數(shù)字圖像來源取證現(xiàn)狀與趨勢(shì)

王 波 楊福龍

(大連理工大學(xué)電子信息與電氣工程學(xué)部 遼寧大連 116024)

?

數(shù)字圖像來源取證現(xiàn)狀與趨勢(shì)

王 波 楊福龍

(大連理工大學(xué)電子信息與電氣工程學(xué)部 遼寧大連 116024)

(bowang@dlut.edu.cn)

數(shù)字信息易編輯和偽造的特點(diǎn)，使得數(shù)字時(shí)代多媒體的真實(shí)性遭受了極大的挑戰(zhàn).正因?yàn)榇?，關(guān)注數(shù)字圖像來源辨識(shí)性、內(nèi)容真實(shí)性和信息完整性的數(shù)字圖像取證技術(shù)成為多媒體信息內(nèi)容安全研究的熱點(diǎn).針對(duì)數(shù)字圖像的來源取證問題，首先闡述了已有的一般模型和框架，然后從設(shè)備類型、設(shè)備型號(hào)和設(shè)備個(gè)體取證鑒別3個(gè)層次，分別闡述了目前典型的研究思路和方法，進(jìn)而在此基礎(chǔ)上，分析和介紹了當(dāng)前數(shù)字圖像來源取證所面臨的問題和發(fā)展趨勢(shì)，最終給出了結(jié)論和展望.

數(shù)字圖像取證；來源鑒別；設(shè)備類型；設(shè)備型號(hào)；設(shè)備個(gè)體

計(jì)算機(jī)的普及和網(wǎng)絡(luò)的便捷，使得數(shù)字化信息已經(jīng)成為人們?nèi)粘９ぷ骱蜕钪胁豢苫蛉钡闹匾巧?但凡事必有兩面性，人們?cè)谙硎軘?shù)字化信息帶來的種種便利的同時(shí)，也在面臨和承擔(dān)著其帶來的安全問題.信息安全問題小至個(gè)人信息安全，大至社會(huì)、經(jīng)濟(jì)、政治、軍事和文化安全.數(shù)字信息具有易獲取、易編輯、易修改的特性，這是一把雙刃劍：一方面給人們獲得和處理信息提供了極大的便利；另一方面也為無意或者惡意的篡改偽造信息提供了可能.由此引發(fā)的對(duì)于數(shù)字信息完整性和真實(shí)性的關(guān)注，成為信息內(nèi)容安全的2個(gè)重要問題.而隨著數(shù)碼相機(jī)智能手機(jī)的迅速普及、專業(yè)圖像處理軟件的廣泛使用、社交網(wǎng)絡(luò)平臺(tái)的高速發(fā)展，分別解決了過去數(shù)字媒體在獲取、處理和傳播方面的制約瓶頸，從而使得數(shù)字媒體無論是使用范圍、生成數(shù)量還是影響力都大大超過了傳統(tǒng)媒體.這也直接導(dǎo)致了近10年來，在新聞、政治、司法以及科學(xué)等領(lǐng)域?qū)映霾桓F的篡改偽造數(shù)字媒體所引發(fā)的各類事件，沖擊著人們對(duì)于新聞、司法乃至社會(huì)誠(chéng)信體系的信心.正因?yàn)閿?shù)字媒體完整性和真實(shí)性分析的急切需求，也催生了數(shù)字內(nèi)容取證技術(shù)的迅速發(fā)展[1].

一些國(guó)際著名大學(xué)，如美國(guó)的馬里蘭大學(xué)、普渡大學(xué)、哥倫比亞大學(xué)以及達(dá)特茅斯大學(xué)等，于2002年前后就開始了數(shù)字媒體取證相關(guān)技術(shù)的研究，其重點(diǎn)集中在數(shù)字圖像、數(shù)字音頻的來源鑒別和偽造檢測(cè)[2]，也有一些對(duì)數(shù)字視頻的取證研究[3].與此同時(shí)，數(shù)字媒體取證技術(shù)的相關(guān)文獻(xiàn)也開始見于計(jì)算機(jī)取證的相關(guān)國(guó)際會(huì)議上.隨著數(shù)字媒體取證技術(shù)研究的深入，ACM,IEEE的一些國(guó)際頂級(jí)學(xué)術(shù)會(huì)議和期刊也陸續(xù)將其納為一個(gè)重要的主題.2005年《IEEE Transaction on Information Forensics and Security》和2006年《Springer LNCS Transaction on Data Hiding and Multimedia Security》學(xué)術(shù)期刊的創(chuàng)建，也標(biāo)志著數(shù)字媒體的取證和安全技術(shù)已經(jīng)成為數(shù)字內(nèi)容安全中的熱門領(lǐng)域之一.我國(guó)許多高校和研究機(jī)構(gòu)也和國(guó)際上的科研機(jī)構(gòu)幾乎同步開展了數(shù)字媒體取證的相關(guān)研究.北京電子技術(shù)應(yīng)用研究所、北京郵電大學(xué)、大連理工大學(xué)、湖南大學(xué)、武漢大學(xué)和中山大學(xué)等在數(shù)字圖像來源鑒別和數(shù)字音頻取證方面做了大量的研究工作；南京理工大學(xué)、深圳大學(xué)、上海大學(xué)和同濟(jì)大學(xué)等則在數(shù)字圖像操作取證、篡改偽造檢測(cè)等方面開展了深入的研究.相應(yīng)地，各國(guó)政府機(jī)構(gòu)和工業(yè)界也對(duì)數(shù)字媒體取證給予了極高的重視和相當(dāng)大的支持.Adobe公司2007年開始與美國(guó)達(dá)特茅斯大學(xué)合作開發(fā)對(duì)篡改偽造圖像進(jìn)行檢測(cè)的插件工具.2015年9月DARPA則啟動(dòng)了名為“Media Forensics”(DARPA-BAA-15-58)的項(xiàng)目[4]，旨在開發(fā)自動(dòng)評(píng)估數(shù)字圖像和視頻完整性的一系列工具.而我國(guó)的自然科學(xué)基金委、科技部等單位也都以國(guó)家自然科學(xué)基金、“八六三”項(xiàng)目的形式給予數(shù)字媒體取證技術(shù)的發(fā)展極大的支持.

本文針對(duì)數(shù)字圖像取證中的來源鑒別問題，總結(jié)了目前主要的分析模型和框架；從基于設(shè)備類型(device-based)、基于設(shè)備型號(hào)(model-based)以及基于設(shè)備個(gè)體(camera-based)3個(gè)不同的層次分別分析了當(dāng)前典型的數(shù)字圖像來源取證方法，給出了當(dāng)前數(shù)字圖像來源取證所面臨的問題和挑戰(zhàn).

1 數(shù)字圖像來源取證的已有框架

美國(guó)哥倫比亞大學(xué)Chang所領(lǐng)導(dǎo)的團(tuán)隊(duì)很早就開展了數(shù)字圖像來源鑒別和數(shù)字圖像取證技術(shù)的研究.他們最早給出了一個(gè)包含數(shù)字圖像來源鑒別在內(nèi)的數(shù)字圖像取證系統(tǒng)TrustFoto[5]，如圖1所示.該系統(tǒng)綜合考慮了數(shù)字圖像取證的用戶、輸入圖像、系統(tǒng)取證、分析輸入以及決策報(bào)告5個(gè)方面的內(nèi)容.而在系統(tǒng)取證中，TrustFoto系統(tǒng)的第1步就是利用數(shù)字信號(hào)處理和統(tǒng)計(jì)分析等方法對(duì)輸入圖像的獲取設(shè)備進(jìn)行建模.

