02 - Analise Forense de Documentos

Prof. Dr.
Anderson Rocha
anderson.rocha@ic.unicamp.br
http://www.ic.unicamp.br/~rocha
Reasoning for Complex Data (RECOD) Lab.
Institute of Computing, Unicamp
Av. Albert Einstein, 1251 - Cidade Universitria
CEP 13083-970 Campinas/SP - Brasil
Anlise Forense de
Documentos Digitais
Organizao
A. Rocha, 2012 Anlise Forense de Documentos Digitais
Organizao
!
Atribuio de Fontes (Modelo e Tipo
Especco)
Cmera
Scanner
!
Identicao de Criaes Sintticas
!
Tcnicas Contra-Forenses
3
Atribuio de
Fontes
!
Cmera
!
Camcorder
!
Scanner
!
Impressora
Atribuio de Fontes
5
!
Tcnicas para apontar/atribuir
O modelo do dispositivo de aquisio
O dispositivo exato
Atribuio de Fontes
6
Atribuio do
Modelo de Cmera
Atribuio do Modelo
!
Informaes relacionadas ao processo de
aquisio
Caractersticas das lentes
Tipo a tamanho dos sensores de aquisio
Tipo de ltro de mosaico/demosaico
Informaes dos algoritmos da DIP

8
Pipeline Cmera
9
Luz Sistema de Lentes
Exposio, Foco e
Estabilizao da Imagem
Filtros
Infra-vermelho,
anti-serrilhamento,
max. qualidade visvel
Sensores de Imageamento
CCD, CMOS...
Color Filter Arrays
(CFA)...
Mosaico
Demosaico
Correes (white)
Realce
Correo de
Abertura e Gamma
Compresso
etc.
Proc. Imagem (DIP)
Fotograa
Resultante
A. Rocha
Estado da Arte
!
Anlise de ps-processamento
[Kharrazi et al. 2004]
!
Anlise de artefatos de mosaico/demosaico
[Popescu & Farid 2004; Bayram et al. 2005b]
!
Artefatos em tabelas de quantizao
JPEG[Popescu 2004]
!
Distores de lentes
[Choi et al. 2006]
10
Mosaico/Demosaico
11
92 40
76 28
29 50
67 28
43 =
(29 + 50 + 67 + 28)
4
59 =
(92 + 40 + 76 + 28)
4
72 = 72
+ +
=

A
.

R
o
c
h
a
Anlise de Artefatos CFA
!
Hiptese:
linhas e coluna de imagens interpoladas

provavelmente possuem correlaes com
seus vizinhos
relao de vizinhana pode ser fornecida por

kernels de tamanhos especcos (e.g., 3x3,
5x5, etc.)
12
!
[Popescu 2004] apresentam um algoritmo de
maximizao da esperana (EM)
!
Dois estgios
Esperana
Maximizao
13
!
No estgio da esperana (E), estima-se a
probabilidade de cada amostra pertencer a um
modelo em particular
!
No estgio da maximizao (M), estima-se a
forma especfica das correlaes entre as
amostras
14
!
Mais especificamente, podemos assumir que
cada amostra pertence a um de dois modelos
possveis
!
Se a amostra linearmente correlacionada com
seus vizinhos ela pertence ao Modelo 1. Caso
contrrio, ao Modelo 2
15
!
Funo de correlao linear
!
f um canal de cor (RGB) aps o demosaico, k
um inteiro e N distribuio normal iid
!
u,v so offsets dos pixels
!
um vetor de coeficientes lineares que
expressa as correlaes
16
f(x, y) =
k
X
u,v=k
u,v
f(x + u, y + v) +N(x, y),
17
Pr{f(x, y) M
1
|f(x, y)} =
Pr{f(x, y)|f(x, y) M
1
}Pr{f(x, y) M
1
}
P
2
i=1
i
}Pr{f(x, y) M
i
}
,
Pr{f(x, y) M
1
} e Pr{f(x, y) M
2
}
!
Esperana estima a prob. de cada amostra
pertencer ao Modelo 1
!
so prob. a priori (1/2)
!
Se assumirmos que uma amostra gerada pelo
Modelo 1, a probabilidade de isso ocorrer
!
Assumimos que o Modelo 2 tem uma
distribuio uniforme
!
Estimamos a varincia no estgio M
18
1
} =
1
1
2
2
f(x, y)
k
X
u,v=k
u,v
f(x + u, y + v)
.
19
!
No estgio M precisamos estimar os coeficientes
da correlao
!
Usamos mtodo dos mnimos quadrados
!
Os pesos w so equivalentes a
E( ) =
X
x,y
w(x, y)
f(x, y)
k
X
u,v=k
u,v
f(x + u, y + v)
2
.
Pr{f(x, y) M
1
|f(x, y)}
20

A
.

