[논문]딥러닝 기반 카메라 모델 판별

이수현; 김동현; 이해연

doi:10.3745/ktsde.2019.8.10.411

딥러닝 기반 카메라 모델 판별
Camera Model Identification Based on Deep Learning 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.8 no.10, 2019년, pp.411 - 420

이수현 (금오공과대학교 소프트웨어공학과) , 김동현 (금오공과대학교 소프트웨어공학과) , 이해연 (금오공과대학교 컴퓨터소프트웨어공학과)

초록
AI-Helper

멀티미디어 포렌식 분야에서 영상을 촬영한 카메라 모델 판별을 위한 연구가 지속되어 왔다. 점점 고도화되는 범죄 중에 불법 촬영 등의 범죄는 카메라가 소형화됨에 따라 피해자가 알아차리기 어렵기 때문에 높은 범죄 발생 건수를 차지하고 있다. 따라서 특정 영상이 어느 카메라로 촬영되었는지를 특정할 수 있는 기술이 사용된다면 범죄자가 자신의 범죄 행위를 부정할 때, 범죄 혐의를 입증할 증거로 사용될 수 있을 것이다. 본 논문에서는 영상을 촬영한 카메라 모델 판별을 위한 딥러닝 모델을 제안한다. 제안하는 모델은 4개의 컨볼루션 계층과 2개의 전연결 계층으로 구성되었으며, 데이터 전처리를 위한 필터로 High Pass Filter를 사용하였다. 제안한 모델의 성능 검증을 위하여 Dresden Image Database를 활용하였고, 데이터셋은 순차분할 방식을 적용하여 생성하였다. 제안하는 모델을 3 계층 모델과 GLCM 적용 모델 등 기존 연구들과 비교 분석을 수행하여 우수성을 보였고, 최신 연구 결과에서 제시하는 수준의 98% 정확도를 달성하였다.

Abstract ▼ AI-Helper

Camera model identification has been a subject of steady study in the field of digital forensics. Among the increasingly sophisticated crimes, crimes such as illegal filming are taking up a high number of crimes because they are hard to detect as cameras become smaller. Therefore, technology that can specify which camera a particular image was taken on could be used as evidence to prove a criminal's suspicion when a criminal denies his or her criminal behavior. This paper proposes a deep learning model to identify the camera model used to acquire the image. The proposed model consists of four convolution layers and two fully connection layers, and a high pass filter is used as a filter for data pre-processing. To verify the performance of the proposed model, Dresden Image Database was used and the dataset was generated by applying the sequential partition method. To show the performance of the proposed model, it is compared with existing studies using 3 layers model or model with GLCM. The proposed model achieves 98% accuracy which is similar to that of the latest technology.

주제어

표/그림 (19)

그림 Fig. 1. (a) Major Camera Processing Stages, (b) CFA Pattern Using RGB Domain, (c) CFA Pattern Using YMCA Domain
그림 Fig. 2. The Layout of Tuama et al.[7]’s CNN for Camera Model Identification
그림 Fig. 3. The Pipeline of Bondi[10]’s CNN and SVM for Camera Model Identification
그림 Fig. 4. The Layout of Freire-Obregón et al.[11]’s CNN for Mobile Device Camera Identification
그림 Fig. 5. Gray Level Co-occurrence Matrix Calculation(In Case of 3 Bits Image)
그림 Fig. 6. GLCM Feature Map Processing for Data Reduction
그림 Fig. 7. Training and Testing Process of Proposed Algorithm
그림 Fig. 8. CNN Model Structure for Camera Identification
그림 Fig. 9. CNN Model Performance by Number of Convolution Layer
표 Table 1. Hardware Specification
표 Table 2. Software Environment
표 Table 3. Dresden Image Database Information
표 Table 4. Test Dataset for Proposed Model
그림 Fig. 10. Sample Image of Test Dataset
그림 Fig. 11. 256×256 Sample Collection with Sequential Partition
그림 Fig. 12. Comparison of the Proposed Model with Other Models
표 Table 5. Parameters and Comparison of the Proposed Model with Other Models
표 Table 6. Accuracy Per Epoch of the Proposed Model
표 Table 7. Camera Identification Accuracy for Each Camera Using the Proposed Model

