數字可視媒體取證

馮春暉，徐正全，鄭興輝，蔣力

（1. 武漢大學 測繪遙感信息工程國家重點實驗室，湖北 武漢 430079；2. 鄭州大學 信息工程學院，河南 鄭州 450001）

1 引言

可視媒體（visual media）又稱視覺媒體，是多媒體信息中的主要類型。視覺是人類認知世界最重要的手段之一，人類接受信息的80%以上來自視覺。視覺對象包括文字、圖像、視頻和數字幾何等，本文的研究對象就是其中的圖像和視頻，并稱之為可視媒體[1]。

現今世界上到處充斥著數字化的可視媒體，而諸如Photoshop和Premiere等圖像和視頻編輯軟件也日益成熟并具有簡易的操作性，使得對數字可視媒體的篡改變得簡單和普遍。而篡改后的圖像或視頻可能對大眾產生誤導，甚至帶來嚴重的后果。例如，在法庭上，經過偽裝的照片或監控錄像可能偽造出犯罪嫌疑人不在現場的假象或者其他虛假場景，影響案件的判斷；新聞機構如果發布虛假的照片或視頻，則會造成錯誤的或煽動性的輿論導向；在保險機構，投保人可能會偽造出物品損壞的照片以騙取保險賠償。諸如此類的可能性使得人們迫切需要一種能夠對可視媒體的可信性進行有效鑒別的技術。

早期，科學家們運用數字水印技術鑒別可視媒體的真偽。數字水印技術需要在可視媒體產生時嵌入附加信息，作為后期檢測的依據。但由于大多數可視媒體獲取設備不具有嵌入附加信息的功能，使得數字水印的應用受到了很大的限制。這種情況下，數字可視媒體取證（digital visual media forensics）技術應運而生。其于2002年左右發端[2]，并在過去10年間迅速發展，成為一個理論基礎和實現手段較為多樣、實現思想較為發散的交叉型研究領域。取證技術不需要在可視媒體中嵌入附加信息，也不依賴于特殊的設備或參考文件，任何人拍攝的任一圖像或視頻，均可利用取證技術分析和鑒定。

“取證”一詞在牛津詞典中有2個含義。一是與警察破案時所作的科學測試相關，二是與法庭上法官和律師等對案件的分析相關。在取證過程中，執法人員需利用所有可能的物證，如DNA、指紋等，還原案件發生的原貌；而數字可視媒體取證的概念與之相似，其通過對可視媒體中固有特征（intrinsic features）的分析，還原可視媒體的獲取及后期處理的歷史[2]，以確定可視媒體的可信度[3]。

取證算法需要分析的固有特征，即取證所需的物證，包括像素相關性、壓縮效應、抽象統計特征等。與數字水印不同的是，這些特征是在可視媒體拍攝和后期處理過程中自然產生的，并非人為嵌入的附加信息。文獻[4,5]認為取證技術包括主動取證和被動取證，主動取證包括數字水印及數字簽名技術，被動取證為僅分析可視媒體固有特征以鑒定其可信度的技術。但根據牛津詞典中對取證一詞的定義，物證并非取證者事先加入，而是在案件發生時自然產生，所以取證不應包含主動之義，因為它本身就是被動地利用既有信息進行分析的[2,6,7]。

一般來說，一個完整的取證算法包括兩部分，首先是提取有效特征，其次是利用有效特征生成檢測算法，完成可信度的判別。其中提取出具有良好區分能力的特征是取證算法的核心。因此以下介紹取證算法時，重點在于對有效特征的討論。

所謂對可視媒體歷史的還原可分為3個部分。首先是還原可視媒體的來源，如獲取設備的制造商及型號，判斷可視媒體是否為某一特定設備所產生[7]，或檢測視頻和圖像為直接拍攝自然景物還是由二次投影所得；其次是還原壓縮歷史，檢測可視媒體是否經歷了二次或多次的壓縮編碼；最后是還原后期處理及各種篡改操作。經由這三類取證手段，就能對可視媒體的真實性有一個整體和準確的判斷。

如前所述，現今社會對可視媒體可信度鑒別的需求較大且較為迫切，可視媒體取證技術作為可能的解決方案之一具有特殊的優勢。然而到現在為止其發展尚未完全成熟，仍有較大的探索和完善的空間。

篡改取證是取證算法中最為重要和應用最廣泛的部分，因此本文試圖在概括地介紹可視媒體取證技術的基礎上，詳細討論其中的篡改取證算法。

2 可視媒體二次壓縮檢測

一般地，壓縮格式的圖像或視頻的篡改都需要在解碼后的空間域進行，然后再存儲為壓縮格式。也就是說，篡改會導致二次（或以上）的壓縮。因此可以將二次壓縮檢測視為篡改取證的預取證，將二次壓縮過程視為可視媒體可能經過篡改的依據。

JPEG格式是一種應用最為廣泛的靜止圖像壓縮格式，其編碼過程會影響圖像的某些固有特征，如像素相關性等；但它同時又在圖像中引入了一些新的特征，如DCT系數的變化、塊效應等。取證算法正是利用這些新引入的特征來進行壓縮檢測。

