随着修图软件的普及使得照片的编辑处理更为容易,滋生了造假图片的温床。造假图片的传播可能会给社会稳定带来一些不良影响,同时也给司法公正带来了潜在的威胁。图像盲取证技术和以数字水印为代表的主动取证技术都取得了比较不错的研究成果,这些传统方法对特征的提取往往需要靠专家的经验来判断,依赖于专业的图像知识和特征提取能力。深度学习已经在图像分类和识别、语音识别等领域取得了丰硕的成果,但是在图像取证领域的应用才刚刚开始。深度学习在自动学习特征方面有着得天独厚的优势,将深度学习技术与数字图像取证技术进行结合,有助于解决传统取证技术遇到的难题,有很重要的研究价值。本文分析了图像取证技术的研究现状,结合深度学习技术提出了基于深度学习的图像篡改取证技术方案,主要工作如下:1.在非对称裁剪篡改检测方面,提出了基于相机标定参数优化的图像篡改鉴定技术。本课题利用了相机标定的成像原理来解决图像裁剪篡改鉴定问题,减少了过多的相机内部参数假设。保留原本相机五个内部参数中的四个参数,经过一定的近似处理,实现了单幅图片中含有两个不共面的规则标志物就能计算主点坐标,并以此主点坐标的偏移量为依据对图像中的非对称裁剪篡改行为进行取证。2.在图像区域的篡改定位检测方面,提出了基于全卷积网络的篡改鉴定技术。我们充分利用全卷积网络的分割能力,将区域分割的能力用到图像取证上来。在改变完全卷积网络(FCN)分类的基础上,用于定位篡改区域的位置。首先,将原始图像加入到包含篡改图像的训练数据集中形成正样本和负样本,然后将原始图像的标签图设置为黑色图像。形成正样本和负样本的目的是引导改造后的FCN以区分原始图像和拼接图像之间的差异。最后,进行了实验来验证提出的算法,结果表明基于全卷积网络的篡改鉴定技术可以取得精确的区域定位效果。3.在图像拼接篡改鉴定方面,提出了基于DeepLabv3+与SRM结合的关联模型。对原始的DeepLabv3+网络进行分类数改造,以学习篡改区域的轮廓,利用篡改图像不同区域的标签图标识,使其能够很好地学习拼接区域的边缘特征。此外,通过输入图像传递到SRM滤波层获得噪声特征图,并利用真实和拼接区域之间的噪声不一致特征为拼接操作提供额外的证据。然后,通过DeepLabv3+与SRM的关联分析,实现拼接区域的进一步精确定位分析。4.在人脸图像的鉴定方面,针对目前的一些人脸遮挡和AI生成人脸越来越普遍的情况,提出了基于深度学习的人脸特征检测方案。首先,通过在CNN网络提取遮挡人脸图像中的特征,并用约束稀疏表达算法自动选取相似的图像序列进行特征匹配,有效地利用了图像序列之间的相关信息,剔除一些影响匹配效果的子块,提高遮挡人脸鉴定的准确率。接着,提出了基于预加载VGG网络的AI造假人脸图像鉴定方法,用来区分AI生成人脸图像和原始人脸图像,对AI鉴定技术对抗AI造假的模式进行了初步的探索。