李曉紅，楊玉香，姜春峰

(1.吉林省經(jīng)濟(jì)管理干部學(xué)院，吉林長(zhǎng)春130012；2.中國(guó)計(jì)量學(xué)院，浙江杭州310018；3.東北大學(xué)，遼寧沈陽(yáng)110819)

0 引言

當(dāng)今社會(huì)信息技術(shù)也越來(lái)越被人們所重視，數(shù)字圖像處理軟件也隨處可見(jiàn)，通過(guò)一些數(shù)字圖像處理軟件可輕易的對(duì)數(shù)字圖像的原始內(nèi)容進(jìn)行篡改，形成偽造的數(shù)字圖像[1?3].由于偽造圖像中篡改的內(nèi)容難以通過(guò)肉眼直接辨別，所以如何快速準(zhǔn)確的實(shí)現(xiàn)對(duì)偽造圖像中的篡改內(nèi)容進(jìn)行檢測(cè)，成為當(dāng)下學(xué)者研究的熱點(diǎn)之一[4,5].

為了獲取偽造圖像更好地檢測(cè)結(jié)果，國(guó)內(nèi)外許多學(xué)者對(duì)圖像偽造檢測(cè)算法進(jìn)行了深入研究，得到了多種多樣的圖像偽造檢測(cè)方法.例如Kalra[6]等人通過(guò)對(duì)水印技術(shù)的深入研究，提出了彩色圖像頻域自適應(yīng)水印嵌入方法，通過(guò)將數(shù)字圖像打上水印的方法，防止圖像內(nèi)容被篡改或者辨別偽造圖像，但是該方法難以準(zhǔn)確的分辨出偽造內(nèi)容，而且通過(guò)有損壓縮技術(shù)可以將水印內(nèi)容進(jìn)行破壞，導(dǎo)致該方法效果不佳.為了能分辨?zhèn)卧靸?nèi)容，李曉飛[7]等人提出了基于SIFT的偽造圖像盲檢測(cè)算法，利用SIFT算法提取特征點(diǎn)以及獲取特征描述子，然后采用乘積量化處理后的最近鄰搜索法完成圖像匹配，最后通過(guò)利用歐氏距離度量法對(duì)可疑塊進(jìn)行判定完成圖像偽造檢測(cè).該方法雖然能對(duì)偽造圖像中的篡改內(nèi)容進(jìn)行分辨，但是SIFT算法提取的特征點(diǎn)中存在較多的偽特征點(diǎn)，使得算法的檢測(cè)正確度下降.對(duì)此，柴新新[8]等人提出了基于提升小波變換的圖像篡改檢測(cè)算法，利用提升小波變換獲取圖像的低頻分量后對(duì)圖像進(jìn)行分塊，然后通過(guò)奇異值分解獲取特征向量矩陣，最后根據(jù)偏移向量對(duì)篡改內(nèi)容進(jìn)行檢測(cè).該方法能夠較為準(zhǔn)確的對(duì)偽造區(qū)域進(jìn)行檢測(cè)，但是由于提升小波變換以及奇異值分解過(guò)程的計(jì)算復(fù)雜度較高，使得算法的效率不理想.

因此，為了對(duì)偽造圖像快速準(zhǔn)確的檢測(cè)，本文提出了基于旋轉(zhuǎn)灰度特征耦合位移約束的圖像偽造檢測(cè)算法.通過(guò)定義十字約束法則，對(duì)FAST算法進(jìn)行改進(jìn)，以精確提取待檢測(cè)圖像中的特征點(diǎn).利用像素點(diǎn)對(duì)應(yīng)的梯度信息形成統(tǒng)計(jì)直方圖，再利用直方圖的峰值特征獲取特征點(diǎn)的主方向，用基于特征點(diǎn)灰度特性的旋轉(zhuǎn)灰度特征模型獲取特征向量，以獲取較低維度的特征描述子，使得算法的效率以及魯棒性能得以提升.通過(guò)特征點(diǎn)的空間信息構(gòu)造位移約束規(guī)則，并利用位移約束規(guī)則下的歸一化互相關(guān)函數(shù)完成特征點(diǎn)的匹配.最后通過(guò)均值漂移模型對(duì)偽造圖像中的篡改內(nèi)容進(jìn)一步定位，以提高算法的檢測(cè)精度，實(shí)現(xiàn)圖像的偽造檢測(cè).