P
o
p
e
s
c
u

A
.

P
o
p
e
s
c
u
21
1. Cem imagens com
interpolao CFA
2. Algoritmos
1. Bilinear
2. Bicubic
3. Smooth hue
4. Median (3 & 5)
5. Gradient
6. Adaptive Color Plane
7. Variable Gradients

A
.

P
o
p
e
s
c
u
!
Problemas?
!
Quais so os possveis ataques a essa
abordagem?
!
Podemos empregar aprendizado de mquina?
!
Podemos usar isso no cenrio de investigao
de adulteraes de imagens?
22
Atribuio da
Cmera em Especco
Atribuio direta
!
Caractersticas nicas da cmera em anlise
Imperfeies dos componentes
Defeitos e falhas decorrentes do ambiente e

condies de operao
Dead e cold pixels, pixel traps etc.

24
Estado da Arte
!
Anlise dos efeitos do rudo inserido no
processo de captura
[Lukas et al. 2006]
!
Artefatos originados pela presena de poeira
nos sensores no momento de aquisio
[Dirik et al. 2007]
!
Efemeridade
25
Anlise de Rudo
26
Padro de Rudo
Foto-responsividade
no uniforme (PRNU)
Padro Fixo (FPN)
No Uniformidade de
Pixels (PNU)
Defeitos de Baixa
Frequncia
A. Rocha
!
FPN
Aditivo e decorrente de dark-currents
dependentente do tempo de exposio e

temperatura
Pode ser removido in-camera extraindo-se

um quadro preto (dark frame)
27
Anlise de Rudo
!
PRNU
Multiplicativo
Causado pelo rudo no uniforme dos pixels (PNU)

e defeitos de baixa frequncia
Denido como a sensitividade que diferentes pixels

tm em relao luz
Causado por inconsistncias na fabribao do

sensor de captura
28
Anlise de Rudo
!
PRNU
Os defeitos de baixa frequncia so causados

pelos efeitos da refrao da luz nas partculas
devido a conguraes de zoom e superfcie tica
No utilizado no trabalho de [Lukas et al. 2006]

29
Anlise de Rudo
!
Para utilizar o rudo PNU no cenrio forense, este
precisa ser isolado
!
Em um cenrio forense certamente no teremos um
padro de referncia
!
Temos que estabelecer um padro de referncia P
c,
uma aproximao do rudo PNU
30
Anlise de Rudo
31
Anlise de Rudo
I
(k)
=
1
K
K
X
k=1
I
k
.
!
No processo de aproximao, fazemos a mdia de K
imagens de uma cena uniforme (lit scene) como o cu,
por exemplo
!
Esta aproximao pode ser otimizada de modo a
suprimir o contedo da cena
32
Anlise de Rudo
!
Filtro de supresso/remoo de rudo (denoising)
!
Wavelet denoising uma boa escolha
!
Como determinar se uma dada imagem I
teste
pertence
a uma determinada cmera?
(k)
= (I
(k)
(I
(k)
))/K
33
Anlise de Rudo
!
Como determinar se uma dada imagem I
teste
pertence
a uma determinada cmera?
!
Calcula-se a correlao entre o rudo residual da
imagem em questo e o padro de referncia
c
(I) =
(

) (P
c

P
c
)

P
c

P
c
.
Anlise de Rudo
!
Mtodo com timos resultados
!
Problemas
Sincronizao (modicaes de escala e

recorte)
Fora bruta para achar as transformaes

!
Podemos empregar aprendizado de mquina?
34
Atribuio de
Scanner
Atribuio de Scanner
!
O processo de fabricao de qualquer
dispositivo eletrnico de captura introduz
defeitos nos sensores de imageamento
!
Como funciona o processo de captura de um
scanner?
36
Aquisio via Scanner (recap)
37
Documento
Original
Fonte de Luz
Lentes, Espelhos e
Amplicador, ADC
Software de
Ps-Processamento, Correo
de Cores, Correo Gamma...
Imagem
Digital

A
.

