CN102843576A - 一种针对msu的隐写分析方法 - Google Patents

Abstract

本发明涉及隐写分析技术领域，尤其涉及一种针对MSU的隐写分析方法。本发明算法包括以下步骤：下采样帧间合谋获取原始视频近似估计帧；对视频宏块运动检测分类的弃块处理后进行棋盘格模式探测；计算视频YU分量模式探测率差值进行动态阈值隐写判定。本发明算法以合谋帧取代相邻帧，提高了估计帧的准确性，从而提高了检测算法的正确率。同时，在该算法中，分别提出基于下采样块匹配帧间合谋算法、基于运动状态检测的弃块技术、以及基于YU分量模式探测的动态阈值隐写判定技术等，从多个方面提升了隐写算法的检测正确率，尤其对存在大量非刚体运动区域视频的检测性能提升更为明显。

Description

一种针对MSU的隐写分析方法

技术领域

本发明涉及一种隐写分析方法，尤其是涉及一种针对MSU的隐写分析方法。 

背景技术

随着网络通信技术、视频压缩技术以及网络流媒体业务的发展，目前家用摄像机、智能手机等视频采集设备日益普及、视频编辑软件日益丰富、视频共享平台发展迅速，使得视频已经逐渐成为网络信息传递的主流媒体。由于视频具有绝对大的信息隐藏冗余空间，已经是继图像之后最佳的隐秘通信载体。目前已经有视频隐写工具在internet上提供下载使用，非法分子利用视频可进行大数据量的隐秘信息的传递，这将会对国家安全、企业利益带来严重危害。因此，研究视频隐写分析技术，实现对视频数据内容安全的有效监控，防止非法人员通过视频数据传递大数据量的情报信息，从而保障国家和企业的安全利益，具有迫切的应用需求。 

MSU StegoVideo（以下简称MSU）是目前网络上公开的视频隐写工具中唯一一款可以有效抵抗各类视频编码标准（包括H.264）压缩攻击的视频隐写软件，可以在视频文件中隐藏任意类型的其他文件。MSU采用一种强鲁棒性的视频隐藏算法，载密视频即使经过二次压缩编码、高强度低通滤波等攻击，仍能正确地提取出秘密信息。同时，MSU根据视频源特征对嵌入信息进行自适应的调制，使得隐写信息和原始视频源很好的融合，极大的增强了隐蔽性和抗分析能力。MSU是一款真正实用的视频隐写工具，针对该工具的隐写分析技术对于保障信息安全具有重要的实用价值。现有针对MSU的隐写分析算法的检测正确率不够理想，尤其对存在大量运动区域的视频检测正确率更加不理想，如何提高隐写分析算法的检测率，降低算法的虚警和 漏检率，是隐写分析技术所面临的核心问题。 

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种漏检率低，能够准确甄别出嵌入强度或嵌入率极低的MSU隐写视频，同时算法的虚警率低，几乎不会对非隐写视频发出错误警报的一种针对MSU的隐写分析方法。 

本发明还有一目的是解决现有技术所存在的技术问题；提供了一种有效解决了现有针对MSU的隐写分析算法对存在大量非刚体运动区域的视频的检测效果不佳的问题，保证了算法的广泛适用性的一种针对MSU的隐写分析方法。 

本发明的上述技术问题主要是通过下述技术方案得以解决的： 

一种针对MSU的隐写分析方法，其特征在于，包括以下步骤： 

步骤1，由帧间合谋模块将待检视频分为Y分量集合和U分量集合，所述Y分量集合为待检视频的亮度分量；所述U分量集合为待检视频的色度分量；所述Y分量集合和U分量集合均由若干视频帧构成，然后对Y分量集合中的所有视频帧和U分量集合中的所有视频帧分别进行帧间合谋，得到与Y分量集合对应的Y分量估计帧集合和与U分量集合的对应的U分量估计帧集合； 

步骤2，由平均模式探测率模块将步骤1得到的Y分量估计帧集合和U分量估计帧集合，结合步骤1中原始的待检测Y分量集合和U分量集合进行每帧的模式探测率的获取，得到与Y分量集合对应的每帧的Y分量模式探测率R_kY和与U分量集合对应的每帧的U分量模式探测率R_kU；再根据Y分量集合对应的每帧的Y分量模式探测率R_kY得到Y分量所有帧的平均模式探测率R_Y，以及根据U分量集合对应的每帧的U分量模式探测率R_kU得到U分量所有帧的平均模式探测率R_U；所述平均模式探测率的获取是基于棋盘 格模式探测进行； 