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 카메라 모델 판별을 위한 딥러닝 모델을 제안하였다. 기존 연구를 기반으로 구현한 모델을 확장하여 실험을 진행하였다.
본 논문에서는 특정 영상에 대한 카메라 모델 판별을 위한 딥러닝 모델을 제안한다. 기존의 카메라 모델 판별 알고리즘에 사용되는 센서 패턴 노이즈 추출 기술과 최근 다양한 분야에 접목되고 있는 딥러닝 기술 중 영상 데이터 처리에 높은 성과를 보이는 컨볼루셔널 뉴럴 네트워크를 이용하였다.

제안 방법

[3]이 업샘플링 흔적을 찾기 위해 사용한 Expectation/Maximization(EM) 알고리즘을 사용하였다. EM 알고리즘을 통해 보간 커널의 크기와 커널의 가중치 계수를 추정하고 이 특징을 카메라를 구분할 수 있는 특징으로 SVM에 학습시켜 카메라 분류를 시도하였다. Nikon사의 카메라와 Sony사의 카메라에 대한 판별을 시도하였으며 보간 커널 크기에 따라 성능이 차이가 존재했다.
각 Conv는 3×3 크기의 커널에 대해 Convolution을 수행하고 지정된 Strides 값에 따라 Feature Map의 크기를 줄이거나 유지한다. Feature Map의 깊이는 3 계층 모델[6]의 값을 그대로 사용했으며 그 외 계층의 모델은 임의의 값을 설정하여 실험을 수행하여 분석하고, 하드웨어가 감당 가능한 최대 수치를 적용하였다.
직접 특징을 뽑아 비교 후 학습시켰던 이전 방법들과 달리 판별 모델이 입력데이터에 대해 스스로 가중치를 조절하며 분류하는 딥러닝 기법을 적용했다. High Pass Filter(HPF)와 Wavelet Filter를 적용하는 방법으로 나누어 입력 영상에 대해 사전처리를 진행하였다. HPF는 고역 통과 필터라는 뜻으로 다음 수식과 같은 마스크 형태를 가지고 있다.
[11]은 딥러닝 기법을 이용하여 모바일 기기의 카메라 식별을 연구했다. MICHE-I Dataset을 이용하여 모바일 디바이스에 대한 판별(디바이스 A, B, C 분류)과 센서에 대한 판별(디바이스 A의 전면카메라, 디바이스 A의 후면카메라 등 카메라 센서 분류), 2가지 실험을 진행하였다. 모델의 구조는 Fig.
[6]은 IoT 기술에 사용되는 디지털 카메라 식별을 위해서 PRNU(Photo Response Non-Uniformity) 기반의 특징을 사용하였다. PRNU를 이용한 기존 연구들과 비교하여 특징 추출에 있어서 연산량과 실행 시간을 최적화하였다. 영상 데이터의 채널 수를 줄이기 위해 먼저 Color Channel을 고려하여 추출한 PRNU에 대해 Wavelet Transform 특징 중 ‘HH’ 값만을 사용하였다.
[2]은 Kharrazi et al.[1]의 특징 추출 방식 중 CFA에 관한 부분을 확장하는 방향으로 연구를 진행하였다. 카메라는 색상을 나타내기 위해 CFA를 사용하지만, CFA 사이의 보간 방법은 카메라마다 차이가 존재한다.
[1]은 카메라마다 특유의 색상 필터 배열(Color Filter Array, CFA), Demosaicking 알고리즘(CFA 보간), 색상 처리/변환 등을 수행한다는 점에 착안하여 연구를 진행하였다. 각 카메라로 촬영한 영상에서 RGB 채널 평균값, RGB 짝 상관분석 등 34개의 통계적 특성을 추출하고 Support Vector Machine(SVM)을 통한 카메라 판별을 시도하였다. 카메라 2대의 촬영 영상에 대한 판별은 평균 98.
기존 연구를 기반으로 구현한 모델을 확장하여 실험을 진행하였다. 계층의 변화가 성능에 영향을 끼친다는 점을 다양한 계층의 모델을 활용한 시험을 통해 확인하고 조금이나마 성능이 더 높은 모델을 제안하였다. 또한 디지털 포렌식 중 유사한 분야인 프린터 판별 관련 모델을 차용하여 HPF와 GLCM, 2가지 특징에 대해 실험을 하였으며 HPF가 카메라 모델 판별에는 조금 더 적합하다는 것을 보였다.
