(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210876056.8 (22)申请日 2022.07.25 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市钱塘新区白杨 街道2号大街1 158号 (72)发明人 乔通　陈彧星　谢世闯　邵杭　 (51)Int.Cl. G06V 10/54(2022.01) G06V 10/56(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种融合色彩空间鲁棒特征的GAN图像取证 方法 (57)摘要 本发明提供一种融合色彩空间鲁棒特征的 GAN图像取证方法,通过将手工特征的优势与 DNN 相结合， 设计了一个可靠且高效的检测器， 在选 择色彩通道经验的指导下， 将特征输入到DNN中 进行训练， 能够实现很好的检测性能包括以下步 骤： 步骤一， 将RGB图像转化为HSV色彩空间和 YCbCr色彩 空间； 步骤 二， 对步骤一中每个色彩通 道的像素计算均值、 计算其相关系数以及对每个 色彩通道的相关系数计算卡方距离； 步骤三， 卡 方距离最大的四个色彩通道； 步骤四， 用步骤三 中选择的色彩通道进行跨色彩空间共生矩 阵提 取； 步骤五， 将步骤四中的特征输入浅层神经网 络中训练得到模型并用于最终分类 。 权利要求书2页 说明书6页 附图2页 CN 115222963 A 2022.10.21 CN 115222963 A 1.融合色彩空间鲁棒特 征的GAN图像取证方法， 其特 征在于， 包括： 步骤一， 取 得RGB图像， 并将RGB图像转 化为HSV色彩空间和Y CbCr色彩空间； 步骤二， 对步骤一中每个色彩通道的像素计算均值、 计算其相关系数和对每个色彩通 道的相关系数计算 卡方距离； 步骤三， 卡方距离最大的四个色彩通道； 步骤四， 用步骤三中选择的色彩通道进行跨色彩空间共生矩阵提取； 步骤五， 将步骤四中的特征输入浅层神经网络中训练得到模型并用于最终分类， 将步 骤四中的特 征输入到基准DN N模型进行检测。 2.根据权利要求1所述的融合色彩空间鲁棒特征的GAN图像取证方法， 其特征在于， 所 述的步骤二中， 计算相关系数通过式(1)和式(2)计算； 其中色彩空间RGB、 HSV、 YCbCr选择了9个候选色彩通道， 表示为β∈{R,G,B,H,S,V,Y, Cb,Cr}， Cor{β }表示多个色彩 空间上相邻像素之间的相关性； Pi,j表示像素值， M ×N表示图像 的大小， Cor{β }的值越大， 表示图像相邻像素的相关性 就越大； 对于每个色彩通道， 计算两类图像的相邻像素直方图的卡方距离： 其中 和 分别表示直方图中两类图像的频率值， 卡方距离的值越大， 这两种图像 在该色彩通道上的差异就越大。 3.根据权利要求1所述的融合色彩空间鲁棒特征的GAN图像取证方法， 其特征在于， 所 述的步骤四中， 跨色彩空间共生矩阵提取包括： 将灰度共生矩阵扩展到跨色彩空间共生矩 阵来提取多个色彩通道之间的共生矩阵； 对于单色彩通道的共生矩阵， 可以表示 为： 对于跨色彩通道的共生矩阵， 可以表示 为： 其中i,j∈[0,255],(Cx,Cx)表示相同的色彩通道； 共有四个单色彩通道的共生矩阵， 分 别是T(CR,CR),T(CB,CB),T(CCb,CCb),T(CCr,CCr)； 共有六个跨 色彩空间通道的共 生矩阵， 分别 是T(CR,CB),T(CR,CCb),T(CR,CCr),T(CB,CCb),T(CB,CCr),T(CCb,CCr)； Δm， Δn表示偏移量， 在 单通道， 偏移量仅考虑空间位置的影响， 在跨色彩空间通道， 偏移 量考虑了不同的色彩通道权　利　要　求　书 1/2 页 2 CN 115222963 A 2和空间位置的共同影响； 因此， 融合所有的共生矩阵得到维度为25 6×256×10的特征矩阵。 4.根据权利要求1所述的融合色彩空间鲁棒特征的GAN图像取证方法， 其特征在于， 所 述的步骤五中， 浅层神经网络的训练包括： 第一个卷积层使用32个大小为3 ×3的内核过滤输入跨色彩空间共生矩阵特征， 通过应 用修正线性单元ReLU将负值截断为0来避免CNN的运算结果接近0或无限大， 输出的特征维 度是254×254×32； 第二个卷积层使用32个大小为5 ×5的内核进行卷积， 通过使用内核大小为3 ×3的最大 池化层， 得到的126 ×126×32维度的特 征； 第三个卷积层使用64个大小为3 ×3的内核进行卷积， 其中激活函数也是ReLU， 输出大 小为126×126×64的特征； 第四个卷积层使用64个大小为5 ×5的内核进行卷积， 通过使用内核大小为3 ×3的最大 池化层， 输出 大小为62 ×62×64维度的特 征； 第五个卷积层使用128个大小为3 ×3的内核进行卷积和一个ReLU激活函数； 第六个卷积层使用128个大小为5 ×5的内核进行卷积， 通过使用内核大小为3 ×3的最 大池化层， 输出大小为30 ×30×128的特征， 并通过展平层输出至全连接层之间， 将特征转 化为一维； 全连接层的输出上叠加两个256节点的感知层和一个随机失活层， 并输出至双节点感 知层判断结果。权　利　要　求　书 2/2 页 3 CN 115222963 A 3