牛亞坤 趙 耀 李曉龍

（1.北京交通大學(xué)信息科學(xué)研究所，北京 100044；2.現(xiàn)代信息科學(xué)與網(wǎng)絡(luò)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100044）

1 引言

隨著信息技術(shù)的迅速發(fā)展和數(shù)碼產(chǎn)品的普及，以數(shù)字圖像為代表的多媒體已經(jīng)成為人們?nèi)粘Ｉ钪兄匾囊曈X信息載體，被廣泛應(yīng)用于新聞報(bào)道、司法鑒定、理賠保險(xiǎn)和科學(xué)發(fā)現(xiàn)等領(lǐng)域。數(shù)字圖像的廣泛應(yīng)用也促進(jìn)了多媒體編輯軟件的蓬勃發(fā)展，例如Photoshop、美圖秀秀、美顏相機(jī)等。利用這些編輯工具，人們對(duì)數(shù)字圖像內(nèi)容修改變得簡便快捷且能達(dá)到以假亂真的效果。然而，這些技術(shù)在給人們生活帶來方便的同時(shí)也會(huì)造成一定的困擾和危害。一些具有不良目的的惡意用戶會(huì)對(duì)圖像內(nèi)容進(jìn)行非法操作，以達(dá)到制造虛假新聞、欺詐勒索、提供司法偽造證據(jù)等一系列違法犯罪活動(dòng)的目的?？梢?，數(shù)字圖像所傳遞的信息并不總是真實(shí)可靠、惡意偽造圖像不僅擾亂治安穩(wěn)定而且危害國家安全。因此，對(duì)數(shù)字圖像內(nèi)容真實(shí)性和完整性認(rèn)證已經(jīng)成為多媒體信息安全領(lǐng)域亟需解決的問題。在此背景下，數(shù)字圖像被動(dòng)取證技術(shù)應(yīng)運(yùn)而生，旨在利用圖像的固有屬性認(rèn)證其原始性和真實(shí)性、對(duì)偽造區(qū)域定位以及分析操作歷史［1］。該技術(shù)不需要預(yù)先對(duì)數(shù)字圖像嵌入標(biāo)識(shí)性信息，而是通過直接地分析圖像內(nèi)容本身，從而實(shí)現(xiàn)盲取證的目的，成為多媒體信息安全領(lǐng)域的熱門研究方向。

JPEG作為通用的壓縮標(biāo)準(zhǔn)，被廣泛應(yīng)用到數(shù)碼相機(jī)和編輯軟件。大多數(shù)社交平臺(tái)，例如微信、Facebook 等也需要對(duì)上傳的圖像進(jìn)行JPEG 壓縮以便存儲(chǔ)和傳輸。因此，對(duì)JPEG 圖像進(jìn)行取證具有現(xiàn)實(shí)意義。另外，對(duì)JPEG 圖像進(jìn)行篡改會(huì)留下特殊的壓縮效應(yīng)，分析這些效應(yīng)能夠更好的鑒定圖像真實(shí)性以及定位篡改區(qū)域。本文旨在對(duì)現(xiàn)有JPEG圖像相關(guān)的取證技術(shù)進(jìn)行介紹、歸納和分析，以期為研究人員提供一份詳盡的進(jìn)展報(bào)告，推動(dòng)相關(guān)領(lǐng)域的發(fā)展。

2 JPEG壓縮編碼和解碼

標(biāo)準(zhǔn)的JPEG 壓縮過程包括編碼和解碼階段，如圖1 所示。在編碼階段，一幅圖像首先被分解為不重疊8 × 8 大小的塊X1，然后對(duì)每個(gè)塊進(jìn)行離散余弦變換（Discrete Cosine Transform，DCT）得到DCT系數(shù)：

接著使用量化矩陣對(duì)DCT 系數(shù)進(jìn)行量化得到量化系數(shù)[Y1/Q]（也稱JPEG 系數(shù)）。其中，[?]為四舍五入取整操作，Q為8 × 8 大小的量化矩陣，其包含64 個(gè)量化步長qi∈N，i∈{0，…63}。最后對(duì)量化系數(shù)進(jìn)行熵編碼。量化誤差發(fā)生在編碼階段中，它是JPEG壓縮信息損失的主要原因。在解碼階段，首先從碼流中讀取量化系數(shù)，然后對(duì)其反量化，得到