본 논문에서는 카메라 모델 판별을 위한 딥러닝 모델을 제안하였다. 기존 연구를 기반으로 구현한 모델을 확장하여 실험을 진행하였다. 계층의 변화가 성능에 영향을 끼친다는 점을 다양한 계층의 모델을 활용한 시험을 통해 확인하고 조금이나마 성능이 더 높은 모델을 제안하였다.
제안하는 모델은 4 계층의 Conv를 가진다. 기존 연구에서 제안한 3 계층의 Conv를 쓰는 모델[6]을 기반으로 다양한 변인을 수정하며 진행하였고 Conv의 수를 조절하여 2 계층, 4 계층과 5계층에 대해서도 실험을 수행하였다. 그 결과, Fig.
카메라는 색상을 나타내기 위해 CFA를 사용하지만, CFA 사이의 보간 방법은 카메라마다 차이가 존재한다. 보간 방법의 특징 식별을 위해 영상에서 값의 변화가 적은 부분과 값의 변화가 심한 부분을 나누어 분석하였다. 특히, 특징을 추출하기 위해 Popescu et al.
위의 연구들은 기계학습에 기반하여 분류기(일반적으로 SVM)에 얼마나 데이터의 특징을 잘 표현한 특징을 학습시킬 수 있는가를 초점으로 연구가 진행되었다. 분류기의 성능 향상보다는 추출한 특징과 카메라 간의 상관관계에 집중하였다
9와 같이 4 계층의 Conv가 가장 높은 성능을 보이는 것을 확인할 수 있다. 원활한 비교를 위해 각 계층별 최고 성능이 나온 시점 이후는 최고 성능 값으로 통일하였다.
마지막으로 Pooling을 적용하게 된다. 전체 모델의 처리 과정에서 가장 처리량이 많은 부분이 특징값들을 일렬로 나열하여 관계를 분석하는 Flatten 과정이기에 Pooling을 이용하여 Feature Map의 가로, 세로를 줄임으로써 연산량을 감소시키는 결과를 유도한다. 이 과정에서 Max, Min, Average 등의 규칙을 통해 특징을 강화하는 효과도 얻을 수 있다.
Drop-Out[15]은 모든 FC에 적용되며 과적합을 회피하기 위해서 학습 후 가중치 갱신 과정에서 의도적으로 몇몇 노드를 누락시켜 비활성화하는 노드의 비율을 의미한다. 제안하는 모델에서는 0.5의 값을 사용하여 학습할 때마다 전체 노드 중 임의로 선택된 절반만큼의 연결 노드를 비활성화한다. 마지막 Output Layer에서는 입력 노드를 판별할 Class와 같은 개수의 출력 노드와 Softmax 연산으로 연결한다.
하지만 일반적으로 디지털 포렌식을 위한 딥러닝의 경우 원활한 학습과 효율성을 위해 특징을 추출하는 과정까지는 사람이 손을 대는 경우가 많다. 제안하는 모델에서는 HPF를 적용한 특징 데이터를 입력한다. 모델의 Convolution Layer 부분에서 입력한 특징 데이터는 강화되고 Fully Connected Layer 부분에서 특징 사이의 관계를 분석하게 된다.
카메라 모델 판별을 위한 딥러닝 환경은 Windows 10 Pro를 이용하고 Google에서 배포한 딥러닝 라이브러리인 Tensorflow를 중심으로 구축하였다. 하드웨어는 Intel사의 Core-i7, Nvidia사의 10시리즈를 사용하였다.
7과 같이 학습 과정과 판별 과정으로 나뉘어 진행된다. 학습 과정에서는 학습 영상 데이터와 레이블을 같이 입력하여 가중치를 조절하는 지도학습을 수행한다. 학습 영상 데이터를 입력한 후 모델을 거쳐 나온 추정값이 학습 영상의 레이블과 다를 경우 Convolution Layer의 Kernel 값을 수정하여 추정값과 실제값의 차이인 Loss를 줄이는 방향으로 가중치를 조절한다.
위와 같은 과정을 통해 생성한 영상을 Tensorflow에서 제공하는 TFRECORD 형식으로 저장하여 사용하였다. 해당 데이터셋을 바탕으로 학습을 수행하고 판별 성능을 측정하였다.