R
o
c
h
a
Aquisio via Scanner (recap)
38
Documento Original
Sentido de Leitura
Sensor
Espelhos
Caminho da luz
Lentes
Lentes, Espelhos e
Imagem
Digital
Fonte de Luz
Amplicador, ADC
Software de
Ps-Processamento, Correo de
Cores, Correo Gamma...
Cabea de Leitura

A
.

R
o
c
h
a
Atribuio de Scanner
!
Scanners possuem
Resoluo horizontal (sensor) e vertical

(motor de passo)
Motor de passo
Estabilizador
39
Atribuio de Scanner
!
Como os scanners fazem escaneamentos em
resoluo no-nativa?
Sub-amostragem
Amostragem normal seguida de ajustes in-

scanner (maioria)
40
Estado da Arte
!
Extenses da anlise de rudo FPN
[Gloe et al. 2007a] e [Gou et al. 2007]
!
Anlise de rudo considerando as propriedades
de captura unidimensionais e peridicas do
scanner
[Khanna et al. 2009]
41
Rudo e Periodicidade
!
Construo do padro de referncia
!
Mdia das linhas (devido ao motor de passo)
!
Mdia de mltiplas imagens
!
Anlise de correlao
42
!
Filtro de supresso/reduo de rudo
!
Com K imagens podemos construir o padro
de referncia (2D) de um dado scanner
43
I
k
noise
= I
k
I
k
denoised
e
I
array
noise
(i, j) =
1
K
K
X
k=1
I
k
noise
(i, j); 1 i M e 1 j N
e
I
array
noise
(i, j) =
1
K
K
X
k=1
I
k
noise
(i, j); 1 i M e 1 j N
!
Padro de referncia 1D
!
Como atribuir uma imagem em especco a um
scanner?
44
e
I
linear
noise
(1, j) =
1
M
M
X
i=1
e
I
array
noise
(i, j); 1 j N.
e
I
linear
noise
(1, j) =
1
M
M
X
i=1
e
I
array
noise
(i, j); 1 j N.
!
Correlao entre a assinatura de um scanner e
um padro de referncia
!
Tcnica com bons resultados na prtica
!
Palavra nal?
45
C(X, Y ) =
(X X) (Y Y )
||X X|| ||Y Y ||
.
!
Palavra nal?
!
Problemas
Scanners usam parcialmente a superfcie de

captura (vidro)
Esta abordagem requer condies similares

de captura para funcionar
46
!
[Khanna et al. 2009] prope uma anlise
estatstica sobre os vetores de assinatura
!
Mdia das linhas e colunas em
!
Clculo da correlao entre cada linha de e
a mdia das linhas de
!
Similarmente para as colunas
47
e
I
l
noise
e
e
I
c
noise
I
noise
e
I
l
noise
!
Estatsticas de ordem sobre as novas
caractersticas (mdia, varincia, moda,
curtose, etc.)
!
Classicador de padres
!
Bons resultados
48
Tcnicas Contra-
Forenses em Atribuio
Abordagens Contra-Forenses
!
Tcnicas de atribuio de dispositivos de
captura vs. Tcnicas contra-forenses
!
[Gloe et al. 2007b] observam que um ltro de
supresso/reduo de rudo baseado em
wavelets no elimina o rudo totalmente
!
Pode aplicar um mtodo de atelding para
capturar o rudo restante
50
!
Para estimar o rudo xo (FPN) pode-se utilizar
imagens de um quadro preto
!
Para estimar o rudo PRNU, usa-se K imagens
de uma cena homognea (e.g., cu azul)
subtraindo-se o a estimativa FPN
51
I
dark estimate
=
1
J
X
J
I
dark
.
!
Estimativa de atelding
!
Com as estimativas em mos, pode-se suprimir
as caractersticas de rudo em uma imagem de
uma cmera em especco
!
Como?
52
I
flatfield
=
1
K
X
K
(I
light
I
dark estimate
).
!
Retirando a assinatura de rudo
!
Flatelding difcil devido ao grande nmero de
parmetros que precisam ser levados em conta
tempo de exposio
velocidade de captura
ISO etc.
53
I =
I I
dark estimate
I
flatfield
.
54
I
forge
=

