，，

(海軍大連艦艇學(xué)院 a.航海系； b.軍事海洋系，遼寧 大連 116018)

基于SURF的航行數(shù)據(jù)記錄儀圖像真實性鑒別

胡美棟a，王孝通a，徐冠雷b

(海軍大連艦艇學(xué)院 a.航海系； b.軍事海洋系，遼寧 大連 116018)

針對使用復(fù)制-粘貼篡改手段，掩蓋VDR圖像中海上事故真相的問題，提出基于SURF特征提取算法的VDR圖像盲取證方法。采用快速Hessian矩陣提取SURF特征點，把匹配的特征點用線連接起來，從而檢測出篡改區(qū)域。與已有算法進行對比表明，該算法具有較好的檢測效果，且對高斯模糊、乘法噪聲和重壓縮等操作具有較強的魯棒性。

航行數(shù)據(jù)記錄儀；復(fù)制粘貼篡改；圖像盲取證；海上事故調(diào)查

隨著船舶制造科技的高速發(fā)展，海上交通日益繁忙，更多的海上交通事故也隨之而來。通常，海上事故調(diào)查以《航海日志》《輪機日志》《車鐘記錄簿》等具有法律效益的實時記錄信息為海上事故調(diào)查的重要依據(jù)。然而，歷史上卻曾多次發(fā)生因篡改此類信息而影響判罰的事件。盡管現(xiàn)在大多數(shù)船舶安裝了能夠?qū)崟r記錄船舶各類信息的船載航行數(shù)據(jù)記錄儀(Voyage Data Recorder,VDR)，實時存儲船艙內(nèi)外多處場景的圖像信息。但日趨成熟的圖像處理技術(shù)，可以輕易對VDR圖像數(shù)據(jù)進行篡改，且用肉眼無法辨別圖像真?zhèn)?。為?考慮建立VDR圖像復(fù)制-粘貼篡改模型,采用SUBF算法檢測篡改區(qū)域。

1 VDR圖像復(fù)制-粘貼篡改模型

目前，復(fù)制-粘貼是廣泛使用的篡改手段之一。通過復(fù)制圖像中已有的某個區(qū)域R1，然后粘貼到圖像中的目標區(qū)域R2，以覆蓋原圖中的某些重要目標或編造出不存在的場景。同時，為了使篡改圖像更加真實且難以鑒別，篡改者往往會增加一些旋轉(zhuǎn)、縮放等幾何操作。其篡改模型見圖1。

圖1 復(fù)制-粘貼篡改模型

對于這種篡改，進行如下假設(shè)。

1)被復(fù)制的區(qū)域R1是圖像內(nèi)部的1個連通區(qū)域。

2)圖像中只存在一對復(fù)制-粘貼區(qū)域，且2塊區(qū)域無重合部分。

3)被復(fù)制區(qū)域R1不宜太小，至少要大于原始圖像尺寸的1%。

4)R2可以由R1經(jīng)旋轉(zhuǎn)、縮放單一變換或復(fù)合變換得到。

給出一個VDR圖像復(fù)制-粘貼篡改實例見圖2。

圖2 VDR圖像篡改實例

圖2a)是艦船左舷甲板處拍攝的一幅原始VDR圖像，復(fù)制圖a)中部的白色船只，將其縮放0.8倍后粘貼于圖像右側(cè)中部，再經(jīng)過一定的形態(tài)學(xué)操作就得到篡改圖像圖2b)。篡改后的圖像非常逼真，難以通過肉眼辨別圖像的真?zhèn)巍?/p>

2 基于SURF的VDR圖像盲取證算法

復(fù)制-粘貼盲取證是圖像盲取證領(lǐng)域的一個重要分支，隨著SIFT算法和其改進算法SURF的廣泛應(yīng)用，圖像盲取證又進入一個新的研究階段[4,5]。在SURF算法基礎(chǔ)上，通過檢測VDR圖像中互相匹配的特征點[6,7]實現(xiàn)鑒別真?zhèn)巍?/p>

