[논문 리뷰] Image forgery detection based on the fusion of machine learning and block-matching methods

Davide Cozzolino, Diego Gragnaniello외 1명|arXiv (Cornell University)|2013. 11. 27.

Digital Media Forensic Detection참고 문헌 17인용 수 7

한 줄 요약

이 논문은 DCT 및 DWT 도메인 공시행렬 특징에 기반한 기계학습 기반 스플리싱 검출기와 블록 매칭 기반의 커피-무브 포조리 검출기를 융합하는 하이브리드 이미지 위조 탐지 시스템을 제안한다. DCT 및 DWT 도메인의 공시행렬 특징에 기반한 고정밀도 SVM 분류기와 PatchMatch로 가속화된, 매우 높은 특이도를 가진 커피-무브 검출기를 조합함으로써, 훈련 세트에서 97.37%의 탐지 점수를 달성하였으며, 이는 잘못된 탐지(미검출)를 크게 줄이고 낮은 거짓 경고를 유지하면서도 실현 가능하다.

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.

연구 동기 및 목표

• 미세한 이미지 위조, 특히 전통적인 기술 기반 기술자료 기반 방법에서 회피되는 작은 커피-무브 조작을 개선하여 탐지하는 것.
• 최소한의 거짓 경고를 동반하면서도 강성 이동 위조를 신뢰성 있게 식별할 수 있는 매우 높은 특이도를 가진 커피-무브 위조 탐지기 개발.
• 기계학습 기반 스플리싱 탐지기와 블록 매칭 기반 커피-무브 탐지기 간의 상호보완적인 두 파이프라인의 결정을 융합하여 전체 탐지 성능을 최대화하는 것.
• 카메라 메타데이터 부족 및 테스트 세트의 클러스터 크기 부족으로 인한 PRNU 기반 방법의 한계를 해결하는 것.
• 다양한 위조 유형을 포함하는 실세계 이미지 포렌식 과제에 적합한 강력하고 종단 간 탐지 파이프라인을 최적화하는 것.

제안 방법

• 스플리싱 검출기는 원본 이미지에서 유도된 고역통과 잔여 이미지에 기반하며, DCT 및 DWT 도메인에서 선택된 이웃에 대해 잘라내기, 양자화 및 공시행렬 계산을 수행한다.
• 이전 스테고그래피 분석 연구에서 유래한 설계 선택을 활용하여, 임계값 처리된 예측 오차 이미지에서 공시행렬을 사용해 특징을 추출함으로써 통계적 안정성을 확보한다.
• 훈련 세트를 사용하여 추출된 특징에 대해 지지벡터기계(SVM) 분류기를 훈련시키며, 최대 탐지 정확도를 달성하기 위해 초모수를 최적화한다.
• 커피-무브 검출기는 7×7 픽셀 패치를 사용하여 PatchMatch를 활용해 조밀한 운동 벡터 장을 계산함으로써 빠르고 정확한 블록 매칭을 가능하게 한다.
• 운동 장은 균일한 운동을 보이는 균일 영역을 탐지하기 위해 필터링되며, 형태학적 필터링을 통해 작은 또는 포화된 영역 매칭을 제거하여 거짓 경고를 줄인다.
• 이 방법은 15도 간격으로 회전된 이미지 버전에 대해 반복 적용되어, 어느 하나의 중복 영역이 발견되면 위조가 확인된다.

실험 결과

연구 질문

• RQ1 기계학습 기반 스플리싱 탐지기와 블록 매칭 기반 커피-무브 탐지기의 융합이 미세한 위조에 대해 잘못된 탐지 비율을 크게 감소시킬 수 있는가?
• RQ2 매우 높은 특이도를 가진 커피-무브 탐지기가 거짓 경고를 최소화하면서도 작은, 잘 드러나지 않는 커피-무브 위조를 얼마나 효과적으로 탐지할 수 있는가?
• RQ3 최적화된 특징 선택 및 분류기 훈련과 함께 변환 도메인 내 조밀한 局부 특징을 사용할 경우, 스플리싱 탐지 정확도는 얼마나 향상될 수 있는가?
• RQ4 PatchMatch 기반의 블록 매칭은 대규모 이미지 포렌식 응용에 충분한 속도와 정확도를 제공할 수 있는가?
• RQ5 서로 보완적인 두 탐지 파이프라인의 융합이 실세계 이미지 포렌식 데이터셋에서 전체 탐지 성능 향상에 명백한 기여를 할 수 있는가?

주요 결과

• 기계학습 기반 스플리싱 탐지기는 일반적인 스플리싱 위조에 대해 훈련 세트에서 0.9531의 점수를 기록하여 뛰어난 성능을 보였다.
• 커피-무브 탐지기는 99.52%의 특이도를 기록하여 1,050장의 정상 이미지에서 오직 5건의 거짓 경고만을 기록했으며, 매우 높은 신뢰성을 나타냈다.
• 커피-무브 탐지기는 훈련 세트의 450개 중 271개의 커피-무브 위조를 탐지했으며, 매우 낮은 거짓 경고 비율 0.0213을 기록했다.
• 두 검출기의 융합으로 전체 훈련 세트 점수가 0.9531에서 0.9737로 상승하여, 작은 또는 미세한 위조의 탐지 능력이 크게 향상되었다.
• 최종 융합 전략은 IEEE IFS-TC 이미지 포렌식 챌린지 Phase 1A에서 최고 점수를 기록했으며, 테스트 세트 점수는 0.9429였다.
• 이 방법은 기술 기반 방법만으로는 탐지하지 못하는 위조, 특히 작은 또는 저대비 커피-무브 조작을 효과적으로 포착하여 잘못된 탐지 수를 줄였다.