일치를 해결하기 위해 새로운 계층 일치하는 전략을 제안
- 또한 템퍼링 정확하게 각 키 영역에 강인한 (지배적 인 방향 및 크기 정보 스케일 정보의 주 방향을 포함)의 기능 및 색상 정보를 이용하여, 새로운 반복적 인 위치 결정 기술 반복 제이션 기술을 제안 하였다.
(코드) https://github.com/YuanmanLi/FE-CMFD-HFPM .]
데이터 세트 FAU [6] GRIP [12 ] MICC-F220 [3] MICC-F600 [16], CMH [15]과 COVERAGE [34]
实验环境 바탕 단일 스레드 양상에서 운영, 코어-I7, 8 GB RAM이 장착.
메트릭 TPR은 FPR 득점-F., 평가 화상 화소 각도. 계산 복잡도
관련 작업
최근 몇 년 동안, 복사 및 붙여 넣기는 대략 감지 두 그룹으로 나눌 수 있습니다
조밀 한 필드 (또는 블록 기반)에있어서, 입력 화상은 일정한 중첩 블록으로 분할하고, 블록 일치하여 배치되어있다.
기하학적 변형의 견고성을 향상시키기 위해 이산 코사인, 특이 값 분해 (SVD)를 특이 값 분해 이산 웨이블렛 (DWT), 주성분 분석 (PCA) 분석 주성분 웨이블릿 변환 (DCT) 이산 코사인 변환이 변환 단계, 블록 기반 방식은보다 복잡 임계점에 기초한 방법보다 더 정확하지만.
그러나 줌의 밀도 필드의 현재의 방법은, 회전, 추가 노이즈 상황이 좋지 않다
스파 스 필드 (또는 키 기반) 방법
SIFT 알고리즘 : 스케일 공간, 이미지 스케일링, 회전, 아핀 변환 심지어 지역 영상에 기초하여 양호한 안정성 기능
1. 추출 키 2. 키 설명 키포인트 3. 4. 제거 일치 : SIFT 구현 단계 포인트 불일치
크기 스케일 방향 : 중요한 점은 강조 코너 에지 포인트 어두운 스폿 및 밝은 영역의 어두운 영역으로 안정을 발견하는 세 개의 특징을 가지고키 감지 : 이미지 멀티 스케일 공간의 결과로, 가우시안 커널을 컨볼 루션
생성자 개 함수 계산 간략화
DOG의 지역 극단적 인 점을 찾고
-> 키 핀 포인트 : 추가적인 테스트의 극값 찾기를 가리킨, 어떤 점에서 포함 반올림 콘트라스트가 낮은 값 제거 점
-> 키 방향 지정
-> 핵심 포인트 설명
-> 키 일치
-> 불일치 점을 제거
알고리즘 구조는 본 명세서에 기재된 특징 추출 -> 경기 -> 변조 제이션
특징 추출 Ⅲ
SIFT 특징 추출 알고리즘을 사용하지만, 작은에서 SIFT 키 포인트를 많이 생산하지 않고 검출 성능을 손상 것이다, 영역을 부드럽게. 따라서 저자는 작은 영역에서 핵심 포인트의 번호를 생산하고 원활하게 할 수 있도록, SIFT을 개선하기 위해 두 가지 전략을 제안한다
콘트라스트 임계치를 줄이기
SIFT 알고리즘은 극한 점은 보간 곡선 연속 공간 극한치 알려진 이산 스케일 공간 극값 개 함수를 사용하여, 즉, 중요한 점 위치 및 필터링) II에 차동 가우시안 피라미드) I에 의해 검출 포인트
이를 위해, 콘트라스트 값
D는 X ^는 보간의 중심에 대해 오프셋되어, 가우스 함수의 차이
명암과 극점을 제거하기 위해서는, 일반적으로 C = 4 임계 값 C보다 작다. 그러나, 작은 매끄러운 극값 포인트가 임계 콘트라스트 영역 이하,도 생략한다.도 4 (b) 생성 된 덜 중요한 점으로, 변조 검출 충분한 증거를 제공 할 수 없다
그러므로, 하나의 임계 값 C, C를 낮추어야 영역의 요점 평활 소수을 보장하기 위해 제조뿐만 너무 낮을 수는 너무 낮게 요점 정합 문제를 일으키는 불안정성의 주요 사항이 많이 생성된다.
