基于关键点和时频表示的鲁棒机器学习框架用于音频拷贝-移动伪造检测

《IEEE Access》：A Robust Keypoint-Based Machine Learning Framework for Audio Copy-Move Forgery Detection Using Time-Frequency Representations

　　

摘要：

复制-移动伪造是一种用于隐藏或重复语音片段的音频伪造类型。验证音频真实性在音频取证中变得至关重要。本研究提出了一种新型基于机器学习的复制-移动伪造检测框架。原始音频信号被转换为时频表示并进行预处理。然后使用FAST算法检测关键点，并使用SIFT算法描述关键点。在对关键点进行匹配并通过一维平移共识滤波消除错误对应后，从匹配的关键点构建特征集。该特征向量使用Extra Trees分类器进行分类，以将录音标记为伪造或真实。我们的方法在三个由阿拉伯语、土耳其语和英语录音组成的数据集上进行评估。在确定最合适的时频表示后，使用5折分层交叉验证进行数据集内评估，并使用跨数据集测试进行数据集间评估。在无攻击条件下，分层5折交叉验证产生的F1得分为：DS1（阿拉伯语）99.25%，DS2（土耳其语）99.76%，DS3（英语）89.04%。在攻击场景下，F1得分不低于：DS1 96%，DS2 96.19%，DS3 85.83%。这些结果表明该方法对后处理攻击具有鲁棒性，并且在不同语言和录音条件下均有效。比较结果显示该方法优于现有方法。