CN101790097B - 数字视频多次压缩编码检测方法 - Google Patents

Abstract

本发明属于数字视频检测技术领域，具体涉及一种数字视频多次压缩编码检测方法，该方法首先建立包括一些已经知道经过一次或多次压缩的视频文件的样本库，然后对样本库里的每个视频文件进行部分解码和凸特性特征及光滑度特征提取，获取特征向量，并建立分类器进行训练。对于待检测的视频文件，采用同样的方法获取其特征向量后，利用分类器对所检测的视频数据进行分类检测。本发明能够达到过滤出可能经过篡改操作的视频文件的目的，实现对数字视频资源的有效监管。

Description

数字视频多次压缩编码检测方法

技术领域

本发明属于数字视频检测技术领域，具体涉及一种适用于数字视频资源篡改检测的方法。

背景技术

在21世纪初期，随着价格低廉的多媒体采集设备及其编辑软件的发展与普及，大量经过编辑和篡改的数字视频像雨后春笋般地涌入了互联网。为了有效地验证多媒体资源的来源真实性和完整性，科研人员提出了许多检测和认证方法，如数字水印、数字签名。这些主动的取证技术采用的基本思路都是通过前期对多媒体资源添加附加信息，以便进行认证。但是目前的情况是，仅有少数高端数字摄像产品具备数字水印或数字签名保护机制，绝大多数的视频中并不含有数字水印或者数字摘要的检测信息。因此，随着视频伪造篡改技术迅速发展，基于数字水印等技术的主动取证检测技术由于受到应用条件的限制，无法从根本上遏制视频篡改发展，而只依赖媒体本身内部特性的被动盲取证技术也就孕育而生。

视频被动取证技术是通过对数字视频资源自身的特征进行分析和检测，实现对数字视频的来源进行跟踪和认证；以及对合成和润饰的数字视频信号进行修改鉴别的技术，从而完成数字视频的原始性和完整性认证等保护功能。被动取证技术作为盲取证技术，只需要取证方的参与就可以实施取证，可由取证方独立完成。而视频被动盲取证技术则是直接依据数字视频媒体本身进行鉴别，不需要事先对数字视频做任何预处理如加入数字水印，实用性更强。本发明涉及的视频篡改检测方法是视频被动取证技术的分支，主要完成视频原始性和完整性认证。

在许多应用场景中，由于视频原始资源占据的存储空间非常庞大，视频资源在存储和传输之前，都必须按照某个特定的国内外视频压缩编码标准进行压缩编码，如MPEG1、MPEG2、MPEG4、H.261、H.263、H.264、AVS标准，并以对应的压缩编码格式文件形式而存在，而各种视频编辑和篡改操作都可以认为是一个数字视频后处理操作。除了一些简单的码流拼接编辑操作外，几乎所有的视频后处理操作(如过滤，添加滚动字幕和子标题)都是在数字图像空间域或时间域进行的。即上述操作必须要把视频码流解码成图像序列之后，才能对其内容进行处理。同样由于篡改后的视频需要大量的存储空间，篡改视频也必须再次编码压缩并存为压缩格式文件。因此，视频二次或多次压缩操作是视频后处理不可避免的一个环节，研究视频二次或多次压缩编码检测具有重要作用。检测视频二次或多次压缩痕迹有利于视频原始性认证，是视频篡改检测的第一步，能够为相关机构和部门提供必要的佐证。

发明内容

本发明的目的在于提供一种视频篡改检测方法。该方法利用视频资源经过二次或多次压缩编码操作后，其帧内、帧间的量化后的变换系数的统计分布发生的规律性变化，从变换系数数据分布曲线的凸凹特性、光滑度两方面出发提取多组特征量，并构建相应的检测模型。通过这些数字视频本身的统计特征，结合成熟的分类检测算法，检测出待测数字视频资源是否经过二次或多次视频压缩编码，达到过滤出可能经过篡改操作的视频文件的目的，实现对数字视频资源的有效监管。