接著對(duì)Z1進(jìn)行逆向的DCT 操作（Inverse DCT，IDCT），得到反變換系數(shù)：

由于數(shù)字圖像像素的灰度級(jí)在[0，255]之內(nèi)，需要對(duì)U1進(jìn)行取整和截?cái)?，得到解壓縮圖像：

其中RT(?)為取整和截?cái)嗖僮?。解碼過程中會(huì)產(chǎn)生取整誤差和截?cái)嗾`差。JPEG 圖像中的各種誤差、DCT 系數(shù)分布等均屬于自身的“固有指紋”，任何的篡改方式都會(huì)在一定程度上破壞它們的統(tǒng)計(jì)特性并且留下特殊的痕跡，因此可以通過分析這些“固有指紋”的完整性和一致性對(duì)圖像真實(shí)性進(jìn)行鑒別。

3 JPEG圖像被動(dòng)取證方法

對(duì)JPEG 圖像進(jìn)行篡改時(shí)，拼接區(qū)域可能來自未壓縮圖像或另一幅JPEG 圖像，完成拼接后篡改圖像還需要第二次壓縮。這樣拼接圖像中原始區(qū)域和拼接區(qū)域會(huì)出現(xiàn)壓縮歷史不一致性，即原始區(qū)域經(jīng)歷兩次壓縮，但拼接區(qū)域卻經(jīng)歷一次壓縮（拼接區(qū)域來自JPEG 圖像時(shí)，壓縮期間DCT 網(wǎng)格較大概率是非齊方式，也會(huì)呈現(xiàn)一次壓縮現(xiàn)象）。另外，在隱蔽通信場(chǎng)景中，秘密信息被嵌入后，攜密的JPEG 圖像仍需進(jìn)行第二次壓縮進(jìn)而出現(xiàn)雙重壓縮現(xiàn)象。因此，可以通過檢測(cè)雙重壓縮進(jìn)行篡改區(qū)域定位以及隱寫分析。此外，分別從雙重JPEG 壓縮圖像中估計(jì)初次量化矩陣和從解壓縮圖像中估計(jì)量化矩陣能夠提供更加全面的信息用于進(jìn)一步的取證分析。利用壓縮次數(shù)、JPEG 壓縮中的誤差、DCT 系數(shù)直方圖和量化矩陣等“固有指紋”不一致性還可以對(duì)拼接區(qū)域檢測(cè)和定位。因此，JPEG圖像取證可以劃分為：雙重JPEG 壓縮檢測(cè)、量化矩陣估計(jì)和JPEG圖像拼接檢測(cè)與定位。

3.1 雙重JPEG壓縮檢測(cè)

根據(jù)兩次JPEG 壓縮使用的量化矩陣是否一致，壓縮可以分為不同量化矩陣和相同量化矩陣的雙重JPEG 壓縮。對(duì)于不同量化矩陣的雙重JPEG壓縮檢測(cè)，研究學(xué)者已經(jīng)提出眾多有效的方法，其可以被分為基于手工特征和基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的方法。

對(duì)于基于手工特征的方法，Popescu 和Farid［2］首次發(fā)現(xiàn)雙重壓縮圖像的量化系數(shù)直方圖會(huì)出現(xiàn)周期性的峰值和峰谷現(xiàn)象，稱為雙量化（Double Quantization，DQ）效應(yīng)。通過對(duì)量化系數(shù)直方圖傅里葉變換測(cè)量周期性然后用于檢測(cè)雙重JPEG 壓縮。但當(dāng)?shù)谝淮螇嚎s的質(zhì)量因子較大時(shí)，該方法將會(huì)失效。另外，當(dāng)兩次壓縮之間存在裁剪操作時(shí)則不存在DQ 效應(yīng)。Fu 等人［3］觀測(cè)到單次壓縮圖像的交流（Alternating Current，AC）系數(shù)首數(shù)字的分布遵循廣義的Benford定律，然后利用首數(shù)字直方圖用于雙重JPEG 壓縮檢測(cè)。然而，一些AC 通道的系數(shù)分布并不能很好的遵循該定理，Li 等人［4］提出選擇一些特定AC 通道的量化系數(shù)并利用首數(shù)字特征解決該檢測(cè)問題。遺憾的是，上述兩種基于首數(shù)字的方法在質(zhì)量因子大于95時(shí)，檢測(cè)性能會(huì)顯著降低。這是因?yàn)閱未螇嚎s和雙重壓縮圖像的首數(shù)字直方圖分布的差異較小。Giudic 等人［5］通過對(duì)DCT 系數(shù)首數(shù)字的深入分析，指出通過1-D 的DCT 變換得到的首數(shù)字特征用于雙重壓縮檢測(cè)要比2D 的DCT 變換更加有效。

