Photo-response non-uniformity (PRNU) of imaging sensors can be employed as a distinctive fingerprint to deal with diverse forensic tasks connecting digital images and video. One of the most significant applications of this knowledge is matching an image or a video snip to the camera that acquired it, which is a task analogous in spirit to matching a shell to a gun cask. The problem examined here distress the condition when an adversary guesstimates the sensor fingerprint from a set of images and applies to it onto an image from a diverse camera to enclose an innocent victim. The previous paper provides a consistent method for detecting such fake fingerprints under quite mild and common assumptions regarding the adversaryrsquo;s movement and the means accessible to the victim. The major drawback of the previous work is that every attack is guessed based on defendersrsquo; assumptions. To overcome this, in this paper, we plan to present Dynamic Time Warping (DTW) algorithm to detect sensor finger print. DTW identify similarity among two sequences of finger print images alter in time or speed can be applied to video, audio, and graphics with linear representation. Evaluate an optimal match between two given sequences to detect fake sensor fingerprint at the specific time and event. Sequences are warped non-linearly at the time of fake infusion Utilized with hidden Markov models. Fake Sensor fingerprint detection time is identified exactly by quantifying the similarity variance. Source of Fake generated camera features can be approximately identified. An experimental evaluation is conducted with set of tests in real system to estimate the performance of the proposed DTW to detect sensor finger print contarst with an existing Defending Against Fingerprint-Copy Attack in Sensor-Based Camera Identification.
Keyword: Finger print attack, camera identification, Dynamic time warping, hidden markov models.
- INTRODUCTION
Fingerprint-based verification is one of the most significant biometric technologies. Human fingerprints are utilized for individual verification in diverse applications and the validity of fingerprint verification has been well defined. Fingerprints are imagined to be distinctive across fingers of similar personality. Even similar twins obtaining similar DNA, are imagined to hold diverse fingerprints. These assumptions lead to the appropriate use of advanced fingerprint based verification in both civilian and law-enforcement applications.
Photo-response non-uniformity (PRNU) of imaging sensors can be utilized as a distinctive fingerprint. While each image taken by a specified sensor includes its PRNU signal, an image can be coordinated to the sensor (camera) by establishing that its noise enduring comprises the similar PRNU. The sensor fingerprint can be expected by averaging noise workings of normal images. Since the fingerprint is fundamentally an arbitrary spread-spectrum signal, it can be noticed using several outline of a matched filter.
Fingerprint matching is one of the most significant methods between biometric verification techniques and has been utilized for person substantiation for a long time. Now, it is not only employed by cornel for law enforcement, but also in ordinary applications, such as process control and financial transmissions. In terms of applications, there are two types of fingerprint substantiation systems: verification and identification. In verification, the given set is a query fingerprint and an identity (ID), the system authorizes whether the ID is reliable with the fingerprint. The outcome is yes or no.
Similarity search among images to identify matches in facesrsquo; database utilizing either entire face or particular part of face is a promising feature. Researchers have promoted on such a crisis for the last two decades. Dynamic Time Warping is one of the algorithms that are utilized for time series sequences sorting and similarity measurement. It has high time complexity and low identification accuracy when accessed on images for facial patterns and face identification. Sensor photo-response non-uniformity is a diverse identifier (fingerprint) for forensic tasks E.g., digital-camera ballistics (an image matched to particular camera). Existing work [1] presented fake fingerprint detection under the assumptions on adversaryrsquo;s activity means presentable to the victim by deploying sensor fingerprint in an image without leaving a trace is more complex. Problem investigated was adversary defined sensor fingerprint from a collection of images superimposes it onto an image from a diverse set of camera ( frame an innocent victim). Time of attack initiation and the source unable to identify and similarity variance of the fake fingerprint were made on assumption.
