頑健合成圖像篡改檢測及定位

王瀟，張榮，郭立君

（寧波大學信息科學與工程學院，浙江 寧波 315211）

頑健合成圖像篡改檢測及定位

王瀟，張榮，郭立君

（寧波大學信息科學與工程學院，浙江 寧波 315211）

針對自然圖像與高度仿真的計算機生成圖像的合成圖像篡改檢測問題，提出在YCbCr顏色空間基于差分直方圖和中心對稱局部二進制模式提取圖像塊顏色和紋理特征的方法，通過訓練后驗概率支持向量機模型對待測圖像塊進行識別。在不重疊分塊情況下先大致判斷篡改區域，然后在該區域內逐像素分塊判別，最終實現篡改區域精確定位。實驗結果表明，對128 dpi×128 dpi圖像塊的識別率達到94.75%，高于現有方法；對合成圖像篡改區域能夠實現精確定位，且對旋轉、縮放操作表現出較好的頑健性。

合成圖像；特征提取；后驗概率支持向量機；篡改檢測

1 引言

隨著計算機圖形技術的發展，計算機生成圖像（computer graphic，CG）在互聯網、各種社交媒體上得到廣泛傳播，各種“以假亂真”的計算機生成圖像充斥在網絡和媒體中，其在社會傳媒、司法、保險以及新聞出版等領域的惡意使用，給社會公信、司法公正及社會穩定帶來了很大挑戰。針對計算機生成圖像的圖像真實性取證成為數字圖像安全領域的熱點問題[1-3]。

在圖像取證領域，高度仿真的計算機生成圖像被看作圖像偽造的形式之一。目前針對計算機生成圖像的取證工作有兩個層次：對自然圖像（photographic image，PG）和計算機生成圖像的識別；對兩種來源（即自然圖像和計算機生成圖像）的圖像的合成篡改檢測和篡改區域定位。前者是一個簡單的二分類問題，其分類好壞主要取決于選取的分類特征[4]；后者則相對復雜，其檢測性能主要受篡改塊大小、篡改操作的復雜程度等因素影響，對算法的頑健性要求較高。

針對前者兩類圖像的識別問題，近年來引起圖像取證研究者的廣泛關注，并取得較大進展。Farid[5]通過小波變換計算各子帶小波系數統計特征，實現了對自然圖像的有效識別，但特征維度太高。Peng[6]分析相機傳感器模式噪聲（sensor pattern noise，SPN）特征，提取SPN的統計特征及分形維數進行分類檢測。Wu等人[7]提出基于差分直方圖（difference histogram，DH）特征的計算機生成圖像檢測方法。Li等[8]用局部二進制模式（local binary pattern，LBP）圖像紋理特征描述子[9]構造236維特征，分類準確率達98.3%。在此基礎上，申鉉京等[10]采用多尺度局部二進制計數（local binary count，LBC）模式，將特征維度降低到54維并取得了96.25%的分類準確率。

上述算法對大尺寸的整幅圖像識別能夠達到較高的準確率，但所提取的特征卻未必能進一步應用到較小尺寸的圖像塊分類中。Conotter等人[11]根據圖像在小波統計與模式噪聲方面的特點，對圖像進行適當大小的重疊分塊，提取每一個圖像塊的216維小波統計特征和12維模式噪聲統計特征，實現對圖像中篡改區域的定位，但該方法對于兩類圖像塊的分類準確率并不高。Ke等人[12]考慮圖像的顏色、紋理和形狀特點，構造107維特征，訓練支持向量機（support vector machine，SVM），對兩類圖像的分類準確率達到94.125%，相比小波特征[11]有所提高。但該算法在訓練分類器模型時提取的是整幅圖像的特征，對一幅待測篡改圖像進行小尺寸的圖像塊分類時，并不能很好地適用于圖像塊的分類，因此識別率不高，定位效果并不理想。針對合成圖像的篡改檢測與區域定位問題，分析并捕捉到更能區分兩類圖像塊內在差異的特征，成為算法實現的重要一步。深入分析圖像塊在顏色、紋理方面的差異，在參考文獻[7]的基礎上，結合旋轉不變的中心對稱局部二進制模式（central symmetry local binary pattern，CSLBP）直方圖，克服傳統LBP不能抵抗旋轉操作的局限性。使用大量的圖像塊訓練后驗概率支持向量機（posterior probability support vector machine，PPSVM）模型，而非簡單地使用整幅圖像。另外，篡改區域定位時，對參考文獻[11]采取直接對待測圖像重疊分塊的方法進行改進，先對待測圖像進行不重疊分塊判別，獲得大致篡改區域；然后在該區域內采用重疊分塊檢測方法，最終精確判定圖像中拼接的區域。本文算法具有較高的分類準確率，減少了在非篡改區域重疊分塊判決的時間，提高了檢測效率。