相比于圖像，視頻文件因其數據量巨大，絕大多數都需要存儲為壓縮格式。而無論是早期的MPEG-2還是較新且已普及的H.264，這些復雜的壓縮編碼也在視頻數據中留下了各種可被取證算法利用的特征。

圖像或視頻二次壓縮編碼歷史取證的研究成果較多，按其所利用的固有特征可分為以下幾類。

2.1 利用DCT系數變化特征檢測對準的二次壓縮

所謂對準的（aligned）二次壓縮，指的是前后兩次壓縮編碼的宏塊劃分完全重合。二次壓縮是否對準會使可視媒體壓縮系數和壓縮效應等產生不同的變化。本節討論的均為對準的二次壓縮檢測。

2.1.1 利用DCT直方圖模式變化檢測不同量化矩陣二次壓縮

當一幅JPEG圖像經不同量化矩陣二次壓縮后，重新解碼得到的量化后DCT系數直方圖就會出現周期性的空值和峰值，如圖1和圖2所示。這種周期模式被定義為雙壓縮效應(double quantization effect)[8]。Popescu和Farid[9]對雙壓縮效應的產生原因做了詳細分析；Luká?和Fridrich[10]提出了3種利用雙壓縮效應來估計首次壓縮量化矩陣的方法，并利用估計結果來區分圖像是否經過二次壓縮。

圖1 單次量化后的直方圖

圖2 二次量化后的直方圖

Wang和Farid[11]通過檢測MPEG視頻中I幀的雙壓縮效應來判斷視頻是否經過二次壓縮；Su和Xu[12]提出，恒定比特率的視頻文件中，幀內各宏塊的量化因子是變化的，從而導致雙壓縮效應的不穩定。但此時I幀DCT系數直方圖會呈現出穩定的凸起（convex）模式，根據這種模式可以判定MPEG-2視頻是否經過了恒定比特率的二次壓縮。

2.1.2 利用Benford Law檢測不同量化矩陣二次壓縮

除上述2種變化特征外，Li和Shi[13]根據二次壓縮前后DCT系數首位數字的分布是否符合對數分布的Benford's Law[14]來區分JPEG圖像是否經過二次壓縮。文章指出，單次壓縮的JPEG系數注1注1：文獻[13]將量化后DCT定義為JPEG系數。首位數字分布與廣義的Benford's Law

基本一致（其中p(d)為概率分布，N為標準化因子，s和q用來控制不同質量因子JPEG系數的分布）；而二次壓縮的JPEG系數則會明顯違背Benford's Law的分布趨勢，如圖3所示。

圖3 隨機選取單壓縮JPEG圖像（量化因子85）與二次壓縮圖像（首次量化因子75，二次量化因子85）JPEG系數的首位數字分布

Chen和Shi[15]同樣利用了JPEG系數與Benford's Law的符合度判定MPEG視頻文件是否經過了二次壓縮。

2.1.3 利用DCT系數變化檢測相同量化矩陣二次壓縮

當篡改者用相同的量化矩陣對圖像進行二次JPEG壓縮時，DCT系數直方圖的模式不會產生明顯的改變，但DCT系數本身仍然發生著不易察覺但極具規律性的變化。Huang和Huang等[16]提出，在多次同量化矩陣壓縮下，相鄰壓縮次數的圖像間不同DCT系數的個數呈遞減的趨勢，如圖4所示。利用這種特征可檢測同量化矩陣的二次JPEG壓縮。

圖4 多次同量化矩陣JPEG壓縮下DCT系數變化規律統計

2.2 利用塊效應檢測未對準的二次壓縮

以上對圖像和視頻對準的二次壓縮檢測均取得了較好的結果，但當首次編碼的分塊被打散再錯位分塊壓縮（reshuffle）后，也即二次壓縮未對準時，DCT系數的規律性變化也會被破壞。當圖像篡改者任意將原圖剪切掉若干行或若干列后再次壓縮，宏塊劃分完全對準的可能性只有3.125%[17]，因此對準的二次壓縮取證在很大可能性上會失效。針對這種情況，Luo和Qu[17]提出了一種基于塊效應（blocking effect）[18]的檢測JPEG圖像剪切后重壓縮的取證算法。其首先計算出一種可以表征塊效應的特征矩陣BACM（blocking artifact characteristics matrix），并提出，單次壓縮圖像的BACM等高線圖是規則的，而經過剪切再壓縮的圖像則會呈現不規則的扭曲，如圖5所示。利用BACM計算出多維特征向量，訓練支持向量機，以區分待檢測圖像是否為剪切后再次壓縮所得。由于文獻[17]檢測的是不同量化矩陣壓縮下的JPEG圖像，Liu[19]提出了一種基于塊效應的檢測同量化矩陣未對準二次壓縮的取證算法。

圖5 單次壓縮與剪切后再壓縮塊效應比較

可以說，基于塊效應的取證算法與基于DCT系數變化的算法在檢測可視媒體二次壓縮上是互為補充的。

3 可視媒體篡改檢測

可視媒體的篡改定義為可能會造成原始媒體信息理解錯誤或丟失的惡意編輯[20]。現實中對可視媒體的惡意篡改事件可謂層出不窮。可以說，篡改檢測是應用最為廣泛的一類取證方法。本文在介紹具體的篡改檢測算法前先給出常見的圖像及視頻的篡改方法。