In this paper, we plan to present Dynamic Time Warping (DTW) [8] algorithm to detect sensor finger print. DTW measure similarity between two sequences of finger print images alters in time or speed applied to video, audio, and graphics. Data transformed to linear representation by evaluating an optimal match between two given sequences to detect fake sensor fingerprint at the specific time and event. Sequences are warped non-linearly at the time of fake infusion utilized with hidden Markov models. The main objective of the proposed DTW to detect sensor finger print is that fake sensor fingerprint detection time is identified exactly. Similarity variance is quantified. Faster identification of fake fingerprint.
- LITEARTURE REVIEW
Fingerprint matching [11] is silent a demanding crisis for consistent person substantiation since of the compound distortions concerned in two impressions of the similar finger. In order to compact with inferior fingerprint images, which commence considerable occlusion and encumber of finer points features [10], we plan a fitness purpose sup
图像传感器的光响应非均匀性（prnu）可以作为一种独特的指纹来处理连接数字图像和视频的各种取证任务。这一知识最重要的应用之一是将图像或视频截图与获取它的相机进行匹配，这在精神上类似于将外壳与枪筒进行匹配。这里所研究的问题使一个对手猜测一组图像中的传感器指纹，并将其应用到来自不同摄像机的图像中，以包围无辜的受害者时的情况变得很糟糕。前一篇文章提供了一种一致的方法，在相当温和和常见的假设下，检测这种虚假的指纹，关于对手的行动和受害者可以获得的手段。先前工作的主要缺点是，每一次攻击都是根据防御者的假设进行猜测的。为了克服这一问题，本文提出了一种检测传感器指纹的动态时间扭曲（DTW）算法。DTW识别指纹图像在时间或速度上变化的两个序列之间的相似性，可以应用于视频、音频和图形的线性表示。评估两个给定序列之间的最佳匹配，以在特定时间和事件检测假传感器指纹。利用隐马尔可夫模型，对假输注时序列进行非线性翘曲。通过量化相似性方差，准确识别伪传感器指纹检测时间。可以大致识别假生成摄像头功能的来源。在实际系统中，通过一系列测试，对基于传感器的摄像机识别中存在的防止指纹复制攻击的传感器指纹进行了实验评估，以评估所提出的DTW检测传感器指纹的性能。
关键词：指纹攻击、相机识别、动态时间扭曲、隐马尔可夫模型。
一、引言
