[发明专利]一种基于深度学习的单幅图像相机溯源方法

权利要求书

1.一种基于深度学习的单幅图像相机溯源方法，其特征在于：

步骤1、将原图送到多尺度拉普拉斯滤波器提取不同尺度的高频图像，将不同尺度的高频图像和原图分组进行初步特征提取，将提取的初步特征进行拼接合并；

步骤2、构造基于信噪比增强的特征抽取器，将步骤1中拼接合并后的特征送入基于信噪比增强的特征抽取器进一步进行特征提取；

步骤3、根据相机品牌、相机型号和个体相机设备构成的层次关系，构造基于层级结构的串联型多任务分类模块，将步骤2中进一步提取的特征送入分类器，实现对相机品牌、相机型号和个体相机设备的识别；

步骤1中，包括以下步骤：

步骤1.1、将原图送入到多尺度拉普拉斯滤波器提取三种不同尺度的高频图像,获得不同尺度的高频图像H₁,H₂,H₃；

多尺度拉普拉斯滤波器按以下表达式确定：

I＝I-GF₁(I)+GF₁(I)

＝H₁+GF₁(I)-GF₂(GF₁(I))+GF₂(GF₁(I))

＝H₁+H₂+GF₂(GF₁(I))-GF₃(GF₂(GF₁(I)))+GF₃(GF₂(GF₁(I)))

＝H₁+H₂+H₃+GF₃(GF₂(GF₁(I)))

其中,GF_i(·)为高斯滤波器，获得的是经过模糊的低频图像，H_i为高频残差图像,I为原图，利用不同尺度的高斯滤波器进行层层滤波，获得不同分辨率的高频图像；

步骤1.2、提取H₁,H₂,H₃和原图I四种模式图像下的初步特征，将三种不同尺度的高频图像和原图称为不同模式的图像，每种模式均包括R、G、B三个通道，将不同模式的图像并行送入各自的卷积模块和残差网络模块，分组进行初步特征提取，学习不同模式下图像中蕴藏的相机指纹特征；

步骤1.3、将步骤1.2中提取的初步特征送入残差网络模块进行拼接合并；

步骤2)中，基于信噪比增强的特征抽取器包括2个双路神经网络模块、2个残差网络模块、1个信噪比增强层；

2个双路神经网络模块均由两个卷积层组成，卷积层的输入特征和输出特征按一定规则分别划分为两个部分，一部分输入特征和输出特征进行逐点相加形成残差旁支通路，用于对特征的再利用，另一部分输入特征与输出特征进行逐通道串联形成串联连通支路，用于探索新特征；

信噪比增强层由串联拼接层和卷积层构成；

步骤3)中，基于层级结构的串联型多任务分类模块由相机品牌分类器、相机型号分类器和个体相机设备分类器组层一个层级结构，每个分类器均由全局平均池化层，全连接层和分类层构成。

2.如权利要求1所述的一种基于深度学习的单幅图像相机溯源方法，其特征在于：步骤2中包括以下步骤：

步骤2.1、将步骤1中拼接合并后的特征送入第一个双路神经网络模块进行特征提取，第一个双路神经网络模块的的残差旁支通路的输出F_rb将送入相机品牌分类器进行品牌溯源，串联连接支路的输出F_cb送入信噪比增强层。

3.如权利要求2所述的一种基于深度学习的单幅图像相机溯源方法，其特征在于：步骤2中包括以下步骤：

步骤2.2、将第一个双路神经网络模块的残差旁支通路和串联连接支路的输出串联，送入第一个残差网络模块提取特征，再送入第二个双路神经网络模块进行特征提取，第二个双路神经网络模块的残差旁支通路的输出F_rm将送入相机型号分类器进行相机型号溯源，串联连接支路的输出F_cm送入信噪比增强层。