步骤3，用户通过隐写判定模块设定判定阈值Th；依据步骤2中获取R_Y和R_U进行选择判定： 

若|R_Y-R_U|＞Th，则判定待检测视频文件被MSU隐写；否则判定待检视频文件未被MSU隐写。 

在上述的一种针对MSU的隐写分析方法，所述的步骤1中，得到与Y分量集合对应的Y分量估计帧集合的具体方法如下： 

步骤1.11，待检视频的Y分量集合S_y＝{f₁,f₂,…,f_N}，其中，N为视频帧的数目，f_k为当前待检测视频帧的亮度分量（Y分量），取待检测帧相邻的前后两帧（若当前帧为视频起始帧则选取其后两帧）为合谋参考帧，后续操作均在视频帧的Y分量进行； 

步骤1.12，利用当前帧及其参考帧进行下采样块匹配预测得到两个参考帧进行当前帧的估计； 

步骤1.13，取当前帧与步骤1.12得到的两帧估计帧的像素值平均值得到当前帧的合谋帧f'_yk，以该估计帧作为当前待测帧的估计帧，按照视频帧排列顺序重复步骤1.11至步骤1.12得到所有视频帧的估计帧集合。 

在上述的一种针对MSU的隐写分析方法，所述步骤1中，得到与U分量集合对应的U分量估计帧集合的具体方法如下： 

步骤1.21，待检视频的U分量集合S_u＝{f₁,f₂,…,f_N}，其中，N为视频帧的数目，f_k为当前待检测视频帧的色度分量（U分量），取待检测帧相邻的前后两帧（若当前帧为视频起始帧则选取其后两帧）为合谋参考帧，后续操作均在视频帧的U分量进行； 

步骤1.22，利用当前帧及其参考帧进行下采样块匹配预测得到两个参考帧进行当前帧的估计； 

步骤1.23，取当前帧与步骤1.12得到的两帧估计帧的像素值平均值得 到当前帧的合谋帧f'_uk，以该估计帧作为当前待测帧的估计帧，按照视频帧排列顺序重复步骤1.11至步骤1.12得到所有视频帧的估计帧集合。 

在上述的一种针对MSU的隐写分析方法，所述的步骤2中，根据Y分量集合对应的每帧的Y分量模式探测率R_kY得到Y分量所有帧的平均模式探测率R_Y的具体方法如下： 

步骤2.11，得到估计帧集合以后，计算待检测帧与其估计帧的帧差信号P_k；所述P_k基于公式 

P_k＝f_k-f'_k

步骤2.12，将当前帧和对应的帧差信号划分成大小为32×32的宏块，对当前帧中每一个宏块进行运动检测分类，标记属于非刚体运动状态的宏块，其中对应的帧差信号宏块也标记； 

步骤2.13，以宏块为单位，对帧差信号进行棋盘格模式探测，计算每帧模式探测率R_k，步骤2.12中被标记为非刚体运动状态的宏块被丢弃不参与模式探测； 

步骤2.14，计算所有视频帧模式探测率平均值得到整个视频Y分量平均模式探测率R_Y；所述 

其中，设第k帧第i块像素块单元的模式检测状态为MODE_k(i)，其中1≤i≤T_k，模式检测状态的定义为下式： 

，其中DC1，DC2，DC3，DC4分别表示差值信号中像素块单元的四个16×16块中所有像素值的和，sign(x)表示取x的符号。 

在上述的一种针对MSU的隐写分析方法，所述的步骤2中，根据U分 量集合对应的每帧的U分量模式探测率R_kU得到U分量所有帧的平均模式探测率R_U的具体方法如下： 

步骤2.21，得到估计帧集合以后，计算待检测帧与其估计帧的帧差信号P_k；所述P_k基于公式 

P_k＝f_k-f'_k

步骤2.22，将当前帧和对应的帧差信号划分成大小为32×32的宏块，对当前帧中每一个宏块进行运动检测分类，标记属于非刚体运动状态的宏块，其中对应的帧差信号宏块也标记； 

