面向特定实用场景的数字图像来源取证研究

The research on digital image source identification is of great importance for continuously perfecting the chain of evidence supervision and tamper detection model. The existing camera model identification technologies have achieved satisfactory performance in the laboratory environment. But the identification accuracy of almost all the existing methods will decrease dramatically, or even worse completely useless when the forensic task is performed in specified practical forensic scenario, such as the open environment with unknown prior classes, the network environment with varieties of image processing and tampering, and small sample environment with only a limited number of labeled samples. This work is intended to study image source identification under the specified practical environments from three breakthrough points: 1) the design of new classification framework, 2) robust feature extraction and feature space mapping, and 3) classification model description and virtual sample generation. The detailed research includes: the ensemble/fusion methods of classification/clustering, robust feature extraction based on dictionary learning, feature space mapping with the constrain of image processing guideline, the construction and optimization of deep networks based on expert priors, the intensification of classification model description and the generation of virtual.samples with limited labeled samples, and the construction of a large scale, multilevel image database for image source identification. On these bases, this work designs a forensics prototype system of digital image source identification and tests its practicability and reliability in the constructed image database, and provides technical support for the practical application of digital image source identification technology.

数字图像来源取证研究，对于完善证据监督链和优化篡改检测模型，都有着重要的现实意义。现有的数字图像型号来源取证技术，大多在实验室环境取得了优异性能，但面对特定的实用环境，如存在未知先验类别的开放环境、存在多种图像处理和篡改伪造的网络环境、以及少量标签样本的有限样本环境，其准确率都会大幅度降低甚至完全失效。本课题拟面向这三种特定的实用场景，从新型分类框架设计、鲁棒特征提取及域间特征映射、类别模型描述和虚拟样本生成作为切入点，对数字图像型号来源取证问题展开研究。具体研究聚类/分类的融合方法、基于字典学习的鲁棒特征提取方法、图像操作系统函数约束下的特征映射方法、基于领域专家先验的深度网络构造和优化方法、有限样本模型刻画的强化方法以及虚拟样本的生成方法，设计实现数字图像来源取证原型系统，并在构建的大规模多层次图像来源数据库中进行验证，为数字图像型号来源取证的实用化提供技术支撑。

随着数字成像技术的进步和移动智能设备的普及，数字图像成为人们生活中的重要信息媒介，其内容的真实性和有效性对于社会稳定、司法公正，以及新闻诚信和数字信息保障等方面，都有着重大的意义和深远的影响。因此，无论是从完善证据监督链还是优化篡改伪造检测模型的角度来看，对于数字图像溯源关键技术的研究都非常必要且迫切。现有的数字图像溯源技术，大多在实验室环境都能取得优异性能，但是面对特定的实用环境，如存在未知先验类别的开放环境、存在多种图像处理和篡改伪造的网络环境、以及少量标签样本的有限样本环境，其准确率都会大幅度降低甚至完全失效。.基于以上问题，本项目从三个方面展开了对数字图像溯源工作的研究，分别是在特定场景下图像溯源工作存在的局限性问题研究、图像溯源工作中的特征在特定任务中的有效性讨论和基于稀疏对抗样本攻击的图像溯源分析。首先针对在少量标签样本的有限样本环境下，提出虚拟样本生成、基于半监督理念、集成学习和度量学习等方法，从训练样本数量增强、训练样本广泛性、充分利用测试样本信息以及弱分类器集成等角度和思路，解决图像溯源工作在小样本下失效的问题。在未知先验类别的开放环境下，提出自适应聚类包络优化的和基于可疑集构建自训练SVM等方法解决开放环境下图像来源鉴别的局限性。在非受控复杂网络环境下，提出了利用不同相机类别之间的耦合性和基于特征的相机来源鉴别框架等方法，以实现在实际网络环境中的图像溯源工作的高效性能。除此之外，针对图像溯源中特征有效性的问题进行深入分析，从特征的提取空间和表示形式的角度出发，基于Deepfake检测任务探讨不同域特征向量，以及其特征的融合对分类任务的影响；最后，对于目前图像溯源领域的问题广泛应用深度神经网络来解决的现状，分析讨论了稀疏对抗样本对深度神经网络的攻击性能影响，从设计构建有效对抗样本的角度出发，进一步研究面向对抗攻击的图像溯源分析技术。