基于分辨率特征的微信传输照片可溯源性研究

2022-12-22 10:35韩星周张树彬杨求凤
刑事技术 2022年6期
关键词:原图分辨率像素

杨 杨,韩星周,郝 哲,张树彬,秦 达,杨求凤

(1.中国人民公安大学侦查学院,北京 100038;2.公安部鉴定中心,北京 100038)

近年来,电子文件在日常生活中扮演着十分重要的角色,逐渐发展成为信息的重要载体。其中数字图像在新闻媒体、司法侦察等领域中都起着十分重要的作用[1]。如今,随着智能手机的普及和应用,几乎所有的手机都内置了数码相机,手机拍照成为生成数字图像最普遍的方式之一,随之而来的是犯罪分子利用手机拍照造成侵权案件的增多。而且,对于涉及秘密信息的企事业单位,很多重要的文件也可能通过手机拍照并通过即时通信软件传输而泄露出去[2]。手机拍摄照片所包含的信息可以为公安机关侦查破案提供重要的线索,因此对手机拍摄照片的溯源对公安机关十分重要。

数字图像多表现为双重性质。首先是其文件的内容,可对照片所呈现的内容进行鉴定,全国刑标委已经发布并于2022年5月1日实施的GA/T 1954-2021《法庭科学 印刷品来源检验规范》对其进行了明确的检验规范。图片中的内容特征,可以提供丰富的信息,比如大庆油田照片泄露的案件,不法分子就是利用照片的内容推测大庆油田的储存油量[3]。其次这类文件本质为电子数据,MD5值是保障电子数据完整性和真实性的重要手段,它是MD5算法将任意一个长度的数据经过编码得到一个128位的哈希值[4],在案件取证以及鉴定过程中有重要意义。胡永健[5]提出一种利用成像传感器模式噪声主要分量信息进行源数码相机设备辨识的新方法。孙福友[6]优化了基于粉尘特征的图像溯源和基于模式噪声的图像溯源的算法,提高了检测的准确率。但上述方法过于复杂,不适用于公安工作。黄一青[7]提出在案件侦查中应用数码照片的EXIF信息。刘涛等[8]分析了常见的旋转操作对照片EXIF信息的影响。满超等[9]提出分析手机拍摄照片的属性信息,得到犯罪嫌疑人常去的地理位置,描绘出犯罪路径。但以上研究只分析了手机拍摄照片的属性信息,没有研究照片经互联网传输后的属性信息。因此本文提出通过照片分辨率来推断照片的传输方式、拍照手机的系统、镜头的像素及可能的品牌型号的检验思路。

1 微信传输照片原理

微信是由腾讯公司开发的一款即时通信软件,用户可以使用微信发送文字、图片、文件等。现阶段微信已经发展为中国最主流的即时通信软件。伴随手机拍摄功能的提升,由手机拍照通过微信传输泄露信息的案件随之增多。

微信是基于C/S架构的软件,即客户端/服务器架构。了解微信传输照片的原理有助于对泄露照片的可溯源性研究(见图1)。

图1 微信传输照片原理示意图Fig.1 Schematic for WeChat to send photos

用户A发送一张照片给用户B,微信会将照片通过互联网上传到文件服务器,文件服务器返回一个地址给用户A,用户A将这个地址以数据包的形式通过IM服务器发送给用户B。用户B拿到数据包后,会根据地址从文件服务器下载这张照片。

微信目前不支持传输heif格式的照片,如果发送heif格式的照片,微信会强制将照片1∶1转化为jpg格式的照片。由于腾讯公司没有公布微信压缩照片的算法,因此只能通过实验,根据原图与压缩图的关系逆向推算出图片压缩算法。

2 实验部分

2.1 实验设备

7部安卓系统手机:荣耀60、小米10、OPPO Reno4 PRO、OnePlus 8 Pro、红米 K40、红米Note9、Vivo X9;4 部鸿蒙系统手机:荣耀X2、华为Mate40、荣耀9X、华为Mate 30 5G;7部IOS系统手 机:iPhone 7、iPhone 8、iPhone XS Max、iPhone XR、iPhone 11、iPhone 12、iPhone 13。

微信8.0.22、ACDSee2020、电脑(拯救者Y7000,系统为Windows11)。

2.2 实验样本的收集

通过上述18部手机的相机拍摄三种比例的照片,分别是:默认条件下4∶3的照片、1∶1的照片和全屏照片。收集到的实验样本见表1。

表1 手机品牌及拍摄照片分辨率Table 1 The brands of 18 mobile phones and their resolution with photo

