[发明专利]一种基于多特征融合的图像翻拍检测方法

说明书

本发明公开了一种基于多特征融合的图像翻拍检测方法，包括：采集图像，包括原始自然图像和翻拍图像；对训练图像提取多组特征；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。本发明采用多种特征融合进行翻拍检测，避免单一特征造成的结果误差；采用多个分类模型训练，通过加权投票法对多个分类结果融合，降低了检测结果的错误率；每个分类模型采用不同方法，综合了多种分类模型的优点，增加了分类结果的准确性。

技术领域

本发明涉及图像翻拍检测技术，更具体的说，涉及一种基于多特征融合的图像翻拍检测方法。

背景技术

随着家庭宽带走进千家万户，装维工作质量成为了影响用户网络使用体验的重要因素之一。宽带装维场景的核心问题在于如何对装维过程进行合理高效的质检，从而让装维人员符合施工规范，保证施工准确性，同时降低在装维质检上的人工人本，提高质检效率。

在电信装维业务中，每天都会对上传的生产作业照片进行质检，质检照片是否合格，如对照片是否翻拍进行检测。在装机或挂测时，需要要求装维人员上传完成作业后的图片，图片中包含分光器设备及设备上的唯一标识标签。但在上传的图片中，发现部分照片不是现场拍照，而是翻拍手机上照片或者是电脑照片。为了防止装维人员造假，需要对上传的图片进行翻拍检测。由于每天都会上传大量的图片，人工质检耗费大量的人力。

发明内容

针对上述现有技术存在的问题，本发明提供了一种基于多特征融合的图像翻拍检测方法，提取图像多组特征值通过多个分类模型进行分类检测，并融合多种分类结果，对翻拍的图片进行智能检测，提高质检准确性。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。

作为上述方案的进一步优化，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。

作为上述方案的进一步优化，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。

作为上述方案的进一步优化，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；