[論文レビュー] Image forgery detection based on the fusion of machine learning and block-matching methods

Davide Cozzolino, Diego Gragnaniello+1 more|arXiv (Cornell University)|Nov 27, 2013

Digital Media Forensic Detection参考文献 17被引用数 7

ひとこと要約

本稿では、DCTおよびDWTドメインにおける共起特徴に基づくSVM分類器と、ブロックマッチングに基づくコピー・ムーブ forgery 検出器を融合したハイブリッド画像改ざん検出システムを提案する。DCTおよびDWTドメインにおける共起特徴に最適化された高精度なSVM分類器と、PatchMatchで高速化された高特異度のコピー・ムーブ検出器を組み合わせることで、訓練データセット上で97.37%の検出スコアを達成し、誤検出を低く抑えつつ、見逃し検出を顕著に削減した。

ABSTRACT

Dense local descriptors and machine learning have been used with success in several applications, like classification of textures, steganalysis, and forgery detection. We develop a new image forgery detector building upon some descriptors recently proposed in the steganalysis field suitably merging some of such descriptors, and optimizing a SVM classifier on the available training set. Despite the very good performance, very small forgeries are hardly ever detected because they contribute very little to the descriptors. Therefore we also develop a simple, but extremely specific, copy-move detector based on region matching and fuse decisions so as to reduce the missing detection rate. Overall results appear to be extremely encouraging.

研究の動機と目的

• 微細な画像改ざん、特に従来の記述子ベース手法では検出されにくい小さなコピー・ムーブ改ざんの検出を向上させること。
• 最小限の偽陽性で剛体平行移動型改ざんを信頼性高く特定できる高特異度のコピー・ムーブ改ざん検出器を開発すること。
• 機械学習ベースのスプライシング検出とブロックマッチングベースのコピー・ムーブ検出という、相補的な2つの検出パイプラインの意思決定を統合し、全体の検出性能を最大化すること。
• カメラメタデータの欠落やテストセットにおけるクラスターサイズの不足により、PRNUベース手法に限界が生じる問題に対処すること。
• 多様な改ざんタイプに対応できる、実世界の画像フォレンジックス課題に適した、強固でエンド・トゥ・エンドの検出パイプラインを最適化すること。

提案手法

• スプライシング検出器は、元画像から得られるハイパス残差画像を用い、その後、切り捨て、量子化、DCTおよびDWTドメインにおける選択的近傍の共起行列計算を実行する。
• しきい値処理を施した予測誤差画像から特徴量を抽出し、共起行列を用いることで、統計的安定性を確保する。この際、先行するステガノグラフィー解析研究からの設計選択を活用する。
• 抽出された特徴量を用いて訓練データセット上でサポートベクターマシン（SVM）分類器を学習し、最大検出精度を達成するようにハイパーパramータを最適化する。
• コピー・ムーブ検出器は、7×7ピクセルのパッチを用いてPatchMatchを用いて密な運動ベクトル場を計算し、高速かつ高精度なブロックマッチングを実現する。
• 運動フィールドは、一様な運動を示す均一領域を検出するようにフィルタリングされ、モルフォロジカルフィルタリングにより、小さなまたは飽和した領域マッチを除去して偽陽性を低減する。
• 回転角度を15度ごとに変化させた画像の回転版についても同様の処理を繰り返し、いずれの回転バージョンにおいても重複領域が検出されれば、改ざんを検出する。

実験結果

リサーチクエスチョン

• RQ1 機械学習ベースのスプライシング検出とブロックマッチングベースのコピー・ムーブ検出を融合させることで、微細な改ざんの見逃し検出率を顕著に低減できるか？
• RQ2 高特異度のコピー・ムーブ検出器は、偽陽性を最小限に抑えつつ、小さな、検出が難しいコピー・ムーブ改ざんをどれほど効果的に捉えることができるか？
• RQ3 最適化された特徴選択と分類器学習を組み合わせた場合、変換ドメインにおける密な局所記述子が、スプライシング検出精度をどの程度向上できるか？
• RQ4 PatchMatchベースのブロックマッチングは、大規模な画像フォレンジックス応用において十分な速度と精度を提供できるか？
• RQ5 相補的な2つの検出パイプラインを統合することで、実世界の画像改ざんデータセットにおいて、全体の検出性能に測定可能な向上が得られるか？

主な発見

• 機械学習ベースのスプライシング検出器は、訓練データセットでスコア0.9531を達成し、一般的なスプライシング改ざんに対して優れた性能を示した。
• コピー・ムーブ検出器は特異度99.52%を達成し、1,050枚の完全な画像に対してわずか5件の偽陽性を報告した。これは極めて高い信頼性を示している。
• コピー・ムーブ検出器は訓練データセットの450件のコピー・ムーブ改ざんのうち271件を検出でき、偽陽性率は非常に低い0.0213であった。
• 2つの検出器を統合することで、全体の訓練データセットスコアが0.9531から0.9737に向上し、特に小さなまたは微細な改ざんの検出が顕著に向上した。
• 最終的な統合戦略は、IEEE IFS-TC画像フォレンジックスチャレンジのフェーズ1Aで最高スコアを記録し、テストスコア0.9429を達成した。
• 本手法は、記述子ベース手法単体では検出されない改ざん、特に小さな、低コントラストのコピー・ムーブ改ざんを効果的に捉えることで、見逃し検出を顕著に低減した。