基于指纹的验证是最重要的生物特征识别技术之一。在不同的应用中，人类指纹被用于个体验证，并且指纹验证的有效性得到了很好的定义。人们认为指纹在具有相似个性的手指上是与众不同的。即使是获得相似DNA的相似双胞胎，也被认为拥有不同的指纹。这些假设导致在民事和执法应用中适当使用基于指纹的高级验证。
成像传感器的光响应不均匀性（prnu）可以作为一种独特的指纹。虽然由指定传感器拍摄的每个图像包括其PRNU信号，但可以通过确定图像的噪声持久性包含类似的PRNU，将图像与传感器（相机）进行协调。通过对正常图像的噪声工作进行平均，可以得到传感器指纹。由于指纹本质上是一种任意的扩频信号，因此可以通过匹配滤波器的几个轮廓来观察到。
指纹匹配是生物特征识别技术中最重要的方法之一，长期以来一直被用于人身识别。现在，它不仅被康奈尔大学用于执法，还被用于过程控制和金融传输等普通应用。在应用方面，有两种类型的识别印证系统：验证和识别。在验证中，给定的集合是一个查询文件和一个标识（ID），系统授权该标识是否与文件一起可靠。结果是肯定还是否定。
在人脸数据库中，利用人脸的整个人脸或特定的人脸部分进行图像相似性搜索以识别匹配项是一个很有前景的特征。过去20年来，研究人员一直在推动应对这场危机。动态时间扭曲是用于时间序列排序和相似性度量的算法之一。在人脸模式和人脸识别的图像上进行访问，具有较高的时间复杂度和较低的识别精度。传感器光响应不均匀性是一种用于法医任务的不同标识符（指纹），例如，数码相机弹道学（与特定相机匹配的图像）。现有的工作[1]在假设对手活动的前提下提出了伪指纹检测，意味着通过在图像中部署传感器指纹而不留下痕迹的方式向受害者展示伪指纹更为复杂。所调查的问题是，来自一组图像的敌方定义的传感器指纹叠加到来自一组不同相机的图像上（框住无辜的受害者）。假设攻击起始时间和伪指纹的来源无法识别和相似度方差。
本文提出了一种检测传感器指纹的动态时间扭曲（DTW）[8]算法。DTW测量两组指纹图像在时间或速度上的相似性本文提出了一种检测传感器指纹的动态时间扭曲（DTW）[8]算法。DTW测量两个指纹图像序列之间的相似性，这两个序列在应用于视频、音频和图形的时间或速度上发生变化。通过评估两个给定序列之间的最佳匹配，将数据转换为线性表示，以检测特定时间和事件的伪传感器指纹。利用隐马尔可夫模型，对假输注时序列进行非线性翘曲。提出的DTW检测传感器指纹的主要目的是准确识别传感器指纹检测时间。相似度方差是量化的。快速识别假指纹。
二、文学评论
指纹匹配[11]是一个沉默的危机，要求一致的人证明，因为复合变形涉及两个相似的手指印象。为了压缩较低的指纹图像，从而开始大量遮挡和阻碍较细的点特征[10]，我们计划在每个较细的点的限制属性上支持适合的目的。传感器光响应不均匀性[1]被计划为不同取证任务的独特标识符（指纹），以及数字摄像机弹道，其中图像与拍摄图像的精确摄像机协调。
当一个对手从一堆图像中猜测出传感器指纹[6]并将其与来自不同摄像机的图像叠加在一起，以构造一个天真的受害者时，危机就在这里进行了调查。自2005年这一知识开始应用以来，研究人员已经意识到指纹可以模仿摄像机拍不到的图像，从而保护一个天真的受害者。在最有特色和最合理的情况下，受害者爱丽丝将自己的照片放在互联网上。挑战者伊芙猜猜爱丽丝相机的指纹，然后将其正确地叠加到另一张图片上。事实上，正如之前在唯一出版物[2]和最近在[2]中所揭示的那样，基于阈值的连接检测器无法区分真实指纹和虚假指纹或信息融合[9]。《人类行动系列》也是一个按时间顺序排列的信号；因此，在[6]中，作者利用DTW对视频中的动作进行分类。
对于摄像机识别，重要的是指纹不包含任何其他可能是类似制造的一般横向传感器/摄像机的物体（在[4]中称为非唯一伪影或nuas），因为这些伪影不属于每个细致的传感器，并且会增加假警报。由于这些伪影大多是由于依赖于颜色过滤器阵列（CFA）[5]的拆卸算法造成的，并且在本质上被中断，因此它们可以被零分离，即行和列。一个有见识的对手反过来可能会试图消除C#39;的伪影，并开始C的中断伪影，例如，使用[7]中表示的技术。现在很明显，要生成一个“完美”的伪造品是远远没有麻烦的。三、提出了一种基于动态时间扭曲算法的指纹攻击防御机制