为此，本发明采用如下的技术方案：一种数字视频多次压缩编码检测方法，包括以下步骤：

(1)建立一个已知经过一次或多次压缩的视频文件的样本库；

(2)对视频文件里的视频数据进行部分解码，获取其量化后的变换系数如DCT系数、量化尺度因子；

(3)根据数字视频帧类型把视频数据分为帧内编码帧数据即I帧数据、前向预测编码帧数据即P帧数据和双向预测编码帧数据即B帧数据三大类数据集；

(4)在每个数据集内，再根据每个编码块的量化尺度因子数值，将量化后的DCT系数块划分成多个子集，每个子集中的8×8DCT系数块都拥有同一个量化尺度因子q；

(5)对三种视频帧类型数据中的每个子集，分别统计其低频位置上的量化后的DCT系数，将每个低频位置的DCT系数值均绘制成一条归一化的直方图曲线H(q；p，n)，其中q表示块的量化尺度因子，p表示低频位置，n表示量化DCT系数的值；

(6)定义计算曲线上的点的凸特性的检测函数T(q，p，n)，：

$T(q,p,n)=\left\{\begin{array}{cc}1-\frac{H(q;p,n-1)+H(q;p,n+1)}{2\×H(q;p,n)}& 1-\frac{H(q;p,n-1)+H(q;p,n+1)}{2\×H(q;p,n)}>0\\ 0& 1-\frac{H(q;p,n-1)+H(q;p,n+1)}{2\×H(q;p,n)}\≤0\end{array}\right.$

式中q是量化尺度因子，p是低频位置，n是量化的DCT系数值；

(7)根据下列公式，考虑前8个点的凸特性，计算每条曲线整体的凸特性：

式中{α_n|n＝1，2，3，4，5，6，7，8}反映前8个点不同的量化DCT系数值稳定性的权值；

(8)从每个子集的各条曲线中选择最大的凸特性值作为所检测的视频数据的特征量T_max(q)

$T_{\max }\left(q\right)=\underset{p}{\max }T(q,p);$

(9)定义曲线的光滑度值P(q，p)：

式中，n＝9，为离散数据的点数；a_i为相邻两折线的外夹角；a为所有外夹角中的最大值；x是整数常量，其计算方法为：

对每条曲线计算其光滑度值P(q，p)，选择每个子集中的最大值作为所检测的视频数据的特征量其中q是量化尺度因子，p是低频位置；

(10)综合三类帧的上述两组特征量，形成特征向量，建立分类器并进行训练；

(11)读取待检测的视频文件，重复步骤(2)至(10)得到待检测的视频文件的特征向量，利用分类器对所检测的视频数据进行分类检测，将其分为两类：经过二次或多次压缩编码的视频资源文件与原始压缩编码的视频资源文件。

本发明主要是用来鉴别视频资源的原始性，判别视频资源是否经过二次或多次压缩编码操作，完成数字视频篡改检测的第一步。本发明的其明显特点包括：

(1)实时性：本发明利用的是视频资源中量化后的变换系数的统计分布变化规律，不用进行完全解码操作，大大的减少了运算量，执行速度快。

(2)适用性：相对第一次压缩编码的码率而言，第二次或随后的压缩编码在编码器选择和压缩码率有可能变化。对于第一次与第二次压缩编码选择不同的编码器，本发明既能检测出二次压缩码率高于或等于一次压缩码率的情况；也能够检测出二次压缩编码码率低于一次压缩编码码率的情况；对于第一次与第二次压缩编码选择相同的编码器，只要前后两次压缩编码码率选择不同，本发明技术也能有效地鉴别出。

(3)创新性：本发明主要利用了变换系数如量化后的DCT系数直方图曲线的凸特性，定义了一种曲线凸特性计算方法，结合一个曲线光滑度描述算子，充分反映了二次或多次压缩编码操作对变换系数的分布造成的影响。