I I
flatfield forge
+I
dark forge
.
!
Aps a extrao de padro de rudo, como
substitu-lo como outro padro?
!
O padro de rudo de uma cmera pode ser
substitudo com a operao de atelding inverso
Identicao de
Criaes Sintticas
Identicao de Criaes Sintticas
!
CPPA
Possesso de imagens de menores de idade

considerado crime
Imagens geradas em computador no so

crime
E se algum fotografa um menor e modica

propriedades no computador?
56
Estado da Arte
!
Decomposio multi-escala e anlise estatstica
[Lyu 2005]
!
Diferenas em modelos de superfcie (imagens
naturais vs. imagens sintticas)
[Ng et al. 2005]
!
Propriedades de aquisio rudo
[Dehnie et al. 2006]
57
Estado da Arte
!
Anlise do comportamento de imagens naturais
e geradas em computador mediante sucessivas
perturbaes
[Rocha & Goldenstein 2007,
Rocha & Goldenstein 2010]
!
Propriedades de aquisio artefatos de
mosaico/demosaico
[Dirik et al. 2007]
58
Decomposio multi-escala e
anlise estatstica
!
[Lyu 2005], apresentaram uma tcnica para
identicao de imagens sintticas baseado na
decomposio wavelet de imagens
!
Extenso de um trabalho anterior para o
cenrio de deteco de mensagens escondidas
em imagens digitais
59
anlise estatstica
!
Hiptese
imagens naturais possuem regularidades

detectveis com estatsticas de alta ordem
o processo de criao de uma imagem em

computador insere artefatos estatsticos nas
imagens produzidas
60
anlise estatstica
!
Como funciona o mtodo?
Decomposio QMF da imagem em mltiplas

escalas e orientaes
anlise estatstica em duas fases

!
anlise direta
!
predio linear dos erros de magnitude
61
anlise estatstica
62
D1
D3
D2
L
V1
H1
H2
V2
V3
H3
A. Rocha

A
.

R
o
c
h
a
anlise estatstica
!
A anlise direta das mltiplas escalas e
orientaes consiste em calcular
mdia
varincia
moda
curtose
63
anlise estatstica
!
A predio linear dos erros de magnitude
consiste em estimar as possveis correlaes
entre um pixel e seus vizinhos multi-escala
64
anlise estatstica
!
Preditor linear para a sub-banda vertical
!
denota os valores escalares de peso dos
coecientes
65
V
i
(x, y) = w
1
V
i
(x 1, y) +w
2
V
i
(x + 1, y) +w
3
V
i
(x, y 1)
+w
4
V
i
(x, y + 1) +w
5
V
i+1
(
x
2
,
y
2
) +w
6
D
i
(x, y)
+w
7
D
i+1
(
x
2
,
y
2
),
w
k
anlise estatstica
!
Como calcular os coecientes e erro?
!
V contm os coecientes de magnitude de
!
caractersticas para trs
escalas
66
E(w) = [V Qw]
2
,
w = (w
1
, . . . , w
7
)
T
V
i
(x, y)
F = 2 3 4 s = 72
Diferenas fsicas nos processos de
captura e gerao
!
[Ng et al. 2005] desenvolvem dois nveis para
separao de imagens naturais e sintticas
Autenticidade em nvel de processamento