通过实现动态时间扭曲算法检测传感器指纹，有效地识别指纹复制攻击。动态时间扭曲算法有效地确定了两个指纹图像序列之间的相似度，这两个序列从相机的角度看随时间或速度的变化而变化。来自相机的图像数据被转换为线性表示。DTW有效地评估了两个给定图像序列之间的最佳匹配，以检测特定时间和事件的伪传感器指纹。在序列非线性弯曲的情况下，利用隐马尔可夫模型进行伪注入。图3.1显示了用于检测传感器指纹的动态时间扭曲（DTW）算法的结构图。
用于检测传感器指纹的翘曲（DTW）算法。首先，从数据集中提取序列指纹图像集，并应用动态翘曲算法对序列中指纹图像的相似性进行识别。如果指纹图像序列是线性的，则采用动态时间翘曲来识别伪传感器指纹；如果指纹图像序列是非线性的，则采用隐马尔可夫模型来确保数据集中指纹图像序列的相似性。
图3.1用于检测传感器指纹的动态时间扭曲（DTW）算法的结构图
3.1指纹匹配问题
对于任何数字图像di和去噪滤波器df，di的噪声残差定义为wi=di-f（di）。prnu信号可以通过一个乘性的方面f来保持，该方面f充当传感器“指纹”的任务。假设该模型，噪声持久性的形式为[1]：
EQN 1
其中，设置了所有其他噪声分量，例如尝试噪声或公告噪声，“a”是与f相似尺寸的折减系数。通常，“a”取决于所满足的图像和DI所服从的处理。当将（2）中的“完成”表示为I.I.D.高斯时，m-Clatter残差i=1，hellip;，m中prnu因子f的最大可能形式为[1]
指纹估计的优点被称为
对于摄像机分类，重要的是指纹不包含任何其他可能广泛存在的类似品牌的横向传感器/摄像机的物体，因为这些物体对于每个谨慎的传感器都不是例外，并且会增加错误警报。
通过使用指纹特征，我们能够保存在指纹图像中偶然发现的复合变形。因此，在本文中，我们可以使用一个简单的变更，包括规模、旋转和转换来匹配模板和查询文件。假设模式中较细点的位置和查询结果为（an，1，an，2）和（bm，1，bm，2），相应地，其中n=1，2，3，.hellip;，n，m=1，2，3，hellip;hellip;，m，（an，1，an，2）和（bm，1，b，2）是较细点的坐标。相应地，模式中更细的点和查询页面的数量是n和m。ai（ai，1，ai，2）和bi（bi，1，bi，2）之间的变化bi=f（ai）可以简化为
因此，匹配危机可以被称为识别优化的传输，它可以将模式fingerprint中的尽可能多的精细打印绘制到查询fingerprint中的细节。
3.2传感器指纹动态时间扭曲算法
DTW算法基于主动编程技术。它用于测量两个指纹图像序列之间的相似度，这两个序列可能在时间或速度上有所不同。DTW的原理是通过计算两个动态指纹之间的最小距离来识别其相似性。
利用动态时间扭曲法计算两个指纹图像序列之间的距离。一系列指纹图像是从相机中提取的指纹样本的列表，按获取各自指纹样本的时间和速度排序。一种简单的计算指纹图像序列间匹配距离的方法是对其中一个序列进行重采样，然后逐样本比较指纹图像序列。这种方法的缺点是它不能产生直观的结果，因为它比较了可能不符合要求的指纹样本。动态时间扭曲通过改善两个时间序列中截面点之间的最佳对齐，在感知和考虑的匹配距离之间提供了这种不一致性。因为它比较了可能不符合要求的指纹样本。动态时间扭曲通过改善两个时间序列中截面点之间的最佳对齐，在感知和考虑的匹配距离之间提供了这种不一致性。这种结构在逻辑上是最好的，它减少了由相关样本之间的“局部”距离组成的日益增长的分离测量。这个过程被称为时间扭曲，因为它扭曲了两个时间序列的时间轴，使得类似的样本出现在一般时间轴上的相似位置。
两组指纹图像之间的DTW距离a1。hellip;AM和B1。hellip;bn是d（m，n），我们使用主动规划方法计算
D ( i, j-1 )
D (i,j) = min D ( i-1, j) d (ai, bi)