대상 데이터

[4]은 렌즈의 생산과정에서 생기는 방사형 왜곡을 이용하는 원본 카메라 판별 기술을 연구하였다. 3개의 카메라를 대상으로 했으며 각각 100장의 영상을 직접 촬영하여 수집하였고 SVM을 이용하여 학습을 진행하였다. Kharrazi et al.
64×64 크기의 Sub-Image를 원본 영상에서 추출하여 학습 데이터로 사용하고 4계층의 CNN을 통과시켰다.
[14]은 사진에 비해 상대적으로 관심이 덜한 동영상에 대한 카메라 식별을 연구하였다. CNN을 이용하며 실험 데이터로는 동영상의 여러 프레임에서 추출한 패치 영상을 사용하였다. CNN 모델은 MISLnet 구조를 기반으로 자체 튜닝한 모델을 사용하였다.
Dresden Image Database를 사용하였으며 33개의 카메라를 대상으로 실험을 진행하였으며 딥러닝 모델 중 널리 알려진 AlexNet[8]과 GoogleNet[9]에 대한 실험 결과와 비교를 하였다. 기존에 깊은 계층으로 이루어진 AlexNet과 GoogleNet도 좋은 성능을 보여주었지만 Fig.
실험 데이터는 카메라 기반 디지털 포렌식 기법들에서 공유되는 Dresden Image Database[16]를 이용하였고 해당 영상 데이터베이스의 카메라 모델 및 영상 정보는 Table 3과 같다.
실험은 12개의 카메라 모델을 대상으로 하였으며 하나의 디바이스에 200장 이상의 영상이 있는 모델을 선정하였다. 하나의 모델에서 여러 디바이스가 있는 경우, 첫 번째 디바이스를 사용하였다.
영상 데이터는 불과 10년 전만 해도 준 전문가의 영역이었다. DSLR, Mirrorless 등의 카메라는 높은 가격대를 유지했으며 SNS를 통한 공유보다는 소규모의 커뮤니티를 통한 공유가 대부분이었다.
256×256 크기보다 작은 부분은 포함하지 않았다. 전체 데이터의 수는 약 40만 장이며 학습 데이터와 판별 데이터는 전체 데이터 대비 80:20의 비율로 구성하여 각각 32만 장, 8만 장 정도의 영상으로 구성되어 있다. 모델별로 촬영 영상의 해상도가 달라서 1장의 영상에서 나오는 256×256 영상의 수는 70장에서 150장의 사이에 있다.
카메라 모델 판별을 위한 딥러닝 환경은 Windows 10 Pro를 이용하고 Google에서 배포한 딥러닝 라이브러리인 Tensorflow를 중심으로 구축하였다. 하드웨어는 Intel사의 Core-i7, Nvidia사의 10시리즈를 사용하였다. 하드웨어와 소프트웨어 환경 요약은 Table 1과 Table 2에 나타내었다.