따라서, 우리는 적절한 C 점을 선택하는 실험을한다. 첫 번째 이미지의 각각은 같은 크기의 블록을 중복으로 분할된다 (달 사막, 하늘 등 포함) 매끄러운 이미지 영역 (100)을 선택하고, 패치, 100 × 100 내지 500 개의 같은 크기의 최소 편차를 갖는 블록을 선택 패치 × 500 개 (5) 크기는 마침내 500 획득
수학 식 7에있어서, (C)의 적절한 값을 얻었다
4 0 전송에서 C는, 단계 = 0.01, 제약 조건은, 대조 임계 값 (N은 ^ {C} _ {I} \) \ , 포인트의 키 번호 제가 번째 패치 적어도 보장 \ (S ^ {I} \) 패치의 크기에 핵심 포인트 당 1200 픽셀가있다. C = 0.01, C = 0.1 제공된 상기 불일치를 고려하여, 단지 약간 더 나은 C = 0.1, 최적의 해결책이 때,도 4 (D) (C)는 키 값들의 개수 및 사이의 관계이다. 도 4c는 C = 0.1의 결과
입력 화상 스케일링
단단히 수집 임계점 결과 너무 많은 시간의의 더 자세한 임계점 있지만, 그러나 입력 화상은,도 4e와 같이 중요한 점수를 향상 크게 할 스케일링 요점 매칭 문제는 악화 절충 S = 그래서 이
두 가지 방법으로 위의 중요 지점의 수를 크게 증가 될 수 있지만 핵심은 그래서 아래의 문제를 개선하기 위해 매칭 전략 및 포지셔닝 기술 위에 제안, 일치의 어려움의 원인과 일치하지 않는 것
계층 기능 매칭 Ⅳ
핵심 포인트 일치 문제
도 5a는 조작 된 이미지
5B : 5 직접적인 매칭 키 2990, C = 4, S = 1
5C : 1 직접 매칭 키 35601, C = 0.1, S = 2
5D : 54 번째 스케일 클러스터링 매칭 키 35601, C = 0.1, S = 2
상기 방법을 사용하면, 키 포인트의 개수는 동일한 위치 또는 인접 위치에 다른 비늘 더 중요한 점을 생성 때문에 반대로 해당 설명과 매우 유사하다, 10 배 배가되지만 1~5 다운 안타 결코 정합 조건식 5 키포인트 정합 문제 I라고
키포인트 일치 변조 이미지의 서브 세트가 키를 설명 작성 매칭 유클리드 거리를 이용하여, 임의의 두 유사도 측정치 키포인트 디스크립터 완료
두 점, 가장 짧은 직선 사이. 유클리드 거리를 설명 직선 거리 두 점 간의
수학 식 5에서, 요점 (페어링되는 \) \ (R_ {I} \ (R_는 {I}를 \) 을 만족하는)
\ [\ FRAC {R_ {I } 가까운 점 R_ {J} 거리} { R_ {I} 점 거리 S_ {J}} <임계치 근처 회 \]
알고리즘 복잡도가 크게 증가 일치 함 키포인트 정합 문제 II
두 가지 문제 위를 해결하기 위해, 계층 기능 매칭 알고리즘,도 6에 도시 된 알고리즘 구조
중첩 클러스터 계조 매칭 설정된 두 부분, 1) 2 클러스터링 스케일 매칭 설정 됨)로 구성
그룹 B는 클러스터링 스케일 일치
도 3에 도시 된 바와 같이, SIFT 알고리즘 옥타브 그룹과 가우시안 이미지 스케일 공간 키포인트 검출. 방법을 사용한 후 Ⅲ 단단히 주요 지점의 수가 상대적으로 낮은 규모의 소규모 공동의 1 옥타브 높은 규모 때문에, 서로 다른 스케일의 핵심 포인트를 수집 2.이 때문에, 강력한 대규모 확장을위한 핵심 포인트를 높은 일치 용액을 각각 단일 옥타브 내의 각 하위 척도와 일치하며 다중 옥타브 높은 배율에서 서로 일치한다.
그룹은 상기 수학 식 8에 따르면, 키 포인트는 3 개 그룹, octave1, octave2, octave3로 나누어
\ (\ gamma_ {I}는 \ ) i 번째 옥타브의 제 1 스케일 값 개 이미지이다. \ (\ sigma_ k는 {} \ ) 키 시점 k의 스케일 값은, 커질수록 매끄러운 화상
따라서, 키포인트 매칭 문제 I 문제를 감소도에 도시 된 바와 같이,도 5d.