2.1 SURF特征點檢測

2.1.1 積分圖像

對于給定的輸入圖像I，像素點的積分圖像是以圖像原點和像素點為頂點的矩形區(qū)域內(nèi)所有像素點的像素值之和，定義為

(1)

式中：I(x,y)為圖像I中像素點(x,y)對應(yīng)的像素值;I∑為圖像I的積分圖像。

得到積分圖像后，計算任意矩形區(qū)域的像素值之和。如圖3所示，由頂點A、B、C、D確定的矩形區(qū)域，所有點的像素值之和用下式求得。

∑=I∑(A)+I∑(C)+I∑(B)+I∑(D)(2)

圖3 積分圖像示意

2.1.2 快速Hessian矩陣

若P(x,y)表示圖像中的任一點，則Hessian矩陣H(P,σ)可定義為P與尺度σ的函數(shù)：

(3)

為了提高運算速度，在實際應(yīng)用中通常使用快速Hessian矩陣進行近似計算，其行列式如下。

Det(Happrox)=DxxDyy-(ωDxy)2

(4)

2.2 生成特征點描述子

SURF算法用特征點鄰域范圍內(nèi)的灰度統(tǒng)計信息作為特征點描述子，即特征向量[8]。這里采用64維的特征向量。

首先選定特征點的主方向，確定一個以特征點為中心，大小為20S×20S(S為尺度)的正方形區(qū)域，并將其平均分為4個子區(qū)域。對每個子區(qū)域選取5×5個采樣點，計算每個子區(qū)域?qū)?yīng)的Haar小波響應(yīng)，將Haar小波X方向的響應(yīng)記為dx，Y方向的響應(yīng)記為dy。然后將每個子區(qū)域再均勻細分成4個次子區(qū)域，對每個次子區(qū)域統(tǒng)計Haar小波響應(yīng)在X和Y方向上的和以及絕對值之和。統(tǒng)計的過程中，仍用以特征點為中心的高斯函數(shù)進行加權(quán)。這樣，每個次子區(qū)域有一個4維的描述子Vsub=(∑dx,∑dy,∑d|x|,∑d|y|)，整個區(qū)域就有4×4×4=64維的特征向量。再進行歸一化處理，形成特征點的描述子。

2.3 特征點匹配

對提取的特征向量進行SURF特征點匹配，找到與樣本特征點特征最相似的特征點，即最近鄰特征點。匹配過程一般采用歐氏距離(Euclidean distance)作為相似性度量[9]，其計算式如下。

(5)

采用歐氏距離進行相似性度量時，閾值越大，得到的匹配特征點越多，但錯配點占比相應(yīng)越高；反之，閾值越小，錯配點占比相應(yīng)越低，但可能損失部分正確匹配點[10]。在保證匹配結(jié)果正確性的前提下，較少的匹配特征點不僅可以減少錯配點占比，還可以減少計算量。通過多次實驗，設(shè)定2組向量相似性判斷閾值T=0.25。

由于本實驗環(huán)境中特征點數(shù)目不是特別多，因此在實現(xiàn)特征點匹配過程中采用的算法是逐一比較法，以準確有效地找到所有的最近鄰特征點，具體步驟如下。

1)對提取出的SURF特征點進行兩兩比較，選出與樣本特征點歐氏距離最小的特征點；

2)設(shè)定適當?shù)拈撝礣，排除匹配性不高的對，得到初始匹配特征點對；

3)將匹配特征點的位置坐標分別放在和中。

2.4 算法流程

提出基于SURF的VDR圖像復(fù)制粘貼篡改檢測算法，流程見圖4。

圖4 檢測算法流程

具體的檢測步驟描述如下。

Step1：讀取待檢測圖像I，設(shè)圖像大小為M×N，將RGB圖像轉(zhuǎn)換到HSI色彩空間；

Step2：采用SURF算法提取出待檢測圖像的特征點，并生成特征點描述子；

Step3：將所有生成的特征點描述子組成一個特征矩陣G；

Step4：運用逐一比較法計算出特征矩陣G中所有特征點的最近鄰特征點；

Step5：把所有最近鄰特征點對的歐式距離與門限閾值T進行比較，如果小于閾值T，則接受這一對匹配點，否則拋棄；

Step6：把所有符合約束條件的匹配點用線連接起來；

Step7：得到檢測結(jié)果圖像。

3 實驗結(jié)果及分析

實驗用Matlab對算法進行仿真，仿真環(huán)境操作系統(tǒng)為：Microsoft Windows8.1，硬件環(huán)境為：Intel(R) Core(TM),2.30 GHz,2.00 GB。

