基于多特征集成的魯棒圖像拷貝檢測(cè)算法

彭偉勇，王小華，姚金良

(杭州電子科技大學(xué)計(jì)算機(jī)應(yīng)用技術(shù)研究所，浙江杭州310018)

0 引言

基于內(nèi)容的圖像拷貝檢測(cè)通過(guò)從檢測(cè)圖像中提取唯一的魯棒的特征信息，以判斷圖像之間是否存在拷貝現(xiàn)象［1］。現(xiàn)有方法可以分為基于全局特征和基于局部特征兩種。文獻(xiàn)2利用圖像高斯過(guò)濾后低頻部分中的統(tǒng)計(jì)特征(直方圖形狀和均值)進(jìn)行拷貝檢測(cè)。文獻(xiàn)3將圖像的Y平面進(jìn)行分割，以每一塊與其8鄰域塊之間的相關(guān)系數(shù)作為特征簽名。這些全局特征算法主要獲取圖像整體結(jié)構(gòu)信息，具有速度快，對(duì)整體圖像攻擊魯棒，但他們對(duì)幾何旋轉(zhuǎn)和局部攻擊檢測(cè)效果差。相反，基于局部特征算法對(duì)局部攻擊檢測(cè)效果好，但計(jì)算復(fù)雜度較高和整體辨識(shí)性較低，例如文獻(xiàn)4對(duì)圖像分塊，提取圖像邊緣特征進(jìn)行檢測(cè)。隨著圖像多種復(fù)雜拷貝攻擊的出現(xiàn)，圖像拷貝檢測(cè)算法迎來(lái)了新的挑戰(zhàn)。

1 本文算法

基于多特征集成的魯棒圖像拷貝檢測(cè)算法流程圖如圖1所示。

圖1 基于多特征集成的魯棒圖像拷貝檢測(cè)算法流程圖

本文首先將預(yù)處理后的圖像進(jìn)行整體DCT變換，并對(duì)變換后的AC系數(shù)進(jìn)行zigzag掃描，提取AC系數(shù)中的中低頻系數(shù)，計(jì)算其順序測(cè)度作為拷貝檢測(cè)第一級(jí)的圖像特征;為能應(yīng)對(duì)圖像局部變化，利用Harris檢測(cè)器提取圖像的局部特征點(diǎn)，在以Harris點(diǎn)所在鄰域內(nèi)采樣，提取該點(diǎn)的主方向，進(jìn)而生成128維Harris特征向量，并利用K-D樹(shù)建立特征索引，便于圖像之間的Harris點(diǎn)匹配，利用RANSAC算法，剔除錯(cuò)誤的匹配對(duì)。最后采用級(jí)聯(lián)式的過(guò)濾框架融合兩種特征的檢測(cè)結(jié)果。

1.1 圖像的全局特征

DCT是一種正交變換方法，其數(shù)學(xué)公式表示為:

式中，u=0，1，…，M－1;v=0，1，…，N －1;a(t)=，y為空間域的采樣值，u，v為頻率域的采樣值，f(x，y)分別表示圖像空間域中坐標(biāo)為x和y象素點(diǎn)的灰度值。

DCT的中、低頻系數(shù)能很好的反映圖像的概貌，并隨著圖像的縮放、拉伸呈現(xiàn)出相應(yīng)的比例關(guān)系，能很好的抵抗圖像的加噪、濾波、縮放等攻擊，也巧妙地彌補(bǔ)了下一級(jí)特征對(duì)縮放攻擊不魯棒的缺陷。若圖像橫坐標(biāo)的縮放比例為λ1，縱坐標(biāo)的縮放比例為λ2，則DCT中低頻AC系數(shù)對(duì)應(yīng)的縮放比例為

1.2 圖像的局部特征

Harris算子是一種角點(diǎn)提取算子，其數(shù)學(xué)表達(dá)式為:

式中，矩陣M為:

式中，Ix，Iy分別為圖像x，y方向的梯度值;w(x，y)為高斯濾波器;設(shè)矩陣M的兩個(gè)特征值為λ1和λ2，M具有旋轉(zhuǎn)不變性，定義特征點(diǎn)的響應(yīng)函數(shù)為:

式中，k一般取值為0.04－0.06。當(dāng)R大于給定的閾值，且在局部范圍內(nèi)是極大值時(shí)，對(duì)應(yīng)的象素點(diǎn)即Harris興趣點(diǎn)。提取特征點(diǎn)之后，在其所在鄰域內(nèi)采樣，確定出具有旋轉(zhuǎn)不變性的特征點(diǎn)主方向。圖像點(diǎn)L(x，y)處的梯度值與方向計(jì)算公式如:

梯度直方圖范圍是0－360°，每10°為一個(gè)柱，當(dāng)存在另一個(gè)峰值的能量大于或等于主峰值80%時(shí)，將其作為該特征點(diǎn)另一個(gè)主方向，大約僅有15%點(diǎn)被賦予多個(gè)主方向。最后用拋物線(xiàn)擬合與每個(gè)峰頂最近的3個(gè)峰值，進(jìn)而準(zhǔn)確獲取峰頂位置，作為特征點(diǎn)準(zhǔn)確的主方向。