2.3 实验方案

2.3.1 图片传输方式

本研究采用三种不同的方式传输照片,研究照片经微信传输前后分辨率的变化规律。实验中发送的照片用手机相机拍摄后,不进行任何编辑操作。

方式一(下称原图发送):在微信聊天界面“+”点击“相册”,选中要发送的照片,以勾选原图的方式传输;

方式二(下称压缩发送):在微信聊天界面“+”点击“相册”,选中要发送的照片,以不勾选原图的方式传输;

方式三(下称分享发送):在手机相册或图库中,选中要发送的照片,点击分享,选择微信进行传输。

2.3.2 实验设计

实验一:比较微信传输前后照片信息。将三种不同比例的照片,以三种不同的方式通过微信发送到华为Mate30上,将照片保存到手机,手机连接至电脑,通过ACDSee查看属性信息,读取照片的分辨率,查看照片的MD5值。

实验二:验证手机系统对传输照片信息的影响。将三种不同比例的照片,以三种不同的方式通过微信发送到iPhone XS Max,将照片保存到手机,手机连接至电脑,通过ACDSee查看属性信息,读取照片的分辨率,查看照片的MD5值。

实验三:验证多次传输对照片分辨率的影响。本实验选择三部不同的手机,随机选择实验二样本中的5张照片,以三种不同的方式,在3部手机之间通过微信发送。每次接收照片,将照片保存到手机上,并读取照片的分辨率,查看每次保存照片的MD5值。

3 结果与讨论

3.1 照片分辨率与手机镜头的关系

从收集到的实验样本来看,安卓或鸿蒙系统手机拍摄后默认保存照片的后缀名均为.jpg,照片的属性信息包括分辨率、相机制造商、相机型号等,不同款手机拍摄照片的属性信息不同。而iPhone手机拍照后默认保存照片的后缀名为.heic,属性信息包括设备制造商、设备型号以及镜头型号等。

实验中按比例拍摄得到的照片,照片分辨率的高度像素与宽度像素也成相应的比例。如荣耀60拍摄 1∶1照片分辨率为2 928×2 928,4∶3照片的分辨率为3 904×2 928,且2 928∶2 928=1∶1,3 904∶2 928=4∶3。

根据调查发现,现在市面上的手机为了提升感光能力,大多手机会使用像素合成技术[10-11]。对比所拍摄照片的分辨率与其拍摄手机摄像头的最高像素发现,18款手机明显分为三种类型(下文公式中S为手机镜头最高像素,l1为分辨率中较小值,l2为分辨率中较大值):

1)实验中的iPhone系列手机,以及Vivo X9均采用原生大像素,如Vivo X9,当拍摄默认比例为4∶3的照片时,其分辨率为4 608×3 456,达到15 925 248像素,约等于手机镜头的最高像素1 600万。当拍摄比例为1∶1、4∶3照片时,手机镜头最高像素与照片分辨率的关系是:S≈(4l12)/3;当拍摄全屏照片时,手机镜头最高像素与照片分辨率的关系是:S≈(3l22)/4。

2)2021年发布的荣耀60采用像素九合一技术。当拍摄默认比例4∶3照片时,其分辨率为3 904×2 928,达到11 430 912像素。荣耀60的镜头最高像素为10 800万,约等于拍摄照片分辨率的9倍。当拍摄比例为1∶1、4∶3照片时,手机镜头最高像素与照片分辨率的关系是:S≈12l12;当拍摄全屏照片时,手机镜头最高像素与照片分辨率的关系是:S≈(27l2

2)/4。

3)其余手机均采用主流的像素四合一技术。如华为Mate40,当拍摄默认比例为4∶3的照片时,其分辨率为4 096×3 456,达到14 155 776像素。华为Mate40的镜头最高像素为5 000万,约等于拍摄照片分辨率的4倍。当拍摄比例为1∶1、4∶3照片时,手机镜头最高像素与照片分辨率的关系是:S≈(16l12)/3;当拍摄全屏照片时,手机镜头最高像素与照片分辨率的关系是:S≈3l22。

3.2 MD5值变化

MD5值是保证电子数据不变的可靠证明,MD5值不变表明数据不变,MD5值改变则表明数据发生了改变。在以上实验中,发送鸿蒙或安卓系统手机拍摄的原图,MD5值不变。如Vivo X9拍摄的照片通过微信以原图方式发送到华为Mate30上并保存,照片的MD5值如图2所示。

图2 Vivo X9微信原图方式发送的照片MD5值(左:Vivo X9拍摄原照片;右:华为Mate30接收照片)Fig.2 MD5 value of photo sent in original mode by Vivo X9 (Left: taken by Vivo x9; Right: received with Huawei Mate30)