圖1 TrustFoto系統(tǒng)框圖[5]

Kot等人[6]指出，數(shù)字圖像的來源鑒別問題通常被建模為機(jī)器學(xué)習(xí)中的分類問題.通過對(duì)已知N種不同來源的數(shù)字圖像進(jìn)行有監(jiān)督的訓(xùn)練，構(gòu)建一個(gè)有效的分類模型，進(jìn)而可以對(duì)輸入的未知來源的圖像進(jìn)行來源鑒別.目前大部分?jǐn)?shù)字圖像來源鑒別方法均采用了這種框架.牛少彰等人[7]將其總結(jié)為如圖2所示的模型.

圖2 基于機(jī)器學(xué)習(xí)的數(shù)字圖像來源取證框架[7]

大連理工大學(xué)的王波[8]將數(shù)字圖像的來源取證分為3個(gè)不同的層次：基于設(shè)備類型的數(shù)字圖像來源鑒別關(guān)注數(shù)字圖像由哪種類型的圖像采集設(shè)備獲?。换谠O(shè)備型號(hào)的數(shù)字圖像來源鑒別則需要分析數(shù)字圖像具體是由哪一個(gè)廠商哪一個(gè)品牌哪一個(gè)型號(hào)的數(shù)碼相機(jī)手機(jī)掃描儀等獲得的；基于設(shè)備個(gè)體的來源鑒別技術(shù)則需要回答待取證的圖像是否由指定的某一個(gè)設(shè)備個(gè)體所拍攝的問題，如圖3所示.

圖3 數(shù)字圖像來源取證的3個(gè)不同層次

2 數(shù)字圖像來源取證的研究現(xiàn)狀

數(shù)字圖像來源取證的核心目的是判斷數(shù)字圖像的獲取設(shè)備，只是出于取證目的的不同和先驗(yàn)信息的不同，將其分為設(shè)備類型、設(shè)備型號(hào)和設(shè)備個(gè)體3個(gè)不同層次的技術(shù).而近年來出于偽造數(shù)字圖像來源的目的，也出現(xiàn)了一些數(shù)字圖像來源反取證的技術(shù).

2.1 基于設(shè)備類型的數(shù)字圖像來源取證

最早提出數(shù)字圖像的設(shè)備類型來源取證是面向美國(guó)一個(gè)現(xiàn)實(shí)問題：兒童色情預(yù)防法案中允許計(jì)算機(jī)生成的兒童色情圖像合法被制作和傳播.因此，在計(jì)算機(jī)生成圖像(computer graphics, CG)技術(shù)日趨成熟、甚至可以以假亂真的時(shí)代，如何準(zhǔn)確取證數(shù)字圖像是來源于真實(shí)成像設(shè)備還是計(jì)算機(jī)，成為一個(gè)現(xiàn)實(shí)的司法技術(shù)問題.

Lyu等人[9]認(rèn)為不同的圖像采集設(shè)備，其成像過程一定會(huì)引入不同的設(shè)備特征，并可以在頻域的不同方向和尺度中反映出來.因此，他們使用多尺度小波變換提取高維統(tǒng)計(jì)特征，來描述數(shù)字圖像呈現(xiàn)出的這種設(shè)備類型之間的差異.Ozparlak等人[10]也提出了類似的方法.Farid等人[11]還對(duì)相機(jī)拍攝的和計(jì)算機(jī)獲取的人臉圖像進(jìn)行了取證鑒別分析.Chang領(lǐng)導(dǎo)的團(tuán)隊(duì)[12]則從景物模型、光線模型和獲取方式3個(gè)方面分析了數(shù)碼照片和CG圖像的差異，進(jìn)而從微分幾何學(xué)的角度提出幾何形狀和局部碎片特征，在其構(gòu)建的公開數(shù)據(jù)庫(kù)上進(jìn)行了數(shù)字圖像的來源取證分析.他們甚至還開發(fā)了一個(gè)在線鑒別計(jì)算機(jī)生成圖像和照片圖像的系統(tǒng)[13].基于亮度和色度的HSV模型由于更為符合人類視覺感知模型(human visual system, HVS)，因此也被用于取證數(shù)碼照片圖像和CG圖像[14].從CFA插值周期性[15]、視覺特征[16]、紋理特征[17-18]、直方圖特性[19]、光照響應(yīng)不一致性噪聲[20]、白平衡[21]、局部二值模式(local binary pattern, LBP)[22]等角度出發(fā)，研究者也提出了一些有效的特征對(duì)數(shù)碼照片圖像和CG圖像進(jìn)行區(qū)分和鑒別.

而針對(duì)更多不同的設(shè)備類型，Orozco等人[23]利用顏色特征和質(zhì)量特征等；Khanna等人[24]則使用了噪聲特征，分別對(duì)相機(jī)、掃描儀以及計(jì)算機(jī)生成圖像進(jìn)行鑒別.

2.2 基于設(shè)備型號(hào)的數(shù)字圖像來源取證

對(duì)于任意一類數(shù)字圖像成像設(shè)備，例如數(shù)碼相機(jī)、手機(jī)、掃描儀等都存在著種類繁多的廠商、品牌以及型號(hào).對(duì)于已經(jīng)確認(rèn)設(shè)備類型的數(shù)字圖像，取證分析人員需要進(jìn)一步對(duì)其設(shè)備型號(hào)進(jìn)行鑒定和確認(rèn).

由于EXIF標(biāo)準(zhǔn)的存在，使得絕大部分成像設(shè)備所采集的數(shù)字圖像都在其EXIF中直接明文聲明了采集該圖像的設(shè)備廠商、型號(hào)以及相關(guān)的重要參數(shù).但也正因?yàn)镋XIF作為公開的標(biāo)準(zhǔn)，并未對(duì)這些重要的信息進(jìn)行任何加密或者其他措施的安全保障，使得這些信息可以很容易地被絕大多數(shù)的數(shù)字圖像編輯和處理軟件讀取、修改甚至偽造.可以說，傳統(tǒng)的以EXIF作為數(shù)字圖像來源取證的方法在“有心的”偽造者眼里完全是無用的.

正因?yàn)榇耍嫦蛟O(shè)備類型的數(shù)字圖像來源取證技術(shù)嘗試使用圖像數(shù)據(jù)本身來對(duì)其來源進(jìn)行分析.由于同一型號(hào)的數(shù)碼相機(jī)手機(jī)采用了相同的成像硬件和圖像處理算法，因此自然而然地，數(shù)碼相機(jī)和手機(jī)的硬件器件特性和圖像處理算法特性，就成為基于設(shè)備型號(hào)數(shù)字圖像來源取證技術(shù)的重要依據(jù).

Choi等人[25]將不同型號(hào)數(shù)碼相機(jī)的鏡頭失真作為來源鑒別的核心特征.他們提取了數(shù)字圖像中直線信息的失真來量化描述鏡頭的失真，進(jìn)而區(qū)分和鑒別不同型號(hào)數(shù)碼相機(jī)拍攝的圖像.