將坐標(biāo)軸旋轉(zhuǎn)到特征點(diǎn)主方向，以特征點(diǎn)為中心取16×16窗口，如圖2(a)所示，為了簡(jiǎn)化，圖2(a)中只給出了8×8窗口，中央點(diǎn)為當(dāng)前特征點(diǎn)坐標(biāo)，每個(gè)小格代表特征點(diǎn)鄰域一個(gè)象素，箭頭指向該象素點(diǎn)的梯度方向，長(zhǎng)度表示該點(diǎn)的梯度模值，圈內(nèi)代表高斯加權(quán)范圍，然后在每個(gè)4×4圖像塊上計(jì)算8個(gè)方向的梯度方向直方圖，如圖2(b)所示，每個(gè)4×4圖像塊形成一個(gè)種子點(diǎn)，圖2(b)中給出的是4個(gè)種子點(diǎn)，實(shí)際上算法共16個(gè)種子點(diǎn)，每個(gè)種子點(diǎn)有8個(gè)方向向量信息，形成128維的Harris特征向量，將特征向量進(jìn)行歸一化，去除光照變化影響。

當(dāng)特征向量生成后，采用K-D樹(shù)建立索引，搜索每個(gè)特征點(diǎn)的兩個(gè)最近鄰特征點(diǎn)。在這兩個(gè)特征點(diǎn)中，如果最近的歐式距離除以次近距離小于某個(gè)比例閾值，則接受這一匹配對(duì);再利用RANSAC隨機(jī)抽樣一致性算法，剔除錯(cuò)誤的匹配對(duì)。

圖2 圖像梯度與特征點(diǎn)特征描述

2 級(jí)聯(lián)式過(guò)濾框架

級(jí)聯(lián)式過(guò)濾框架如圖3所示。采用全局特征不僅可以處理大部分常見(jiàn)的圖像攻擊，而且節(jié)省了檢測(cè)時(shí)間，更能彌補(bǔ)下一級(jí)Harris角點(diǎn)對(duì)圖像縮放的不魯棒缺點(diǎn);然后采用相對(duì)精細(xì)的Harris角點(diǎn)特征進(jìn)一步檢測(cè)，解決上一級(jí)檢測(cè)級(jí)中對(duì)旋轉(zhuǎn)、裁剪等局部圖像攻擊不魯棒問(wèn)題。兩級(jí)過(guò)濾框架不僅發(fā)揮了各自?xún)?yōu)勢(shì)，還彌補(bǔ)了對(duì)方的不足，實(shí)驗(yàn)結(jié)果表明級(jí)聯(lián)式過(guò)濾框架在保證檢測(cè)精度最大化同時(shí)，節(jié)省了時(shí)間。

圖3 級(jí)聯(lián)式過(guò)濾框架

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

從網(wǎng)絡(luò)圖像數(shù)據(jù)庫(kù)［6］中收集10 000張任意大小圖像作為測(cè)試數(shù)據(jù)庫(kù)TD。在TD中隨機(jī)選取30張作為查詢(xún)圖像，采用Photoshop軟件與stirmark軟件對(duì)查詢(xún)圖像進(jìn)行11種混合攻擊與40種單一攻擊。

3.2 性能分析與比較

第一級(jí)檢測(cè)系統(tǒng)在不同相似度閾值下對(duì)單一攻擊的查全率和查準(zhǔn)率比較如表1所示。從表1可以看出隨著相似度閾值sim的降低，查準(zhǔn)率相應(yīng)降低，查全率反而增長(zhǎng)。經(jīng)實(shí)驗(yàn)，將最佳閾值設(shè)置為0.75。

本文與Kim提出的算法［7］進(jìn)行對(duì)比性實(shí)驗(yàn)，圖像部分攻擊實(shí)驗(yàn)結(jié)果如表2所示。實(shí)驗(yàn)顯示Kim算法對(duì)于旋轉(zhuǎn)、裁剪、拉伸、平移等攻擊敏感。

表1 不同閾值下的檢測(cè)結(jié)果比較

4 結(jié)束語(yǔ)

本文算法融合了圖像局部與全局特征信息，綜合時(shí)域與頻域的信號(hào)處理，巧妙利用兩級(jí)檢測(cè)系統(tǒng)特征之間的互補(bǔ)作用，與已有算法相比，本文算法在查詢(xún)圖像經(jīng)過(guò)各種幾何攻擊和常規(guī)信號(hào)處理之后，具有較高查準(zhǔn)率和查全率的同時(shí)，提高了系統(tǒng)的檢測(cè)效率。

表2 Kim方法與本文方法比較(%)

［1］ Hampapur Arun，Bolle Rudolf M.Comparison of distance measures for video copy-detection［C］.Los Alamitos:IEEE Computer Society，2001:737 －740.

［2］ 馬曉普，劉妍.基于統(tǒng)計(jì)特征的魯棒圖像拷貝檢測(cè)技術(shù)［J］.計(jì)算機(jī)應(yīng)用，2009，29(8):2 233－2 235.

［3］ Wu Ming-Ni，Lin Chia-Chen，Chang Chin-Chen.A robust content-based copy detection scheme［J］.Fundamenta Informaticae，2006，71(2/3):351 －366.

［4］ Lin Chia-Chen，Wang Shing-Shoung.An edge-based image copy detection scheme［J］.Fundamenta Informaticae，2008，83(3):299－318.

［5］ Davis B J，Nawab SH.The relationship of transform coefficients for differing transforms and/or differing subblock sizes［J］.IEEE Transactions on Signal Processing，2004，52(2):1 458 －1 461.

［6］ Wang JZ，Li Jia.Automatic linguistic indexing of pictures by a statistical modeling approach［EB/OL］.http://wang.ist.psu.edudocsrelated/，2003 －11 －12.

［7］ Kim C.Content-based image copy detection［J］.Signal Processing:Image Communication，2003，18(3):169 －184.