步骤2.23，以宏块为单位，对帧差信号进行棋盘格模式探测，计算每帧模式探测率R_U，步骤2.22中被标记为非刚体运动状态的宏块被丢弃不参与模式探测；所述 

其中，设第k帧第i块像素块单元的模式检测状态为MODE_k(i)，其中1≤i≤T_k，模式检测状态的定义为下式： 

，其中DC1，DC2，DC3，DC4分别表示差值信号中像素块单元的四个16×16块中所有像素值的和，sign(x)表示取x的符号； 

步骤2.24，计算所有视频帧模式探测率平均值得到整个视频U分量平均模式探测率R_U。 

在上述的一种针对MSU的隐写分析方法，所述步骤1.13的具体方法如下： 

步骤A1，下采样获取采样帧： 

从视频图像中提取出当前帧f_k和参考帧f_k-1，由各帧中每个相邻且不重 叠的2×2像素子块，通过双线性插值生成采样帧中的一个新的像素点，分别得到f_k和f_k-1的采样帧 

和 

采样点计算方法见式： 

$f^s(i,j)=\frac{1}{4}\·[f(i,j)+f(i,j+1)+f(i+1,j),f(i+1,j+1)]$

，其中，f^s(i,j)是下采样后得到的采样帧f^s中像素(i,j)的灰度值，f(i,j)、f(i,j+1)、f(i+1,j)、f(i+1,j+1)分别是原始帧f中(i,j)、(i,j+1)、(i+1,j)、(i+1,j+1)四个像素的灰度值，下采样后用像素(i,j)取代原始帧f中对应位置的四个像素； 

步骤A2，低分辨率下初步运动矢量搜索： 

在采样帧 

和 

中进行初步运动估计，将 

划分成大小相等、互不重叠的方块，在下采样参考帧 中利用TSS和MAD匹配准则，得到初步的运动矢量(i_match,j_match)； 

步骤A3，高分辨率下精确运动矢量搜索： 

在低分辨率采样帧中得到初步搜索的运动矢量(i_match,j_match)后，将回到当前帧f_k和参考帧f_k-1中进行高分辨率层中的精细搜索，初步搜索运动矢量坐标还原到原始帧的坐标，直接将坐标加倍；得到原始参考帧的运动矢量坐标后，就可以进行精细搜索，搜索范围是该运动矢量坐标下采样前的2×2像素子块中包含的4个像素点，按照块匹配技术中的MAD匹配准则计算这四个块和当前帧中对应的块的相似度，相似度最大的即为最终的最佳匹配块。 

在上述的一种针对MSU的隐写分析方法，所述步骤1.23的具体方法如下： 

步骤B1，下采样获取采样帧： 

从视频图像中提取出当前帧f_k和参考帧f_k-1，由各帧中每个相邻且不重 叠的2×2像素子块，通过双线性插值生成采样帧中的一个新的像素点，分别得到f_k和f_k-1的采样帧 

和 

采样点计算方法见式： 

$f^s(i,j)=\frac{1}{4}\·[f(i,j)+f(i,j+1)+f(i+1,j),f(i+1,j+1)]$

，其中，f^s(i,j)是下采样后得到的采样帧f^s中像素(i,j)的灰度值，f(i,j)、f(i,j+1)、f(i+1,j)、f(i+1,j+1)分别是原始帧f中(i,j)、(i,j+1)、(i+1,j)、(i+1,j+1)四个像素的灰度值，下采样后用像素(i,j)取代原始帧f中对应位置的四个像素； 

步骤B2，低分辨率下初步运动矢量搜索： 

在采样帧 

和 

中进行初步运动估计，将 

划分成大小相等、互不重叠的方块，在下采样参考帧 中利用TSS和MAD匹配准则，得到初步的运动矢量(i_match,j_match)； 

步骤B3，高分辨率下精确运动矢量搜索： 

在低分辨率采样帧中得到初步搜索的运动矢量(i_match,j_match)后，将回到当前帧f_k和参考帧f_k-1中进行高分辨率层中的精细搜索，初步搜索运动矢量坐标还原到原始帧的坐标，直接将坐标加倍，得到原始参考帧的运动矢量坐标后，就可以进行精细搜索，搜索范围是该运动矢量坐标下采样前的2×2像素子块中包含的4个像素点，按照块匹配技术中的MAD匹配准则计算这四个块和当前帧中对应的块的相似度，相似度最大的即为最终的最佳匹配块。 

在上述的一种针对MSU的隐写分析方法，所述步骤2.13中，所述标记为非刚体运动状态的宏块被丢弃不参与模式探测时，该弃块的处理方式武侠：设第k帧中第i个像素宏块的运动系数为F_k(i)，这里的像素宏块对应棋盘格模式探测时划分的32×32像素块，F_k(i)的定义如下式: 