이론/모형

CNN을 이용하며 실험 데이터로는 동영상의 여러 프레임에서 추출한 패치 영상을 사용하였다. CNN 모델은 MISLnet 구조를 기반으로 자체 튜닝한 모델을 사용하였다. I-프레임과 P-프레임을 각각 단일로 사용하였을 때에 비해 두 프레임을 모두 사용하였을 때가 가장 좋은 성능을 보였다.
특히, 특징을 추출하기 위해 Popescu et al.[3]이 업샘플링 흔적을 찾기 위해 사용한 Expectation/Maximization(EM) 알고리즘을 사용하였다. EM 알고리즘을 통해 보간 커널의 크기와 커널의 가중치 계수를 추정하고 이 특징을 카메라를 구분할 수 있는 특징으로 SVM에 학습시켜 카메라 분류를 시도하였다.
본 논문에서는 특정 영상에 대한 카메라 모델 판별을 위한 딥러닝 모델을 제안한다. 기존의 카메라 모델 판별 알고리즘에 사용되는 센서 패턴 노이즈 추출 기술과 최근 다양한 분야에 접목되고 있는 딥러닝 기술 중 영상 데이터 처리에 높은 성과를 보이는 컨볼루셔널 뉴럴 네트워크를 이용하였다. 실험을 위해 오픈 영상 데이터베이스에서 추출한 12개의 영상 획득 장치의 데이터를 활용하였고 결과적으로 4개의 Convolution Layer를 사용한 모델을 통하여 최신 연구의 성능과 유사한 98%의 성능을 달성하였다.
MICHE-I Dataset을 이용하여 모바일 디바이스에 대한 판별(디바이스 A, B, C 분류)과 센서에 대한 판별(디바이스 A의 전면카메라, 디바이스 A의 후면카메라 등 카메라 센서 분류), 2가지 실험을 진행하였다. 모델의 구조는 Fig. 4와 같으며 HPF를 거친 영상을 CNN 모델을 통해 학습시켰다. 모바일 디바이스 판별은 3대의 디바이스를 이용한 촬영 영상을 이용하였고 최고 98%의 성능을 보였다.
만약 활성화 함수를 적용하지 않는다면 중복된 계층이 나열될 경우 여러 계층을 적용하더라도 단일 계층과 같은 방식으로 처리된다. 이를 방지하기 위해 다양한 비선형 함수들이 제시되었고 제안하는 모델에서는 0 이하의 값을 소실시키고 0 초과의 값을 그대로 사용하는 ReLU (Rectified Linear Units[14])가 사용되었다.
[7]은 딥러닝 기법 중 CNN을 이용한 카메라 판별 방법을 제안했다. 직접 특징을 뽑아 비교 후 학습시켰던 이전 방법들과 달리 판별 모델이 입력데이터에 대해 스스로 가중치를 조절하며 분류하는 딥러닝 기법을 적용했다. High Pass Filter(HPF)와 Wavelet Filter를 적용하는 방법으로 나누어 입력 영상에 대해 사전처리를 진행하였다.

