被动检测技术不需要事先在图像中嵌入认证信息，仅是根据合成操作在图像中引入的图像特征变化就可以鉴别图像真伪，相对于数字水印等主动检测技术在法庭证物确认、新闻图像鉴别等领域具有更高的应用价值。作为一个具有挑战性的多学科交叉的前沿研究领域，数字图像被动检测技术已经引起研究人员的广泛关注。21世纪伊始，美国的著名高校率先关注图像被动检测的研究领域，包括在做出开创性工作的Hany Farid教授所在的达特茅斯学院，以及哥伦比亚大学、马里兰大学、纽约州立大学宾汉姆顿分校和新泽西理工学院等。国内的北京邮电大学、大连理工大学、中山大学、同济大学、国防科技大学、中国科技大学、解放军信息工程大学和山东师范大学等单位也已经开始从事这方面的研究，引领了数字图像盲被动检测领域的研究热潮，相关专题也在国际著名期刊和会议上不断出现。
被动检测涉及的分析方法主要包括以下三类：
（1）基于成像设备一致性的检测方法。这类方法同图像来源检测方法类似，是基于数码相机的成像一致性特征来鉴定一幅图像是否来自不同的成像设备，目前研究的方法包括CFA（ColorFilter Array）插值检测、传感器模式噪声、PRNU检测、镜头像差检测、相机响应函数检测等。自然图像一般是由数字采集设备获取的，如数码相机、摄像机、手机等。不同的采集设备具有不同的特性，如使用的JPEG量化表不同，颜色滤波阵列CFA不同，镜头光学畸变不同等。由相同的设备采集的图像通常在某些特性具有一致性，这种一致性可以反映出该设备的特性，可以用于图像被动取证。
（2）基于自然图像统计特性的检测方法。本方法将鉴别合成图像与自然图像看成二分类问题，提取图像的高阶统计特性作为特征，训练SVM等分类器完成检测。未经修改的真实图像通常在内在统计特征上具有连续性和完整性，而经过修改合成的图像其连续性则会被破坏。因此通过分析原始图像和合成图像在这些统计性的内在特征（如像素平均值、RGB相关性、小波域统计特征等）上的区别，就可以对图像的是否合成作出判断。这种方法一般都是通过手工设计某种统计特征，将提取的特征进行量化描述后，采用机器学习的相关方法（如SVM）进行分类训练，最后通过训练好的分类器进行判定。(www.xing528.com)
（3）面向后处理操作的检测方法。针对图像合成后常利用JPEG压缩、去噪、模糊、平滑等操作来消除图像留下的痕迹，该类方法通过分析某种操作的特点来完成分类检测甚至对合成区域进行定位。已有的取证分析方法包括双重JPEG压缩检测、平滑滤波检测、重采样检测等。
2015年之前，被动检测的分析方法采用的关键技术主要为手工设计检测特征与SVM等传统机器学习算法，近年来，随着深度学习技术的兴起，采用的检测分析方法逐渐转向深度学习为主（图6-3）。
图6-3 被动检测流程
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