不同于上述基于手工特征的方法，一系列基于CNN 的方法近些年被提出，顯著提升了雙重JPEG壓縮檢測(cè)的性能。Park等人［6］對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)考慮了不同類型的量化表，并將DCT 系數(shù)直方圖和量化矩陣同時(shí)作為網(wǎng)絡(luò)的輸入，能夠適用于混合質(zhì)量因子的雙重壓縮檢測(cè)。Ahn 等人［7］提出一種端到端包含3D 卷積核的網(wǎng)絡(luò)結(jié)構(gòu)，使用反量化系數(shù)直方圖以及利用特征尺度改變策略結(jié)合量化矩陣訓(xùn)練該網(wǎng)絡(luò)。Hussain 等人［8］提出一種兩階段的檢測(cè)小尺寸圖像塊雙重壓縮的方法。第一個(gè)階段采用具有64個(gè)核的DCT輔助層，第二個(gè)階段是由多個(gè)卷積塊組成的深度網(wǎng)絡(luò)，能夠更加有效的提取DCT 系數(shù)信息。

目前，現(xiàn)有方法能夠很好解決不同量化矩陣雙重JPEG 壓縮檢測(cè)問題，即使對(duì)小尺寸的圖像塊，也能取得較高精度的檢測(cè)性能。但當(dāng)?shù)谝淮螇嚎s時(shí)的質(zhì)量因子大于第二次或兩次壓縮之間存在縮放、裁剪和旋轉(zhuǎn)操作時(shí)，上述兩類方法的檢測(cè)性能會(huì)大幅度降低，甚至失效。

當(dāng)使用相同量化矩陣對(duì)圖像進(jìn)行連續(xù)壓縮時(shí)，單次壓縮圖像和雙重壓縮圖像之間圖像內(nèi)容的變化較小，可利用的統(tǒng)計(jì)信息也較少，因此對(duì)相同量化矩陣的雙重JPEG 壓縮檢測(cè)更具有挑戰(zhàn)性。Huang 等人［9］觀察到相鄰兩次壓縮圖像間不同量化系數(shù)的個(gè)數(shù)在連續(xù)的壓縮過程中會(huì)呈現(xiàn)單調(diào)遞減現(xiàn)象。在此基礎(chǔ)上，設(shè)計(jì)了一種隨機(jī)擾動(dòng)策略用于獲得一個(gè)與圖像相關(guān)的閾值。通過比較該閾值和不同量化系數(shù)的個(gè)數(shù)進(jìn)而識(shí)別雙重JPEG 壓縮。盡管該方法簡單有效，但存在兩種問題：1）對(duì)于一些圖像，特別是對(duì)于低質(zhì)量壓縮的圖像，不同量化系數(shù)的個(gè)數(shù)單調(diào)遞減的趨勢(shì)并不明顯，因此很難找到合適的系數(shù)修改比例，進(jìn)而導(dǎo)致檢測(cè)的失效；2）隨機(jī)擾動(dòng)策略只是無差別的對(duì)任意的量化系數(shù)進(jìn)行修改，然而修改不同位置的系數(shù)對(duì)檢測(cè)的結(jié)果影響較大。為了解決上述問題，Niu 等人［10］提出一種增強(qiáng)的隨機(jī)擾動(dòng)策略，首次指出截?cái)嗾`差是該檢測(cè)問題的關(guān)鍵，提出只對(duì)值為1 和-1 的量化系數(shù)進(jìn)行修改，大幅度提升原始隨機(jī)擾動(dòng)策略的性能。以上基于隨機(jī)擾動(dòng)策略的方法的不足是檢測(cè)結(jié)果具有隨機(jī)性且不平衡。Yang等人［11］發(fā)現(xiàn)在JPEG 壓縮過程中，對(duì)于存在取整或截?cái)嗾`差的圖像塊，單次壓縮圖像中誤差的最大值和平均值要大于雙重壓縮圖像。然后，分別利用直流（Direct Current，DC）和AC通道取整和截?cái)嗾`差的方差和均值當(dāng)作13-D 特征進(jìn)行檢測(cè)雙重壓縮。Niu 等人［12］將用相同量化矩陣重復(fù)壓縮的過程簡化為反量化系數(shù)Zk的鏈，如圖2所示。其中Q&D 表示量化和反量化過程，k表示壓縮次數(shù)。通過理論分析得出圖像連續(xù)壓縮時(shí)誤差分量和量化系數(shù)分量隨著壓縮次數(shù)增加趨向于收斂，最后從誤差和量化系數(shù)分量分別提取用于檢測(cè)的15-D 特征。由于對(duì)彩色圖像進(jìn)行JPEG 壓縮時(shí)需要從RGB 空間轉(zhuǎn)換到Y(jié)CbCr空間，在此過程中會(huì)出現(xiàn)轉(zhuǎn)換誤差。Wang 等人［13-14］提出利用顏色轉(zhuǎn)換誤差檢測(cè)彩色圖像相同量化矩陣的雙重JPEG 壓縮檢測(cè)。