2 本文算法

本文所提的合成圖像篡改檢測及定位算法流程如圖1所示。

2.1 分類器選擇對于訓練圖像塊集 { x ∈ Rn, i = 1,2,L ,l} ，包i含大量自然圖像塊（正樣本）和計算機生成圖像塊（負樣本），假設每個圖像塊的標簽為yi= {1,?1 }，傳統的SVM模型[13]定義為一種特征空間上間隔最大的線性分類器。通過學習策略使間隔最大化[14]，利用拉格朗日方法得到圖像塊的類別決策函數：

圖1 本文算法流程

其中，αi*為優化最優分類面過程中其對偶問題的最優解， K( xi, xj) =?(xi)?(xj)為核函數，表示圖像塊的預測類別。

傳統的 SVM能夠確定圖像塊的所屬分類標簽，輸出分類標簽為1或?1，對圖像塊的分類隸屬概率卻沒有說明。在本文的合成篡改檢測中，圖像塊（尤其是包含異源內容的圖像塊，如篡改塊邊緣區域的圖像塊）分類是一個不確定問題，更期望得到測試圖像塊的后驗類別概率P( yi= 1|xi)，即該圖像塊屬于自然圖像塊的概率，而不是簡單地將測試圖像塊二分類。根據Platt等人[15]提出的PPSVM模型，用Sigmoid 函數作為后驗概率輸出函數，得到測試圖像塊屬于自然圖像類別的概率：

其中， P( yi= 1|f( xi))表示圖像塊在傳統SVM 輸出 f( xi)的條件下屬于自然圖像塊的概率，而參數A、B可利用訓練圖像塊集或其子集最大似然估計得到[12]。本文通過設置合理的閾值T，對計算得到的概率進行判決，偏向CG圖像塊具有較高的概率，而偏向于PG圖像塊概率值較低，即：

其中，{ yi= 1}和{ yi=? 1}分別代表自然圖像塊和計算機生成圖像塊。

2.2 特征提取

計算機生成圖像在成像過程中，生成途徑和獲取手段都與自然圖像不同，不管是建模、潤飾還是光照等都遠不如自然產物復雜，在顏色、紋理等方面都不如自然圖像復雜。差分矩陣代表了圖像像素與周圍像素之間的關系，反映圖像顏色分布情況和紋理的粗細程度。在DH基礎上，引入CSLBP紋理描述子對圖像塊進行顏色和紋理特征的提取。

本文重點在于挖掘兩類圖像塊在顏色、紋理方面的特征差異，不同的顏色分量可以用來反映顏色特征，而紋理結構可通過鄰近像素點之間的亮度層次變化來描述[16]。本文在YCbCr空間提取兩類圖像塊的DH和 CSLBP特征，并與常用的RGB、HSV空間的識別率對比后發現，在YCbCr顏色空間提取的特征對PG和CG圖像塊的檢測率最高（見第3.2.1節），說明此顏色空間提取的本文特征能夠很好地捕獲兩類圖像塊在顏色和紋理上的差異，適用于對合成圖像中篡改塊的檢測。

2.2.1 差分直方圖

與自然圖像相比，計算機生成圖像所采用的顏色比較單一，圖像中會出現大面積像素值相同或相近的圖像塊，在計算圖像的差分矩陣后，差分矩陣中會出現大面積的值為零或接近零的區域。在差分直方圖上表現為直方圖零值附近的區間會出現更多的像素點。為更全面描述圖像內在特征，進一步計算圖像的二階差分矩陣，并選擇水平、垂直、主對角以及次對角4個方向得到共14個差分矩陣，統計得到歸一化直方圖分布。示例圖像如圖1所示，PG與CG示例圖像及其DH分布如圖2所示（此處均選取Y通道）。