D (i-1, j-1)
再现方程和“局部”分离函数d（·，·）的谨慎选择与应用不同。在计算d（i，j）时，使用指定的三个值d（iminus;1，j）、d（i，jminus;1）和d（iminus;1，jminus;1）可识别局部连续性约束。
然后，从每个指纹样本中，提取每个图像列的四个特征，并将其组合成一个多变量样本序列。也就是说，对于高度h和宽度w的每个指纹图像fi，我们通过提取时间序列x（fi）=x1来评估两个给定序列之间的最佳匹配。hellip;XW，其中每个
这使得x（fi）成为长度为w的4变量向量，其中fk是每个图像列的四个提取特征。为了在从FI和FJ图像中提取的两个时间序列X（FI）和Y（FJ）上运行DTW算法，我们必须定义一个局部距离函数来比较对齐列上的特征集。我们选择使用欧几里得距离的平方：
与欧几里得距离相比，这大大减少了开采特征之间的巨大差异。现在，DTW算法可以在X和Y之间建立一个弯曲路径。弯曲路径的长度L（（i1，j1），。hellip;，（il，jl））偏差确定的距离
当指纹图像的序列是线性的时，就会发生上述动作。DTW通过将数据转换为线性表示，识别指纹图像在时间或速度上变化的两个序列之间的相似性，并应用于视频、音频和图形。评估两个给定序列之间的最佳匹配，以在特定时间和事件检测假传感器指纹。
3.3hmm用于指纹图像的非线性序列
非线性序列对准提供了从测试信号到模式信号的最佳绘图，同时允许测试信号中出现非线性、单调失真（翘曲）。隐马尔可夫模型是一种与原型识别匹配良好的随机受限状态机结构，有效地应用于语音识别。它们适合于这里所假定的问题，因为它们能够组织在大量特征上支持的模式，这些特征的数量是不确定的，并且具有明确的基本结构类型，特别是如果这种构造导致在某些空间或时间段内的特征分布不动。
利用HMM对转化为HMM的数据进行非线性表示，进行指纹识别，HMM通常包括提取、分类和预处理、计数噪声照明和HMM发动机的运动进程。HMM分析指纹非线性序列的过程如图3.2所示。
图3.2 HMM流程
来自相似指纹的插图与HMM通信，不同的指纹与HMM在HMM的指纹数据库中通信。HMM的建立是通过选择具有非线性数据表示的相似指纹的不同样本，并采用训练处理，这是一个猜测HMM参数的过程。指纹识别过程包括测试指纹，是为了发现不同指纹之间HMM的最大匹配可能性。由于在图像中任意出现滞留指纹，需要预处理来调节指纹的位置和设置位置区域，该位置区域包括指纹识别的完整区域。从而对指纹图像的非线性表示进行了预处理，有效地识别了指纹图像的相似性。
四、实验评价
所提出的DTW被有效地设计用于在指纹图像集合中执行传感器伪指纹的检测，并在Java中实现。对线性翘曲指纹图像和非线性翘曲指纹图像进行了方法分析和初步评价，验证了DTW对指纹图像的检测效果。一种实时方法， 对线性翘曲指纹图像和非线性翘曲指纹图像进行了方法分析和初步评价，验证了DTW对指纹图像的检测效果。采用主动检测策略，实现了指纹数据的实时获取和快速响应。在实际系统中进行了一系列试验，验证了该方法的有效性和有效性。在初始阶段，采用动态时间扭曲（DTW）算法检测传感器指纹，测量两个指纹图像序列之间的相似度随时间或速度的变化。DTW有效地评估了两个给定序列之间的最佳匹配，以在特定时间和事件检测假传感器指纹。如果序列在假输注时是非线性翘曲的，则该方案与隐马尔可夫模型一起使用。最后，对伪传感器指纹检测时间进行了准确的识别。用以下方法测量了所提出的DTW检测传感器指纹的性能：
i）假指纹检测时间
ii）相似性方差
iii）检测率
相似度方差表示平滑相似度与其局部值的差值，相当于高通滤波相似度。它表示与平滑平均背景相关的局部异常。Table 5.1 No. of images vs. Fake fingerprint detection time
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