為了說明本文算法的魯棒性，進行3組對比實驗。首先對上文的篡改圖像圖2b)進行后期處理，包括添加高斯模糊，添加乘法噪聲和圖像重壓縮。

3.1 抗高斯模糊檢測

分別對圖2b)添加數(shù)值為1和5的高斯模糊，用文獻[4]和[5]以及本文算法進行測試，結(jié)果見圖5、6，統(tǒng)計結(jié)果見表1。

圖5 添加半徑為1高斯模糊

圖6 添加半徑為5高斯模糊

添加高斯模糊的半徑檢測內(nèi)容文獻[4]文獻[5]本文1總匹配對數(shù)4118誤匹配所占比/%018.105總匹配對數(shù)113誤匹配所占比/%000

對比圖5、6和表1可看出，在對篡改圖加模糊處理后，一定程度上干擾了算法對復(fù)制-粘貼篡改檢測能力。文獻[5]和本文方法在添加半徑為1的高斯模糊后，能檢測出一定數(shù)量的篡改區(qū)域，但隨著高斯模糊的加強，檢測能力減弱。在添加高斯噪聲后，隨著匹配數(shù)量的減少，文獻[4]和本文方法的誤匹配率均降為0，而文獻[5]方法在添加半徑為5的高斯噪聲后，誤匹配率也降為0。整體來看，本文算法在抗高斯模糊方面要優(yōu)于前2種算法。

3.2 抗乘法噪聲檢測

分別對圖2b)添加噪聲密度為0.05和0.20的乘法噪聲，用文獻[4]和文獻[5]以及本文算法進行測試，結(jié)果見圖7和圖8，統(tǒng)計結(jié)果見表2。

圖7 加密度為0.05的乘法噪聲

圖8 加密度為0.2的乘法噪聲

添加乘法噪聲的密度檢測內(nèi)容文獻[4]文獻[5]本文0.05總匹配對數(shù)6119誤匹配所占比/%16.718.111.10.20總匹配對數(shù)265誤匹配所占比/%016.70

對比圖7、8和表2可看出，在對篡改圖添加乘法噪聲后，3種算法的復(fù)制-粘貼鑒別能力都受到了相應(yīng)的沖擊，總匹配對數(shù)都有所下降。在添加密度為0.05的乘法噪聲后，3種算法都具有一定檢測匹配能力，但也都存在誤匹配現(xiàn)象。在將乘法噪聲的密度提升到0.2時，3種算法的匹配能力受到了很大限制，但本文依然能在保持較低誤匹配率的情況下檢測出部分區(qū)域。

3.3 抗重壓縮檢測

分別對圖2b)進行質(zhì)量因子為30%和70%的JPEG重壓縮，用文獻[4]和文獻[5]以及本文算法進行測試，結(jié)果見圖9、10，統(tǒng)計結(jié)果見表3。

圖9 質(zhì)量因子為30%的重壓縮

圖10 質(zhì)量因子為70%的重壓縮

重壓縮的質(zhì)量因子檢測內(nèi)容文獻[4]文獻[5]本文30%總匹配對數(shù)234誤匹配所占比/%00070%總匹配對數(shù)5118誤匹配所占比/%2018.112.5

對比圖9、10和表3可以看出，低質(zhì)量的重壓縮后，明顯對3種方法的檢測能力有很大的影響。文獻[4]和文獻[5]算法均出現(xiàn)了多個無關(guān)匹配點，且未匹配成功；本文算法也出現(xiàn)了個別無關(guān)的匹配點，但相對較少。在這種情況下，3種方法均在一定程度上檢測出極少部分的篡改區(qū)域，但誤匹配也降為0。將質(zhì)量因子提高后，本文算法檢測結(jié)果有所好轉(zhuǎn)，篡改檢測能力略好于其他2種算法效果。

