بازجویی قانونی چاپگر مبتنی بر بردار هویت حاصل از ناحیه بندی بافت تصویر

روش‌های هوشمند در صنعت برق

مقاله 5، دوره 13، شماره 49، خرداد 1401، صفحه 67-82   

نوع مقاله: مقاله پژوهشی

نویسندگان

روزبه حمزه ئیان¹؛ فربد رزازی^{* 1}؛ علیرضا بهراد²

¹دانشکده مهندسی برق و کامپیوتر- واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

²دانشکده فنی و مهندسی- دانشگاه شاهد، تهران، ایران

چکیده

پیشرفت در دنیای دیجیتال، ما را به سمت توسعه ابزار بازجویی قانونی دیجیتال سوق می­دهد. استفاده از روش­های یادگیری ماشین برای شناسایی منبع چاپ یکی از زیر مجموعه­های این حوزه بوده که درحال‌ توسعه است. در این مقاله، روش جدیدی برای استخراج ویژگی­های ثانویه بر پایه بردار هویت (i-vector) برای شناسایی منبع چاپ ارائه ‌شده است. در روش پیشنهادی تنها با استخراج یک بردار i-vector با بعد کم به‌ازای هر صفحه بدون استفاده از روش بازشناسی نوری نویسه­ها (OCR) و با حذف رأی‌گیری اکثریت فرایند طبقه‌بندی تسریع شده است. به‌این‌ ترتیب روش پیشنهادی در استخراج ویژگی­ها مستقل از نوع و اندازه قلم نویسه‌ها و زبان متن است. ویژگی­های ثانویه با افراز تصویر سند به تکه­های کوچک‌تر و مدل­سازی ویژگی‌های اولیه الگوی دودویی محلی (LBP) مربوط به ناحیه­های تیره، مرز و روشن در فضاهای مجزا به­دست می­آید. مدل­سازی ویژگی­های اولیه نواحی مختلف در فضاهای مجزای متغیر کل چاپگر، امکان استخراج اطلاعات جداکننده کلاس­ها از بافت چاپ باقیمانده در ناحیه روشن را برای افزایش دقت و صحت طبقه‌بندی مهیا می­کند. در این مقاله تأثیر استفاده از بافت نواحی مختلف و تغییر ابعاد تکه­بندی با استفاده از طبقه‌بند ماشین بردار پشتیبان (SVM) از طریق شبیه‌سازی به‌دقت بررسی ‌شده است. نتایج شبیه­سازی، نشان می­دهد که تنها با پالایش ویژگی­های اولیه LBP به صحت 05/99 درصد دست یافته­ایم که بیشتر از آخرین پژوهش­های این حوزه است.

کلیدواژه‌ها

بازجویی قانونی چاپگر؛ بردار هویت؛ تغییرات درون کلاسی؛ شناسایی منبع چاپ؛ فضای متغیر کل چاپگر

مراجع

[1] P. Yang, D. Baracchi, R. Ni, Y. Zhao, F. Argenti, A. Piva, “A survey of deep learning-based source image forensics”, Journal Imaging, vol. 6, no. 3, p. 9, Mar. 2020 (doi: 10.3390/jimaging6030009).

[2] V. Itier, O. Strauss, L. Morel, W. Puech, “Color noise correlation-based splicing detection for image forensics”, Multimedia Tools and Applications, pp. 1–19, Jan. 2021 (doi: 10.1007/s11042-020-10326-5).

[3] A.T.S. Ho, S. Li, Handbook of digital forensics of multimedia data and devices, Chichester, UK: John Wiley & Sons, Ltd, 2015.

[4] P.-J. Chiang, J.P. Allebach, G.T.-C. Chiu, “Extrinsic signature embedding and detection in electrophotographic halftoned images through exposure modulation”, IEEE Trans. on Information Forensics and Security, vol. 6, no. 3, pp. 946–959, Sept. 2011 (doi: 10.1109/TIFS.2011.2156789).

[5] P.J. Chiang, G.N. Ali, A.K. Mikkilineni, E.J. Delp, J.P. Allebach, G.T.C. Chiu, “Extrinsic signatures embedding and detection for information hiding and secure printing in electrophotography”, Proceeding of the IEEE/ACC,  pp. 1-6, Minneapolis, MN, USA, June 2006 (doi: 10.1109/ACC.2006.1656604).

[6] G. Adams, S. Pollard, S. Simske, “A study of the interaction of paper substrates on printed forensic imaging”, Proceedings of the ACM, pp. 263-266, Limerick , Ireland,Sept. 2011 (doi: 10.1145/20­34691.20­3­4­743).

[7] W. Jiang, A.T.S.S. Ho, H. Treharne, Y.Q. Shi, “A novel multi-size block Benford’s law scheme for printer identification”, Pacific-Rim Conference on Multimedia, vol. 6297 LNCS, no. PART 1, pp. 643–652, Springer, 2010.