圖1 示例圖像

圖2 PG與CG示例圖像及其DH分布

H( n)與 H (? n)呈對稱性，取平均值。且當n較大時，區分度變得很小，因此只取區分度比較高的零值附近的前k個值，即：

這樣，每一幅圖像可計算得到 14（k+1）維特征向量（本文取k =3）。

2.2.2 中心對稱局部二進制模式

根據Maenpaa等人[17]提出的CSLBP，比較中心像素的對稱像素對之間的大小關系，形成對圖像的一種表達，用來描述圖像的局部紋理。相對于LBP，CSLBP具有旋轉不變性的優點。具體描述如下：

其中，ni和是關于中心像素對稱的兩個像素，N表示中心像素鄰域內的像素個數，R表示鄰域半徑，th 為對稱的兩個像素的差值閾值（本文th = 0）。統計圖像中16種不同的CSLBP二進制模式分布形成CSLBP分布直方圖，反映兩類圖像在色彩數量、邊緣信息以及平滑度等方面的差異。圖 3給出了幾例典型的自然圖像和計算機生成圖像在YCbCr空間中提取的Y通道CSLBP分布，其中，圖3（a）、圖3（b）都是相對比較平滑的圖像，計算機生成圖像（圖3（b））對應的CSLBP分布直方圖（圖3（f））變化更平緩。對比紋理比較豐富的圖3（c）、圖3（d），也會有同樣發現：計算機生成圖像（圖3（d））的變化（圖3（h））更平緩。實驗證明，CSLBP直方圖特征可以有效表征兩類圖像塊的內部紋理結構特點，捕獲它們在紋理方面的差異。

2.3 篡改檢測

盡管通過混合特征訓練的分類器模型可以很好地識別計算機生成圖像塊與自然圖像塊，為了解決目前網絡媒體中常見的將計算機生成的對象或場景嵌入自然圖像中的篡改操作問題，本文將訓練好的模型進一步應用到此類篡改圖像的檢測定位中。本節重點在于如何運用訓練的分類器模型實現篡改部位的檢測與定位。

圖3 PG與CG示例圖像及其CSLBP分布

為了實現自然圖像與計算機生成圖像的合成篡改檢測，現有的方法是對一幅M × N大小的待測圖像進行大小為n × n重疊分塊，這樣可以得到(M ? n + 1)× (N ? n+ 1)個圖像塊。然后提取每一個圖像塊的特征。最后，送入訓練好的分類器模型，計算每一個圖像塊分別屬于計算機生成圖像塊和自然圖像塊的概率。

在現有方法的基礎上，考慮到直接對待測圖像進行重疊分塊、逐塊識別會使時間復雜度高，先對整幅圖像進行大小為n × n的不重疊分塊，得到 M × N /n2個不重疊的圖像塊。用訓練好的分類器模型對每一個圖像塊的提取特征進行分類識別，后驗概率支持向量機輸出屬于正類別的概率。分類結果偏向于自然圖像塊擁有較高的概率，分類結果偏向于計算機生成圖像的子塊概率值較低。通過設定合適的閾值將圖像子塊進行分類，因為概率的范圍為 0～1，閾值的選擇也為 0～1。當圖像子塊的概率大于閾值T時，該圖像子塊被認為是自然圖像；小于閾值時，被認為是計算機生成圖像，由此確定篡改的大致區域。

為使取證更有說服力，在大致定位篡改區域內進一步精確定位。精確定位的方法是在確定的大致范圍內采取重疊分塊、逐塊判別。若其后驗概率值 P( yi= 1|f( xi))小于T，認為該圖像塊屬于篡改塊（計算機生成圖像塊），若大于或等于T，則判決為真實塊（自然圖像塊）。

3 實驗結果及分析

通過實驗評估本文算法的有效性，采用基于RBF（radial basis function）的 PPSVM 分類器（PPSVM工具包[15]）實現圖像分類，所有實驗在MATLAB 2015a 環境下進行。

3.1 圖像庫與實驗圖像集

實驗中使用的圖像庫是PG和CG圖像庫，所有圖像采用JPEG壓縮格式。PG圖像庫中包含800 幅由個人拍攝的照片圖像，圖像內容包含晴天/陰天/雨天、白天/夜晚、室內/室外、人物/建筑/風景照等不同場景。CG圖像庫包含800幅高度逼真的計算機生成圖像，來自Columbia大學CG圖像庫[18]和www.raph.com網站，圖像內容同樣包括不同主題。圖4和圖5分別給出文中使用的自然圖像和計算機生成圖像示例。