3.1 可視媒體常見篡改方法

3.1.1 常見圖像篡改方法

1) 復制移動（copy-move）：復制圖像中的部分區域，并移動到同一圖像的不同位置上。這種篡改常伴有旋轉縮放等幾何變換以及羽化融合等過程，使復制區域能自然融入新的背景中。一些圖像編輯軟件中的工具，如紋理修補（in-painting）等也屬于復制移動的范疇。

2) 剪切粘貼（cut and paste）：剪切圖像中部分區域，粘貼到另外一幅圖像上。這種篡改手段也需要與幾何變換及羽化融合等操作相結合；有時還需要調整粘貼區域的光照，因為不同圖像中的光照條件未必一致。

3) 文獻[21,22]將復制移動及剪切粘貼共同歸類于拼接操作（splicing）。

4) 各種圖像增強操作，如改變亮度、對比度、顏色飽和度和清晰度等。

3.1.2 常見視頻篡改方法

視頻由多幀圖像組成，因此所有的圖像篡改手段都可以用于視頻篡改。此外，視頻篡改還包括幀的刪除或增加，改變碼率以及圖像組（GOP，group of pictures）結構等。

以下按可揭示圖像及視頻篡改的不同固有特征的順序，對可視媒體篡改檢測進行介紹。

3.2 利用像素相關性檢測篡改

可視媒體的采集及修改過程通常會使相鄰像素產生特殊的相關性。一般由像素相關性形成的特征對低質壓縮產生的噪聲以及幾何變換較為敏感。

3.2.1 像素克隆

復制移動操作在本質上即為像素的克隆。由于復制移動篡改一般要對復制區域進行幾何變換和羽化融合等后續處理，因此取證算法不能僅僅計算各區域內像素灰度是否相同，而是需要提取對相關操作頑健的特征。Fridrich和Soukal等[23]將分塊量化后的DCT系數作為對融合操作和壓縮噪聲頑健的特征，檢測復制粘貼篡改。相似的文獻還有文獻[24～26]等。但這些方法均對幾何變換不具有頑健性。Huang和Guo等[27]利用SIFT （scale invariant feature transform）算法從圖像中提取出在縮放和旋轉等操作下保持不變的特征，達到了檢測幾何變換下的復制移動篡改的目的。

Wang和Farid[28]將視頻序列分段，并提取出各個子序列在空間和時間上的相關性，具有較強相關性的序列被認為是經過復制移動篡改的。此方法對MPEG壓縮頑健，且具有較高的檢測效率。

3.2.2 CFA插值

在可視媒體的獲取過程中，光線通過鏡頭后，需通過顏色濾鏡陣列（CFA，color filter array）后才能使感光元件感光，如圖6所示。感光元件上的每個像素僅對一種色光感光。最后生成的彩色圖像中每個像素上其他2種顏色均是通過CFA插值算法得到的。這種插值算法使整個圖像中的像素具有了線性或非線性的相關性。當圖像被篡改后，這種相關性很可能被破壞掉。Popescu 和Farid[29]通過計算圖像中由CFA插值形成的像素相關性是否一致來檢測圖像的篡改。此算法不能抵抗圖像篡改后重新進行CFA插值的偽裝手段，同時對JPEG壓縮噪聲也比較敏感。

圖6 標準數字圖像獲取流程

3.2.3 重采樣

篡改操作在破壞像素間原有相關性的同時，也會引入新的相關性。對圖像進行剪切粘貼操作時，一般要對粘貼區域進行縮放和旋轉等幾何變換，達到與被粘貼圖像中的景物比例一致的目的。而幾何變換的實現需要在重采樣后進行插值，這樣就引入了新的像素相關性。以一維離散信號X={a,b,c}進行上采樣為例，將X與矩陣

相乘，插值后的信號Y為

可知，插值后信號的奇數行均為其相鄰行之和的1/2。Popescu和Farid[30]探討了圖像中由于重采樣而引入的像素間相關性，并使用EM（expectation/maximization） 算法得到圖像像素間相關性的概率圖，以定位篡改區域。這種檢測算法受低質JPEG壓縮形成的噪聲影響較大，亦不能抵抗篡改后重新插值的偽裝手段。

3.2.4 去隔行算法

視頻文件在產生過程中也會形成特殊的像素相關性。Wang和Farid[31]指出，攝像機一般將一幀圖像分成兩場拍攝，一場在t時間拍攝，另一場在t+1時間拍攝。隔行掃描的視頻將兩場簡單地結合在一起，從而會產生梳狀效應，如圖7所示；為減少梳狀效應，非隔行掃描的視頻利用去隔行算法對相鄰行的像素進行插值，從而引入像素間的相關性。當某幀圖像被篡改后，這種相關性即被破壞，從而可以據此定位篡改區域。