若干基于CNN 的方法也陸續(xù)被提出用于相同量化矩陣雙重JPEG 壓縮檢測(cè)任務(wù)。Huang 等人［15］將JPEG 壓縮中的誤差作為CNN 的輸入得到62-D特征，最后合并文獻(xiàn)［11］中的13-D特征用于檢測(cè)雙重JPEG 壓縮。與文獻(xiàn)［10］中的方法不同，Harish等人［16］使用連續(xù)壓縮產(chǎn)生的誤差與其對(duì)應(yīng)的DCT 系數(shù)作為網(wǎng)絡(luò)的輸入。現(xiàn)有相同量化雙重JPEG 壓縮檢測(cè)的方法的匯總?cè)绫?所示?？梢钥闯鎏卣骶S度在逐漸增加，分類器由傳統(tǒng)的SVM 逐漸向深度網(wǎng)絡(luò)過度，檢測(cè)的對(duì)象也由灰度圖擴(kuò)展到彩色圖像。雖然相同量化矩陣的雙重壓縮檢測(cè)已經(jīng)取得了較大的進(jìn)展，但現(xiàn)有的大多數(shù)方法并沒有充分利用單次和雙重JPEG 壓縮之間的統(tǒng)計(jì)差異，進(jìn)而限制了雙重壓縮的檢測(cè)性能，特別是對(duì)于低質(zhì)量因子的情況。此外，現(xiàn)有方法缺乏對(duì)JPEG 壓縮中截?cái)嗾`差和量化系數(shù)的理論分析，填補(bǔ)這些空白將有助于進(jìn)一步提升檢測(cè)的準(zhǔn)確率。

表1 相同量化矩陣的雙重JPEG壓縮檢測(cè)方法匯總Tab.1 Summary of detection methods for double JPEG compression with the same quantization matrix

3.2 量化矩陣估計(jì)

對(duì)JPEG 圖像進(jìn)行解壓縮以及重復(fù)對(duì)JPEG 圖像壓縮時(shí)，解壓縮圖像的量化矩陣和雙重JPEG 壓縮圖像中第一次的量化矩陣通常無法從JPEG 頭文件中直接獲取，因此估計(jì)上述兩種情況下的量化矩陣將有助于進(jìn)一步的取證分析。

由于解壓縮JPEG 圖像的DCT 系數(shù)分布與量化步長有關(guān)，如圖3 所示。圖中為質(zhì)量因子QF=85 時(shí)通道（1，4）對(duì)應(yīng)量化步長為5的DCT系數(shù)分布，從中看出系數(shù)主要集中于量化步長的整數(shù)倍范圍以內(nèi)。因此，可以從DCT 系數(shù)直方圖中估計(jì)到量化步長。Luo 等人［17］首次對(duì)JPEG 壓縮中的量化誤差、取整和截?cái)嗾`差進(jìn)行分析，得出DCT 系數(shù)主要分布在量化步長倍數(shù)［-1，1］范圍之內(nèi)，并指出取整后的DCT 系數(shù)絕對(duì)值的直方圖中對(duì)應(yīng)最大峰值的位置即為量化步長。另外，Luo 等人［17］還發(fā)現(xiàn)使用相同的量化表對(duì)解壓縮圖像進(jìn)行重復(fù)壓縮，圖像像素改變較少，基于這個(gè)發(fā)現(xiàn)，通過比較重復(fù)壓縮前后像素的改變量估計(jì)量化矩陣。Yang 等人［18］提出了因子直方圖的概念，并指出量化步長對(duì)應(yīng)的位置因子直方圖出現(xiàn)局部極大值。