圖4 自然圖像示例

圖5 計算機生成圖像示例

為了能夠實現待測圖像的篡改區域定位，將該圖像庫中的圖像進行大小合適的分塊，構造足夠數量的隨機圖像塊集。圖像集中分為自然圖像塊（正樣本，標簽為1）和計算機生成圖像塊集（負樣本，標簽為?1）各4 000塊，用于訓練兩類圖像塊的分類器模型。

3.2 實驗結果

實驗中，將構造的圖像塊集隨機分為訓練集和測試集。進行了兩方面的實驗分析。首先是選擇顏色空間提取特征，訓練分類器模型，評估其識別性能；其次是對提出的篡改檢測及定位算法的有效性進行驗證。

3.2.1 不同顏色空間的識別率

圖6給出了5幅經典圖像及其在不同顏色空間的DH和CSLBP分布。通過觀察經典圖像在不同顏色空間的DH和CSLBP直方圖分布，選擇合適的顏色通道。

進一步，按照相同的流程分別在 RGB、HSV和 YCbCr顏色空間的各個通道提取兩類圖像128 dpi×128 dpi塊的DH和CSLBP特征，對兩類圖像塊的識別率進行比較，實驗結果見表1。

TPR（true positive rate，真正率）即被模型正確識別PG圖像塊的正確率，TNR（true negative rate，真負率）為模型正確識別CG圖像塊的正確率，ACC（accuracy，準確率）為分類平均準確率。實驗結果表明：在YCbCr顏色空間提取的本文特征平均檢測率高于在RGB和HSV顏色空間，同時，從YCbCr空間的各個通道檢測率可以看出，Y通道檢測率最高，而顏色通道Cb和Cr的檢測率相近。

圖6 經典圖像的DH和CSLBP分布

表1 不同顏色空間實驗結果對比

進一步列舉本文特征在各顏色通道對圖像塊分類識別準確率的接受者操作特征曲線（ROC曲線），如圖7所示，曲線越接近左上角表明該特征有更好的分類效果。因此選擇YCbCr空間，考慮特征維度，本文僅采用Y通道和Cb通道提取特征。

圖7 不同顏色空間特征識別率操作者受試曲線

3.2.2 PPSVM分類器有效性

為測試PPSVM分類器的有效性，實驗過程中采用10倍交叉驗證，隨機選擇圖像塊集的70%做訓練集，剩余30%做測試集，調整閾值T，每一次測試均可得到測試圖像塊在不同閾值T下的識別準確率。根據最小分類錯誤率原則，取10次交叉驗證的平均正確率最高時的閾值作為本文進行兩類圖像塊判別的閾值T（即下文大致定位時的閾值）。本文使用的PPSVM與對比參考文獻[7,8]使用的標準SVM對比結果如圖8所示，當閾值T=0.45時，PPSVM分類器在128 dpi×128 dpi的圖像塊上分類準確率達到94.75%，高于傳統SVM時94.4%的準確率。

圖8 自然圖像和計算機生成圖像128 dpi×128 dpi圖像塊PPSVM與SVM檢測率對比

3.2.3 模型的識別性能

為了將所提出算法更加精確地應用于下面的合成圖像局部篡改塊分析中，將圖像庫中的圖像分別裁剪為256 dpi ×256 dpi、128 dpi×128 dpi尺寸的圖像塊，在不同尺寸圖像塊上分別驗證算法的有效性。對于不同尺寸的圖像塊集，隨機選取自然圖像塊與計算機生成圖像塊各2 000塊，分別提取Y通道和Cb通道的DH和CSLBP直方圖特征，訓練PPSVM模型。

如圖9所示，列舉本文與對比文獻中幾種不同特征對 128 dpi×128 dpi圖像塊分類準確率的ROC曲線，可以看出本文采用特征識別率高于對比文獻，分類效果突出。

圖9 對比算法的ROC曲線

表2給出了本文所用DH+CSLBP特征訓練模型與現有方法[5,7,8,11]所提取的特征在相同圖像塊集上的對比測試結果，結果表明本文提取的特征具有較好的識別能力。