圖7 隔行掃描視頻與非隔行視頻幀比較

3.3 利用壓縮特征檢測篡改

壓縮編碼形成的特征不僅可以檢測二次壓縮，更重要的是可以應用于篡改檢測。

3.3.1 DCT系數變化特征

在由兩幅JPEG圖像拼接形成的篡改圖像中，偽裝區域（粘貼區域）與非偽裝區域均經歷了二次壓縮，但由于粘貼操作的隨機性，偽裝區域二次壓縮對準的概率較小[17]，由2.2節中的討論可知，此時偽裝區域不具有雙壓縮效應；而非偽裝區域因兩次壓縮宏塊劃分完全重合而具有雙壓縮效應。在這個前提下，Lin和He等[8]提出了一種對圖像融合等操作頑健的自動定位偽裝區域的剪切粘貼檢測算法。

Wang和Farid[32]對視頻篡改中的雙壓縮效應進行了進一步的探究。其理論前提與文獻[8]相同，即I幀中非偽裝區域具有雙壓縮效應，偽裝區域無雙壓縮效應。其通過建模得到雙壓縮宏塊的DCT系數的邊緣分布Pq1(z)(式2)，然后得到待檢測I幀中具體宏塊的系數分布P(z)。計算二者距離D(式3)，得出相應宏塊為對準型二次壓縮的概率。最后得出I幀中所有宏塊為雙壓縮宏塊的概率分布圖，經過濾波去除誤檢區域，得到偽裝區域。如圖8所示。

圖8 幀內篡改檢測過程

3.3.2 塊效應

由壓縮編碼產生的塊效應也可以用來檢測圖像或視頻的篡改。由文獻[17]可知，非對準二次壓縮區域中的塊效應表征為不規則的扭曲狀，而對準的二次壓縮區域上的塊效應則比較規則。Barni和Costanzo等[33]利用這種規律，提出了基于塊效應的圖像篡改檢測算法。此算法首先將圖像分割成同質區域（如圖9所示），再用文獻[17]的檢測方法分析各同質區域的壓縮特性，最后定位篡改區域。這種基于語義（semantic）的取證算法在很大程度上降低了誤檢率和運算復雜度。

圖9 基于塊效應的圖像篡改檢測過程

Luo和Wu等[34]根據MPEG文件中幀間編碼圖像的塊效應變化來檢測幀的刪除或增加操作以及圖像組結構的變化。其提出，P幀和B幀中的塊效應受多種因素的影響，如參考幀中塊效應的傳播，不同量化矩陣和不同運動補償算法的影響等。當某些幀被刪除后，前后兩次壓縮的塊效應相互疊加，并隨被刪除幀的個數而變化。根據其變化曲線即可檢測相應的篡改。

3.3.3 幀間預測誤差

Wang和Farid[11]探討了視頻序列刪除若干幀后產生的兩類特征。首先是空間壓縮特征，即I幀中因二次量化產生的雙壓縮效應；其次是時間壓縮特征，當刪除序列中的若干幀以后，來自不同圖像組的幀組合至同一圖像組，從而導致視頻序列的運動殘差均值（mean motion error）產生周期性變化。這種周期性反映在傅立葉頻譜上即為中頻上明顯的峰值。此方法的缺陷在于不能檢測整數倍圖像組的刪除，并且需要人為觀察傅里葉頻譜的峰值特征[35]。

3.4 利用抽象統計特征檢測篡改

利用抽象統計特征的取證與其他取證算法不同，其大多沒有直接在理論上證明篡改對可視媒體數據的具體影響，而是利用一些抽象的，被實驗證明具有良好區分性質的統計特征（statistical feature），如頻域系數的統計矩等，形成多維特征向量并訓練分類器，以區分篡改圖像與自然圖像。

設一維信號x(t)的傅里葉變換為Y(w)，其功率譜P(w)=Y(w)Y*(w)可用來對信號的頻率成分進行分析。文獻[36]的作者對語音信號拼接對頻率域統計特征的影響進行了分析，其指出，信號經過拼接操作后，功率譜并沒有相應的變化，反映頻率域高階相關性的雙階譜B(w1,w2)=Y(w1)Y(w2)Y*(w1+w2)卻會發生變化。當平滑信號經過拼接后，會產生一定的非連續性，表現在雙階譜振幅的增加以及相位的偏移。Ng和Chang[21]進一步將此原理應用于圖像信號的拼接檢測。由于雙階譜不受白噪聲的干擾，所以此類方法對壓縮編碼噪聲等具有頑健性。

Shi和Chen等[22]利用更復雜的統計特征來捕捉拼接對圖像連續性和周期性等方面的影響，并在與文獻[37～39]使用相同的拼接檢測評估圖像庫[40]的條件下得到了更高的檢測率（92%）。其首先得到圖像像素的二維陣列和多尺寸DCT系數塊的二維陣列，然后利用特征方程統計矩和馬爾可夫轉移概率求得多維特征向量，組成具有區分拼接圖像和自然圖像功能的自然圖像模型。由于單一尺寸的塊DCT系數特征很難捕捉復雜多變的拼接操作，文中對多種尺寸的DCT系數分塊進行了特征提取，實驗證明，此類特征大幅度提高了的檢測率。

Farid和Lyu[41]計算了小波系數的兩類統計特征，第一類是小波分解各層子帶系數的統計矩，包括均值、方差、偏度和峰度；第二類是所謂的高階統計特征，用于捕捉不同子帶上小波系數的相關性，用預測誤差E（式(6)）表示。設Vi(x,y)為i階垂直子帶上的小波系數，則相鄰層系數對其幅值的線性預測為