참고 수가 증가 할 수는 위의 일치,하지만 견고성의 비용으로 어느 정도 이미지 크기를 조정 할 수 있습니다. C3 모든 요점을 포함하는 높은 비율을 고려하여, 어느 정도, 주밍을위한 픽처의 안정성을 유지한다. 강력한 소규모 용 C1 C2 매치
중첩 계조 클러스터링을 통해 C 그룹 매칭
중첩 클러스터 계조 일치하여 그룹
SIFT 식 (5)는 모든 요점 정도로 일치하도록로서, 동일 그룹 내에서의 거리 계산을 요구했다. 그러나 중요한 점, 계산 부담의 수의 증가. 따라서, 본 명세서의 구조에서, 효율적인 정합 알고리즘 중요 매칭 전략 제안 - 계조 일치 중복 클러스터
정확한 매치는 두 개의 유사한 지역에서 유사한 화소 값을 가져야이기 복사 및 붙여 넣기를 검출 선험적 지식이다. 따라서, 분류 계조 값은 다음 수학 식 5를 기반으로 일치하는 각 계조 값을 적용 임계점을 제안 하였다.
오직 몇 개의 그레이 값 클래스로 모든 키의 분리는, 다른 그레이 값 사이에서 손실 될 수있다 올바른 클래스와 일치하고, 따라서, 서브 세트, 단계 C1 = 겹치는 L로 255, 수학 식 9에 도시 된 바와 같이 중첩 단계 = C2,
\ (C_은 {P, 난} \) , i 번째의 임계점에서 계조 클러스터링 overlpped의 규모 클러스터링을 나타내고, \ (A_ {I} \) \ (B_ {J} \) 그레이 값의 집합의 대표 시작점과 끝점
P는 모든 정합 쌍의 이미지를 나타낸다 (P_ {P} 나 \의) \ 에서 스케일 클러스터링을 나타내는 제 i 식 (11)을 갖는 정합 쌍 계조 클러스터링 overlpped
사용 오류를 일치 제거하려면
Ⅴ 반복 위조 위치
반복 변조 위치
복사 키 포인트를 기준으로 탐지 알고리즘을 붙여 위치에 문제가있는 것입니다
다수의 변조 영역은 homograohy 독특하고 변조 알 수없는이있는 경우
원점 매칭 처리를 대응 모두 일치하고, 따라서 변조 포인트, 일치 서열의 분리없이
RANSAC 알고리즘이 단일 호모 그래피를 추정하고, 상기 매칭 순서와 일치한다.
이전 해법 :
1) [3], [15]에서 제안 된 첫 번째 키워드에 위치하여 클러스터링하는 키워드 기반 클러스터링 알고리즘 일치 원래 단조 키워드와 키워드를 다른으로 분리에 기재된 클러스터링,이어서, 두 개의 클러스터가 일치 동일 [3] (하나 개의 클러스터로부터 또 다른 클러스터) 서열 일치 할당 연결;
2) [5], 전체 이미지는 먼저 분할된다의 주요 사항에 기초하여 분류 알고리즘 작은 비 중첩 영역 분할 된 각 영역 사이 후 주어진. 움직임에 대응 - 영역 매칭 점의 충분한 수를 포함하는 경우, 복사 영역으로 간주된다.
문제
1) 변조하여 복수의 영역은 실제 클러스터가 알려지지 않거나 오동작 지역화 영역 견딜 부근에 실제 클러스터 영역을 조작하기 쉬운 영역이다
2) 대형 영상 분할 계산 집약적 어려운 보편적 인 알고리즘 매개 변수를 찾을 수
우리의 접근 방식
1) 모든 세그먼트 또는 클러스터링 처리없이
색상 정보의 강력한 기능 (주요 방향 및 규모 정보) 2) 중요한 점 및 테이크 장점
3) 매우 정확한 위치를 무단
특정 단계
1 단계) : 삭제 일치에;
단계 2) : 로컬 호모 그래피 추정;
단계 3) : 하나의 지배적 인 방향하여야한다 라이어 선택, 검증의 사용;
단계 4) : 스케일 탬퍼 제이션을 사용하여 색 정보.