将IOS手机拍摄的照片通过微信发送原图,或任意系统的手机分享或压缩方式发送的照片,MD5值均会改变,表明文件数据发生了变化,与原文件不同。如iPhone XS Max拍摄照片通过微信以原图方式发送到华为Mate30上并保存,照片的MD5值如图3所示。

图3 iPhone XS Max微信原图方式发送的照片MD5值(左:iPhone XS Max拍摄原照片;右:华为Mate30接收照片)Fig.3 MD5 value of photo sent in original mode by iPhone XS Max (Left: taken by iPhone XS Max; Right: received with Huawei Mate30)

3.3 分辨率变化

3.3.1 通过原图发送

1)安卓或鸿蒙手机之间一次/多次发送。这种情况照片的MD5值不变,文件本身没有发生变化。因此照片的后缀名不变,属性信息均与原图保持相同,照片的分辨率也不变,如图4a、4b所示。

2)IOS手机之间一次/多次发送。这种情况下照片MD5值变化,说明文件已经发生了改变。照片的后缀名均由. heic变为.jpg,属性信息均不存在,如图5a、5b所示,但分辨率不变。

3)三种系统手机之间一次/多次发送。安卓或鸿蒙手机发到IOS手机,接收照片属性信息均与原图保持相同,如图4c所示,因此照片的分辨率不变,也均与原图相同;IOS手机发到安卓或鸿蒙手机的原图,属性信息均不存在,如图5c所示,但是分辨率不变;不同系统手机之间多次发送照片文件,分辨率均不变。

图4 华为Mate30拍摄照片并以原图发送后的属性信息(a:原图属性信息;b:安卓/鸿蒙手机接收照片属性信息;c:iPhone接收照片属性信息)Fig.4 Attribute information of a photo taken by Huawei Mate30 and sent in the mode of original image (a: original photo’s; b: that of the photo received through Android/Harmony; c: that of the photo received with iPhone)

图5 iPhone XS Max拍摄照片并以原图发送后的属性信息(a:原图属性信息;b:iPhone接收照片属性信息;c:安卓/鸿蒙手机接收照片属性信息)Fig.5 Attribute information of a photo taken by iPhone XS Max and sent in the mode of original image (a: original photo’s; b: that of the photo received through iPhone; c: that of the photo received with Android/Harmony)

3.3.2 通过分享、压缩发送

1)安卓或鸿蒙手机之间一次/多次发送

实验一中11部安卓或鸿蒙系统手机以压缩、分享方式发送,由华为Mate30接收得到照片的后缀名不变,属性信息均不存在,得到照片的分辨率如表2所示。由实验结果可知,1∶1照片经过压缩传输后分辨率均为1 280×1 280,4∶3照片经过压缩传输后分辨率大部分为1 706×1 279,对于全屏照片来说,被压缩后的较小值为1 279。其中较为特殊的2款,红米Note9(4800万像素)拍摄4∶3照片压缩传输后分辨率为1 711×1 279,小米10(1亿像素)拍摄4∶3照片压缩传输后分辨率为1 280×959。手机之间多次发送时,照片的分辨率不会改变,与第一次发送得到照片的分辨率相同。

表2 安卓或鸿蒙手机以压缩、分享方式发送照片分辨率变化(华为Mate30接收)Table 2 Changed resolutions of photos transmitted by Android/Harmony-equipping mobile phones in the mode of compression or sharing(received by Huawei Mate30)

2)IOS手机之间一次/多次发送

实验二中7款IOS手机以压缩、分享方式发送,由iPhone XS Max接收得到照片的后缀名由.heic变为.jpg,属性信息均不存在。以压缩、分享方式传输得到照片的分辨率如表3所示。

表3 IOS手机以压缩、分享方式传输照片分辨率变化(iPhone XS Max接收)Table 3 Changed resolutions of photos transmitted by iPhone in the mode of compression or sharing (received by iPhone XS Max)

实验结果可知,1∶1照片经过压缩的分辨率为 1 276×1 276,4∶3照片经过压缩的分辨率为1 702×1 276,全屏照片经过压缩的分辨率为2 275×1 279。手机间多次发送时,照片的分辨率不会改变,与第一次发送得到照片的分辨率相同。

3)不同系统之间一次/多次发送

不同系统之间发送包括实验一中由7款IOS手机发送至华为 Mate30,与实验二中由11款安卓或鸿蒙系统手机发送至iPhone XS Max,得到照片的分辨率结果如表4所示。实验结果表明,不同系统之间以压缩、分享方式发送的照片,分辨率的变化具有一定的规律,但与相同系统之间传输的结果存在细微的差别。

表4 不同系统手机之间以微信压缩、分享方式单次传输照片分辨率变化Table 3 Changed resolutions of photos transmitted in the mode of compression or sharing by phones equipped with different systems