Li 等人［19］通過對(duì)連續(xù)JPEG 壓縮中誤差的研究，定義了前向量化誤差并指出該誤差的方差局部極小值的位置對(duì)應(yīng)于真實(shí)的量化步長。不同于上述基于直方圖的方法，Thai 等人［20］提出一種基于數(shù)學(xué)分析的方法。該方法對(duì)不同的圖像尺寸和質(zhì)量因子均具有較好的估計(jì)性能。Yang 等人［21］發(fā)現(xiàn)量化表中不同位置的量化步長存在相同的值，如圖4所示。依據(jù)這種先驗(yàn)知識(shí)，提出一種通用的基于聚類的量化矩陣估計(jì)框架，實(shí)現(xiàn)了對(duì)現(xiàn)有估計(jì)方法性能的進(jìn)一步的提升。

對(duì)于從雙重JPEG 壓縮圖像中估計(jì)初次壓縮的量化矩陣問題，F(xiàn)arid［22］通過估計(jì)質(zhì)量因子（Quality Factor，QF）進(jìn)而間接地估計(jì)量化矩陣。然而，這種方法缺失一般性，因?yàn)镼F 不是標(biāo)準(zhǔn)的JPEG 壓縮參數(shù)，對(duì)于使用專有量化矩陣的壓縮軟件，例如Photo?shop，QF 可能沒有定義。另外，還有一些基于模型的估計(jì)方法［23-26］，該類方法通過利用DCT 系數(shù)分布模型，或者雙重JPEG 壓縮過程中產(chǎn)生特殊的模式進(jìn)行量化矩陣估計(jì)。而另一些方法則是揭示由連續(xù)量化引起的特殊效應(yīng)來估計(jì)量化矩陣。以上大多數(shù)估計(jì)方法在特定的場(chǎng)景下能取得較好的性能。但有些方法只適用于初次壓縮質(zhì)量因子QF1大于第二次壓縮的質(zhì)量因子QF2的情況。還有些方法只適用于第二次壓縮的DCT 網(wǎng)格對(duì)齊或者非對(duì)齊于第一次壓縮。例如，文獻(xiàn)［22］在第一次壓縮的量化步長是第二次壓縮的因子時(shí)將失效。盡管文獻(xiàn)［23］能夠同時(shí)適用于對(duì)齊和非對(duì)齊壓縮方式，但當(dāng)QF1>QF2時(shí)，估計(jì)的性能會(huì)大幅度降低。文獻(xiàn)［26］只有在QF1

3.3 JPEG圖像拼接檢測(cè)與定位

JPEG 圖像拼接偽造可以分為三個(gè)步驟，如圖6所示。首先對(duì)質(zhì)量因子為QF1的JPEG 圖像B 進(jìn)行解壓縮，然后使用A 中的一部分區(qū)域替換B 的內(nèi)容，最后使用質(zhì)量因子QF2對(duì)偽造圖像C 進(jìn)行壓縮。偽造圖像的真實(shí)區(qū)域和拼接區(qū)域會(huì)呈現(xiàn)出統(tǒng)計(jì)特性不一致性。由于拼接會(huì)在DCT 域，特別是在JPEG 系數(shù)直方圖上留下特殊的痕跡，若干檢測(cè)算法都側(cè)重于分析JPEG 系數(shù)直方圖的統(tǒng)計(jì)量。而在非對(duì)齊的雙重JPEG 場(chǎng)景下，雙重JPEG 檢測(cè)的方法往往從像素域或DCT 域提取特殊的特征。然而這些方法都是用于檢測(cè)整幅圖像是否經(jīng)歷過雙重JPEG 壓縮，不適用于篡改區(qū)域的定位。盡管一些基于CNN 的方法能夠?qū)π〕叽绲膱D像塊檢測(cè)雙重JPEG 壓縮且具有較好性能，但是這些方法都是針對(duì)雙重JPEG VS 單次JPEG 場(chǎng)景。例如，文獻(xiàn)［31］用于對(duì)齊和非對(duì)齊的雙重JPEG 壓縮檢測(cè)，文獻(xiàn)［6-7］只用于對(duì)齊的雙重JPEG 壓縮檢測(cè)。也就是說，這些方法假設(shè)篡改區(qū)域經(jīng)歷了單次JPEG 壓縮，而背景則是經(jīng)歷雙重JPEG 壓縮。相反，更具挑戰(zhàn)性的是雙重JPEG VS 雙重JPEG 場(chǎng)景。目前只有少量的工作關(guān)注這個(gè)場(chǎng)景。原則上，估計(jì)雙重JPEG 壓縮圖像中第一次壓縮時(shí)的量化矩陣的方法可以應(yīng)用于此場(chǎng)景。但是，這兩種方法都是針對(duì)整幅圖像，因此它們也不適用于篡改區(qū)域定位。文獻(xiàn)［32］提出了一種檢測(cè)圖像局部是否經(jīng)歷低質(zhì)量因子JPEG 壓縮的技術(shù)，但該方法只限制在QF1