其中，wi為加權值。式（4）的矩陣形式為

其預測誤差E可表示為

計算小波系數在各階不同方向上的相關性，得到72維特征向量，并訓練分類器，可達到同時區分多種篡改圖像的目的。

抽象統計特征往往反映了可視媒體信息中比較本質的變化與相關性，其不受加性噪聲等較弱干擾的影響，并具有同時檢測多種篡改操作的潛力。

3.5 利用噪聲模式檢測篡改

在圖像和視頻的獲取過程中，由于感光元件的不完美性等原因，每幅圖像或視頻序列的每一幀均會帶有固定的噪聲模式。而篡改操作則會對這些噪聲產生破壞。Chen和Fridrich等[42]利用最大似然估計檢測圖像各個塊中由相機傳感器產生的噪聲模式PRNU（photo-response non-uniformity noise），以定位圖像的篡改區域。

與文獻[42]不同的是，Hsu和Hung等在文獻[43]中定義的噪聲同時包含了傳感器模式噪聲和視頻幀中的高頻分量等。其首先計算每一幀與自身去噪版本的差值，得到噪聲誤差，再以宏塊為單位計算相鄰幀噪聲誤差的相關性r（如圖10所示），當r發生突變的時候，即可認為相應宏塊被篡改。

圖10 時域相鄰幀各個塊的噪聲誤差相關性r示意

文獻[44]利用輻照依賴噪聲（irradiance- dependent noise）的均一性檢測靜止場景視頻的篡改。

3.6 利用物理特征檢測篡改

基于景物物理特征的檢測技術，通過對光照、投影、空間幾何等場景信息的估計和測度，利用其在不同圖像區間之間的差異來判斷圖像的完整性[5]。由于剪切粘貼圖像內偽裝區域較難與周圍景物的光線條件保持一致，文獻[45,46]的作者分別對單幅圖像單一光源的方向進行二維及三維建模，根據圖像各區域光照方向的不一致性檢測圖像合成篡改。文獻[47]對實際景物中的多光源光照環境進行建模，用于檢測復雜光照條件下圖像的合成。文獻[48,49]通過分析物體的幾何特征是否符合自然透視規律來檢測拼接操作。

4 可視媒體取證技術發展趨勢

通過以上討論可知，現有的可視媒體取證算法從多種角度對可視媒體的獲取和后期處理歷史進行了較全面的分析，但它同時也存在著一些問題。

首先，由于現有取證算法絕大多數只針對常規的圖像或視頻篡改操作進行檢測，當熟知取證算法的篡改者將偽裝操作留下的痕跡進行去除或掩蓋后，取證算法則會失效。這種試圖對可視媒體的偽裝痕跡進行隱藏的算法稱為反取證算法(anti-forensics)[50]。反取證算法的研究起步較晚，已發表的成果也較少：Stamm和Liu[51]在不同量化表二次JPEG壓縮圖像的DCT系數中加入噪聲，消除了DCT系數直方圖中存在的特殊模式，從而使基于雙壓縮效應的取證算法失效；Feng和Xu[52]通過替換JPEG圖像篡改區域的DCT系數，避免了篡改過程中的全局二次壓縮，去除了篡改區域以外的不同量化矩陣或相同量化矩陣的二次壓縮效應；文獻[53]和文獻[54]分別提出了隱藏重采樣痕跡和偽造新的CFA插值相關性的反取證算法；Cao和Zhao[55]提出了一種使對比度增強操作不被檢測的反取證算法。事實上，每種取證算法均可能存在攻破它的反取證算法。可以說取證與反取證是一種相互促進的關系，反取證的發展會催生更具頑健性的取證算法，頑健的取證算法又會推動生成更復雜有效的反取證算法。但反取證的研究到目前為止還很不充分，因此可抵抗多種攻擊算法的取證算法自然也難以發展。

其次，不同取證算法之間不能直接比較性能的高低。這主要是因為缺少具有公信力的評價基準及標準測試數據庫。相比之下，同屬媒體安全領域的數字水印技術已擁有相對成熟的若干套評測系統[56～58]，其中包括一系列常見的水印攻擊算法。如果取證算法與反取證算法相繼成熟，則能發展出用于測試取證算法抗攻擊性的評價系統。此外，取證算法還需要有公用的篡改圖像或視頻測試數據庫，以比較各種算法在相同測試條件下的檢測率。文獻[22,37～39]利用了同一個拼接圖像數據庫[40]進行了無攻擊條件下的圖像拼接檢測，分別得到了82%、80%、72%和92%的檢測率。但現有的篡改圖像尤其是視頻數據庫在數據量和內容的多樣性上還非常有限。

第三，實際中偽裝圖像或視頻大多不是單一操作手段的產物，而是各種偽裝手段反復疊加后形成的。這些操作相互作用，很可能會影響相關特征的提取。而現存的取證算法大都只能檢測單一的或是互不干擾的操作過程[59]；而且，在很多情況下，如法庭或新聞機構對可視媒體進行取證時，需要對某一幅圖像或一段視頻的真偽進行準確的判定，而現有取證算法的檢測率均沒有達到100%，其檢測結果也就不能作為完全可信的依據。由以上兩點可知，現有取證算法尚不能應用于實際。