성능/효과

2와 같은 3계층의 모델만으로도 충분히 좋은 성능을 보여준다는 점을 입증했다. 12개 모델 판별에 대해서는 최고 98%의 성능을 보였으며, 14개 모델 판별에 대해서는 최고 97.1%의 성능을 보였다. 33개의 모델 판별은 91.
I-프레임과 P-프레임을 각각 단일로 사용하였을 때에 비해 두 프레임을 모두 사용하였을 때가 가장 좋은 성능을 보였다. CNN 결과를 fusion 알고리즘을 통해 평가하였고 20개의 카메라를 실험하여 최고 95%의 성능을 나타내었다.
프린터 장치 판별은 카메라 판별과 같은 영상 포렌식 기법에 속하며 영상에서 장치의 숨겨진 특징을 이용한다는 점에서 유사한 방법을 적용할 수 있다. CNN을 기반으로 입력 데이터에 명암도 동시발생 행렬을 적용한 후 처리하는 모델을 구성하였고 평균 99.8%의 성능을 달성하였다.
Color Channel을 고려한 PRNU의 성능은 97.07%를 나타내었고, ‘HH’ 값을 사용한 실험 결과는 90% 이상의 성능을 유지하면서 실행 속도를 상당히 개선하였다.
CNN 모델은 MISLnet 구조를 기반으로 자체 튜닝한 모델을 사용하였다. I-프레임과 P-프레임을 각각 단일로 사용하였을 때에 비해 두 프레임을 모두 사용하였을 때가 가장 좋은 성능을 보였다. CNN 결과를 fusion 알고리즘을 통해 평가하였고 20개의 카메라를 실험하여 최고 95%의 성능을 나타내었다.
Kharrazi et al.[1]의 특징 추출을 이용하여 실험한 결과는 평균 87.38%로 나왔지만, 렌즈 왜곡 기술을 병행할 경우 4%가 향상된 평균 91.39%의 성능을 보임으로써 성능의 개선을 입증했다. 렌즈 왜곡 기술만을 이용하여 특징을 추출한 방법의 분류 정확도는 91.
계층 수에 따른 정확도는 4 > 3 > 5 > 2 순이었으며, 최고 정확도에 도달 하는 시간은 2 < 4 < 5 < 3 순으로 성능과 속도 모두 계층 수와는 관계가 없는 것으로 나타났다.
이렇게 생성된 SPN이 카메라 식별에 유의미한 결과를 보이는지 분석하기 위해 연구팀은 상관관계를 계산하였다. 그 결과 실험에 사용된 영상들의 SPN은 촬영에 사용한 각 카메라의 패턴과 높은 상관관계를 보임으로써 카메라 식별에 활용 가능한 특징임을 입증하였다. 또한 SPN이 카메라 촬영 과정에서 수행되는 Gamma 보정과 JPEG 압축에 대해서 충분히 강인함을 가지고 있다는 사실을 입증했다.
기존 연구에서 제안한 3 계층의 Conv를 쓰는 모델[6]을 기반으로 다양한 변인을 수정하며 진행하였고 Conv의 수를 조절하여 2 계층, 4 계층과 5계층에 대해서도 실험을 수행하였다. 그 결과, Fig. 9와 같이 4 계층의 Conv가 가장 높은 성능을 보이는 것을 확인할 수 있다. 원활한 비교를 위해 각 계층별 최고 성능이 나온 시점 이후는 최고 성능 값으로 통일하였다.
42%의 정확도를 보였다. 그리고 카메라 5대의 촬영 영상에 대한 판별은 평균 88.02%의 정확도를 보였다.
Dresden Image Database를 사용하였으며 33개의 카메라를 대상으로 실험을 진행하였으며 딥러닝 모델 중 널리 알려진 AlexNet[8]과 GoogleNet[9]에 대한 실험 결과와 비교를 하였다. 기존에 깊은 계층으로 이루어진 AlexNet과 GoogleNet도 좋은 성능을 보여주었지만 Fig. 2와 같은 3계층의 모델만으로도 충분히 좋은 성능을 보여준다는 점을 입증했다. 12개 모델 판별에 대해서는 최고 98%의 성능을 보였으며, 14개 모델 판별에 대해서는 최고 97.
그 결과 실험에 사용된 영상들의 SPN은 촬영에 사용한 각 카메라의 패턴과 높은 상관관계를 보임으로써 카메라 식별에 활용 가능한 특징임을 입증하였다. 또한 SPN이 카메라 촬영 과정에서 수행되는 Gamma 보정과 JPEG 압축에 대해서 충분히 강인함을 가지고 있다는 사실을 입증했다.
계층의 변화가 성능에 영향을 끼친다는 점을 다양한 계층의 모델을 활용한 시험을 통해 확인하고 조금이나마 성능이 더 높은 모델을 제안하였다. 또한 디지털 포렌식 중 유사한 분야인 프린터 판별 관련 모델을 차용하여 HPF와 GLCM, 2가지 특징에 대해 실험을 하였으며 HPF가 카메라 모델 판별에는 조금 더 적합하다는 것을 보였다.
39%의 성능을 보임으로써 성능의 개선을 입증했다. 렌즈 왜곡 기술만을 이용하여 특징을 추출한 방법의 분류 정확도는 91.53%를 달성하였다.
먼저 기존 실험에서 제시한 값들을 그대로 반영한 모델[7]을 직접 구현하여 실험을 진행하였고 실험 결과는 97.1%로 해당 논문에서 제시한 98%보다는 1% 낮은 성능을 얻었다. 다음으로 최근 연구 중 프린터 장치 판별 연구[12]에서 사용된 모델의 경우, 프린터 판별에서는 99.
4와 같으며 HPF를 거친 영상을 CNN 모델을 통해 학습시켰다. 모바일 디바이스 판별은 3대의 디바이스를 이용한 촬영 영상을 이용하였고 최고 98%의 성능을 보였다. 센서 판별은 5개의 센서에 대한 판별을 시도하였고 91.
모바일 디바이스 판별은 3대의 디바이스를 이용한 촬영 영상을 이용하였고 최고 98%의 성능을 보였다. 센서 판별은 5개의 센서에 대한 판별을 시도하였고 91.1%의 성능을 보였다.
기존의 카메라 모델 판별 알고리즘에 사용되는 센서 패턴 노이즈 추출 기술과 최근 다양한 분야에 접목되고 있는 딥러닝 기술 중 영상 데이터 처리에 높은 성과를 보이는 컨볼루셔널 뉴럴 네트워크를 이용하였다. 실험을 위해 오픈 영상 데이터베이스에서 추출한 12개의 영상 획득 장치의 데이터를 활용하였고 결과적으로 4개의 Convolution Layer를 사용한 모델을 통하여 최신 연구의 성능과 유사한 98%의 성능을 달성하였다.
실험의 목적과 데이터 셋에 따라 항상 다양한 실험을 해서 최적의 모델을 찾아야한 다는 점을 확인하였다.
각 카메라로 촬영한 영상에서 RGB 채널 평균값, RGB 짝 상관분석 등 34개의 통계적 특성을 추출하고 Support Vector Machine(SVM)을 통한 카메라 판별을 시도하였다. 카메라 2대의 촬영 영상에 대한 판별은 평균 98.73%의 정확도를 보였고, 촬영 영상을 Quality Factor 75로 재압축한 영상을 분류기에 학습시킨 결과로는 평균 93.42%의 정확도를 보였다. 그리고 카메라 5대의 촬영 영상에 대한 판별은 평균 88.