[8] S. Joshi, N. Khanna, “Source printer classification using printer specific local texture descriptor”, IEEE Trans. on Information Forensics and Security, vol. 15, no. 1, pp. 160–171, 2020 (doi: 10.1109/T­IFS.2­01­9.2­919­869).

[9] S. Joshi, N. Khanna, “Single classifier-based passive system for source printer classification using local texture features”, IEEE Trans. on Information Forensics and Security, vol. 13, no. 7, pp. 1603–1614, July 2018 (doi: 10.1109/TIFS.2017.2779441).

[10] A. Ferreira, L. Bondi, L. Baroffio, P. Bestagini, J. Huang, J.A. Santos, S. Tubaro, A. Rocha, “Data-driven feature characterization techniques for laser printer attribution”, IEEE Trans. on Information Forensics and Security, vol. 12, no. 8, pp. 1860–1873, Aug. 2017 (doi: 10.1109/TIFS.2017.2692722).

 [11] L.C. Navarro, A.K.W. Navarro, A. Rocha, R. Dahab, “Connecting the dots: Toward accountable machine-learning printer attribution methods”, Journal of Visual Communication and Image Representation, vol. 53, pp. 257–272, May 2018 (doi: 10.1016/j.jvcir.2018.04.002).

[12] A. Ferreira, L.C. Navarro, G. Pinheiro, J.A. Santos, A. Rocha, “Laser printer attribution: Exploring new features and beyond”, Forensic Science International, vol. 247, pp. 105–125, Feb. 2015 (doi: 10.1016/j.fo­rsci­int.2014.11.030).

[13] M.J. Tsai, I. Yuadi, Y.H. Tao, “Decision-theoretic model to identify printed sources”, Multimedia Tools and Applications, vol. 77, no. 20, pp. 27543–27587, Oct. 2018 (doi: 10.1007/s11042-018-5938-0).

[14] J. Hao, X. Kong, S. Shang, “Printer identification using page geometric distortion on text lines”, Proceeding of the IEEE/ChinaSIP, pp. 856–860, Chengdu, China, July 2015 (doi: 10.1109/ChinaSIP.2015.7230526).

[15] P.J. Chiang, N. Khanna, A.K. Mikkilineni, M.V.O. Segovia, J.P. Allebach, G.T.C. Chiu, E.J. Delp, "Printer and scanner forensics: Models and methods”, Intelligent Multimedia Analysis for Security Applications, vol. 282, pp. 145–187, March 2010 (doi: 10.1007/978-3-642-11756-5_7).

[16] S. Escher, T. Strafe, “Robustness analysis of a passive printer identification scheme for halftone images”, Pr­o­ceeding of the IEEE/ICIP, pp. 4357–4361, Beijing, China, Sept. 2017 (doi: 10.1109/ICIP.­201­7.82­971­0­5)­.

[17] P. Kenny, G. Boulianne, P. Ouellet, P. Dumouchel, “Joint factor analysis versus eigenchannels in speaker recognition”, IEEE Trans. on Audio, Speech and Language Processing, vol. 15, no. 4, pp. 1435–1447, May 2007 (doi: 10.1109/TASL.2006.881693).

[18] P. Kenny, P. Ouellet, N. Dehak, V. Gupta, P. Dumouchel, “A study of interspeaker variability in speaker verification”, IEEE Trans. on Audio, Speech and Language Processing, vol. 16, no. 5, pp. 980–988, July 2008 (doi: 10.1109/TASL.2008.925147).

[19] N. Dehak, P. J. Kenny, R. Dehak, P. Dumouchel, P. Ouellet, “Front-end factor analysis for speaker verification”, IEEE Trans. on Audio, Speech and Language Processing, vol. 19, no. 4, pp. 788–798, May 2011 (doi: 10.1109/TASL.2010.2064307).

[20] P. Verma, P.K. Das, “I-Vectors in speech processing applications: a survey”, International Journal of Speech Technology, vol. 18, no. 4, pp. 529–546, Dec. 2015 (doi: 10.1007/s10772-015-9295-3).

[21] Y. Xing, P. Tan, C. Zhang, “Improved i-vector speaker verification based on WCCN and ZT-norm”, Chinese Conference on Biometric Recognition, pp. 424-431, Springer, Cham, Oct. 2016 (doi: 10.1007/978-3-319-46654-5_47).

[22] T. Ojala, M. Pietikäinen, D. Harwood, “A comparative study of texture measures with classification based on featured distributions”, Pattern Recognition, vol. 29, no. 1, pp. 51–59, Jan. 1996 (doi: 10.1016/0031-3203(95)00067-4).