[论文解读] 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 7

一句话总结

本文提出了一种混合图像伪造检测系统，该系统融合了基于机器学习的拼接伪造检测器（使用密集局部描述符）与基于块匹配的复制-粘贴伪造检测器。通过结合在DCT域和DWT域上计算共现特征的高精度SVM分类器与使用PatchMatch加速的、高度特异性的复制-粘贴检测器，该方法在训练集上实现了97.37%的检测得分，显著降低了漏检率，同时保持了较低的误报率。

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.

研究动机与目标

• 改进对细微图像伪造的检测能力，特别是传统基于描述符的方法难以检测到的小型复制-粘贴篡改。
• 开发一种高度特异性的复制-粘贴伪造检测器，能够以极低的误报率可靠识别刚性平移伪造。
• 融合两种互补的检测流水线——基于机器学习的拼接伪造检测与基于块匹配的复制-粘贴检测——以最大化整体检测性能。
• 解决由于缺乏相机元数据及测试集中聚类样本数量不足而导致的PRNU方法局限性。
• 优化一个稳健的端到端检测流水线，适用于涵盖多种伪造类型的现实世界图像取证挑战。

提出的方法

• 拼接检测器使用从原始图像中提取的高通残差图像，随后进行截断、量化，并在DCT域和DWT域的选定邻域上计算共现矩阵。
• 从阈值化预测误差图像中提取特征，利用先前信息隐藏分析工作的设计选择，以确保统计鲁棒性。
• 使用训练集对提取的特征训练支持向量机（SVM）分类器，并通过超参数优化实现最大检测准确率。
• 复制-粘贴检测器采用PatchMatch算法，利用7×7像素块计算密集运动矢量场，实现快速且精确的块匹配。
• 对运动场进行滤波，以检测具有均匀运动的同质区域，并通过形态学滤波去除小尺寸或饱和区域的匹配，以减少误报。
• 对图像在15度间隔的旋转版本上重复该方法，以检测旋转后的复制-粘贴伪造，若任一重复区域被检测到，则判定为伪造。

实验结果

研究问题

• RQ1 基于机器学习的拼接检测与基于块匹配的复制-粘贴检测的融合是否能显著降低对细微伪造的漏检率？
• RQ2 高度特异性的复制-粘贴检测器在保持极低误报率的同时，对难以察觉的小型复制-粘贴伪造的检测效果如何？
• RQ3 在结合优化特征选择与分类器训练的前提下，变换域中的密集局部描述符在多大程度上能提升拼接伪造检测的准确率？
• RQ4 基于PatchMatch的块匹配是否能在大规模图像取证应用中提供足够的速度与准确率？
• RQ5 融合两种互补的检测流水线是否能在真实世界图像伪造数据集上带来可测量的整体检测性能提升？

主要发现

• 基于机器学习的拼接检测器在训练集上得分达到0.9531，表明其在一般拼接伪造检测中表现强劲。
• 复制-粘贴检测器的特异性达到99.52%，在1,050张原始图像中仅产生5个误报，表明其具有极高的可靠性。
• 复制-粘贴检测器在训练集中检测到450个伪造样本中的271个，误报率极低，仅为0.0213。
• 融合两个检测器后，整体训练集得分从0.9531提升至0.9737，显著提高了对小型或细微伪造的检测能力。
• 最终融合策略在IEEE IFS-TC图像取证挑战赛Phase 1A中取得最佳得分，测试得分为0.9429。
• 该方法有效减少了漏检，成功捕获了仅依赖描述符方法时无法检测到的伪造，特别是小型或低对比度的复制-粘贴篡改。