CFA和對(duì)應(yīng)的插值算法則是被研究得更多的一種成像屬性.不同型號(hào)的數(shù)碼相機(jī)往往采用不同的CFA模式和插值算法，研究者相信，通過估計(jì)CFA模式和插值系數(shù)，可以鑒別和取證數(shù)字圖像的設(shè)備型號(hào).Farid等人[26]使用EM算法檢測(cè)數(shù)字圖像頻域中的局部能量峰值點(diǎn)，認(rèn)為其反映了CFA插值向圖像局部引入的相關(guān)性.而Bayram等人[27]則在此基礎(chǔ)上分析確定二維概率圖的峰值點(diǎn)，并以此作為特征進(jìn)行數(shù)碼相機(jī)型號(hào)的來源鑒別.Long[28]、Swaminathan[29]、王波等人[30]、Chen等人[31]則致力于如何準(zhǔn)確估計(jì)CFA的插值系數(shù)，并選擇合適的分類器達(dá)到較高的來源鑒別準(zhǔn)確率.

白平衡[32]作為相機(jī)成像系統(tǒng)中重要的圖像后處理算法，其參數(shù)估計(jì)也被用于數(shù)字圖像的型號(hào)來源鑒別當(dāng)中.

與此同時(shí)，還有相當(dāng)一部分研究工作不局限于分析單一成像硬件或者圖像處理算法所引入的特征，而是將整個(gè)圖像采集設(shè)備看作為一個(gè)整體，認(rèn)為不同型號(hào)成像設(shè)備所拍攝的數(shù)字圖像的特性差異，是成像系統(tǒng)整體差異的綜合反映.因此，他們往往期望從不同的角度構(gòu)建描述數(shù)字圖像設(shè)備型號(hào)差異的整體模型，進(jìn)而實(shí)現(xiàn)來源取證.

Kharrazi等人[33]認(rèn)為不同型號(hào)數(shù)碼相機(jī)拍攝的圖像，其圖像整體質(zhì)量、顏色一定會(huì)存在差異，即便這種差異視覺上不可見.因此他們用圖像質(zhì)量特征、顏色相關(guān)性、顏色能量比等特征構(gòu)建了一個(gè)描述相機(jī)型號(hào)來源的特征集.類似的還有Goyal等人[34]和Meng等人[35]的工作.Xu等人[36]利用一階和二階矩特征建立統(tǒng)計(jì)模型，并最終提取了390維統(tǒng)計(jì)特征對(duì)數(shù)字圖像進(jìn)行來源鑒別.隨后他們又使用LBP作為數(shù)字圖像來源模型的描述特征[37].Thai等人[38]則基于異方差噪聲模型和DCT系數(shù)模型提出了數(shù)字圖像的相機(jī)型號(hào)來源鑒別方法.

與上述方法將數(shù)字圖像的設(shè)備型號(hào)來源取證問題建模為有監(jiān)督學(xué)習(xí)的分類問題不同，Amerini[39]和Luan等人[40]則將來源取證問題建模為無監(jiān)督學(xué)習(xí)中的聚類問題.但是需要注意的是，由于無監(jiān)督學(xué)習(xí)無法獲得任何關(guān)于設(shè)備型號(hào)的先驗(yàn)信息，因此這類方法的最終取證結(jié)果往往只能是指出數(shù)字圖像檢材中哪些圖像屬于同一種型號(hào)的成像設(shè)備所獲取，而不能明確究竟是哪一種型號(hào)的成像設(shè)備.

2.3 基于設(shè)備個(gè)體的數(shù)字圖像來源取證

數(shù)字圖像來源取證的最終目的是判斷數(shù)字圖像由具體的哪一個(gè)成像設(shè)備獲取，或者判斷是否由指定的某一個(gè)成像設(shè)備獲取.顯然，要達(dá)到這樣的目的，需要利用成像設(shè)備的個(gè)體獨(dú)有特性，這往往取決于成像設(shè)備硬件的差異性.因此，基于設(shè)備個(gè)體的數(shù)字圖像來源取證幾乎也默認(rèn)這樣一個(gè)假設(shè)：取證分析方擁有或者可以獲得可能用于獲取數(shù)字圖像檢材的成像設(shè)備(或者至少擁有該成像設(shè)備所獲取的一定數(shù)量的訓(xùn)練樣本).

傳感器的生產(chǎn)制造缺陷最早被用于數(shù)字圖像的相機(jī)個(gè)體來源取證.Geradts等人[41]發(fā)現(xiàn)每一個(gè)用于數(shù)碼相機(jī)的CCD傳感器件都存在不同數(shù)量和不同位置的感光缺陷點(diǎn).因此，可以檢測(cè)圖像中由于感光缺陷所產(chǎn)生的暗電流點(diǎn)來鑒別數(shù)字圖像的相機(jī)個(gè)體來源.另一個(gè)有趣的工作則是Memon等人[42]所做的利用鏡頭上的灰塵特征進(jìn)行相機(jī)個(gè)體取證.他們發(fā)現(xiàn)數(shù)碼相機(jī)由于其并不出色的密封特性，鏡頭上不可避免地存在灰塵，而這種灰塵點(diǎn)的分布顯然是具有明顯的個(gè)體特征的.通過歸一化互相關(guān)構(gòu)建灰塵點(diǎn)的局部等高線，他們?cè)O(shè)計(jì)了一種相機(jī)個(gè)體來源取證算法.盡管這種方法可能會(huì)由于時(shí)間的推移或者外界的干擾(例如清理鏡頭)而失效，但在相對(duì)短時(shí)期內(nèi)，鏡頭的塵埃分布仍不失為一個(gè)行之有效的相機(jī)個(gè)體來源取證方法.

研究更為廣泛、認(rèn)可度更高的則是一種被稱為“數(shù)字彈道”的傳感器模式噪聲技術(shù).Fridrich[43]借鑒彈道學(xué)的概念，最早在數(shù)字圖像取證領(lǐng)域提出了“數(shù)字彈道”.他指出，傳感器由于其光響應(yīng)非均勻性和器件特性，不可避免地會(huì)存在噪聲，而這種噪聲正如子彈從不同槍械中射出后留下的獨(dú)特痕跡，是獨(dú)一無二的.進(jìn)一步地，他將傳感器模式噪聲分為固有模式噪聲和光響應(yīng)非均勻性噪聲，并通過濾波和統(tǒng)計(jì)差異的方法獲取數(shù)碼相機(jī)的模式噪聲，利用相關(guān)性檢測(cè)、假設(shè)檢驗(yàn)等方法實(shí)現(xiàn)數(shù)字圖像的相機(jī)個(gè)體來源取證[44].

傳感器模式噪聲的概念一經(jīng)提出，受到了廣泛地關(guān)注和大量深入的研究.研究者們分別從傳感器噪聲的準(zhǔn)確獲取、有效增強(qiáng)和質(zhì)量改善、參考模式噪聲和待測(cè)模式噪聲的可靠關(guān)聯(lián)3個(gè)主要方面開展了大量的研究工作.