附图说明

图1是本发明的视频二次或多次压缩检测系统的整体流程图；

图2是本发明的数据统计建模模块的流程图；

图3是8×8块DCT变换域的低频区域示意图；

图4是本发明的子分类绘制曲线模块的流程图；

图5是本发明的特征提取模块的流程图；

图6是一条具有代表性的量化DCT系数直方图曲线；

图7是折线外夹角示意图。

具体实施方式

本发明的数字视频二次或多次压缩编码检测方法主要由数据分析器、数据统计建模模块、特征提取模块和分类器等几个部分构成。

数据分析器主要是用来对待测视频资源进行部分解码，并获取其中相关数字视频内容数据，如MPEG-1/MPEG-2/MPEG-4视频中量化后的DCT系数、量化尺度因子等信息，为了描述方便，以下都以DCT系数为例说明变换系数的统计及建模过程，其他变换域的系数都有类似DCT系数相同的特征。

数据统计建模模块首先根据数字视频帧类型把数据分为帧内编码帧数据(I帧)数据、前向预测编码帧数据(P帧)数据和双向预测编码帧数据(B帧)数据三大类数据集。在每个数据集内，再根据每个编码块的量化尺度因子数值，将量化后的变化系数块如DCT系数块分成许多子集，每个子集的DCT系数块都拥有同一个量化尺度因子，这样做有利于消除因量化尺度因子不同所造成的混叠效应，清晰的显示出二次或多次压缩编码造成的特性变化。最后进行定点DCT系数统计建模，按照DCT系数矩阵中对应位置不同，每个低频位置上的DCT系数分别进行统计建模，并绘制每个子集的量化后的DCT系数分布直方图，将其归一化。

特征提取模块根据帧类型把特征量归为三类：I帧特征、P帧特征和B帧特征，每类特征都包含两个方面：凸特性、光滑度，最后综合三类特征形成特征向量，以便下一步进行分类。

(1)凸特性特征：根据定义的凸特性描述算子计算每条量化后的DCT系数分布直方图曲线的凸特性，因为量化DCT系数取大值的概率非常小，所以仅需计算前8点的凸特性即可显示变化规律。每条系数分布直方图曲线都可以获得8个值，对每个点自适应分配权值，加权平均得到最终的曲线凸特性参数。最终针对每个量化参数，选择最大的凸特性参数作为主要的辨别特征。

(2)光滑度特征：利用自定义的光滑度描述算子计算每条曲线的光滑度，同理，在每个量化尺度因子的子集内，选择最大值作为主要的辨别特征。

分类器主要是利用特征向量将视频资源分为两类：经过二次或多次压缩编码的视频资源文件与原始压缩编码的视频资源文件，可以选择现有的各种分类器进行监测，如线性分类器——Fisher线性准则和非线性分类器——支持向量机(SVM)。

图1说明本发明的视频二次或多次压缩编码检测系统的整体流程图。在步骤A，通过数据分析器实现视频资源的部分解码，并获取其中的图像内容数据，包括量化DCT系数、量化尺度因子等信息。在步骤B，统计低频位置上的量化DCT系数，并按照其块的量化尺度因子划分为许多的子集；随后，在每个子集内，每个低频位置上量化DCT系数将分别建模并绘制成一条归一化的直方图曲线。在步骤C，对每条曲线进行特征分析，并提取各种特征量，最后综合形成特征向量。在步骤D，通过一个分类器将视频资源分为两类：经过二次或多次压缩编码的视频资源文件与原始压缩编码的视频资源文件。

图2描述的是数据统计建模过程。首先根据数字视频帧类型把数据分为帧内编码帧(I帧)数据、前向预测编码帧(P帧)数据和双向预测编码帧(B帧)数据三大类数据集。然后在每帧中，统计低频位置上的量化DCT系数，如图3所示，为8×8块DCT变换域的低频区域示意图，图中用黑线框住的左上角位置表示低频区域，其他部分表示中高频区域，而中高频区域将不进行统计。最后通过子分类绘制曲线模块生产一系列的直方图曲线。