1 本文圖像偽造檢測(cè)算法

本文圖像偽造檢測(cè)算法的過(guò)程如圖1所示.由圖1可知，本文圖像偽造檢測(cè)算法主要由提取圖像特征點(diǎn)、獲取特征描述子、完成特征點(diǎn)匹配以及進(jìn)行特征點(diǎn)分類(lèi)四個(gè)部分組成.在提取圖像特征點(diǎn)時(shí)，通過(guò)十字約束法則對(duì)FAST算法進(jìn)行改進(jìn)，可精確、快速提取圖像特征點(diǎn).在獲取特征描述子時(shí)，通過(guò)像素點(diǎn)的梯度特征形成直方圖，然后通過(guò)直方圖峰值信息獲取特征點(diǎn)的主方向，利用旋轉(zhuǎn)灰度特征模型獲取特征向量，從而完成特征描述子的獲取.在完成特征點(diǎn)匹配時(shí)，通過(guò)特征點(diǎn)的位置以及角度特征，構(gòu)造位移約束規(guī)則，并在位移約束規(guī)則下通過(guò)歸一化互相關(guān)函數(shù)完成特征點(diǎn)的匹配.利用均值漂移模型對(duì)特征點(diǎn)進(jìn)行分類(lèi)，進(jìn)一步對(duì)偽造圖像中的篡改內(nèi)容進(jìn)行定位，完成圖像的偽造檢測(cè).

圖1 本文圖像偽造檢測(cè)算法的過(guò)程

1.1 提取圖像特征點(diǎn)

對(duì)圖像特征點(diǎn)進(jìn)行準(zhǔn)確的提取是圖像偽造檢測(cè)算法實(shí)現(xiàn)精確檢測(cè)的基礎(chǔ).目前提取圖像特征點(diǎn)的算法有Forstner算法、Harris算法以及FAST算法等.在這些算法當(dāng)中，F(xiàn)AST算法具有對(duì)圖像特征點(diǎn)進(jìn)行精確提取的特點(diǎn)，但其對(duì)特征點(diǎn)提取時(shí)耗時(shí)較多[9].對(duì)此，本文采用十字約束法則對(duì)FAST算法進(jìn)行改進(jìn)，以提高FAST算法對(duì)特征點(diǎn)提取的效率.

FAST算法的原理為：選定任意像素點(diǎn)作為圓心r，利用Bresenham方法構(gòu)造一個(gè)圓形區(qū)域.對(duì)該選中像素點(diǎn)圓形鄰域上的16個(gè)像素點(diǎn)按順時(shí)針?lè)较驈?開(kāi)始編號(hào)[10].通過(guò)灰度度量函數(shù)對(duì)選定像素點(diǎn)以及圓上各像素點(diǎn)的灰度差值進(jìn)行計(jì)算，其中，灰度度量函數(shù)表述如下：

若至少有V(0≤V≤16)個(gè)圓上的像素點(diǎn)與選定像素點(diǎn)的灰度度量值大于預(yù)定閥值FH，則判定被選定的像素點(diǎn)視為特征點(diǎn)[11,12].

FAST算法中構(gòu)造的圓形區(qū)域如圖2所示.從圖2可見(jiàn)，在圓形鄰域上的16個(gè)像素點(diǎn)中，若有不少于12個(gè)連續(xù)像素點(diǎn)的灰度度量值大于預(yù)定閥值r，這些連續(xù)的像素點(diǎn)都必須至少包含編號(hào)為第1、5、9、13四個(gè)像素點(diǎn)中的其中三個(gè)，而且在圓形上編號(hào)為第1、5、9、13的四個(gè)像素點(diǎn)剛好組成一個(gè)“十”字形，而且這四個(gè)像素點(diǎn)對(duì)選定像素點(diǎn)r的影響相對(duì)較大[13].由此構(gòu)造出十字約束法則：在原FAST算法的基礎(chǔ)上，首先，通過(guò)（1）式對(duì)編號(hào)為1、5、9、13的四個(gè)像素點(diǎn)進(jìn)行計(jì)算，若這四個(gè)點(diǎn)中至少有三個(gè)像素點(diǎn)計(jì)算所得的H值大于FH，則繼續(xù)按照原FAST算法對(duì)特征點(diǎn)進(jìn)行判斷；反之，則停止后續(xù)FAST算法的計(jì)算，拋棄該選定像素點(diǎn).通過(guò)十字約束法則對(duì)FAST算法進(jìn)行改進(jìn)后，可有效降低FAST算法提取圖像特征點(diǎn)過(guò)程中的計(jì)算次數(shù)，從而提高特征點(diǎn)提取的效率.

