Identificazione del dispositivo sorgente

Transcript

1 UNIVERSITÀ DEGLI STUDI DI FIRENZE Facoltà di Ingegneria Corso di Laurea in INGEGNERIA INFORMATICA Identificazione del dispositivo sorgente mediante tecniche di Image Forensics Tesi di Laurea di ANDREA GUIDIERI e FRANCESCO MEI Relatori: Prof. Alessandro Piva Ing. Alessia De Rosa Ing. Roberto Caldelli Ing. Francesca Uccheddu Anno Accademico 2009/2010

2 Sommario Digital Forensic Identificazione sorgente di acquisizione Estrazione caratteristiche o Color Filter Array o Rumore Classificazione dispositivo sorgente Risultati sperimentali Conclusioni

3 Digital Forensics Computer Forensics: Disciplina che si occupa di Identificare Conservare Analizzare Documentare reperti informatici al fine di presentare prove digitali valide in procedure civili e penali. Multimedia Forensics: Branca della Computer Forensics che focalizza lo studio su contenuti multimediali per verificarne validità e affidabilità in ambito legale.

4 Image Forensics Riconoscimento del dispositivo sorgente

5 Obiettivo della tesi Analisi interpolazione CFA Analisi Rumore Classificatore

6 Obiettivo della tesi

7 Color Filter Array Schema a blocchi del funzionamento di una fotocamera digitale

8 Estrazione caratteristiche CFA Obiettivo: Determinazione dei coefficienti di interpolazione delle tre bande di colore. Ipotesi: Utilizzo del pattern Bayer e sue permutazioni Uso di un algoritmo di interpolazione tra Bilineare Bicubico Mediano Smooth Hue Gradient Based Adaptive Color Plane

9 Estrazione caratteristiche CFA Determinazione zone ad alto gradiente orizzontale, verticale e zona liscia Gradiente verticale Zona liscia Gradiente orizzontale

10 Estrazione features CFA Risoluzione sistema lineare, per ogni zona e ogni banda di colore.

11 Estrazione caratteristiche CFA

12 Rumore nei dispositivi digitali Il rumore è un segnale non desiderato di origine naturale o artificiale che si sovrappone all informazione trasmessa o elaborata in un sistema. In fotografia l effetto è visibile come una variazione del colore dei pixel che determina un calo di qualità dell immagine.

13 Estrazione caratteristiche del rumore Denoising Immagine originale Immagine denoised Rumore Filtri utilizzati: o Lineare a media 3x3 o Lineare gaussiano 3x3 o Mediana 3x3 o Adattivo di Wiener 3x3 e 5x5 Calcolo media e deviazione standard del Rumore 2 valori 5 filtri 3 bande RGB = 30 caratteristiche

14 Estrazione caratteristiche del rumore Analisi Wavelet First-Order Discrete Wavelet Decomposition Calcolo deviazione standard HL, LH e HH

15 Estrazione caratteristiche del rumore Analisi Wavelet Confronto tra distribuzione gaussiana N(μ, σ²), la cui media e varianza sono derivate dalla sottobanda, e la distribuzione dei coefficienti della sottobanda stessa. 2 valori 3 sottobande 3 bande RGB = 18 caratteristiche

16 Estrazione caratteristiche del rumore Neighborhood prediction Ipotesi: Ottima predizione pixel nelle zone lisce dell immagine Localizzazione zone mediante gradiente e sogliatura Ulteriore suddivisione in zone lisce chiare e scure

17 Estrazione caratteristiche del rumore Neighborhood prediction Ricostruzione zone lisce mediante interpolazione lineare

18 Estrazione caratteristiche del rumore Neighborhood prediction Confronto tra valori b predetti e originali b. Calcolo media e deviazione standard di Δb= b b 2 valori 2 zone lisce 3 bande RGB = 12 caratteristiche

19 Classificatore SVMLib Organizzazione caratteristiche in vettori Divisione in set per addestramento e testing del classificatore Training set Testing set

20 Classificazione e risultati sperimentali risultati sperimentali Dispositivi usati per i test:

21 Classificazione e risultati sperimentali Database immagini: 100 immagini dai 3 modelli, 1/3 per modello 100 immagini dai 3 modelli, 1/3 per modello 100 immagini dai 3 modelli, 1/3 per modello Modalità testing: Generazione casuale di training set e testing set Leave-one-out: 99% training set, 1% testing set 80-20: 80% training set, 20% testing set

22 Riconoscimento della sorgente Determinazione della tipologia di dispositivo. 100 prove Leave-one-out 80 20

23 Riconoscimento della sorgente Determinazione della tipologia di dispositivo con variazione della finestra di analisi, da 512 x 512 a 256 x prove Leave-one-out 80 20

24 Riconoscimento della sorgente Determinazione della tipologia di dispositivo con variazione a 0.3 MP delle foto da cellulare. 100 prove Leave-one-out 80 20

25 Conclusioni Utilizzo di coefficienti di interpolazione e caratteristiche del rumore per discriminare le tipologie di dispositivo sorgente Varietà di prove effettuate in condizioni diverse Sviluppi futuri Identificazione di immagini esterne al database Robustezza del sistema a diverse compressioni JPEG