图4描述的是子分类绘制曲线模块。在解码过程中，每个块都有一个它们自己的量化尺度因子，因此我们可以根据它把每帧的所有的块划分为一些子集，每个子集的块都具有相同的量化尺度因子，这样做有利于消除因量化尺度因子不同所造成的混叠效应，清晰的显示出二次或多次压缩编码造成的特性变化。在每个子集中，我们对每个低频位置上的量化DCT系数去构造直方图曲线，并且进行归一化。因此，对一个待测视频，我们可以获得一系列的归一化直方图曲线记为H(q；p，n)，每条曲线对应于一个量化尺度因子和一个低频位置，其中q表示块的量化尺度因子，p表示低频位置，n表示量化DCT系数的值。

图5描述了本发明的特征提取模块的流程图。本发明将从三类数据中分别提取特征即I帧特征、P帧特征、B帧特征，在获取每类量化后的DCT系数直方图曲线后，可以从两个方面分别提取特征：凸特性、光滑度，然后综合所有的特征形成特征向量，最后把特征向量输入到分类器中即可完成视频二次或多次压缩编码鉴别。如图6所示，为一条具有代表性的量化DCT系数归一化直方图曲线，它对应的视频资源经过了二次压缩编码操作，从图中可以知道它的前几点特别是2点具有明显的凸特性，整体呈现强波动性。

为了定量分析量化DCT系数直方图曲线的凸函数特性，我们定义了一个检测函数T(q，p，n)：

$T(q,p,n)=\left\{\begin{array}{cc}t(q,p,n)& t(q,p,n)>0\\ 0& t(q,p,n)\≤0\end{array}\right.---\left(1\right)$

其中t(q，p，n)定义如下：

$t(q,p,n)=1-\frac{H(q;p,n-1)+H(q;p,n+1)}{2\×H(q;p,n)}---\left(2\right)$

式中H(q；p，n)是量化后的DCT系数归一化直方图曲线，q是量化尺度因子，p是低频位置，n是量化的DCT系数值。

首先需要广泛的分析所有曲线的凸特性，因此对每个子集的直方图曲线，按照公式(3)来计算其整体凸特性T(q，p)：

$T(q,p)=\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{\mathrm{\α}}_i\×T(q,p,i)---\left(3\right)$

式中{α_i|i＝1，2，3，4，5，6，7，8}是一系列权值，它们反应了不同的量化DCT系数值的稳定性，它可以依据具体的情况自适应选择，在初始化阶段，其默认值为α₁＝1，α₂＝1，α₃＝1，α₄＝0.5，α₅＝0.5，α₆＝0.2，α₇＝0.2，α₈＝0.1。在公式(3)中我们只考虑了前8个点的凸特性，这是因为量化DCT系数取大值的概率非常小，且其很容易受视频内容的影响，随机性大。

然后在每个子集内，从一系列曲线中选择最大的检测函数值T(q，p，n)为主要辨别特征T_max(q)。

$T_{\max }\left(q\right)=\underset{p}{\max }T(q,p)---\left(4\right)$

为了对量化DCT系数直方图曲线的波动性进行评价，采用离散数据的光滑度(P)和粗糙度(G)进行定量描述，本发明定义了一个光滑度描述算子(P(q，p))和粗糙度描述算子(G(q，p))，其定义如下：

$G(q,p)=\frac{\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}{a}_i}{180n^x}---\left(5\right)$

$P(q,p)=1-G(q,p)=1-\frac{\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}{a}_i}{180n^x}---\left(6\right)$

其中q是量化尺度因子，p是低频位置，x是一个依赖曲线整体的整数常量，其计算方法为：

$x=\mathrm{INT}\left[{\log }_{\frac{n+1}{n}}\right[\frac{\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}{a}_i+a}{\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}{a}_i}\left]\right]+1---\left(7\right)$