$F_k\left(i\right)=\left|\frac{P_k\left(i\right)}{f_k\left(i\right)}\right|,1＜i＜T_k$

P_k(i)和f_k(i)分别对应之前得到的差值信号和待检视频当前帧中第i个像素宏块中的所有像素值的和，实际上F_k(i)代表的是合谋帧与当前帧的差值比，F_k(i)如果大于设定阈值FH_k代表该像素块属于非刚体运动区域，否则属于刚体运动区域，其中，判定阈值通过一种自适应方法动态获得：计算该帧所有像素块单元的运动系数，然后取他们的平均值作为判定阈值FH_k； 

按顺序对当前帧的每一个32×32像素块进行运动检测分类，将检测属于非刚体运动状态的块标记抛弃不参与模式探测率的计算，即将该块MODE_k(i)置0同时该帧总宏块数T_k减1。 

在上述的一种针对MSU的隐写分析方法，所述步骤2.23中，所述标记为非刚体运动状态的宏块被丢弃不参与模式探测时，该弃块的处理方式武侠：设第k帧中第i个像素宏块的运动系数为F_k(i)，这里的像素宏块对应棋盘格模式探测时划分的32×32像素块，F_k(i)的定义如下式: 

$F_k\left(i\right)=\left|\frac{P_k\left(i\right)}{f_k\left(i\right)}\right|,1＜i＜T_k$

P_k(i)和f_k(i)分别对应之前得到的差值信号和待检视频当前帧中第i个像素宏块中的所有像素值的和，实际上F_k(i)代表的是合谋帧与当前帧的差值比，F_k(i)如果大于设定阈值FH_k代表该像素块属于非刚体运动区域，否则属于刚体运动区域，其中，判定阈值通过一种自适应方法动态获得：计算该帧所有像素块单元的运动系数，然后取他们的平均值作为判定阈值FH_k； 

按顺序对当前帧的每一个32×32像素块进行运动检测分类，将检测属于非刚体运动状态的块标记抛弃不参与模式探测率的计算，即将该块 MODE_k(i)置0同时该帧总宏块数T_k减1。 

因此，本发明具有如下优点：1.漏检率低，能够准确甄别出嵌入强度或嵌入率极低的MSU隐写视频，同时算法的虚警率低，几乎不会对非隐写视频发出错误警报；2.有效解决了现有针对MSU的隐写分析算法对存在大量非刚体运动区域的视频的检测效果不佳的问题，保证了算法的广泛适用性。 

附图说明

图1是本发明的方法流程示意图。 

图2是本发明中块匹配运动估计示意图。 

图3是本发明中视频帧下采样示意图。 

图4是本发明中运动矢量坐标对应示意图。 

图5是本发明中估计帧的获取示意图。 

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。 

实施例： 

本实施例中，针对视频中的Y分量集合和U分量集合的处理方法相同，因此，以下介绍针对Y分量集合的处理方法。 

步骤1.基于下采样块匹配的帧间合谋步骤： 

从对MSU的隐写算法测试分析可知，在被MSU隐写的视频载体的Y(亮度)分量中大量存在棋盘格分布模式，而一般的非隐写视频并不存在这种分布模式，因此我们可以通过探测待检视频与原始视频Y分量差值信号中是否存在这种特殊的棋盘格模式来判别视频是否隐写。然而在进行MSU隐写分析时，原始视频帧是无法直接获取的，因此可以通过线性合谋的方法得到不含隐写信息的近似估计帧代替原始视频帧以完成隐写分析。 

令合谋窗口大小为2L+1，对于MSU载密视频序列的Y（或U）分量S＝{f₁,f₂,…,f_N},设当前帧为f_k，则与之相邻的2L帧即为合谋参考帧，合谋以后的近似估计为f'_k，则帧间线性合谋的定义如下式(1)： 

${f^{\′}}_k=\left\{\begin{array}{c}\frac{1}{2L+1}\underset{i=1}{\overset{2L+1}{\mathrm{\Σ}}}{f}_i,1＜k＜L\\ \frac{1}{2L+1}\underset{i=k-L}{\overset{k+L}{\mathrm{\Σ}}}{f}_i,L＜k＜N-L\\ \frac{1}{2L+1}\underset{i=N-2L}{\overset{N}{\mathrm{\Σ}}},N-L＜k＜N\end{array}\right.---\left(1\right)$