其中Xs和Xd分別表示為單次和雙重JPEG 壓縮圖像的DCT 系數(shù)分布，α1和α2（α1+α2=1）分別表示拼接區(qū)域與真實(shí)區(qū)域的比例。通過求解公式（5）可以得到每個(gè)DCT 塊為雙重壓縮的概率。但該方法適用于對(duì)齊方式的雙重JPEG 圖像的場(chǎng)景，對(duì)非對(duì)齊雙重JPEG 壓縮圖像則無效。以上兩種方法在當(dāng)?shù)诙螇嚎s的質(zhì)量因子大于第一次的質(zhì)量因子時(shí)，即QF1

4 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)

JPEG 圖像被動(dòng)取證中使用的數(shù)據(jù)大多是由未壓縮圖像進(jìn)行壓縮、解壓縮、重復(fù)壓縮等生成JPEG解壓縮圖像、雙重JPEG 壓縮圖像等。未壓縮圖像主要來自UCID［38］、RAISE［39］和Bossbase［40］數(shù)據(jù)庫，其中UCID 包含1338幅TIF格式的彩色圖像，RAISE包含8156 幅高分辨率的TIF 格式的彩色圖像，Boss?base 包含10000 幅PGM 格式的灰度圖像。上述數(shù)據(jù)庫中的圖像還需要進(jìn)行裁剪或縮放、拼接等操作生成偽造的JPEG 圖像用于訓(xùn)練和測(cè)試檢測(cè)和定位模型。

雙重JPEG 壓縮檢測(cè)的衡量指標(biāo)包括真正類率（True Positive Ratio，TPR），即雙重JPEG 壓縮圖像被正確識(shí)別的比例、真負(fù)類率（True Negative Ratio，TNR），即單次JPEG 壓縮圖像被識(shí)別的比例和準(zhǔn)確率，即所有正類和負(fù)類被正確檢測(cè)的比例（當(dāng)正負(fù)樣本數(shù)目相等時(shí)，準(zhǔn)確率表示為（TPR+TNR）/2）。當(dāng)準(zhǔn)確率高且TPR 和TNR 之間比較均衡時(shí)表明檢測(cè)方法具有較好的性能。

通常評(píng)估量化步長估計(jì)的標(biāo)準(zhǔn)為準(zhǔn)確率和MSE。準(zhǔn)確率為被正確估計(jì)的量化步長所占的比例。MSE的計(jì)算方式如下所示：

其中x為雙重JPEG 壓縮圖像，N為量化步長的維度，qi和分別表示為第i個(gè)真實(shí)的量化步長的值與估計(jì)的值。MSE越小，表明估計(jì)性能越好。

JPEG 圖像篡改區(qū)域定位結(jié)果評(píng)估的指標(biāo)通常為F1分?jǐn)?shù)、馬修斯系數(shù)（Matthews Correlation Coeffi?cient，MCC）和受試者工作特征曲線（Receiver Oper?ating Characteristic Curve，ROC 曲線）。F1分?jǐn)?shù)的計(jì)算方式表示為：

其中precision 為精確度，recall 為召回率。F1分?jǐn)?shù)的范圍為［0，1］，分?jǐn)?shù)越大說明定位結(jié)果越好。MCC的計(jì)算方式如下所示：