4 結(jié)論

提出VDR圖像復(fù)制-粘貼篡改模型，采用SURF算法準確檢測出篡改區(qū)域，完成對VDR圖像真實性的鑒別。與已有圖像盲取證方法相比，本文方法可以對圖像邊緣特征準確定位，檢測成功率高，誤匹配率低，魯棒性強。

但本方法也存在一定的局限性，只能檢測一對復(fù)制-粘貼區(qū)域的篡改，對存在多對復(fù)制-粘貼區(qū)域的篡改圖像則不適用。為此，后期將對算法進行優(yōu)化，擴大算法的適用范圍。同時，研究對象還將從同幅圖像復(fù)制-粘貼篡改擴展到多幅圖像拼接篡改，以應(yīng)對多種不同手段的VDR圖像篡改，實現(xiàn)多來源的VDR圖像盲取證，真正為海上事故調(diào)查提供強有力的證據(jù)支撐。

[1] BROWN M T. Marine voyage data recorders[C]. Transportation Recording:2000 and Beyond.International Symposium on Transportation Recorders.1999:47-60.

[2] WARNFELDT S. How Can the VDR prevent accidents and improve the safety of a vessel[C]. Transportation Recording: 2000 and Beyond. International Symposium on Transportation Recorders.1999:351-355.

[3] 蔡小華,高志成.船載航行數(shù)據(jù)記錄儀(VDR)的發(fā)展[J].航海技術(shù),2002(4):23-26.

[4] 申鉉京,朱葉.基于SIFT和HSI模型的彩色圖像復(fù)制-粘貼盲鑒別算法[J].吉林大學(xué)學(xué)報,2014,44(1):171-176.

[5] X Bo, W Junwen, L Guangjie, et al. Image copy-move forgery detection based on SURF[C]. Multimedia information Networking and Security(MINES), 2010 International Conference on. IEEE,2010:889-892.

[6] WARBHE A D, DHARASKAR R V, THAKARE V M. A survey on keypoint based copy-paste forgery detection techniques[J]. Procedia Computer Science,2016,78:61-67.

[7] HERBERT Bay, TINNE Tuytelaars, LUC Van Gool. SURF: speeded up robust features[C]. European Conference on Computer Vision,2006:404-417.

[8] 趙偉.數(shù)字圖像復(fù)制粘貼篡改的盲認證方法研究[D].合肥:安徽大學(xué),2013.

[9] 陳瑜.基于SURF與BACM因子的復(fù)制—移動篡改JPEG圖像探測方法研究[D].上海:中南大學(xué),2012.

Authenticity Detection of VDR Image Based on SURF

HUMei-donga,WANGXiao-tonga,XUGuan-leib

(a.Dept. of Navigation; b. Dept. of Military Oceanography, Dalian Naval Academy, Dalian Liaoning 116018, China)

For problems about covering up the truth of marine accidents with copy-move forgery method in VDR images, a VDR image copy-move blind forensics method based on SURF feature extracting was proposed. The VDR image database was built, and forgery images were obtained by conducting copy-move forgery operations using Adobe Photoshop CS, combining with some geometric transformation. The fast-Hessian matrix was used to extract the SURF feature points, and the matching feature points were connected by lines to detect the tampered region. The method was compared with the previous methods, showing that the proposed method is successful in detecting forgery images. It is also robust to operations such as Gaussian blur, multiplicative noise, and recompression.

voyage data recorder (VDR); copy-move forgery; blind image forensics; marine accidents investigation

U675.7

A

1671-7953(2017)06-0186-05

10.3963/j.issn.1671-7953.2017.06.042

2017-02-27

2017-03-10

國家自然科學(xué)基金(61273262，61471412)；遼寧省自然科學(xué)基金(2015020086)；遼寧省博士啟動資金(201501029)

胡美棟(1992—)，男，碩士生

研究方向：導(dǎo)航裝備與應(yīng)用