為了驗(yàn)證本文改進(jìn)的FAST算法對(duì)特征點(diǎn)提取的效果，將圖3(a)作為測(cè)試目標(biāo)，圖3(b)為本文算法提取的特征點(diǎn).從圖3(b)可見(jiàn)，本文所設(shè)計(jì)的改進(jìn)的FAST算法能夠較好的提取測(cè)試圖像中的特征點(diǎn).

圖2 FAST算法提取圖像特征點(diǎn)的過(guò)程

圖3 特征點(diǎn)提取測(cè)試結(jié)果

1.2 獲取特征描述子

在提取完特征點(diǎn)后，需要對(duì)每個(gè)特征點(diǎn)進(jìn)行描述，以找出每個(gè)特征點(diǎn)的特征，對(duì)不同特征點(diǎn)加以區(qū)別.特征描述子的生成包括確定特征點(diǎn)的主方向以及獲取特征向量.為此，本文通過(guò)利用像素點(diǎn)的梯度值構(gòu)成直方圖，然后根據(jù)直方圖峰值確定特征點(diǎn)的主方向；并利用特征點(diǎn)灰度值構(gòu)造旋轉(zhuǎn)灰度特征模型，通過(guò)其獲取特征向量，完成特征描述子的獲取.首先，選定任意一個(gè)特征點(diǎn)p(x,y)為中心，求取其對(duì)應(yīng)鄰域內(nèi)像素點(diǎn)的梯度值T以及梯度方向θ[14].

其中，C(x,y,α)為圖像對(duì)應(yīng)的尺度空間，α為對(duì)應(yīng)的尺度因子.

根據(jù)所求得的特征點(diǎn)鄰域內(nèi)像素點(diǎn)對(duì)應(yīng)的梯度方向θ，形成梯度特征統(tǒng)計(jì)直方圖，則直方圖的峰值方向即為特征點(diǎn)的主方向，能量為直方圖峰值80%的次峰值方向?yàn)樘卣鼽c(diǎn)的輔方向[15,16].以圖3(b)為例，通過(guò)上述過(guò)程，得到其相應(yīng)的特征描述子見(jiàn)圖4(a).

以特征點(diǎn)p(x,y)為中心，以主方向?yàn)槠瘘c(diǎn)方向，構(gòu)造一個(gè)半徑為G的圓形鄰域S.以特征點(diǎn)p(x,y)為中心小于G的采樣半徑g，對(duì)S進(jìn)行旋轉(zhuǎn)采樣.采樣方法在旋轉(zhuǎn)過(guò)程中對(duì)形成的旋轉(zhuǎn)圓周等距離的采樣n個(gè)點(diǎn).求取采樣點(diǎn)的灰度值h(i)，以及特征點(diǎn)的灰度值h(p)，從而形成灰度特征模型：

用上述灰度特征構(gòu)造旋轉(zhuǎn)灰度特征模型：

以特征點(diǎn)p(x,y)為中心，沿著主方向構(gòu)造一個(gè)邊長(zhǎng)為64α的正方形窗口，并將其均分成8×8個(gè)子域，在每個(gè)子域內(nèi)求取中心像素點(diǎn)對(duì)應(yīng)的旋轉(zhuǎn)灰度特征模型XHi.將每個(gè)子域所求得的XHi進(jìn)行組合，形成一個(gè)64維的向量，再將此向量進(jìn)行歸一化處理，由此可得所求的特征向量B.

1.3 特征點(diǎn)匹配

完成對(duì)每個(gè)特征點(diǎn)的描述后，需要通過(guò)一定的方法對(duì)特征點(diǎn)進(jìn)行匹配，將圖像中沒(méi)有被匹配上的特征點(diǎn)進(jìn)行剔除，對(duì)偽造區(qū)域進(jìn)行初步定位.近鄰比值法為當(dāng)前常用的特征點(diǎn)匹配方法，該方法通過(guò)尋找最近鄰與次近鄰的比值計(jì)算而完成特征點(diǎn)匹配.該方法計(jì)算量較大而且容易產(chǎn)生較多的錯(cuò)誤匹配.對(duì)此，本文利用特征點(diǎn)的空間信息構(gòu)造了位移約束規(guī)則，在位移約束規(guī)則下利用歸一化互相關(guān)函數(shù)完成特征點(diǎn)匹配，以減少計(jì)算量，提高匹配正確度以及算法魯棒性能.