其中，TP、TN、FP 和FN 分別表示為真正類數(shù)、真負(fù)類數(shù)、假正類數(shù)和假負(fù)類數(shù)。MCC 的范圍為［-1，1］，當(dāng)該指標(biāo)取值為1 時(shí)表示能夠完美定位篡改區(qū)域，取值為0 時(shí)表示檢測(cè)的結(jié)果還不如隨機(jī)預(yù)測(cè)的結(jié)果，-1 是指預(yù)測(cè)分類和實(shí)際情況完全不一致。ROC 曲線是反映敏感性和特異性連續(xù)變量的綜合指標(biāo)，評(píng)價(jià)其質(zhì)量的一個(gè)重要的特征是曲線下方的面積（AUC）。當(dāng)AUC 為0.5 時(shí)為隨機(jī)分類，表示分類器沒有識(shí)別能力，AUC 越接近于1 表示分類器的判別能力越強(qiáng)。

5 性能對(duì)比

本節(jié)首先給出了文獻(xiàn)［9-12］中所提方法在UCID（彩色圖像首先轉(zhuǎn)為灰度圖）上的相同量化矩陣的雙重JPEG 壓縮檢測(cè)性能對(duì)比，如表2所示。可以看出當(dāng)質(zhì)量因子大于90 時(shí)，四種方法的準(zhǔn)確率均高于92%。當(dāng)質(zhì)量因子低于80 時(shí)，各種方法的檢測(cè)性能明顯降低，這是因?yàn)橄喈?dāng)一部分圖像的兩次壓縮之間在空域和DCT 域幾乎沒有統(tǒng)計(jì)差異，因此很難進(jìn)行區(qū)分。而文獻(xiàn)［12］同時(shí)考慮了誤差和DCT 系數(shù)分量，整體性能要優(yōu)于其他三種方法。

表2 相同量化矩陣的雙重JPEG壓縮檢測(cè)方法性能（準(zhǔn)確率）對(duì)比Tab.2 Performance（Accuracy）comparison of detection methods for double JPEG compression with the same quantization matrix

接著，表3 列出了文獻(xiàn)［25-26，29-30］中所提方法在RAISE 數(shù)據(jù)集上初次量化矩陣估計(jì)的性能對(duì)比，其中測(cè)試圖像的大小為64×64，第一次壓縮的質(zhì)量因子QF1=｛60，65，70，75，80，85，95｝，第二次壓縮的質(zhì)量因子QF2=90。當(dāng)QF1=95 時(shí)，基于模型的傳統(tǒng)方法［25］已經(jīng)失效，而基于CNN 的方法依然具有較好的估計(jì)效果。由于文獻(xiàn)［25］中的模型不依賴于兩次壓縮間質(zhì)量因子而是從量化步長對(duì)中學(xué)習(xí)DCT 系數(shù)分布，因此能夠更好的獲取第一次壓縮時(shí)量化步長的信息。

表3 雙重JPEG圖像中初次量化矩陣估計(jì)性能（準(zhǔn)確率）對(duì)比Tab.3 Performance（Accuracy）comparison of primary quantization matrix estimation in double JPEG compressed images

最后，本節(jié)給出了基于DCT 系數(shù)分布差異性［33-34］和基于異常檢測(cè)方法［37］對(duì)JPEG 圖像拼接檢測(cè)和定位的性能對(duì)比實(shí)驗(yàn)，如表4 所示。實(shí)驗(yàn)的數(shù)據(jù)集為文獻(xiàn)［33-34］中使用的部分圖像，分別表示為Db 和Dw。其中，Db 中圖像的分辨率為1024×1024，第一次壓縮的質(zhì)量因子QF1∈｛50：5：100｝，篡改區(qū)域部分為圖像總面積的1/16 且為中心區(qū)域。Dw 是由UCID 中圖像生成，第一次壓縮的質(zhì)量因子QF1∈｛55：10：95｝，篡改區(qū)域部分為圖像總面積的1/10。兩種數(shù)據(jù)集中圖像均為對(duì)齊方式的雙重JPEG 壓縮且第二壓縮的質(zhì)量因子QF2=90，對(duì)比結(jié)果如表4 所示?？梢园l(fā)現(xiàn)文獻(xiàn)［34］所提方法要優(yōu)于其他兩種方法，這是因?yàn)樵摲椒ǎ?4］針對(duì)對(duì)齊方式的雙重JPEG圖像而設(shè)計(jì)。另外，兩種數(shù)據(jù)庫中篡改區(qū)域沒有明顯的拼接痕跡，使得文獻(xiàn)［37］中基于異常檢測(cè)方法的優(yōu)勢(shì)并未體現(xiàn)出來。