在傳感器噪聲的準(zhǔn)確獲取方面，研究者們發(fā)現(xiàn)，亮度高[45]、復(fù)雜度低[46-47]以及能量強(qiáng)[48]的圖像，其提取的傳感器模式噪聲更為準(zhǔn)確，不易受到數(shù)字圖像內(nèi)容的影響.而Kang等人47]則提出了在變換域中進(jìn)行模式噪聲提取和分析的方法.而提取模式噪聲的濾波器設(shè)計(jì)也是研究者關(guān)注的重點(diǎn).

在傳感器噪聲的增強(qiáng)和質(zhì)量改善方面，Li等人[49]認(rèn)為CFA插值可能導(dǎo)致傳感器噪聲誤差，因此他們使用非插值像素點(diǎn)提取PRNU.Fridrich等人[50]則進(jìn)一步總結(jié)出CFA插值、JPEG壓縮等操作引入的是相機(jī)的非獨(dú)特屬性(non-unique artifacts, NUAs)，可以通過零均值的方法進(jìn)行抑制和消除.光譜均衡[51]、濾波器失真去除[52]、加權(quán)平均優(yōu)化[53]和PCA[54]等方法也在近年來被用于傳感器噪聲質(zhì)量的改善.

在參考模式噪聲和待測(cè)模式噪聲的可靠關(guān)聯(lián)方面，最早使用的方法是相關(guān)性檢測(cè)[44].隨著研究的深入，相關(guān)能量峰值[44]、循環(huán)互相關(guān)矩陣[55]、假設(shè)檢驗(yàn)以及三角檢測(cè)[44]等，也都被用于模式噪聲的關(guān)聯(lián)檢測(cè).

除此之外，傳感器模式噪聲技術(shù)也被用于手機(jī)[56]、便攜式數(shù)碼攝像機(jī)[57]、掃描儀[58]的數(shù)字圖像設(shè)備個(gè)體來源取證鑒別.

2.4 數(shù)字圖像來源反取證技術(shù)

在取證分析研究者們不斷提出新的、行之有效的數(shù)字圖像來源取證技術(shù)的同時(shí)，作為其對(duì)抗式學(xué)科的反取證技術(shù)也在不斷發(fā)展和進(jìn)步.數(shù)字圖像來源鑒別的反取證技術(shù)，其目的就是要針對(duì)可能的來源取證方法，通過修改、偽造數(shù)字圖像的數(shù)據(jù)特性，達(dá)到篡改數(shù)字圖像來源、使來源取證方法失效的目的.

針對(duì)數(shù)字圖像設(shè)備型號(hào)來源鑒別中使用CFA插值系數(shù)估計(jì)作為核心特征的這類方法，最簡(jiǎn)單和直接的反取證思想就是再次利用CFA插值算法進(jìn)行數(shù)字圖像的重建，使其盡可能覆蓋原插值算法向圖像中引入的相關(guān)性特征[59].為了最小化重插值過程所引入的數(shù)字圖像失真，Kirchner等人[60]利用矩陣變換構(gòu)建失真模型，并使用最小二乘法計(jì)算最小失真.

而針對(duì)數(shù)字圖像設(shè)備個(gè)體來源鑒別中研究最為廣泛的傳感器模式噪聲，也同樣有對(duì)應(yīng)的反取證技術(shù).Li等人[61]認(rèn)為，傳感器模式噪聲實(shí)際上是一種加性噪聲，據(jù)此他們提出了基于傳感器模式噪聲的指紋移除(signature removal)和指紋替換(signature substitution)反取證技術(shù).在此基礎(chǔ)上，楊弘和Zeng等人[62-64]則分別針對(duì)指紋移除和替換的強(qiáng)度計(jì)算提出了不同的算法，使得數(shù)字圖像來源鑒別的反取證算法在原始數(shù)字圖像質(zhì)量和反取證效果之間達(dá)到平衡和優(yōu)化.而針對(duì)Fridrich提出的三角檢測(cè)，也有一些研究者提出了相應(yīng)的行之有效的反取證策略[65-67].

為了更好地分析數(shù)字圖像來源取證技術(shù)和反取證技術(shù)之間相互影響、相互制約的關(guān)系，Barni[68]和Stamm等人[69]都使用了博弈論的相關(guān)模型和方法來進(jìn)行理論分析.在可以預(yù)見的未來，有效的數(shù)字圖像來源鑒別取證技術(shù)和反取證技術(shù)仍然會(huì)相互制約，同時(shí)相互提高，提升抑制來源鑒別分析的準(zhǔn)確率必然將會(huì)是爭(zhēng)奪的關(guān)鍵.

3 面臨的問題和發(fā)展趨勢(shì)

數(shù)字圖像來源取證的根本任務(wù)是鑒別和分析獲取數(shù)字圖像的設(shè)備類型、型號(hào)和個(gè)體.其相關(guān)研究發(fā)展至今，已經(jīng)從各個(gè)層面取得了一定的研究成果.在可見的參考文獻(xiàn)中，許多數(shù)字圖像來源鑒別取證的方法都在實(shí)驗(yàn)室環(huán)境下，針對(duì)幾個(gè)甚至是十幾個(gè)設(shè)備樣本，取得了90%以上的鑒別準(zhǔn)確率.但很顯然，這樣的鑒別準(zhǔn)確率距離實(shí)用的司法技術(shù)仍然有一定的距離.同時(shí)，現(xiàn)有算法大多數(shù)都對(duì)來源鑒別取證的場(chǎng)景和條件進(jìn)行了一定的假設(shè)和約束，以降低實(shí)際情況下來源取證的難度.因此，數(shù)字圖像來源取證技術(shù)目前面臨的核心問題，仍然是來源鑒別準(zhǔn)確率的問題，尤其是在真實(shí)場(chǎng)景和條件下的來源鑒別準(zhǔn)確率問題.更為具體地，可以將目前數(shù)字圖像來源取證所面臨的主要問題和發(fā)展趨勢(shì)總結(jié)為如下3點(diǎn).

3.1 開放環(huán)境下的數(shù)字圖像來源取證

如前文所述，現(xiàn)有的數(shù)字圖像來源鑒別算法，尤其是基于設(shè)備類型和設(shè)備型號(hào)的來源鑒別算法，一般都被建模為機(jī)器學(xué)習(xí)中的多類分類問題，也就是有監(jiān)督學(xué)習(xí)分類問題.因此，其技術(shù)方案大多是通過大量已知標(biāo)簽的數(shù)字圖像樣本，提取有效的特征向量并進(jìn)行有監(jiān)督的學(xué)習(xí)，得到用于分類的模型和參數(shù)，進(jìn)而實(shí)現(xiàn)來源鑒別和分類的目標(biāo).在這種技術(shù)方案中，隱含了一個(gè)前提假設(shè)條件：訓(xùn)練模型中已知的類別數(shù)量代表了該分類任務(wù)中未來所有可能面對(duì)的類別.簡(jiǎn)言之，在這樣的模型中，取證分析人員必須假定待取證分析的數(shù)字圖像，其來源必然為已知訓(xùn)練樣本類別中的其中之一.

顯然，這個(gè)假設(shè)在許多情況下并不合乎常理.雖然理論上如果建立足夠大的樣本庫(kù)(大到包含所有可能的成像設(shè)備)，這個(gè)假設(shè)是成立的，但顯然這是一個(gè)現(xiàn)實(shí)中不可能完成的任務(wù).

