基于对象边缘分析的数字媒体被动取证研究

论文摘要

随着图像/视频编辑处理工具的发展，普通用户都有可能对数字媒体进行篡改并恶意传播。面对日益严峻的信任危机，迫切需要行之有效的检测方法和技术，揭露篡改伪造操作行为。图像、视频被动取证不需要数字水印等辅助信息，仅凭数字媒体本身判别其是否经过篡改、合成、润饰等伪造操作，受到了研究者的广泛重视。对于数字图像及视频来说，对象的添加、删除或修改等属于最受关注的恶意篡改与伪造行为，往往容易直接影响人们对媒体信息内容的理解和认知。对于图像，同一图像或者不同图像之间的复制篡改操作最易实现，在图像篡改手段中所占比重较大；对于视频，研究基于视频对象操纵的篡改伪造被动取证相对于MPEG双重压缩、帧操作等其他篡改行为来说更有意义。本文以图像和视频的对象边缘为切入点开展被动取证研究，主要工作如下：首先，针对视频对象的篡改操作，提出了一种基于对象轮廓统计特征的检测取证方法。它通过背景相减法提取出可疑视频对象，利用数字形态学得到对象边缘轮廓及其可变宽度区域，从细节尺度上挖掘信息，提取小波细节系数矩特征以及通道梯度强度等形成特征向量，作为支持向量机的输入，实现对自然对象和人为添加对象的分类和检测。实验结果表明，细节尺度特征及其联合对视频对象可疑与否的分类具有较好的效果,准确率可以达到90%以上。其次，提出一种基于Contourlet变换和振铃效应结合的对象异常边缘定位方法。基于对象的操作在局部区域通常会遗留细微的痕迹，包括块效应和振铃效应。对于图像/视频对象的局部区域，利用非抽样Contourlet变换分析边缘及其可变宽度区域，对异常边缘点进行初步筛选判定，并结合垂直边缘点所在方向单像素带上产生的振铃效应进行细定位。实验结果表明，该方法能够有效标定图像或视频异常对象的边缘痕迹。目前，绝大多数方法都是采用统计特征进行正常和篡改媒体的分类，不能对异常对象块或拼接边缘进行直接定位。本文的工作尝试从局部对象的角度研究基于对象篡改伪造取证，取得了初步的结果。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 课题来源
• 1.2 选题背景及意义
• 1.3 研究内容与主要工作
• 1.4 本文结构
• 第2章 数字媒体被动取证综述
• 2.1 引言
• 2.2 数字图像及视频常用篡改手段简介
• 2.2.1 数字图像常用篡改手段
• 2.2.2 数字视频常用篡改手段
• 2.3 数字图像被动取证综述
• 2.3.1 基于图像伪造过程遗留痕迹的被动取证
• 2.3.2 基于图像成像设备一致性的被动取证
• 2.3.3 基于自然图像统计特性的被动取证
• 2.4 数字视频被动取证综述
• 2.4.1 基于复制粘贴篡改的视频被动取证
• 2.4.2 基于 MPEG 双重压缩的视频被动取证
• 2.4.3 基于视频帧操作篡改的视频被动取证
• 2.4.4 基于视频对象操作的视频修复被动取证
• 2.4.5 基于成像设备一致性检测的视频被动取证
• 2.5 小结
• 第3章 基于边缘统计特征的视频对象被动取证
• 3.1 引言
• 3.2 视频对象边缘检测
• 3.2.1 运动目标提取
• 3.2.2 数字形态学
• 3.3 边缘特征提取
• 3.3.1 小波变换理论
• 3.3.2 边缘特征提取
• 3.4 基于支持向量机分类
• 3.5 实验结果与分析
• 3.6 小结
• 第4章 基于 Contourlet 变换和振铃效应结合的对象异常边缘定位方法
• 4.1 引言
• 4.2 对象边缘检测
• 4.2.1 图像边缘算子
• 4.2.2 视频边缘检测
• 4.3 非抽样 Contourlet 变换
• 4.3.1 非抽样 Contourlet 变换介绍
• 4.3.2 边缘 Contourlet 变换分析
• 4.4 振铃效应
• 4.4.1 阶跃边缘分析
• 4.4.2 边缘振铃效应分析
• 4.5 GMM 建模与贝叶斯分类
• 4.5.1 高斯混合模型（GMM）
• 4.5.2 参数估计
• 4.5.3 贝叶斯分类
• 4.6 实验结果与分析
• 4.7 小结
• 总结与展望
• 参考文献
• 致谢
• 附录 A 攻读学位期间发表的学术论文目录
• 附录 B 攻读学位期间参与的研究项目