후속연구

차후 연구목표로는 SPN 연구에서 사용되는 위치 동기화 개념을 바탕으로 한 데이터셋을 구축하여 딥러닝 모델을 통한 실험을 진행할 것이다. 또한 SPN 기반이 아닌 JPEG 압축 과정 중에 드러나는 8×8 블록 단위 양자화에 의한 격자성을 바탕으로 카메라 모델 판별을 위한 추가적인 실험을 시도할 것이다.
차후 연구목표로는 SPN 연구에서 사용되는 위치 동기화 개념을 바탕으로 한 데이터셋을 구축하여 딥러닝 모델을 통한 실험을 진행할 것이다. 또한 SPN 기반이 아닌 JPEG 압축 과정 중에 드러나는 8×8 블록 단위 양자화에 의한 격자성을 바탕으로 카메라 모델 판별을 위한 추가적인 실험을 시도할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Pooling을 이용하여 특징을 나타내는 방법은?	전체 모델의 처리 과정에서 가장 처리량이 많은 부분이 특징값들을 일렬로 나열하여 관계를 분석하는 Flatten 과정이기에 Pooling을 이용 하여 Feature Map의 가로, 세로를 줄임으로써 연산량을 감소시키는 결과를 유도한다. 이 과정에서 Max, Min, Average 등의 규칙을 통해 특징을 강화하는 효과도 얻을 수 있다.
	명암도 동시발생 행렬이란 무엇인가?	명암도 동시발생 행렬(Gray Level Co-occurrence Matrix, GLCM)[13]은 영상 내에서 픽셀 단위에서의 밝기값 관계를 추출하는 방법으로 인접 픽셀의 값을 좌표로 이용하여 같은 값이 반복해서 나오는 횟수를 특징으로 활용하며, 영상의 질감 (Texture) 특성을 추출하는데 유리한 방법이다. GLCM의 Feature Map 크기는 원본 영상의 밝기값 범위에 의존하므로 8bit 영상의 경우 256×256의 크기로 생성된다.
	딥러닝의 장점은?	딥러닝의 경우, 복잡한 데이터의 특징을 자동으로 추출하는 장점이 있지만, 높은 컴퓨팅 성능이 요구된다는 단점에 의해 널리 사용되지 못하였다. 하지만 이후 하드웨어 성능의 발전에 힘입어 카메라 판별 연구 또한 딥러닝을 접목하는 방향으로 연구가 진행되었다.