(imagens capturadas por algum sensor)
Autenticidade em nvel de cena (snapshot de

um campo de luz)
!
Denio de diversas caractersticas
67
Diferenas fsicas nos processos de
captura e gerao
!
Dimenso fractal local para capturar a complexidade de
texturas
!
Vetores de patches locais para capturar propriedades de
arestas
!
Superfcie gradiente para capturar a forma de resposta
de uma cmera
!
Geometria quadrtica local para capturar propriedades
poligonais dos objetos computadorizados
68
Tcnicas Contra-
Forenses em
CGI vs. Naturais
Abordagens Contra-forenses
!
Ataques de recaptura
!
Como cam abordagens baseadas em anlise de
artefatos de captura?
!
Como cam abordagens baseadas em
propriedades de textura e regularidade?
!
A abordagem de [Ng et al. 2005]
70
Referncias
Referncias
1. [Bayram et al. 2005b] Bayaram, S., Sencar, H., Memon, N. e Avcibas, I. (2005b). Source camera identication
based on CFA interpolation. In Intl. Conf. on Image Processing (ICIP), Genova, Italy.
2.[Choi et al. 2006] Choi, K. S., Lam, E. e Wong, K. (2006). Automatic source camera identication using the intrinsic
lens radial distortion. Optics Express, 14(24):11551-11565.
3.[Dehnie et al. 2006] Dehnie, S., Sencar, T. e Memon, N. (2006). Identication of computer generated and digital
camera images for digital image forensics,. In Intl. Conf. on Image Processing (ICIP), Atlanta, USA.
4.[Dirik et al. 2007] Dirik, E., Sencar, H. e Memon, N. (2007). Source camera identication based on sensor dust
characteristics. In IEEE Intl. Workshop on Signal Processing Applications for Public Security and Forensics (SAFE), pp. 1-6,
Washington DC, USA.
5.[Gloe et al. 2007a] Gloe, T., Franz, E. e Winkler, A. (2007a). Forensics for at-bed scanners. In SPIE Intl. Conf. on
Security, Steganography, Watermarking of Multimedia Contents, pp. 65051-I.
6.[Gloe et al. 2007b] Gloe, T., Kirchner, M., Winkler, A. e Bohme, R. (2007b). Can we trust digital image
forensics?
7.[Gou et al. 2007] Gou, H., Swaminathan, A. e Wu, M. (2007). Robust scanner identication based on noise features.
In SPIE Security, Steganography, and Watermarking of Multimedia Contents (SSWMC), San Jose, USA.
8.[Khanna et al. 2009] Khanna, N., Mikkilineni, A. K. e Delp, E. J. (2009). Scanner identication using feature-based
processing and analysis. IEEE Transactions on Information Forensics and Security (TIFS), 4(1):123-139.
72
Referncias
10.[Kharrazi et al. 2004] Kharrazi, M., Sencar, H. e Memon, N. (2004). Blind source camera identication. In Intl.
Conf. on Image Processing (ICIP), Singapore.
11.[Lukas et al. 2006] Lukas, J., Fridrich, J. e Goljan, M. (2006). Digital camera identication from sensor noise sensor.
IEEE Transactions on Information Forensics and Security (TIFS), 1(2):205-214.
12.[Lukas et al. 2006] Lukas, J., Fridrich, J. e Goljan, M. (2006). Digital camera identication from sensor noise sensor.
IEEE Transactions on Information Forensics and Security (TIFS), 1(2):205-214.
13.[Lyu 2005] Lyu, S. (2005). Natural Image Statistics for Digital Image Forensics. Phd thesis, Dep. of Computer Science -
Dartmouth College, Hanover, USA.
14.[Ng et al. 2005] Ng, T.-T., Chang, S.-F. e Tsui, M.-P. (2005). Physics-motivated features for distinguishing
photographic images and computer graphics. In ACM Multimedia (ACMMM), pp. 239-248, Singapore.
15.[Popescu 2004] Popescu, A. C. (2004). Statistical Tools for Digital Image Forensics. Phd thesis, Dep. of Computer
Science - Dartmouth College, Hanover, USA.
16.[Rocha & Goldenstein 2007] Rocha, A. e Goldenstein, S. (2007). PR: More than meets the eye. In Intl. Conf. on
Computer Vision (ICCV), pp. 1-8.
73
Obrigado!

02 - Analise Forense de Documentos

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

02 - Analise Forense de Documentos

Diunggah oleh

Hak Cipta:

Format Tersedia

Prof. Dr.

O modelo do dispositivo de aquisio

Caractersticas das lentes

Tipo a tamanho dos sensores de aquisio

Tipo de ltro de mosaico/demosaico

Informaes dos algoritmos da DIP

linhas e coluna de imagens interpoladas

relao de vizinhana pode ser fornecida por

Imperfeies dos componentes

Defeitos e falhas decorrentes do ambiente e

Dead e cold pixels, pixel traps etc.

Aditivo e decorrente de dark-currents

dependentente do tempo de exposio e

Pode ser removido in-camera extraindo-se

Causado pelo rudo no uniforme dos pixels (PNU)

Denido como a sensitividade que diferentes pixels

Causado por inconsistncias na fabribao do

Os defeitos de baixa frequncia so causados

No utilizado no trabalho de [Lukas et al. 2006]

Sincronizao (modicaes de escala e

Fora bruta para achar as transformaes

Resoluo horizontal (sensor) e vertical

Amostragem normal seguida de ajustes in-

Scanners usam parcialmente a superfcie de

Esta abordagem requer condies similares

Possesso de imagens de menores de idade

Imagens geradas em computador no so

E se algum fotografa um menor e modica

imagens naturais possuem regularidades

o processo de criao de uma imagem em

Decomposio QMF da imagem em mltiplas

anlise estatstica em duas fases

Autenticidade em nvel de processamento

Autenticidade em nvel de cena (snapshot de

Anda mungkin juga menyukai