实验中11部安卓或鸿蒙系统手机的原图以压缩、分享发送至iPhone XS Max,1∶1照片经过压缩传送后分辨率均为1 280×1 280;4∶3照片经过压缩传 输后分辨率大部分为1 706×1 280;对于全屏照片来说,被压缩后的较小值为1 280。其中较为特殊的2款,红米Note9(4800万像素)拍摄4∶3照片压缩传输后分辨率为1 712×1 280,小米10(1亿像素)拍摄4∶3照片压缩传输后分辨率为1 280×960。 实验中7款IOS手机的照片通过微信以压缩、分享发送至华为Mate30,照片分辨率与IOS同系统手机之间传输结果一致。

在实验三中,以压缩、分享方式经微信在不同系统之间多次发送照片的分辨率变化如表5所示。实验中,以压缩、分享方式通过微信多次发送时,每张照片的分辨率均与第一次发送得到的分辨率相同。

表5 不同系统手机间以微信压缩、分享方式多次传输照片分辨率变化Table 5 Changed resolutions with photos transmitted of multiple times by system-different phones in the mode of compression or sharing

3.4 结果讨论

1)当安卓或鸿蒙系统的手机选择原图方式发送时,MD5值不会改变,说明文件没有变化,接收的图片与源图片相同,因此其属性信息均与源照片保持一致,分辨率也不会改变。通过图片的属性信息和分辨率可以对拍摄手机进行推断。比如,在图片的属性信息中,分辨率为4 096×3 072,照相机制造商为HUAWEI,可根据照片分辨率与手机镜头最高像素关系,推测拍摄手机镜头的最高像素为5 000万,且相机制造商为HUAWEI,根据统计的结果,满足以上条件的拍摄手机可能为华为 Mate40。

2)在实验一中,iPhone手机拍摄照片经微信发送,图片的后缀名由.heic变为.jpg;实验二中,iPhone手机接收来自华为Mate30发送的照片,图片的格式不会改变。iPhone手机拍摄照片默认保存的格式为heif,虽然会节省存储空间,但微信不兼容heif格式的照片,所以heif格式的照片会被1∶1强制转化为jpg格式的照片。因此iPhone手机发送原图时,MD5值发生改变,照片的属性信息不保留,但分辨率的大小不会发生变化。

3)以压缩和分享方式通过微信发送得到照片的分辨率相同,但MD5值不同。通过以三上个实验,表明照片分辨率被压缩具有一定的规律性:当照片的分辨率宽和高均大于1 280时,取较小的像素等于1 280,较大像素值按等比例压缩;当照片分辨率的宽和高有一个值小于等于1 280时,则图片的尺寸保持不变。因此在实验三中,经过第一次传输分辨率被压缩后,虽然多次传输照片的MD5值一直变化,但照片的分辨率不会改变。但以上规律在实际情况中的表现会有细微的差别,且存在少部分不适用的情况,如:在实验中小米10拍摄4∶3照片较为特殊,是将较大值定为1 280,较小值等比例压缩。

以上规律可以为照片溯源提供一定的理论支持,比如:有一张泄密照片分辨率为1 711×1 279,可以推测,这张照片可能是由安卓或鸿蒙系统的手机拍摄的 4∶3照片,由微信通过聊天框内选择相册不勾选原图发送得到。根据实验中统计的结果,可能为红米Note9所拍摄的照片。

4 结论

本文重点从手机拍摄照片的分辨率以及经过微信传输后分辨率变化的角度出发,探讨了基于分辨率特征的微信传输照片文件的可溯源性。从结果和对比分析中可以得出:安卓或鸿蒙系统的手机拍摄照片通过微信发送原图,文件数据不会改变,照片属性信息均与原照片保持一致。若IOS手机拍摄照片通过微信发送原图,文件数据改变,照片属性信息均不保留,但分辨率与原照片相同;若以压缩或分享方式发送照片,文件数据改变,照片的分辨率按一定的规律被压缩。由于本文在研究过程中仅仅选择了18款手机,实验结果仅仅代表研究对象所呈现出特征的总结。本文总结出照片分辨率的变化规律,可以对推断照片传输的发送方式、拍照手机可能的品牌和型号提供合理的判断依据,为照片文件的溯源检验提供了重要的支撑,本文的研究具有较强的实战价值。

猜你喜欢
原图分辨率像素
像素前线之“幻影”2000
“像素”仙人掌
EM算法的参数分辨率
完形:打乱的拼图
原生VS最大那些混淆视听的“分辨率”概念
找一找
一种提高CCD原理绝对值传感器分辨率的方法
大家来找茬
ÉVOLUTIONDIGAE Style de vie tactile
基于深度特征学习的图像超分辨率重建