對于數字可視媒體取證技術的發展方向，本文有以下幾點思考。

1) 取證工具箱的思想。Fridrich[23]提出了取證工具箱（FTS, forensic tool set）的思想。即按檢測目的將取證算法分類，建成一個取證工具集，其中每一種算法可能并不完全有效，但將集合中的取證工具聯合起來使用，則能對可視媒體的來源及可信度有一個較準確的判斷。持相似想法的還有數字圖像取證之父Hany Farid[60]。實際上，很多取證算法往往都需要與另一種算法互為補充，才能得到某個完整的功能。例如基于DCT系數變化的二次壓縮取證與基于塊效應的二次壓縮取證等。如果能將適用范圍有限的算法有機地結合，則可以生成功能更強的取證算法。

2) 重點發展基于抽象統計特征的取證算法。由于抽象統計特征往往更接近于可視媒體信號的內在規律及本質，因此可以在有效地反映圖像或視頻信號相關變化的同時，不受加性噪聲等弱干擾的影響；另外，這類方法可以同時檢測多種篡改操作，其內在原因在于其具抓住了自然形成的數字可視媒體的綜合特征，使之可以與多種篡改手段下形成的非自然可視媒體相區分。從長遠角度看，這種取證算法比針對單一篡改方法的取證具有更強的效用。另外，由于統計特征的抽象性，此類取證算法更不容易產生相應的反取證算法。

3) 繼續發展反取證算法。通過研究反取證算法，可視媒體安全的研究者可以獲知現有取證算法的缺陷，生成取證算法評價基準以量化取證算法的可信度[35]，促進更具頑健性的取證算法的生成。

4) 繼續發展視頻取證算法。由于視頻編碼復雜性以及視頻數據的多維性，視頻中可被取證利用的特征比圖像更加豐富。相比于圖像，在多幀的視頻序列中提取的特征更具穩定性。現今對視頻取證的研究主要集中在MPEG格式上，而H.264格式的取證算法甚少。

5) 與語義相結合。將人類對可視媒體內容的認知融合在取證算法中，可以降低誤檢率和提高檢測效率，并可能具有區分單純的視效增強操作和惡意篡改操作的能力[2]。

5 結束語

本文對數字可視媒體取證技術的來源、概念以及應用進行了介紹，對具有代表性的壓縮歷史取證算法和篡改歷史取證算法進行了歸類與比較，并從原理上進行了較為詳細的討論。

可視媒體取證算法利用圖像和視頻中固有的特征，對其獲取設備、后期處理以及偽裝過程進行還原。這些特征豐富多樣，如由壓縮產生的DCT系數變化、塊效應；由CFA插值及去隔行算法等引入的像素間相關性；反映可視媒體內在規律的抽象統計特征以及噪聲模式等。各種取證算法之間往往存在著互補的關系，對取證算法的綜合運用可以得到更全面和準確的檢測結果。

當今社會對可視媒體可信度鑒別的需求量較大且極為迫切，可視媒體取證技術具有無需嵌入附加信息、適用范圍較廣等優點，但其發展尚未成熟，距大規模實際應用仍存在著一定距離。需要繼續對反取證算法以及多種手段有機結合的取證算法進行研究，以促進更加頑健和適用于實際應用的取證技術的產生。

[1] 徐正全, 徐彥彥. 可視媒體信息安全[M]. 北京: 高等教育出版社,2012.XU Z Q, XU Y Y. Visual Media Information Security[M]. Beijing:Higher Education Press, 2012.

[2] JUDITH A R, WIEM T, DUGELAY J L. Digital image forensics: a booklet for beginners[J]. Multimedia Tools and Applications , 2011,51(1):133-162.

[3] CHUANG W H, SU H, WU M. Exploring compression effects for improved source camera identification using strongly compressed video[A]. 2011 18th IEEE International Conference on Image Processing[C]. Belgium, 2011.1953-1956.

[4] FARID H. Image forgery detection[J]. IEEE Signal Processing Magazine, 2009, 26(2): 16-25.

[5] 曹剛, 趙耀, 倪蓉蓉. 多媒體內容認證[J]. 中國計算機學會通訊,2011, 7(2): 38-44.CAO G, ZHAO Y, NI R R. Multimedia content authentication[J]. China Computer Federation Communications, 2011, 7(2): 38-44.

[6] LIAN S G, KANELLOPOULOS D, RUFFO G. Multimedia information system security[J]. Informatica, 2009, 33(1): 3-24.

[7] XU G S, SHI Y Q. Camera model identification using local binary patterns[A]. 2012 IEEE International Conference on Multimedia and Expo[C]. Melbourne, 2012.392-397.

[8] LIN Z C, HE J F, TANG X O, etal. Fast, automatic and fine-grained tampered JPEG image detection via DCT coefficient analysis[J]. Pattern Recognition, 2009, 42(11):2492-2501.

[9] POPESCU A C, FARID H. Statistical tools for digital forensics[J].Information Hiding, 2005, 3200: 128-147.

[10] LUKAS J, FRIDRICH J. Estimation of primary quantization matrix in double compressed JPEG images[A]. Digital Forensic Research Workshop[C]. Cleveland, 2003.