表4 JPEG圖像篡改定位（MCC）對(duì)比結(jié)果Tab.4 Performance（MCC）comparison of JPEG image tampering localization

6 存在的問題與解決思路

在過去的幾十年中，JPEG圖像被動(dòng)取證的研究已經(jīng)取得了一定的進(jìn)展，也體現(xiàn)出很大的發(fā)展?jié)摿蛻?yīng)用前景，但是當(dāng)JPEG 圖像取證技術(shù)在推向?qū)嶋H應(yīng)用中依然面臨一些問題。

（1）彩色雙重JPEG 壓縮圖像檢測(cè)方法缺乏誤差的理論分析。不同于灰度圖像，彩色圖像進(jìn)行JPEG 壓縮時(shí)需要將RGB 空間轉(zhuǎn)換到Y(jié)CbCr 空間，因此壓縮產(chǎn)生的誤差也不同于灰度圖像。另外，顏色轉(zhuǎn)換時(shí)也會(huì)引入一些誤差，如何建立理論模型、有效的分析和利用這些誤差能夠提升雙重壓縮檢測(cè)的實(shí)際應(yīng)用價(jià)值。

（2）量化矩陣估計(jì)方法面臨的主要問題是當(dāng)存在后處理操作時(shí)，例如裁剪、縮放等，該類估計(jì)方法的性能會(huì)大幅度降低，甚至失效。這是由于后處理操作能夠破壞JPEG 壓縮痕跡，進(jìn)而很難從DCT 系數(shù)分布中估計(jì)量化矩陣。一種解決思路是首先估計(jì)裁剪的偏移位置或者縮放因子，然后根據(jù)偏移位置估計(jì)第一次壓縮的DCT 系數(shù)分布或者根據(jù)縮放因子逆向的縮放圖像進(jìn)而恢復(fù)第一次壓縮的信息。另一種思路是利用強(qiáng)大的CNN 網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)經(jīng)過后處理操作留下的特殊痕跡，從而獲取更多的壓縮參數(shù)信息。

（3）目前JPEG 拼接圖像定位通?？醋鞫诸悊栴}［41］，即識(shí)別拼接區(qū)域和真實(shí)區(qū)域，如何區(qū)分多個(gè)拼接區(qū)域的歸屬、追溯其來源［42］等問題需要進(jìn)一步解決。解決的思路根據(jù)量化矩陣不一致性結(jié)合聚類的思想對(duì)拼接區(qū)域進(jìn)行歸屬判別。另外同時(shí)利用拼接邊緣差異性和拼接區(qū)域的統(tǒng)計(jì)特性不一致性能夠進(jìn)一步提升定位性能。

7 結(jié)論

本文對(duì)現(xiàn)有JPEG 圖像被動(dòng)取證方法進(jìn)行了綜述和回顧。首先重點(diǎn)介紹了雙重JPEG 壓縮檢測(cè)、量化矩陣估計(jì)和JPEG 圖像拼接檢測(cè)定位的關(guān)鍵技術(shù)并對(duì)存在的問題給出了解釋說明。其次對(duì)取證技術(shù)驗(yàn)證使用的數(shù)據(jù)集及性能評(píng)測(cè)指標(biāo)進(jìn)行了描述。接著對(duì)JPEG 圖像雙重壓縮檢測(cè)和量化步長估計(jì)等方向現(xiàn)有方法進(jìn)行了對(duì)比和評(píng)價(jià)。最后指出了現(xiàn)有方法面臨的問題并給出了對(duì)應(yīng)的解決思路。由于偽造方式的多樣性，現(xiàn)有的取證方法往往只適用于單一方式下生成的偽造圖像，利用多種取證手段和融合多個(gè)取證方法的結(jié)果能夠進(jìn)一步提升取證方法的精度。雖然基于深度學(xué)習(xí)的方法已經(jīng)成為數(shù)字圖像取證的主流趨勢(shì)，但是目前偽造圖像的數(shù)量遠(yuǎn)遠(yuǎn)小于真實(shí)圖像，生成海量多樣性的偽造圖像用于訓(xùn)練深度網(wǎng)絡(luò)能夠增強(qiáng)模型的魯棒性和泛化能力。