對(duì)于待匹配的兩個(gè)特征點(diǎn)，其對(duì)應(yīng)在空間信息中的位置信息以及旋轉(zhuǎn)角度信息相對(duì)其他特征點(diǎn)偏差較小[17].利用該項(xiàng)特性，構(gòu)造位移約束規(guī)則：對(duì)于圖像Wi中坐標(biāo)為(xi,yi)的特征點(diǎn)d(xi,yi)，在待匹配圖像Wj中相同的坐標(biāo)處，以尺寸V×V為窗口，搜索位于該窗口內(nèi)的所有特征點(diǎn)，若有多個(gè)特征點(diǎn)則取與d(xi,yi)位置最近而且旋轉(zhuǎn)角度最小的特征點(diǎn)為目標(biāo)特征點(diǎn)(xj,yj).

對(duì)于圖像Wi中的特征點(diǎn)d(xi,yi)和圖像Wj中的特征點(diǎn)(xj,yj)，其對(duì)應(yīng)的歸一化互相關(guān)函數(shù)表述如下[18]：

CH值越大，則表示d(xi,yi)和(xj,yj)的相似度越高.

根據(jù)位移約束規(guī)則，在圖像Wj中搜索與圖像Wi中特征點(diǎn)d(xi,yi)相對(duì)應(yīng)的目標(biāo)特征點(diǎn)(xj,yj)；然后利用歸一化互相關(guān)函數(shù)計(jì)算d(xi,yi)和(xj,yj)的相似度，若其對(duì)應(yīng)的相似度大于預(yù)定相似閥值FX，則判定d(xi,yi)和(xj,yj)為一對(duì)匹配特征點(diǎn).

以圖3(b)為例，用本文所設(shè)計(jì)特征點(diǎn)匹配方法來(lái)對(duì)其特征點(diǎn)進(jìn)行匹配，匹配結(jié)果如圖4(b)所示.從圖中可知，本文算法所提出的特征點(diǎn)匹配方法能對(duì)圖3（b）中的特征點(diǎn)進(jìn)行準(zhǔn)確匹配.

圖4 特征描述子及其匹配結(jié)果

1.4 特征點(diǎn)分類(lèi)

通過(guò)特征點(diǎn)的匹配初步對(duì)偽造內(nèi)容進(jìn)行了定位，為了能夠更加精確的對(duì)偽造區(qū)域進(jìn)行判定，還需要對(duì)相近或者相類(lèi)似的匹配特征點(diǎn)進(jìn)行分類(lèi).隨后，采用均值漂移模型來(lái)對(duì)特征點(diǎn)進(jìn)行分類(lèi)，進(jìn)一步對(duì)偽造內(nèi)容進(jìn)行精確定位.而均值漂移(mean-shift)算法是依托密度梯度上升情況的一種非參數(shù)方法，其通過(guò)迭代運(yùn)算的方法實(shí)現(xiàn)對(duì)樣本點(diǎn)的分類(lèi)[19].對(duì)于樣本集合Ji(i=1,2,3,···n)中，當(dāng)有k個(gè)樣本位于半徑為h的高維球區(qū)域Bh時(shí)，則樣本點(diǎn)b對(duì)應(yīng)的均值漂移向量為：

將高斯核函數(shù)G(b)以及帶寬矩陣h引入（9）式，通過(guò)整理可得均值漂移模型[20]：

式中，α(Ji)表示樣本數(shù)據(jù)的權(quán)重，其值為一個(gè)正數(shù).

通過(guò)（10）式求取樣本點(diǎn)bm和bn對(duì)應(yīng)的L(bm)和L(bn)，若下式成立，則將樣本點(diǎn)bm和bn分為一類(lèi).

式中，ε為預(yù)定的相似誤差.

當(dāng)樣本點(diǎn)bm和bn對(duì)應(yīng)的L(bm)和L(bn)不滿(mǎn)足式(11)時(shí)，則返回，繼續(xù)對(duì)下一對(duì)特征點(diǎn)進(jìn)行分類(lèi).