고립 일치하는 쌍의 제거
사본을 감지하고 사전 지식을 붙여 넣 연속 형태로 조작을 올바른 일치하는 키 때문에 지역에 고립 안된다. 식 (12)에 따르면, 고립에 경기를 포기
\ (N_의 {K}는 \) , \ (N_ {K가 '}의 \) 의 거리 정합 쌍을 말한다 (K, K'거리) < \ (ISO T_은 {100} = \) 의 개수와 일치
유효 일치의 나머지 세트는 M으로 정의된다
지역 B의 호모 그래피 추정
M은 무작위부터 (K, K '), 식 (14), (\ C_ {K}는 \) , \ (C_ {k는'} \) 대표 \ (M_ {키} \) 요점 여기서 거리의 K 및 K '근처의 임계점
\ (M_ {키} \) 요점 M을 말한다 \ (T_ {D} \) 개의 요점 = (100), DIS (P, K)가 계산된다 유클리드 거리
생성 \ (M_ {K} \) 거리를 포함하는 (K, K ')을 모든 쌍에 대한 임계점 근처 (행 정합 순서 \ (C_ {K} \) 에 \ (C_ {K'} \) )
( https://blog.csdn.net/xuyangcao123/article/details/70916767 )
\ (M_ {K} \) 두 개의 연속 된 부분 영역으로부터 그들의 homograhy에서, 가정 \ (H_k {} \) 따라서 처음 Ⅴ에서 언급 된 문제를 해결 동일.
[16] 또한, 정합 쌍 (세 무작위 인접 쌍)을 산출 아핀 행렬의 일부에 의해 추정 된 아핀 행렬들의 세트를 각각 의미한다. 그들의 목표는 우주 권리의 개념의 경기 수집하는 것입니다.
우리는 발견을 수행 라이어 모두를 사용해서 아핀 행렬을 추정하고, 모든 인접한 두 국부 영역에서 일치 사용
지배적 인 방향을 사용하여 C 호모 그래피 검증 및 라이어 선택
호모 그래피 검증 주 방향 라이어 선택한
RANSAC 방법은 완전히 정확하지 특히 오랫동안 충분히 라이어의 수. 우리는 새로운 하나의 인증을 제안하고 입력 선택 방법, 각 키 포인트 선두 방향과 관련된 사용을 지적한다.
SIFT 알고리즘에서 지배적 인 방향은 회전 불변에 중요한 역할을한다.
<K, K '는> 정확한 매칭이고, 주 방향 키포인트 오프셋 \ (\ {theta_ K'} - \ theta_ {K} \) 추정 된 아핀 호모 그래피와 호환되어야 \ (H_k {} \) . 일부 잘못된 매칭 같은 복종 변환 호모 그래피 수도 있지만, 주 방향은 BE와 호환되지 않지만 \ (H_k을 {} \)
\ (H_k {} \) 쓰기
비 특이 행렬은 2 × 2, \ (T = [T_ {X}, {Y} T_] ^ {T} \) 전이 벡터 천이 행렬이고
특이 값 분해 식
\ (R LT (\ theta_ {H}) \) \ (R LT (\ phi_ {H}) \) 의 회전 동작을 나타내는 파라미터이다 \ (\ theta_ {H} \) \ (\ phi_ {H} \)
복사 및 이렇게 회전 또는 반 시계 방향 일 수있다 패치를 붙여 \ (\ theta_ {H}의 \ ) (0에 매핑 \ (2 \ PI \) ] 공간
정의 기능을 확인합니다 \ (H_k를 {} \) 제대로
정확한 추정 \ (H_k \) 와 <K, K '>의 정확한 일치, F는 제로에 근접하는 것이다.
