sift算法_论文和专利笔记：翻拍检测算法

数码翻拍图像取证算法（论文）

方法一：噪声分析

1. 通过小波变换（具体的方法包括可分离的散 小 波 变 换 ( Separable 2-D DWT)，二维双树离散实数小波变换 ( Real 2-D dual-tree DWT)，二维双树离散复数小波变换 ( Complex 2-D dual-tree DWT)）将低于阈值的高频信号置零，重建去噪图像；
2. 原图和去噪图像做差，得到噪声分布；
3. 选用均值( Mean)，方差 ( Var)，偏斜度 ( Skewness)，峰值( Kurtosis) 作为特征来刻画两类图像噪声直方图，得到共计4*3=12维特征。
4. SVM分类，精度88. 92%~97. 93%。

方法二：MBFDF

（1）一种基于DCT系数模式的首位数字特征，用于双重压缩检测；

（2）具体算法过程论文未介绍，特征维度180。

（3）相机中采用的 JPEG 压缩矩阵并不是固定的，故采用同一部相机翻拍产生的 JPEG 双重压缩可以使用以上方法来检测，不同相机的条件下算法性能存在下降的风险。

（4）3种相机下，SVM分类，精度95. 94%~97. 10%。

方法三：联合特征

1. 特征维度：12+180=192
2. 精度：96.10%~97.60%

基于图像表面梯度的翻拍检测（论文）

原理：真实图像和翻拍图像的像素值偏导数存在明显的差异

方法：

1. 分RGB三通道计算图像表面梯度；
2. 提取特征的特征包括：图像 R、G 、B 三通道各通道表面梯度的均值、方差，共 6 个特征值，(b) G通道表面梯度的32 分量直方图(原图像像素值/8 取整后统计直方图)的32 个特征值，(c) 原彩色图像对应灰度图像的均值、方差、32 分量直方图的 34 个特征值。总共72个特征值；
3. 精度：97.3%。

基于数字图像镜面反射和表面梯度的翻拍取证研究（论文）

方法一：基于数字镜面反射

原理：在YCrCb色彩空间下，当亮度低于170，属于漫反射光，当亮度大于200接近255时，图像呈现高光，属于镜面反射范围。使用一个多项式进行对亮度进行转换达到去除图像高光（镜面反射）部分的目的。即，对不同的亮度值使用不同的转换率，在亮度值较强区域使用较大的转换率来反映图像的纹理，在亮度值较低的区域使用较低的转换率，以保持原有图像的特征。

步骤（详细步骤在论文34页）：

1. RGB转YCrCb，提取图像Y通道，将最大值映射为1，最小值映射为0；
2. 直方图均衡化；
3. 通过多项式函数转换得到去掉镜面反射的新亮度值，重建得到新图；
4. 令原图亮度矩阵Y0，新图亮度矩阵Yd，镜面反射部分Ys=Y0-Yd，计算Specular Ratio（镜面比率图）Yr=Ys/Y0。Yr即为基于数字镜面反射特征。

方法风险：

如果图像具有均匀的亮度，如室外场景明亮的蓝天或饱和的部分图像，往往会出现镜面反射部分分离错误。

（2）方法二：基于表面梯度。论文作者是小论文“基于图像表面梯度的翻拍检测”之一，方法一致。

（3）精度：联合特征，SVM（RBF核）做分类器，准确率98.3%。

一种翻拍图像的识别方法、系统及终端设备（申请公开专利，平安科技，CN201910012454）

与学位论文“基于数字图像镜面反射和表面梯度的翻拍取证研究”方法接近。区别：

1. 只使用G通道计算表面梯度特征；
2. 为了利用GPU资源来提高特征提取效率，训练一个VGG19来提取两种特征（用神经网络模仿两种特征提取算法）。

一种图像识别方法及装置（申请公开专利，阿里，CN201710097375）

主要用于身份证翻拍概率检测。

使用STN+CNN+全连接搭建神经网络（专利第15页有网络搭法），进行二分类（使用STN的目的是校正拍摄的旋转倾斜问题）。

翻拍图像检测方法、装置、计算机设备及存储介质（申请公开专利，平安科技，CN201910043484）

原理：

由于翻拍图像是经过扫描、印刷或者其他具有拍摄功能的设备对真实图像进行翻拍，考虑到对真实图像进行翻拍的过程中，显示媒介自身的特性以及翻拍过程的场景区别，使得翻拍图像与真实图像存在差异。如：翻拍图像变形等，翻拍图像表面梯度值与真实图像相比会产生非线性变化，这使翻拍图像表面梯度值产生异常，进而导致翻拍图像中存在的初始直线分布发生变化。因此，提取边缘图像中的初始直线，以便后续在初始直线提取更加准确翻拍像素特征。