從有監(jiān)督機(jī)器學(xué)習(xí)的本質(zhì)上來說，這是一個(gè)封閉環(huán)境(已知有限類別)下的分類問題.而現(xiàn)實(shí)中的數(shù)字圖像來源取證往往是開放環(huán)境(無法確認(rèn)取證檢材的類別所屬)下的分類問題.用封閉環(huán)境下的分類模型解決開放環(huán)境下的分類問題，其結(jié)果必然是一旦數(shù)字圖像檢材來源于新的未知型號(hào)的圖像獲取設(shè)備，即在分類器的訓(xùn)練過程中未能獲得已知類別標(biāo)簽的訓(xùn)練樣本，那么該檢材將無法避免地被錯(cuò)誤鑒別和分類.

針對(duì)這個(gè)問題，Wang等人[70]從分類器角度出發(fā)，使用一類和多類分類器組合的策略，將設(shè)備來源鑒別中的“數(shù)字圖像是由訓(xùn)練模型中的哪一種相機(jī)手機(jī)拍攝”問題，轉(zhuǎn)換為“數(shù)字圖像是否是被訓(xùn)練模型中的這種相機(jī)手機(jī)拍攝”問題.通過一類分類器引入“其他類”，在一定程度上解決開放環(huán)境下的數(shù)字圖像來源鑒別問題.Costa等人[71]則從設(shè)備連接的角度，使用決策邊界切割的方法對(duì)數(shù)字圖像開放集來源鑒別進(jìn)行了研究.Huang等人[72]則利用聚類、自訓(xùn)練策略以及k+1類分類方法，提出了一種名為SCIU的來源鑒別方法，也可以對(duì)未知模型的數(shù)字圖像進(jìn)行來源取證.不過可以看出，由于未知模型的數(shù)字圖像缺乏足夠的用于訓(xùn)練的先驗(yàn)信息，上述方法對(duì)于未知模型的數(shù)字圖像來源取證準(zhǔn)確率仍然有待進(jìn)一步提高.

3.2 網(wǎng)絡(luò)環(huán)境下的數(shù)字圖像來源取證

現(xiàn)有的數(shù)字圖像來源取證，大多都是直接對(duì)成像設(shè)備獲取的圖像進(jìn)行數(shù)據(jù)分析，進(jìn)而達(dá)到來源取證的目的.但是實(shí)際情況中，待取證的數(shù)字圖像檢材可能來源于社交媒體等網(wǎng)絡(luò)平臺(tái).網(wǎng)絡(luò)環(huán)境下數(shù)字圖像可能會(huì)經(jīng)歷尺寸變換、重壓縮、潤(rùn)飾等圖像處理和增強(qiáng)操作，甚至可能經(jīng)過DA和AD變換(即打印掃描).在這種情況下，網(wǎng)絡(luò)環(huán)境中的數(shù)字圖像，其數(shù)據(jù)特性和統(tǒng)計(jì)分布與成像設(shè)備直接獲取的圖像存在一定差異.因此，在實(shí)際的取證場(chǎng)景中，對(duì)經(jīng)過圖像處理和增強(qiáng)操作的網(wǎng)絡(luò)環(huán)境下的數(shù)字圖像進(jìn)行可靠的來源取證是更有實(shí)用價(jià)值，同時(shí)也更具挑戰(zhàn)性的.

在設(shè)備型號(hào)的來源取證研究中，現(xiàn)有的大部分研究工作都將注意力集中在分析成像系統(tǒng)中單一關(guān)鍵部件(如鏡頭、CFA插值等)或者整體系統(tǒng)(如質(zhì)量特征、統(tǒng)計(jì)模型)的特性，很少關(guān)注圖像處理和操作對(duì)這些特性的影響，因此這些方法大多對(duì)圖像處理和增強(qiáng)操作都不具備魯棒性.王波等人在文獻(xiàn)[73]中簡(jiǎn)單分析了JPEG壓縮對(duì)數(shù)碼相機(jī)型號(hào)來源取證的影響.

而在使用模式噪聲進(jìn)行設(shè)備個(gè)體的來源取證研究中，Miroslav等人[74]指出模式噪聲對(duì)JPEG壓縮具有一定的魯棒性，但由于其噪聲特性，對(duì)于一些加噪和去噪的圖像處理操作則相對(duì)較為敏感.同時(shí)，由于在模式噪聲相關(guān)性檢測(cè)中需要參考模式噪聲和圖像檢材模式噪聲進(jìn)行同步，因此在尺寸變換、圖像剪切等操作處理情況下，模式噪聲技術(shù)也存在一定的局限性.Fridrich等人針對(duì)此問題開展了一些研究工作，他們?cè)谀Ｊ皆肼曆芯抗ぷ鞯幕A(chǔ)上，分別針對(duì)縮放和裁剪圖像[75]、幾何失真圖像[76]以及打印圖像[77]進(jìn)行了來源鑒別，并在大規(guī)模圖像庫(kù)上進(jìn)行了測(cè)試和驗(yàn)證.

可以預(yù)見，未來數(shù)字圖像來源取證技術(shù)走向?qū)嵱没倪^程中，對(duì)數(shù)字圖像處理和增強(qiáng)操作具有較強(qiáng)的魯棒性，即對(duì)網(wǎng)絡(luò)環(huán)境下的數(shù)字圖像能夠保持較高的來源取證鑒別準(zhǔn)確率，是必須要跨越的一個(gè)技術(shù)難關(guān).

3.3 有限樣本環(huán)境下的數(shù)字圖像來源取證

在數(shù)字圖像的設(shè)備類型和設(shè)備型號(hào)來源取證研究中，由于大多數(shù)算法均采用了有監(jiān)督學(xué)習(xí)的分類技術(shù)作為基本的模型和框架，因此不可避免地需要有標(biāo)簽的訓(xùn)練樣本進(jìn)行監(jiān)督學(xué)習(xí)，以獲得性能優(yōu)良的分類器實(shí)現(xiàn)來源鑒別取證的目的.而屬于統(tǒng)計(jì)學(xué)習(xí)的有監(jiān)督學(xué)習(xí)方法，其分類模型的有效性往往依賴于訓(xùn)練樣本的代表性、多樣性和其統(tǒng)計(jì)意義.也正因?yàn)榇?，現(xiàn)有的數(shù)字圖像來源算法大多都需要為數(shù)不少的有標(biāo)簽樣本進(jìn)行統(tǒng)計(jì)學(xué)習(xí).即使不采用有監(jiān)督學(xué)習(xí)方法的基于模式噪聲匹配的設(shè)備個(gè)體來源取證算法，也由于提取模式噪聲需要盡可能去除數(shù)字圖像內(nèi)容對(duì)參考模式噪聲的影響，使用了多個(gè)樣本平均的方法來獲得參考模式噪聲.在實(shí)驗(yàn)室環(huán)境下，獲取充足的訓(xùn)練樣本并非難事.但是如果是在實(shí)際的取證場(chǎng)景中，有標(biāo)簽訓(xùn)練樣本的獲取則可能是苛刻的假設(shè)條件.

因此，研究少量或者有限的有標(biāo)簽訓(xùn)練樣本情況下數(shù)字圖像的來源鑒別取證技術(shù)，對(duì)解決實(shí)際取證場(chǎng)景中的來源分析問題有著重要的現(xiàn)實(shí)意義.