\ (\ 모자 {M_ {K }} \) 로 표현 \ (H_k \) RANSAC 알고리즘 결과 라이어 알려진 설정하기 후에 복귀 \ (\ 모자 {M_ {K }} \ SUBSETEQ {M_ {K}} \) , 거짓 라이어를 제거하는 경우에만, \ (\ 모자 {M_ {K }} \) 시간을 허용하도록, 식 22을 만족하는 90 % 이상 (\ H_k \) ( \ (T_ \ 쎄타 = 15 \) )
와 (H_k \) \ 후,
함께 \ (M_H \) , k는 선택된 라이너이다 나타내는 핵심
조정 후 얻을 Linera \ (H_k \)
조밀 한 분야에서 D 위조 현지화
제안 된 알고리즘 집약적 필드 위치에서 조작
- 각 입력 점 척도 용의자 정보 영역의 구성
- 색상 정보의 일관성을 확인하여 의심스러운 영역을 수정합니다
인가 (m_h \) \ 각각 적합 점의 포인트가 부분 원형으로 의심 영역 케이
\ (\ sigma_k \) (K)의 값의 측정은 \ (\ 알파 = 16 \) 하이퍼 파라미터이고
\ (M_h \) 의 각 점 매칭 시퀀스이므로 구하는 두 의심 영역 S S '
의심스러운 영역을 최적화하기 위해 색상 정보를 사용하여
K에 호모 그래피를 통해 S * K
k 번째 및 K * 유사한 K와 K * RGB 정보를 복사하고 고려 점을 붙이면
Q1이 사본에 기초하여 모든 포인트를 나타내고, S는 계산 붙여
중 
\ (\ 오메가 (k)는 \) 3 × 3의 k 번째 필드이고, Z는 정규화 팩터이고, 상기 임계 값 (\ T_rgb = 10 \)
반대의 방식으로 환산 S 'K'에서
Q2는 복사에 기초하여 모든 점을 나타내고, 계산 된 'S 붙여
B는 B가 먼저 Q1의 Q2는 점으로 표시라고도 0으로 초기화되어 0이 원래의 화상을 나타내고, 영역 (1)이 나타내는 조작 위치 변조 이진 이미지를 나타내는
이동 지역 - 그것을 참고 위의 2 단계) -4)에 의해, 우리는이 호모 그래피 변환을 충족하도록 복사 얻을 수 있습니다. 그러나, 클론 복수의 호모 그래피가 고유하지 않을 수있다. 도에 나타내는 바와 같이 현지화 알고리즘은 반복적이다.
특히, 우리의 접근 방법으로, 단계 2)에서 -4) 실험 = 15 K)에서 (K 반복을 반복한다. 각 반복에서, 우리는 호모 그래피를 추정 경기 중 일부만을 사용
모든 반복이 완료된 후, B 상 : 작은 영역을 제거 작은 갭을 채우기 위해 폐쇄 동작 형태,
마지막으로 검출 된 영역을 생성 위조
ⅵ 실험
데이터 세트 :
- FAU : 원본 이미지가 실제 사본에 해당하는 48 및 48을 포함하는 - 조작 된 이미지 이동 작업, × 2300 약 3000의 평균 해상도를
- GRIP : (80)는 원 화상 (80)과 이동 탬퍼 복제 충실도를 포함는 동일한 크기 1024 × 768이다. 모바일 탬퍼 검출 도전 - 그것은 주목할만한, GRIP 패치 변조 일부 매우 (예 SIFT 등) 희박한 샘플링 복제에 기초하는 평활화 인
- MICC-F220 : 110 110 이미지 조성물 변조되지 않은 변조 화상 해상도 722 × 480 800 × 600
- MICC-F600 : 3888 × 2592로 원 화상은 800 × 533의 화상 해상도 이루어지는 변조 이미지 (160) 및 (440)
- CMH : 1,296 × 972-845 × 634에서 108 개를 포함 클론 실제 이미지 해상도
- (커버리지) https://github.com/wenbihan/coverage ] - 변조 이미지 400 × 486의 해상도 평균 원시 데이터 (100)를 설정. 각 이미지는 비슷하지만 실제 개체를 포함합니다. 9 출시 지상 진실 잘못된 이미지 쌍을 제외한 조성물 이미지의 조작 부분 집합 - 우리의 실험에서, 우리는 91 원을 사용했다.
검출 결과
8, 표 12에서, FAU의 GRIP 결과이다
강력한 탐지
표 3은 알고리즘의 각 단계의 효과를 표시하는 데이터는 FAU 설정된
종래의 정합 방법을 나타내는 매칭
S 만 스케일 클러스터링 유사한 세트를 나타내며 + 정합
정합 +의 SG는 계층에게 매칭 (그레이 스케일 값의 클러스터링 및 클러스터 중첩 포함) 제안 된 방법을 나타낸다
참고
https://wenku.baidu.com/view/87270d2c2af90242a895e52e.html?re=view