方法：

1. 边缘检测（专利内推荐Canny算子）。
2. 通过直线检测算法对边缘图像进行直线提取，得到初始直线（专利内提到的直线检测算法包括Hough(霍夫变换)直线检测算法、Freeman(链码)直线检测算法或者尺蠖蠕行算法）。
3. 提取翻拍直线。翻拍直线是指满足直线密集算法判别准则的直线，即直线密集集中且平行该判别准则包括两条直线的斜率差值小于1°(度)，且相邻的平行的两条直线的距离小于预设的距离阈值。直线密集算法中，初始直线需要满足“平行”和“密集集中”这两个条件。对于“平行”这一条件，即两条初始直线的斜率值写入初始直线像素点后，如果斜率差值小于1°(度)，则初始直线平行，即满足“ 平行”的条件。对于“ 密集集中”这一条件，即计算两条平行直线(初始直线)之间的距离，将满足该距离小于预设的距离阈值的两条直线确定为满足“ 密集集中”这一条件，也即翻拍直线。

（4）计算翻拍直线的数量与初始直线的数量的比例值，作为直线比例值，若直线比例值大于或者等于预设直线比例值阈值，则确定测试图像为疑似翻拍图像。

翻拍证件图片的识别方法（申请公开专利，旷视科技，CN105118048A）

特征一：频谱特征

原理：由于相机感光元件和显示器之间的波的干涉效应，通过翻拍电脑或手机屏幕上的证件照片而得到的图片上会出现明显的周期性彩色条纹，即摩尔纹。由于摩尔纹呈周期性，在频率域中摩尔纹的特性会更加明显。

方法：缩放到同一尺寸，分解RGB三通道，分别计算傅里叶变换。将频谱元素取模并拼接成向量。

特征二：纹理特征

原理：词袋模型是图像纹理特征的一种统计表达，可以有效描述图像的整体和局部特性。

方法：
（a）建立码本：从训练集中随机大量提取SIFT、HOG等图像描述符（都是向量），采用K-means聚类，聚类中心称为“词”，所有类别称为“码本”。
（b）图像描述：对于一幅图像，每提取一部分的特征，搜索最近的“词”。统计不同词的出现频度，形成一个直方图，再L1归一化得到图像纹理特征。

特征三：颜色特征

方法：RGB直方图、HSV直方图、Lab直方图等。

采用线性支持向量机训练

一种基于多特征融合的图像翻拍检测方法（授权专利，上交，CN104598933B）

三种特征：旋转不变局部相位量化描述特征，多尺度小波分解系数统计特征，图像颜色特征

翻拍图像识别方法、装置、计算机设备和存储介质（申请公开专利，平安一账通，CN109886275A）

方法：获取待识别图像；对所获取的待识别图像进行傅里叶变换，获得傅立叶频谱特征图；从所述傅立叶频谱特征图中提取LBP特征值；根据所提取的LBP特征值生成用于表示LBP特征值统计概率的LBP直方图统计数据；将所述LBP直方图统计数据输入神经网络模型，通过所述神经网络模型对所述LBP直方图统计数据进行识别处理，获得第一翻拍概率；当所述第一翻拍概率达到概率阈值时，确定所述待识别图像为翻拍图像。

基于深度学习的翻拍图像识别方法、装置、设备及介质（申请公开，一账通，CN201811574878）

方法：使用两种特征——灰度图像的方向梯度直方图（HOG，Histogram of Oriented Gradient，用于描述图像中的局部目标的表象以及形状）特征和局部二值模式(LBP，Local Binary Pattern，用于描述图像的局部纹理，且可以反映待识别图像的灰度信息的分布规律)特征。所用的深度学习模型结构等没有述及。

翻拍图像识别方法、装置、计算机设备和存储介质（申请公开专利，平安科技，CN201811574530）

方法：

（1）获取待识别图像；
（2）根据待识别图像生成对应的哈尔特征图；
（3）从哈尔特征图中提取局部二值模式LBP特征值；
（4）计算所述LBP特征值在各预设特征值范围内的统计概率；
（5）将所述LBP特征值的统计概率输入神经网络模型，通过所述神经网络模型对所述LBP特征值的统计概率进行识别处理，获得第一翻拍概率；
（6）当所述第一翻拍概率达到概率阈值时，则所述待识别图像为翻拍图像。

基于局部平面线性点的翻拍图像鉴别算法（专利，吉林大学）

方法：首先将彩色图像转化成灰度图像，其次计算图像的一阶偏导数和二阶偏导数 ；提取出局部平面线性点，并计算特征值 ；然后对特征值进行平移运算，避免产生间断点，同时对特征值进行取对数处理，限制特征向量的取值范围，得到用来分类的特征向量。最后通过分类器对真实图像和翻拍图像进行分类。

一种显示器屏幕图像翻拍的鉴定方法、装置及存储介质（专利，深圳大学）

方法：将输入的JPG图像转化为灰度图像并对应获取第一图像特征，再将输入的JPG图像提取R通道分量、G通道分量、及B通道分量并对应获取第二图像特征，将第一图像特征与第二图像特征进行融合，得到JPG图像最终图像特征 ；将JPG图像最终图像特征传输至Ensemble分类器进行分类鉴定，得到输入的JPG图像是原始图像或是翻拍图像的鉴定结果（具体算法见专利首页）。