目前針對(duì)有限訓(xùn)練樣本情況下數(shù)字圖像來源取證技術(shù)的研究并不多.譚躍等人[79]針對(duì)數(shù)字圖像的設(shè)備型號(hào)來源取證問題，借鑒傳統(tǒng)半監(jiān)督學(xué)習(xí)中的自學(xué)習(xí)和協(xié)同訓(xùn)練方法，分別使用LBP,IQM和CFA插值系數(shù)特征，測(cè)試和評(píng)估了訓(xùn)練樣本數(shù)量低至10情況下的來源鑒別準(zhǔn)確率.其結(jié)論表明，對(duì)于已有的來源鑒別特征集合，半監(jiān)督學(xué)習(xí)能夠有效提高在有限訓(xùn)練樣本情況下的取證準(zhǔn)確率.進(jìn)一步地，他們通過構(gòu)建原型集進(jìn)行集成映射的半監(jiān)督學(xué)習(xí)方法，提出了一種新的有限標(biāo)簽樣本情況下的數(shù)字圖像來源取證方法[80].該方法在有標(biāo)簽訓(xùn)練樣本數(shù)量為50時(shí)，能夠?qū)BP作為特征集合的圖像設(shè)備型號(hào)來源鑒別準(zhǔn)確率從36%提高到90.2%；甚至在訓(xùn)練樣本數(shù)量低至10、LBP算法鑒別準(zhǔn)確率僅有8.4%時(shí)，也能達(dá)到74.5%的來源取證準(zhǔn)確率.這為后續(xù)的相關(guān)研究提供了一個(gè)可借鑒的思路.

4 結(jié)論與展望

本文對(duì)當(dāng)前數(shù)字圖像的來源取證技術(shù)進(jìn)行了分析，從設(shè)備類型、設(shè)備型號(hào)和設(shè)備個(gè)體3個(gè)方面總結(jié)了已有的典型方法，并討論了數(shù)字圖像來源取證的對(duì)抗式學(xué)科：數(shù)字圖像來源反取證技術(shù).在此基礎(chǔ)上，本文認(rèn)為數(shù)字圖像來源取證的核心問題仍然集中在鑒別準(zhǔn)確率的提升，尤其是真實(shí)取證場(chǎng)景下的鑒別準(zhǔn)確率提高上.因此，本文總結(jié)了目前數(shù)字圖像來源取證的3個(gè)主要發(fā)展趨勢(shì)，即開放環(huán)境下、網(wǎng)絡(luò)環(huán)境下和有限樣本環(huán)境下的數(shù)字圖像來源取證技術(shù)研究，指出這3個(gè)方面來源鑒別技術(shù)的深入研究和發(fā)展，對(duì)于數(shù)字圖像來源取證從實(shí)驗(yàn)室研究走向?qū)嶋H應(yīng)用，具有重要的現(xiàn)實(shí)意義.

[1]Piva A. An overview on image forensics[J]. ISRN Signal Processing, 2013, 2013: 1-22

[2]Stamm M C, Wu M, Liu K J R. Information forensics: An overview of the first decade[J]. IEEE Access, 2013, 1: 167-200

[3]Bestagini P, Fontani M, Milani S, et al. An overview of video forensics[J]. APSIPA Trans on Signal and Information Processing, 2012, 1(2): 1229-1233

[4]Media Forensics(MediFor)[EBOL]. 2015[2016-04-11]. https:www.fbo.govindex?s=opportunity&mode=form &id=bfa29e5f04566fbb961cd773a8a8649f&tab=core&_cview=1

[5]Chang S F, Hsu J, Ng T T, et al. TrustFoto[EBOL]. University of Columbia, 2006[2016-04-11]. http:www.ee.columbia.edulndvmmtrustfoto

[6]Kot A C, Cao Hong. Image and video source class identification[M].Digital Image Forensics. Berlin: Springer, 2013: 157-178

[7]孫曉婷, 李葉舟, 牛少彰, 等. 數(shù)字照片相機(jī)來源認(rèn)證方法研究[J]. 中國(guó)電子商情通信市場(chǎng), 2013 (6): 100-104

[8]王波. 利用成像引入特征的數(shù)字圖像被動(dòng)盲取證研究[D]. 大連: 大連理工大學(xué), 2010

[9]Lyu S, Farid H. How realistic is photorealistic?[J]. IEEE Trans on Signal Processing, 2005, 53(2): 845-850

[10]Ozparlak L, Avcibas I. Differentiating between images using wavelet-based transforms: A comparative study[J]. IEEE Trans on Information Forensics and Security, 2011, 6(4): 1418-1431

[11]Farid H, Bravo M J. Perceptual discrimination of computer generated and photographic faces[J]. Digital Investigation, 2012, 8(3/4): 226-235

[12]Ng T T, Chang S F, Hsu J, et al. Physics-motivated features for distinguishing photographic images and computer graphics[C]Proc of the 13th Annual ACM Int Conf on Multimedia. New York: ACM, 2005: 239-248

[13]Ng T T, Chang S F. An online system for classifying computer graphics images from natural photographs[C]Proc of the Security, Steganography, and Watermarking of Multimedia Contents VIII. San Francisco, CA: SPIE, 2006: 607211-607211-9

[14]Chen Wen, Shi Y Q, Xuan Guorong. Identifying computer graphics using HSV color model and statistical moments of characteristic functions[C]Proc of the IEEE Int Conf on Multimedia and Expo. Piscataway, NJ: IEEE, 2007: 1123-1126

[15]Chang T Y, Tai S C, Lin G S. A passive multi-purpose scheme based on periodicity analysis of CFA artifacts for image forensics[J]. Journal of Visual Communication and Image Representation, 2014, 25(6): 1289-1298

[16]Peng Fei, Liu Juan, Long Min. Identification of natural images and computer generated graphics based on hybrid features[J]. International Journal of Digital Crime and Forensics, 2012, 4(1): 1-16

[17]Wang Xiaofeng, Liu Yong, Xu Bingchao, et al. A statistical feature based approach to distinguish PRCG from photographs[J]. Computer Vision and Image Understanding, 2014, 128(11): 84-93

[18]Peng Fei, Li Jiaoting, Long Min. Identification of natural images and computer-generated graphics based on statistical and textural features[J]. Journal of Forensic Sciences, 2015, 60(2): 435-443

[19]王學(xué)良, 李生紅, 金波, 等. 一種用于計(jì)算機(jī)生成圖像與自然圖像鑒別的改進(jìn)方法[J]. 光電子·激光, 2010, 21(5): 783-785

[20]劉娟. 基于PRNU的自然圖像和計(jì)算機(jī)生成圖像來源取證[D]. 長(zhǎng)沙: 湖南大學(xué), 2012

[21]Gao Shang, Zhang Cong, Wu Chanle, et al. A hybrid feature based method for distinguishing computer graphics and photo-graphic image[G]LNCS 8389: Proc of the Int Workshop on Digital-Forensics and Watermarking 2013. Berlin: Springer, 2013: 303-313

[22]Li Zhaohong, Zhang Zhenzhen, Shi Y Q. Distinguishing computer graphics from photographic images using a multiresolution approach based on local binary patterns[J]. Security and Communication Networks, 2014, 7(11): 2153-2159