表2 識別性能對比結果

圖10 本文算法對篡改圖像的定位結果

3.2.4 篡改定位結果

將本文提出的分類方法應用到自然圖像中嵌入的計算機生成圖像塊的檢測上。考慮到篡改圖像出現的情況通常是在一幅自然圖像中生成某種自然界不存在的對象或者虛擬場景，一般來講插入的對象都具有一定大小及形狀，因此，在實驗中對測試圖像進行128 dpi×128 dpi分塊并采用之前訓練的128 dpi×128 dpi分類器模型。應用第2.3節提出的檢測方法，圖10給出了篡改檢測結果。其中，圖10（a）是5幅篡改后圖像，在真實的自然圖像中含有計算機生成的圖像塊；圖10（b）是篡改圖像的篡改位置；圖10（c）是在先對待測圖像進行不重疊分塊后確定的大致篡改區域（T=0.45）；圖10（d）給出了圖10（c）進一步重疊分塊后的PPSVM檢測概率，越接近1表示該區域越接近真實區域（自然圖像）；圖10（e）給出了最終定位效果，計算機生成圖像塊的中心像素標記為0，并經過腐蝕和膨脹形態學處理；圖10（f）給出了參考文獻[11]的定位結果。

3.2.5 幾何變換頑健性分析

為了驗證本文算法對于抵抗常用的幾何變換（如縮放和旋轉）操作的頑健性，本文又進行了進一步的實驗。

定義分類準確率 TPR和誤檢率 FPR；TP為篡改塊（計算機生成塊）判定為篡改塊的個數；FN為篡改塊判定為真實塊（自然圖像塊）的個數；FP為真實塊判定為篡改塊的個數；TN為真實塊判定為真實塊的個數。分類準確率和誤檢率分別定義為：

將測試集中的圖像塊分別按照不同的縮放因子和旋轉因子進行縮放、旋轉處理，提取本文144維特征，利用前面的模型進行分類檢測。檢測率見表3和表4。

表3 縮放情況下的檢測率

表4 旋轉情況下的檢測率

如圖11所示，篡改圖像塊分別經過了旋轉、放大和縮小，篡改圖像均采用JPEG壓縮。

觀察篡改檢圖像的定位結果，本文所提算法對于抵抗旋轉、縮放幾何操作，具有很好的頑健性，能較好地定位出篡改區域。

圖11 本文算法幾何變換頑健性實驗結果

4 結束語

本文基于圖像在YCbCr顏色空間的差分直方圖特征與局部二進制特征，結合后驗概率支持向量機訓練對計算機生成圖像塊與自然圖像塊的分類模型，并將此模型進一步應用到包含有這兩類圖像的合成圖像篡改檢測與定位算法中。定位時，提出“兩步走”策略，通過對圖像不重疊分塊進行分類識別，定位出大致篡改區域，再進一步在該區域內進行重疊分塊，檢測各個圖像子塊的類別，從而實現精確定位。經大量實驗表明，算法在保持較高的檢測率和檢測效率的情況下，對兩類圖像塊都具有較高的識別能力，并且能達到對篡改區域準確定位的目的，且所提取的特征對幾何變換操作具有較強的頑健性。

[1]GAO S, ZHANG C, WU C L, et al. A hybrid feature based method for distinguishing computer graphics and photo-graphic image[C]//International Workshop on Digital Watermarking, September 17-19, 2013, Beijing, China. Berlin: Springer Berlin Heidelberg, 2013: 303-313.

[2]HOLMES O, BANKS M S, FARID H. Assessing and improving the identification of computer-generated portraits[J]. ACM Transactions on Applied Perception (TAP), 2016, 13(2): 7.

[3]AYYALASOMAYAJULA R S, PANKAJAKSHAN V. Differentiating photographic and PRCG images using tampering localization features[C]//International Conference on Computer Vision and Image Processing, January 12-13, 2016, Singapore. [S.l.:s.n.], 2017: 429-438.

[4]王亞東, 張榮, 蔣檜慧, 等. 引入垂直全局表觀約束的中層特征行人再識別[J]. 電信科學, 2017, 33(4): 114-125. WANG Y D, ZHANG R, JIANG H H, et al. Person re-identification using mid-level features with vertical global appearance constraint[J]. Telecommunications Science, 2017, 33(4): 114-125.

[5]LYU S, FARID H. How realistic is photorealistic?[J]. IEEE Transactions on Signal Processing, 2005, 53(2): 845-850.

