10.11772/j.issn.1001-9081.2019081515
基于改进的三向流Faster R-CNN的篡改图像识别
为了进一步提高对拼接、缩放旋转、复制粘贴三种主要篡改手段的识别准确率,增强算法普适性,提出了一个基于三向流特征提取的卷积神经网络篡改图像识别系统.首先,分别根据图像局部彩色不变量特性比较特征子块相似度,根据噪声相关性比较篡改区域边缘的噪声相关系数,以及根据图像重采样痕迹计算子块标准偏差对比度,完成了对图像RGB流、噪声流和信号流的特征提取;然后,通过多线性池化,结合改进的分段AdaGrad梯度算法,实现了特征降维和参数自适应更新;最后,通过网络训练和分类,完成了对拼接、缩放旋转、复制粘贴这三种主要的图像篡改手段的识别与相应的篡改区域的定位.为衡量所提模型的效果,在VOC2007和CIFAR-10两个数据集上进行了实验.在约9000张图像上的实验结果表明,该模型对拼接、缩放旋转、复制粘贴这三种篡改手段均能进行较准确的识别与定位,识别率分别为0.962、0.956和0.935.与对照文献的双向流特征提取方法相比,该模型的识别率分别提高了1.050%、2.137%、2.860%.三向流特征提取模型丰富了卷积神经网络对图像的特征信息采集,提高了网络的学习性能与识别精度,同时改进的梯度算法通过分段控制参数学习率的下降速度,降低了过拟合,减少了收敛震荡,提高了收降速度,实现了算法的优化设计.
深度学习、篡改图像识别、FasterR-CNN、三向流特征提取、梯度算法
40
TP391.411(计算技术、计算机技术)
国家级大学生创新创业训练计划项目20191049714009
2020-06-02(万方平台首次上网日期,不代表论文的发表时间)
共7页
1315-1321