將匹配后所得的特征點(diǎn)視為均值漂移算法中的樣本點(diǎn)，利用均值漂移模型對(duì)特征點(diǎn)進(jìn)行分類(lèi)，完成圖像偽造檢測(cè).以圖4為對(duì)象，利用上述過(guò)程對(duì)其特征點(diǎn)進(jìn)行分類(lèi)，以實(shí)現(xiàn)偽造區(qū)域的精確檢測(cè).特征點(diǎn)分類(lèi)后的結(jié)果如圖5所示.從圖5可見(jiàn)，偽造內(nèi)容被準(zhǔn)確定位檢測(cè)出來(lái).

圖5 圖像偽造檢測(cè)結(jié)果

2 實(shí)驗(yàn)結(jié)果與分析

本文將借助于配置為IntelI5、3.4GHzCPU、4GB內(nèi)存、500GB硬盤(pán)的PC機(jī)，在操作系統(tǒng)為Windows XP條件下，利用MATLAB7.0軟件進(jìn)行仿真實(shí)驗(yàn).實(shí)驗(yàn)中將文獻(xiàn)[21]以及文獻(xiàn)[22]中的圖像偽造檢測(cè)方法設(shè)立為對(duì)照組.通過(guò)本算法與對(duì)照組算法對(duì)不同篡改方法形成的偽造圖像進(jìn)行檢測(cè)，通過(guò)對(duì)檢測(cè)結(jié)果進(jìn)行對(duì)比分析，驗(yàn)證本文算法的有效性以及優(yōu)越性.

2.1 不同算法的圖像偽造檢測(cè)結(jié)果及分析

首先，對(duì)復(fù)制-粘貼篡改方法形成的偽造圖像進(jìn)行檢測(cè)，不同算法的檢測(cè)結(jié)果如圖6所示.為了進(jìn)一步驗(yàn)證算法的魯棒性能，再利用不同算法對(duì)復(fù)制-粘貼疊加旋轉(zhuǎn)以及噪聲的復(fù)合篡改方法形成的偽造圖像進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖7所示.

從圖6和圖7中不同算法對(duì)偽造圖像檢測(cè)的效果可見(jiàn)，對(duì)照組方法以及本文方法都能對(duì)偽造圖像進(jìn)行檢測(cè).在圖6中，通過(guò)將本文方法的檢測(cè)結(jié)果（見(jiàn)圖6(h)），與文獻(xiàn)[21]中方法的檢測(cè)結(jié)果（見(jiàn)圖6(d)）以及文獻(xiàn)[22]中方法的檢測(cè)結(jié)果（見(jiàn)圖6(f)）對(duì)比可見(jiàn)，本文方法檢測(cè)精度更高，從圖6(j)也可知，所提技術(shù)中不僅具有更多的檢測(cè)點(diǎn)，而且錯(cuò)誤檢測(cè)點(diǎn)也是最少的.在圖7中，通過(guò)將本文方法的檢測(cè)結(jié)果（見(jiàn)圖7(h)），與文獻(xiàn)[21]中方法的檢測(cè)結(jié)果（見(jiàn)圖7(d)）以及文獻(xiàn)[22]中方法的檢測(cè)結(jié)果（見(jiàn)圖7(f)）對(duì)比可見(jiàn)，本文方法能夠完整地檢測(cè)出篡改區(qū)域，具有更高的定位精度；且從圖7(j)可知，所提技術(shù)的檢測(cè)結(jié)果中不僅漏檢點(diǎn)最少，而且錯(cuò)誤檢測(cè)點(diǎn)也最少.通過(guò)在圖6和圖7中對(duì)不同方法的檢測(cè)結(jié)果對(duì)比可見(jiàn)，與對(duì)照組算法相比，本文算法在對(duì)偽造圖像進(jìn)行檢測(cè)時(shí)，不僅具有更高的檢測(cè)正確性以及更精確的檢測(cè)精度，而且本文算法還具有更好的魯棒性能.因?yàn)楸疚睦锰卣鼽c(diǎn)的空間信息構(gòu)造了位移約束規(guī)則，然后通過(guò)位移約束規(guī)則對(duì)待匹配特征點(diǎn)進(jìn)行約束，最后通過(guò)歸一化互相關(guān)函數(shù)對(duì)待匹配特征點(diǎn)對(duì)的相似性進(jìn)行度量完成特征點(diǎn)匹配，提高了算法的匹配正確度以及魯棒性能.同時(shí)本文還采用了均值漂移模型對(duì)匹配特征點(diǎn)進(jìn)行分類(lèi)，進(jìn)一步精確了偽造內(nèi)容，提高了算法的檢測(cè)精度.

