[发明专利]一种基于多特征融合的图像翻拍检测方法

权利要求书

1.一种基于多特征融合的图像翻拍检测方法，其特征在于：包括：

采集图像，包括原始自然图像和翻拍图像，并将采集图像人工标注作为训练图像；

对训练图像提取多组特征，所述多组特征包括图像的梯度特征、图像的噪声特征和图像的DCT变换系数统计特征；

获取多个分类模型，采用每组特征分别得到对应的一个分类模型；

多种分类结果融合，采用加权投票法对多个分类模型的分类结果融合；

待测图像翻拍检测，将待测图像提取多组特征后输入到对应的分类模型，获取分类结果，并融合多种分类结果得到最终检测结果；

所述获取多个分类模型，具体包括：

获取第一分类模型，将训练图像的梯度特征输入到LibSVM分类模型训练，通过LibSVM分类模型输出图像是否属于翻拍的结果；

获取第三分类模型，将训练图像的DCT变换系数统计特征输入到卷积神经网络训练，通过卷积神经网络输出图像是否属于翻拍的结果；

获取第二分类模型，将训练图像的噪声特征输入到第二分类模型存储，所述第二分类模型通过分别计算待测图像噪声特征和原始自然图像噪声特征的相似度S₁、待测图像噪声特征和翻拍图像噪声特征的相似度S₂，输出待测图像是否属于翻拍的结果；

所述梯度特征提取方法为：

4.1、通过图片获取R，G，B三个通道下的图像分量像素矩阵和图片的灰度图像素矩阵；

4.2、对步骤4.1中的四幅图通过sobelxy算子获取四张梯度图；

4.3、对每张梯度图上的像素点的值分别进行统计，将频率、均值和方差特征，得到每张梯度图的图片特征，四张梯度图获得的同一张图像的图片特征集合；

步骤4.2中获取梯度图的公式为：

其中，A是图像的像素矩阵，I是通过sobelxy算子获取的梯度图；

所述噪声特征提取方法，对图片采用小波函数进行小波分解后，经过阈值过滤函数过滤噪声后，再通过小波逆变换重构去噪后的图像数据，将去噪前图像与去噪后图像的差值作为噪声数据，对噪声数据统计，以均值，方差，偏斜度，峰值作为特征数据，其中同一张图片采用多种小波函数获取多种去噪结果；

所述图像的DCT变换系数统计特征提取方法为：

7.1、将m*m的图像分成8*8的小块，m是8的整数倍，将每块图像的像素值数据f(x,y)通过DCT变换公式得到DCT系数F(u，v)，所述DCT变换公式为：

其中，u∈[0,7]，v∈[0,7]，x∈[0,7]，y∈[0,7]；

7.2、将整张图像的每个像素点经过DCT变换后的DCT系数F(u，v)组成m*m的表格，按照zig-zag顺序对每块的DCT系数F(u，v)扫描，将不同块的同一个位置的DCT系数F(u，v)组合在一个特征矩阵中，矩阵的行数和列数均为m/8,每张图像按zig-zag顺序扫描取前20个特征矩阵作为特征数据。

2.根据权利要求1所述的一种基于多特征融合的图像翻拍检测方法，其特征在于：第二分类模型中，若相似度S₁大于预设原始自然图像噪声特征隶属度阈值，则输出待测图像为原始自然图像，若相似度S₂大于预设翻拍图像噪声特征隶属度阈值，则输出待测图像为翻拍图像。

3.根据权利要求1所述的一种基于多特征融合的图像翻拍检测方法，其特征在于：所述步骤4.3中对梯度图上的像素点的值进行统计，先将梯度图的256分量处理成32分量，再统计32分量的频率及其均值和方差，得到每张梯度图的34个特征值。

4.根据权利要求1所述的一种基于多特征融合的图像翻拍检测方法，其特征在于：所述多种分类结果融合，具体为将分类模型分类结果的原始自然图像记为1，翻拍图像记为0，三个分类模型结果分别记为W₁，W₂，W₃，若W₁+W₂+W₃大于1，则融合结果记为1，若W₁+W₂+W₃小于等于1，则融合结果记为0。