[6]PENG F, ZHOU D, LONG M, et al. Discrimination of natural images and computer generated graphics based on multi-fractal and regression analysis[J]. AEU-International Journal of Electronics and Communications, 2017(71): 72-81.

[7]WU R, LI X, YANG B. Identifying computer generated graphics via histogram features[C]//2011 18th IEEE International Conference on Image Processing (ICIP), September 11-14, 2011, Brussels, Belgium. New Jersey: IEEE Press, 2011: 1933-1936.

[8]LI Z, YE J, SHI Y Q. Distinguishing computer graphics from photographic images using local binary patterns[M]. Berlin: Springer Berlin Heidelberg, 2012: 228-241.

[9]OJALA T, PIETIKAINEN M, MAENPAA T. Multi-resolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971-987.

[10]申鉉京, 李夢臻, 呂穎達, 等. 基于 LBC 的計算機生成圖像盲鑒別算法[J]. 計算機科學, 2015, 42(6): 135-138. SHEN X J, LI M Z, LV Y D, et al. Blind identification algorithm of photorealistic computer graphics based on local binary count[J]. Computer Science, 2015, 42(6): 135-138.

[11]CONOTTER V, CORDIN L. Detecting photographic and computer generated composites[C]//IS&T/SPIE Electronic Imaging. International Society for Optics and Photonics, August 12-14, 2011, Chennai, India. [S.l.:s.n.], 2011: 3238-3241.

[12]KE Y, MIN W, DU X, et al. Detecting the composite of photographic image and computer generated image combing with color, texture and shape feature[J]. Journal of Theoretical & Applied Information Technology, 2013, 49(2).

[13]CHANG C C, LIN C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology(TIST), 2011, 2(3): 27.

[14]裴安山, 王讓定, 嚴迪群. 基于設備本底噪聲頻譜特征的手機來源識別[J]. 電信科學, 2017, 33(1): 85-94. PEI A S, WANG R D, YAN D Q. Cell-phone origin identification based on spectral features of device self-noise [J]. Telecommunications Science, 2017, 33(1): 85-94.

[15]PLATT J. Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods[J]. Advances in Large Margin Classifiers, 2000, 10(4): 61-74.

[16]CHEN W. Detection of digital image and video forgeries[D]. Newark: New Jersey Institute of Technology, 2008.

[17]M?ENP?? T, PIETIK?INEN M. Texture analysis with local binary patterns[J]. Handbook of Pattern Recognition and Computer Vision, 2005(3): 197-216.

[18]NG T T, CHANG S F, HSU J, et al. Columbia photographic images and photorealistic computer graphics dataset[R]. 2005.

Robust tampering detection and localization of composite image

WANG Xiao, ZHANG Rong, GUO Lijun
College of Information Science and Engineering, Ningbo University, Ningbo 315211, China

Aiming at the problem of tamper detection of composite image of natural images and highly simulated computer-generated images, a method of extracting image block color and texture feature based on differential histogram and local binary texture descriptor in YCbCr color space was proposed. By training posterior probability support vector machine, the image block to be measured was identified. In the case of non-overlapping block, the approximate tampering area was general judged, then the block was discriminated by pixel in the region, ultimately the accurate location of tampering area was achieved. The experimental results show that the recognition rate of 128 dpi×128 dpi image blocks is 94.75%, which is higher than other methods. The tapering region of the synthesized image can be precisely positioned, and the rotation and scaling operation show good coercivity.

composite image, feature extraction, posterior probability support vector machine, tampering detection

s: Zhejiang Provincial Natural Science Foundation of China (No.LY17F030002), Zhejiang Province “Information and Communication Engineering” in the Top Priority of the Subject of Open Fund (No.xkxl1521, No.xkxl1516)

TP391

A

10.11959/j.issn.1000?0801.2017214

王瀟（1993?），女，寧波大學信息科學與工程學院碩士生，主要研究方向為數字圖像取證與信息安全。

張榮（1974?），女，博士，寧波大學副教授，主要研究方向為數字取證與信息安全。

郭立君（1970?），男，博士，寧波大學教授，主要研究方向為計算機視覺與模式識別、移動互聯網及其應用。

2017?04?18；

2017?06?30

張榮，zhangrong@nbu.edu.cn

浙江省自然科學基金資助項目（No.LY17F030002）；浙江省“信息與通信工程”重中之重學科開放基金資助項目（No.xkxl1521，No.xkxl1516）