[11] WANG W H, FARID H. Exposing digital forgeries in video by detecting double MPEG compression[A]. MM&Sec '06 Proceedings of the 8th Workshop on Multimedia and Security[C]. New York, 2006.37-47.[12] SU Y T, XU J Y. Detection of double compression in MPEG2 videos[A]. 2010 2nd International Workshop on Intelligent Systems and Applications[C]. Wuhan, China, 2010.1-4.

[13] LI B, SHI Y Q, HUANG J W. Detecting doubly compressed JPEG images by using mode based first digit features[A]. 2008 IEEE 10th Workshop on Multimedia Signal Processing[C]. Queensland, 2008.730-735.

[14] FU D D, SHI Y Q, SU W. A generalized Benford's law for JPEG coefficients and its applications in image forensics[A]. Security, Steganography and Watermarking of Multimedia Contents IX[C]. San Jose,2007. 6505.

[15] CHEN W, SHI Y Q. Detection of double MPEG compression based on first digit statistics[J]. Digital Watermarking, 2009, 5450:16-30.

[16] HUANG F J, HUANG J W, SHI Y Q. Detecting double JPEG compression with the same quantization matrix[J]. IEEE Transactions on Information Forensics and Security, 2010, 5(4): 848-856.

[17] LUO W Q, QU Z H, HUANG J W,etal. A novel method for detecting cropped and recompressed image block[A]. IEEE International Conference on Acoustics, Speech and Signal Processing[C]. Vancouver,2007.II-217-II-220.

[18] REEVE H C, LIM J S. Reduction of blocking effects in image coding[J]. Optical Engineering, 1984, 23(1): 34-37.

[19] LIU Q Z. Detection of misaligned cropping and recompression with the same quantization matrix and relevant forgery[A]. The 3rd International ACM Workshop on Multimedia in Forensics and Intelligence[C].Scottsdale, 2011.25-30.

[20] 秦運龍. 壓縮域視頻被動取證研究[D]. 上海大學, 2010.QIN Y L. The Research of Passive Video Forensics in Compressed Domain[D]. Shanghai University, 2010.

[21] NG T T, CHANG S F. A model for image splicing[A]. 2004 International Conference on Image Processing[C]. Singapore, 2004.1169-1172.

[22] SHI Y Q, CHEN C H, CHEN W. A natural image model approach to splicing detection[A]. MM&Sec '07 Proceedings of the 9th Workshop on Multimedia and Security[C]. New York, 2007.51-62.

[23] FRIDRICH J, SOUKAL D, LUKAS J. Detection of copy-move forgery in digital images[A]. Proceedings of Digital Forensic Research Workshop[C]. 2003.

[24] POPESCU A C, FARID H. Exposing Digital Forgeries by Detecting Duplicated Image Regions[R]. Dartmouth College, Hanover, NH, Tech Rep TR2004-515, 2004.

[25] LI G.H, WU Q, TU D, etal. A sorted neighborhood approach for detecting duplicated regions in image forgeries based on DWT and SVD[A]. 2007 IEEE International Conference on Multimedia and Expo[C]. Beijing, China, 2007.1750-1753.

[26] LANGILLE A, GONG M L. An efficient match-based duplication detection algorithm[A]. The 3rd Canadian Conference on Computer and Robot Vision[C]. Quebec, 2006.64.

[27] HUANG H L, GUO W Q, ZHANG Y. Detection of copy-move forgery in digital images using SIFT algorithm[A]. IEEE Pacific-Asia Workshop on Computational Intelligence and Industrial Application[C].Wuhan, China, 2008.272-276.

[28] WANG W H, FARID H. Exposing digital forgeries in video by detecting duplication[A]. MM&Sec '07 Proceedings of the 9th Workshop on Multimedia & Security[C]. Dallas, 2007. 35-42.

[29] POPESCU A C, FARID H. Exposing digital forgeries in color filter array interpolated images[J]. IEEE Transactions on Signal Processing,2005, 53(10):3948-3959.

[30] POPESCU A C, FARID H. Exposing digital forgeries by detecting traces of re-sampling[J]. IEEE Transactions on Signal Processing,2005, 53(2):758-767.

[31] WANG W H, FARID H. Exposing digital forgeries in interlaced and deinterlaced video[J]. IEEE Transactions on Information Forensics and Security, 2007,2(4):238-258.

[32] WANG W H, FARID H. Exposing digital forgeries in video by detecting double quantization[A]. MM&Sec '09 Proceedings of the 11th ACM Workshop on Multimedia and Security[C]. New York, 2009.39-48.

[33] BARNI M, COSTANZO A, SABATINI L. Identification of cut &paste tampering by means of double-JPEG detection and image segmentation[A]. 2010 IEEE International Symposium on Circuits and Systems[C]. Paris, 2010.1687-1690.

[34] LUO W Q, WU M, HUANG J W. MPEG recompression detection based on block artifacts[A]. Security, Forensics, Steganography, and Watermarking of Multimedia Contents X[C]. San Jose, 2008.68190X-1-68190X-12.