式中，n为离散数据的点数，由于前面只考虑了前8点的凸特性，因此n＝9；a_i为相邻两折线的外夹角(如图7所示，即相邻折线的夹角的补角)；a为所有外夹角中的最大值。

同理，在每个子集内，用光滑度描述算子计算每条曲线的光滑度，并选取最大值为主要的特征量P_max(q)。

$P_{\max }\left(q\right)=\underset{p}{\max }P(q,p)---\left(8\right)$

在进行数字视频多次压缩编码检测时，首先要建立用于训练的样本库，样本库包括一些已经知道经过一次或多次压缩的视频文件。然后对样本库里的每个视频文件进行部分解码和特征提取，获取特征向量，并建立分类器进行训练。对于待检测的视频文件，采用同样的方法获取其特征向量后，利用分类器对所检测的视频数据进行分类检测，将其分为两类：经过二次或多次压缩编码的视频资源文件与原始压缩编码的视频资源文件，从而完成视频是否经过多次压缩编码的鉴别。

Claims (1)

1.一种数字视频多次压缩编码检测方法，包括以下步骤：

(1)建立一个已知经过一次或多次压缩的视频文件的样本库；

(2)对视频文件里的视频数据进行部分解码，获取其量化后的DCT系数、量化尺度因子；

(3)根据数字视频帧类型把视频数据分为帧内编码帧数据即I帧数据、前向预测编码帧数据即P帧数据和双向预测编码帧数据即B帧数据三大类数据集；

(4)在每个数据集内，再根据每个编码块的量化尺度因子数值，将量化后的DCT系数块划分成多个子集，每个子集中的8×8DCT系数块都拥有同一个量化尺度因子q；

(5)对三种视频帧类型数据中的每个子集，分别统计其低频位置上的量化后的DCT系数，将每个低频位置的DCT系数值均绘制成一条归一化的直方图曲线H(q；p，n)，其中q表示块的量化尺度因子，p表示低频位置，n表示量化DCT系数的值；

(6)定义计算曲线上的点的凸特性的检测函数T(q，p，n)，：

$T(q,p,n)=\left\{\begin{array}{cc}1-\frac{H(q;p,n-1)+H(q;p,n+1)}{2\×H(q;p,n)}& 1-\frac{H(q;p,n-1)+H(q;p,n+1)}{2\×H(q;p,n)}>0\\ 0& 1-\frac{H(q;p,n-1)+H(q;p,n+1)}{2\×H(q;p,n)}\≤0\end{array}\right.$

式中q是量化尺度因子，p是低频位置，n是量化的DCT系数值；

(7)根据下列公式，考虑前8个点的凸特性，计算每条曲线整体的凸特性：

式中{α_n|n＝1，2，3，4，5，6，7，8}反映前8个点不同的量化DCT系数值稳定性的权值；

(8)从每个子集的各条曲线中选择最大的凸特性值作为所检测的视频数据的特征量T_max(q)

$T_{\max }\left(q\right)=\underset{p}{\max }T(q,p);$

(9)定义曲线的光滑度值P(q，p)：

式中，n＝9，为离散数据的点数；a_i为相邻两折线的外夹角；a为所有外夹角中的最大值；x是整数常量，其计算方法为：

对每条曲线计算其光滑度值P(q，p)，选择每个子集中的最大值作为所检测的视频数据的特征量

其中q是量化尺度因子，p是低频位置；

(10)综合三类帧的上述两组特征量，形成特征向量，建立分类器并进行训练；

(11)读取待检测的视频文件，重复步骤(2)至(10)得到待检测的视频文件的特征向量，利用分类器对所检测的视频数据进行分类检测，将其分为两类：经过二次或多次压缩编码的视频资源文件与原始压缩编码的视频资源文件。

Images