[23]Orozco A L S, Corripio J R, Villalba L J G, et al. Image source acquisition identification of mobile devices based on the use of features[J]. Multimedia Tools and Application, 2015: 1-25

[24]Khanna N, Chiu G T C, Allebach J P, et al. Forensic Techniques for classifying scanner, computer generated and digital camera images[C]Proc of the IEEE Int Conf on Acoustics, Speech and Processing. Piscataway, NJ: IEEE, 2008: 1653-1656

[25]San Choi K, Lam E Y, Wong K K Y. Automatic source camera identification using the intrinsic lens radial distortion[J]. Optics Express, 2006, 14(24): 11551-11565

[26]Popescu A C, Farid H. Exposing digital forgeries in color filter array interpolated images[J]. IEEE Trans on Signal Processing, 2005, 53(10): 3948-3959

[27]Bayram S, Sencarb H T, Memonb N. Classification of digital camera-models based on demosaicing artifacts[J]. Digital Investigation, 2008, 5(12): 49-59

[28]Long Yangjing, Huang Yizhen. Image based source camera identification using demosaicking[C]Proc of the IEEE Workshop on Multimedia Signal Processing. Piscataway, NJ: IEEE, 2006: 419-424

[29]Swaminathan A, Wu Min, Liu K J R. Nonintrusive component forensics of visual sensors using output images[J]. IEEE Trans on Information Forensics and security, 2007, 2(1): 91-106

[30]王波, 孔祥維, 尤新剛, 等. 利用協(xié)方差矩陣檢測(cè)CFA插值的相機(jī)來源鑒別方法[J]. 光電子·激光, 2009, 20(4): 517-520

[31]Chen Chen, Stamm M C. Camera model identification framework using an ensemble of demosaicing features[C]Proc of the Int Workshop on Information Forensics and Security. Piscataway, NJ: IEEE, 2015: 1-6

[32]Deng Zhonghai, Gijsenij A, Zhang Jingyuan. Source camera identification using auto-white balance approximation[C]Proc of the Int Conf on Computer Vision. Piscataway, NJ: IEEE, 2011: 57-64

[33]Kharrazi M, Sencar H T, Memon N. Blind source camera identification[C]Proc of the Int Conf on Image Processing. Piscataway, NJ: IEEE, 2004: 709-712

[34]Goyal K, Panwar R, Khanna N. Evaluation of IQM’s effectiveness for cell phone identification using captured videos and images[C]Proc of the Int Conf on Power, Control and Embedded Systems. Piscataway, NJ: IEEE, 2014: 1-6

[35]Meng Fanjie, Kong Xiangwei, You Xingang. A new feature-based method for source camera identification[C]Advances in Digital Forensics IV: Proc of IFIP Int Federation for Information Processing. Berlin: Springer, 2008: 207-218

[36]Xu Guanshuo, Shi Yunqing, Su Wei. Camera brand and model identification using moments of 1-D and 2-D characteristic functions[C]Proc of the 16th IEEE Int Conf on Image Processing. Piscataway, NJ: IEEE, 2009: 2917-2920

[37]Razzazi F, Seyedadabi. A robust feature for single image camera identification using local binary patterns[C]Proc of the IEEE Int Symp on Signal Processing and Information Technology. Piscataway, NJ: IEEE, 2014: 462-467

[38]Thai T H, Cogranne R, Retraint F. Camera model identification based on the heteroscedastic noise model[J]. IEEE Trans on Image Processing, 2014, 23(1): 250-263

[39]Amerini I, Caldelli R, Crescenzi P, et al. Blind image clustering based on the normalized cuts critertion for camera identification[J]. Signal Processing: Image Communication, 2014, 29(8): 831-843

[40]Luan Shuhan, Kong Xiangwei, Wang Bo, et al. Silhouette coefficient based approach on cell-phone classification for unknown source images[C]Proc of the 2012 IEEE Int Conf on Communications. Piscataway, NJ: IEEE, 2012: 6744-6747

[41]Geradts Z J, Bijhold J, Kief M, et al. Methods for identification of images acquired with digital cameras[C]Proc of the SPIE Conf on Enabling Technologies for Law Enforcement and Security. Boston, MA, USA: SPIE, 2001: 505-512

[42]Dirik A E, Sencar H T, Memon N. Source camera identification based on sensor dust characteristics[C]Proc of the IEEE Workshop on Signal Processing Applications for Public Security and Forensics. Piscataway, NJ: IEEE, 2007: 1-6

[43]Fridrich J. Sensor Defects in Digital Image Forensic[M]. Berlin: Springer, 2013: 179-218

[44]Fridrich J. Digital image forensics using sensor noise[J]. IEEE Signal Processing Magazine, 2009, 26(2): 26-37

[45]Lawgaly A, Khelifi F, Bouridane. A Weighted averaging-based sensor pattern noise estimation for source camera identification[C]Proc of the IEEE Int Conf on Image Processing. Piscataway, NJ: IEEE, 2014: 5357-5361

[46]Tan Yue, Wang Bo, Zhao Meijuan, et al. Patch-based sensor pattern noise for camera source identification[C]Proc of the IEEE China Summit and Int Signal and Information Processing. Piscataway, NJ: IEEE, 2015: 866-870

[47]Kang Xiangui, Chen Jiansheng, Lin Kerui, et al. A context-adaptive SPN predictor for trustworthy source camera identification[J]. EURASIP Journal on Image and Video Processing, 2014, 2014(1): 1-11

[48]Hu Yongjian, Yu Binghua, Jian Chao. Source camera identification using large components of sensor pattern noise[C]Proc of the 2nd Int Conf on Computer Science and its Applications. Piscataway, NJ: IEEE, 2009: 1-5

[49]Li C T, Li Yue. Digital camera identification using colour-decoupled photo response non-uniformity noise pattern[C]Proc of IEEE Int Symp on Circuits and Systems. Piscataway, NJ: IEEE, 2010: 3052-3055

[50]Goljan M, Fridrich J, Chen Mo. Defending against fingerprint-copy attack in sensor-based camera identification[J]. IEEE Trans on Information Forensics and Security, 2011, 6(1): 227-236

[52]Lin Xufeng, Li C T. Enhancing sensor pattern noise via filtering distortion removal[J]. IEEE Signal Processing Letters, 2016, 23(3): 381-385

[53]Chan L H, Law N F, Siu W C. A confidence map and pixel-based weighted correlation for PRNU-based camera identification[J]. Digital Investigation, 2013, 10(3): 215-225

[54]Li Ruizhe, Yu Guan, Li C T. PCA-based denoising of sensor pattern noise for source camera identification[C]Proc of the IEEE China Summit and Int Signal and Information Processing. Piscataway, NJ: IEEE, 2014: 436-440

[55]Kang Xiangui, Li Yinxiang, Qu Zhenhua, et al. Enhancing source camera identification performance with a camera reference phase sensor pattern noise[J]. IEEE Trans on Information Forensics and Security, 2012, 7(2): 393-402

[56]Soobhany, Lam K P, Fletcher P, et al. Mobile camera source identification with SVD[G]LNEE 313: Proc of the Int Joint Conf on Computer Information and Systems Sciences and Engineering. Berlin: Springer, 2015: 123-131