[35] STAMM M C, LIN W S, LIU K J R. Temporal forensics and anti-forensics for motion compensated video[J]. IEEE Transactions on Information Forensics and Security, 2012, 7(4): 1315-1329.

[36] FARID H. Detecting Digital Forgeries Using Bispectral Analysis[R].AI Lab Massachusetts Institute of Technology, Tech Rep AIM-1657,1999.

[37] CHEN W, SHI Y Q, SU W. Image splicing detection using 2-D phase congruency and statistical moments of characteristic function[A]. Proc SPIE, Electronic Imaging, Security, Steganography, Watermarking of Multimedia Contents IX[C]. San Jose, 2007.

[38] FU D D, SHI Y Q, SU W. Detection of image splicing based on hilbert-huang transform and moments of characteristic functions with wavelet decomposition[A]. Digital Watermarking, Proceeding of 5th International Workshop on Digital Watermarking[C]. Jeju Island,2006.177-187.

[39] NG T T, CHANG S F, SUN Q B. Blind detection of photomontage using higher order statistics[A]. IEEE International Symposium on Circuits and Systems[C]. Vancouver, 2004.688-691.

[40] Columbia image splicing detection evaluation dataset[EB/OL]. http://www.ee.columbia.edu/ln/dvmm/downloads/AuthSplicedDataSet/Auth SplicedDataSet.htm, 2007.

[41] FARID H, LYU S W. Higher-order wavelet statistics and their application to digital forensics[A]. CVPRW '03, Conference on Computer Vision and Pattern Recognition Workshop[C]. Madison, 2003.94.

[42] CHEN M, FRIDRICH J, GOLJAN M, etal. Determining image origin and integrity using sensor pattern noise[J]. IEEE Transactions Information Forensics Security, 2008, 3(1):74-90.

[43] HSU C C, HUNG T Y, LIN C W, etal. Video forgery detection using correlation of noise residue[A]. Proceedings of IEEE Workshop Multimedia Signal Processing[C]. Queensland, 2008.170-174.

[44] KOBAYASHI M, OKABE T, SATO Y. Detecting forgery from static-scene video based on inconsistency in noise level functions[J]. IEEE Transactions on Information Forensics and Security, 2010,5(4): 883-892.

[45] JOHNSON M K, FARID H. Exposing digital forgeries by detecting inconsistencies in lighting[A]. ACM Multimedia and Security Workshop[C]. New York, 2005.1-10.

[46] JOHNSON M K, FARID H. Exposing digital forgeries through specular highlights on the eye[A]. The 9th International Workshop on Information Hiding[C]. Saint Malo, 2007.311-325.

[47] JOHNSON M K, FARID H. Exposing digital forgeries in complex lighting environments[J]. IEEE Transactions Information Forensics Security, 2007, 3(2): 450-461.

[48] JOHNSON M K, FARID H. Metric Measurements on a Plane from a Single Image[R]. Dept Comput Sci, Dartmouth College, Tech Rep TR2006-579, 2006.

[49] JOHNSON M K, FARID H. Detecting photographic composites of people[A]. International Workshop on Digital Watermarking[C]. Guangzhou, China, 2007.

[50] STAMM M C, LIN W S, LIU K J R. Forensics anti-forensics: a decision and game theoretic framework[A]. 2012 IEEE International Conference on Acoustics, Speech and Signal Processing[C]. 2012.1749-1752.

[51] STAMM M C, LIU K J R. Anti-forensics of digital image compression[J]. IEEE Transactions on Information Forensics and Security,2011, 6(3):1050-1065.

[52] FENG C H, XU Z Q, ZHENG X H. An anti-forensic algorithm of JPEG double compression based forgery detection[A]. Proceedings of the 2012 4th International Symposium on Information Science and Engineering[C]. Shanghai, China, 2012.159-164.

[53] GLOE T, KIRCHNER M, WINKLER A. Can we trust digital image forensics[A]. Proceedings of the 15th International Conference on Multimedia[C]. New York, 2007.78-86.

[54] KIRCHNER M, B¨OHME R. Synthesis of color filter array pattern in digital images[A]. Proceedings of Electronic Imaging: Media Forensics and Security[C]. San Jose, 2009.72540.

[55] CAO G, ZHAO Y, NI R R, etal. Anti-forensics of contrast enhancement in digital images[A]. Proceedings of ACM Multimedia and Security Workshop[C]. Roma, 2010.25-34.

[56] PETITCOLAS F A P, ANDERSON R J, KUHN M G. Attacks on copyright marking systems[A]. David Aucsmith (Ed), Information Hiding,Second International Workshop, IH’98[C]. Portland, 1998. 219-239.

[57] Certification of watermarking techniques[EB/OL].http://www.certimark.org/, 2002.

[58] SOLACHIDIS V, TEFAS A, NIKOLAIDIS N, etal. A benchmarking protocol for watermarking methods[A]. 2001 IEEE International Conference on Image Processing[C]. Thessaloniki, 2001.1023-1026.

[59] BESTAGINI P, FONTANI M, MILANI S, etal. An overview on video forensics[A]. The 20th European Signal Processing Conference[C].Bucharest, 2012.1229-1233.

[60] http://www.fourandsix.com/about-us/hany-farid-phd-chief-technologyofficer.html[EB/OL]. 2012.