참고문헌 (17)

M. Kharrazi, H.-T. Sencar, and N. Memon, "Blind source camera identification," Proceedings of the International Conference on Image Processing, Vol.1, pp.709-712, 2004.
S. Bayram, H. Sencar, N. Memon, and I. Avcibas, "Source camera identification based on CFA interpolation," Proceedings of the IEEE International Conference on Image Processing, Vol.3, pp.III-69, 2005.
A. Popescu and H. Farid, "Exposing Digital Forgeries by Detecting Traces of Re-sampling," IEEE Transactions on Signal Processing, Vol.53, No.2, 2005.

상세보기
K.-S. Choi, E.-Y. Lam, and K.-K. Wong, "Source camera identification using footprints from lens aberration," Proceedings of SPIE, Digital Photography II, Vol.6069, pp. 60690J, 2006.
J. Lukas, J. Fridrich, and M. Goljan, "Digital camera identification from sensor pattern noise," IEEE Transactions on Information Forensics and Security, Vol.1 No.2, pp.205-214, 2006.

상세보기
K. Bolouri, A. Azmoodeh, A. Dehghantanha, and M. Firouzmand, "Internet of things camera identification algorithm based on sensor pattern noise using color filter array and wavelet transform," In Handbook of Big Data and IoT Security, Springer, Cham, pp.211-223, 2019.
A. Tuama, F. Comby, and M. Chaumont, "Camera model identification with the use of deep convolutional neural network," Proceedings of the IEEE International Workshop on Information Forensics and Security, pp.1-6, 2016.
A. Krizhevsky, I. Sutskever, and G.-E. Hinton, "Imagenet classification with deep convolutional neural networks," Advances in Neural Information Processing Systems, pp. 1097-1105, 2012.
C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S.-E. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, "Going deeper with convolutions," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1-9, 2015.
L. Bondi, L. Baroffio, D. Guera, P. Bestagini, E.-J. Delp, and S. Tubaro, "First steps toward camera model identification with convolutional neural networks," IEEE Signal Processing Letters, Vol.24, No.3, pp.259-263, 2017.

상세보기
D. Freire-Obregon, F. Narducci, S. Barra, and M. Castrillon-Santana, "Deep learning for source camera identification on mobile devices," Pattern Recognition Letters, Vol.126, pp.86-91, 2018.
S.-H. Lee and H.-Y. Lee, "Printer Identification Methods Using Global and Local Feature-Based Deep Learning," KIPS Transactions on Software and Data Engineering, Vol. 8, No.1, pp.37-44, 2019.
J.-Y. Baek, H.-S. Lee, S.-G. Kong, J.-H. Choi, Y.-M. Yang, and H.-Y. Lee, "Color Laser Printer Identification through Discrete Wavelet Transform and Gray Level Co-occurrence Matrix," The KIPS Transactions: Part B, Vol.17, No.3, pp 197-206, 2010.
B. Hosler, O. Mayer, B. Bayar, X. Zhao, C. Chen, J.-A. Shackleford, and M.-C. Stamm, "A Video Camera Model Identification System Using Deep Learning and Fusion," In ICASSP 2019-2019 IEEE International Conference on Acoustics, pp.8271-8275, 2019.
V. Nair and G.-E. Hinton, "Rectified linear units improve restricted boltzmann machines," Proceedings of the International Conference on Machine Learning, pp.807-814, 2010.
N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, "Dropout: a simple way to prevent neural networks from overfitting," Journal of Machine Learning Research, Vol.15, No.1, pp.1929-1958, 2014.
Dresden Image Database, [Internet], http://forensics.inf.tudresden.de/ddimgdb/

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증