[57]Chen Mo, Fridrich J, Goljan M, et al. Source digital camcorder identification using sensor photo response non-uniformity[C]Proc of the 9th Conf on Security, Steganography, and Watermarking of Multimedia Contents IX. San Francisco, CA: SPIE, 2007: 65051G-65051G-12

[58]Gou Hongmei, Swaminathan A, Wu Min. Intrinsic sensor noise features for forensic analysis on scanners and scanned images[J]. IEEE Trans on Information Forensics and Security, 2009, 4(3): 476-491

[59]Huang Yizhen. Can digital image forgery detection be unevadable? A case study: Color filter array interpolation statistical feature recovery[C]Proc of the Visual Communications and Image Processing. San Francisco, CA: SPIE, 2005: 59602W-59602W-12

[60]Kirchner M, Bohme R. Synthesis of color filter array pattern in digital images[C]Proc of the Media Forensics and Security. San Francisco, CA: SPIE, 2009: 72540K-72540K-14

[61]Li C T, Chang C Y, Li Yue. On the Repudiability of Device Identification and Image Integrity Verification Using Sensor Pattern Noise[G]LNCS 45: Proc of the Int Conf on Information Security and Digital Forensics. Berlin: Springer, 2010: 15-29

[62]楊弘，周治平. 數(shù)字圖像模式噪聲篡改反取證[J]. 計(jì)算機(jī)工程與應(yīng)用, 2014, 50(18): 156-161

[63]Zeng Hui, Jiang Yunwen, Kang Xiangui, et al. Game theoretic analysis of camera source identification[C]Proc of the Asia-Pacific Signal and Information Processing Association Annual Summit and Conf. Piscataway, NJ: IEEE, 2013: 1-9

[64]Zeng Hui, Chen Jiansheng, Kang Xiangui, et al. Removing camera fingerprint to disguise photograph source[C]Proc of the IEEE Int Conf on Image Processing. Piscataway, NJ: IEEE, 2015: 1687-1691

[65]Caldelli R, Amerini I, Novi A. An analysis on attacker actions in fingerprint-copy attack in source camera identification[C]Proc of the IEEE Int Workshop on Information Forensics and Security. Piscataway, NJ: IEEE, 2011: 1-6

[66]Rao Quanquan, Luo Weiqi, Li Haodong, et al. Anti-forensics of the triangle test by random fingerprint-copy attack[C]Proc of Computational Visual Media Conf. Piscataway, NJ: IEEE, 2013: 1-6

[67]Marra F, Roli F, Cozzolino D, et al. Attacking the triangle test in sensor-based camera identification[C]Proc of the IEEE Int Conf on Image Processing. Piscataway, NJ: IEEE, 2014: 5307-5311

[68]Barni M. A game theoretic approach to source identification with known statistics[C]Proc of the IEEE Int Conf on Acoustics, Speech and Signal Processing. Piscataway, NJ: IEEE, 2012: 1745-1748

[69]Stamm M C, Lin W S, Liu K J R. Forensics vs. anti-forensics: A decision and game theoretic framework[C]Proc of the IEEE Int Conf on Acoustics, Speech and Signal Processing. Piscataway, NJ: IEEE, 2012: 1749-1752

[70]Wang Bo, Tan Yue, Zhao Meijuan, et al. Classifier combination based source identification for cell phone images[J]. KSII Trans on Internet and Information Systems, 2015, 9(12): 5087-5102

[71]Costa F d O, Silva E, Eckmann M, et al. Open set source camera attribution and device linking[J]. Pattern Recognition Letters, 2014, 39(1): 92-101

[72]Huang Yonggang, Zhang Jun, Huang Heyan. Camera model identification with unknown models[J]. IEEE Trans on Information Forensics and Security, 2015, 10(12): 2692-2704

[73]王波, 孔祥維, 尤新剛, 等. 基于協(xié)方差矩陣的CFA插值盲檢測(cè)方法[J]. 電子與信息學(xué)報(bào), 2009, 31(5): 1175-1179

[74]Miroslav Goljan, Mo Chen, Pedro Comesan?a, et al. Effect of compression on sensor-fingerprint based camera identification[C]Proc of the Media Watermarking, Security, and Forensics. San Francisco, CA: SPIE, 2016

[75]Goljan M, Fridrich J. Camera identification from cropped and scaled images[C]Proc of the Security, Forensics, Steganography, and Watermarking of Multimedia Contents X. San Francisco, CA: SPIE, 2008: 68190E

[76]Goljan M, Fridrich J. Sensor fingerprint digests for fast camera identification from geometrically distorted images[C]Proc of the Media Watermarking, Security, and Forensics 2013. San Francisco, CA: SPIE, 2013: 866508

[77]Goljan M, Fridrich J, Luká? J. Camera identification from printed images[C]Proc of the Security, Forensics, Steganography, and Watermarking of Multimedia Contents X. San Francisco, CA: SPIE, 2008: 68190I-68190I-12

[78]Goljan M, Fridrich J, Filler T. Large scale test of sensor fingerprint camera identification[C]Proc of the Media Forensics and Security XI. San Francisco, CA: SPIE, 2009: 725401-725401-12

[79]譚躍, 王波, 趙美娟. 有限樣本條件下的相機(jī)來源鑒別方法[C]第十二屆全國(guó)信息隱藏暨多媒體信息安全學(xué)術(shù)大會(huì)論文集, 2015: 448-454

[80]Tan Yue, Wang Bo, Li Ming, et al. Camera source identification with limited labeled training set[G]LNCS 9569: Proc of the 14th Int Workshop. Berlin: Springer, 2016: 18-27

王 波

博士，副教授，主要研究方向?yàn)閿?shù)字圖像取證、信息隱藏與信息隱藏分析.

bowang@dlut.edu.cn

楊福龍

碩士研究生，主要研究方向?yàn)閿?shù)字圖像來源鑒別.

153672870@qq.com

An Overview and Trends on Digital Image Source Forensics

Wang Bo and Yang Fulong

(FacultyofElectronicInformationandElectricalEngineering,DalianUniversityofTechnology,Dalian,Liaoning116024)

The characteristic of editing and forging digital media makes the authenticity of multi-media encountering great challenges in digital age. Due to that, the digital image forensics, which focuses on the source identifiability, content authenticity and information integrity of digital images, has become a hot research issue in multimedia information security field. Focusing on the issue of source identification of digital images, the paper first illustrates the existing general research model and framework. Based on the overview of current typical algorithms from the perspective of device-based, model-based and camera-based source identification respectively, the problems and trends of source identification of digital images are introduced and analyzed. Finally, this paper draws the conclusion and shows the prospect of digital image source identification.

digital image forensics; source identification; device-based; model-based; camera-based

eng, Li C T. Preprocessing

ensor pattern noise via spectrum equalization[J]. IEEE Trans on Information Forensics and Security, 2016, 11(1): 126-140

2016-04-18

國(guó)家自然科學(xué)基金創(chuàng)新團(tuán)隊(duì)基金項(xiàng)目(71421001)；國(guó)家自然科學(xué)基金項(xiàng)目(61502076)；遼寧省教育廳科學(xué)研究項(xiàng)目(L2015114)

TP391