圖6 不同算法對(duì)復(fù)制-粘貼篡改的偽造圖像檢測(cè)結(jié)果圖

圖7 不同算法對(duì)復(fù)制-粘貼疊加旋轉(zhuǎn)以及噪聲篡改的偽造圖像檢測(cè)結(jié)果圖

2.2 量化測(cè)試與分析

用不同圖像偽造檢測(cè)算法對(duì)圖8中的測(cè)試圖像進(jìn)行偽造檢測(cè)，并將不同算法的檢測(cè)耗時(shí)記錄在表1中，將不同算法的檢測(cè)正確率以及錯(cuò)誤檢測(cè)率形成ROC曲線(xiàn).通過(guò)不同算法的檢測(cè)耗時(shí)以及ROC曲線(xiàn)實(shí)現(xiàn)對(duì)不同算法的量化測(cè)試.

圖8 量化測(cè)試對(duì)象

由表1中不同算法的匹配耗時(shí)進(jìn)行對(duì)比可見(jiàn)，本文算法的匹配耗時(shí)為5.4531s，比對(duì)照組算法的匹配耗時(shí)都少，說(shuō)明本文算法的檢測(cè)效率最高.圖9為不同算法測(cè)試所得的ROC曲線(xiàn).由此可見(jiàn)，本文算法測(cè)試所得的ROC曲線(xiàn)特性最佳，說(shuō)明本文算法對(duì)測(cè)試圖像的檢測(cè)精準(zhǔn)度最高.因?yàn)楸疚牟捎昧耸旨s束法則改進(jìn)的FAST算法對(duì)圖像提取特征點(diǎn)，降低了計(jì)算量；同時(shí)本文還采用了旋轉(zhuǎn)灰度特征模型獲取了較低維度的特征描述子，從而提高了算法的檢測(cè)效率.另外本文還構(gòu)造了位移約束規(guī)則，在此規(guī)則下利用歸一化互相關(guān)函數(shù)完成特征點(diǎn)匹配，進(jìn)一步提高了算法的檢測(cè)效率以及檢測(cè)精準(zhǔn)度.文獻(xiàn)[21]中利用SIFT算法提取特征點(diǎn)以及生成特征描述子，再利用近鄰比值法完成偽造檢測(cè).但是，SIFT算法提取的特征點(diǎn)中存在較多的偽特征點(diǎn)，而且SIFT算法生成的特征描述子維度較高，從而使得算法檢測(cè)精準(zhǔn)度下降耗時(shí)較多.文獻(xiàn)[22]中首先對(duì)讀取圖像文件中的量化表和JPEG系數(shù)，然后將圖像通過(guò)特定質(zhì)量因子的JPEG壓縮，最后通過(guò)圖像子塊兩次壓縮后的JPEG系數(shù)變化率完成偽造檢測(cè).由于圖像JPEG壓縮過(guò)程計(jì)算較復(fù)雜，而且容易受到噪聲等干擾使得檢測(cè)出錯(cuò)，導(dǎo)致算法檢測(cè)效率以及檢測(cè)精準(zhǔn)度不佳.

圖9 不同算法測(cè)試所得的ROC曲線(xiàn)

表1 不同算法的檢測(cè)耗時(shí)

3 結(jié)論

本文提出基于旋轉(zhuǎn)灰度特征耦合位移約束的圖像偽造檢測(cè)算法，通過(guò)十字約束法則下的FAST算法對(duì)圖像特征點(diǎn)進(jìn)行檢測(cè)，在十字約束法則下降低了計(jì)算復(fù)雜度，提高了算法的檢測(cè)效率.利用判斷直方圖峰值的方法確定特征點(diǎn)主方向，利用旋轉(zhuǎn)灰度特征模型獲取特征向量，生成較低維度的特征描述子，進(jìn)一步降低了算法的檢測(cè)耗時(shí).通過(guò)構(gòu)造位移約束規(guī)則，利用位移約束規(guī)則下的歸一化互相關(guān)函數(shù)完成特征點(diǎn)匹配，提高了算法的檢測(cè)正確度以及算法的魯棒性能.通過(guò)均值漂移模型對(duì)特征點(diǎn)進(jìn)行分類(lèi)，以實(shí)現(xiàn)對(duì)偽造內(nèi)容進(jìn)行精確的定位，提高了算法的檢測(cè)精度，從而完成圖像的偽造檢測(cè).