线性合谋方法是利用视频相邻帧之间的强相关性，通过当前帧和前后若干帧像素值加和后取平均值来获得当前帧不含隐写信息的近似估计，线性合谋在一定程度上可以得到原始视频的近似估计，但实际视频相邻帧间存在一定差异，尤其是视频中存在运动的物体时，简单的线性合谋效果并不理想，不能准确的得到原始视频的近似估计，这会对随后的模式探测造成很大干扰。因此本算法采用基于下采样的块匹配技术进行帧间合谋，取代线性合谋技术，得到更接近原始视频的近似估计。 

①下采样块匹配技术 

基于块的运动估计是最常用的搜索算法，在数字视频压缩国际标准中已经采用了基于块的运动估计和运动补偿，例如H.26X和MPEG1-4。块匹配运动估计以宏块为单位，将帧平面划分为互不重叠的子块，并认为子块内所有像素的位移量是相同的，这意味着将每个子块视为一个“运动物体”。每一帧图像所划分的子块称为宏块(Macro block,MB)，宏块的大小和形状并没有特别规定，一般为M×N像素(可取8×8像素，8×16像素或16×16像素等)。然后根据一定的匹配准则，在参考帧中的给定搜索范围内，找出与当前帧的当前宏块最相似的块，即为匹配块。 

块匹配准则是判断块相似程度的依据和标准，因此匹配准则的优劣将 直接影响运动估计的准确度，在运动估计算法中，常用的块匹配准则有三种：最小平均绝对差(Mean absolute difference，MAD)准则、最小均方误差(Mean square error，MSE)准则和归一化互相关函数(Normalized cross-correlation function，NCCF)准则。由于MAD准则不需要乘法运算、实现简单方便并满足实时性要求，因此使用最多。本算法采用MAD准则，MAD准则定义如下式(2)。 

$\mathrm{MAD}(i,j)=\frac{1}{M\×N}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|f(m,n,k)-f(m+i,n+j,k-1)|---\left(2\right)$

其中(i,j)为像素(m,n,k)与(m+i,n+j,k-1)间的位移矢量，f(m,n,k)与f(m+i,n+j,k-1)分别是当前帧f_k和参考帧f_k-1像素(m,n,k)与(m+i,n+j,k-1)的灰度值，M×N为宏块的大小。若在某个位移矢量(i₀,j₀)处，MAD(i₀,j₀)值达到最小，该矢量即为所求的最佳块匹配运动矢量。 

近年视频编码领域的学者研究出了许多快速块匹配搜索算法，包括：三步搜索法、四步搜索法、交叉搜索算法、菱形搜索算法等等。其中四步搜索法精度与时间复杂度适中，应用比较广泛，本算法采用该方法作为基本搜索方法，块匹配运动估计示意图如附图2所示。 

图中f_k为当前帧，f_k-1和f_k+1分别为当前帧的前一帧和后一帧。B_k-1和B_k+1分别为当前帧的当前块B_k在以前一帧和后一帧为参考帧时，在参考帧中搜索得到的匹配块。 

然而，MSU的隐写信息作为一种加性噪声会对块匹配精度造成一定影响，隐写引入的噪声往往会导致匹配偏差，从而一进步影响隐写检测效果。因此我们设计了一种对隐写噪声有一定鲁棒性的下采样块匹配算法来克服MSU隐写噪声造成的干扰。该算法是对四步搜索算法的改进优化，算法步骤如下： 

A、下采样获取采样帧 

从视频图像中提取出当前帧f_k和参考帧f_k-1，由各帧中每个相邻且不重叠的2×2像素子块，通过双线性插值生成采样帧中的一个新的像素点，分别得到f_k和f_k-1的采样帧 

和 

采样点计算方法见式(3)。 

$f^s(i,j)=\frac{1}{4}\·[f(i,j)+f(i,j+1)+f(i+1,j),f(i+1,j+1)]---\left(3\right)$

其中，f^s(i,j)是下采样后得到的采样帧f^s中像素(i,j)的灰度值，f(i,j)、f(i,j+1)、f(i+1,j)、f(i+1,j+1)分别是原始帧f中(i,j)、(i,j+1)、(i+1,j)、(i+1,j+1)四个像素的灰度值。下采样后用像素(i,j)取代原始帧f中对应位置的四个像素，如附图3所示，下采样完成后，采样帧f^s中的像素点数量变为原始帧f的四分之一。 

B、低分辨率下初步运动矢量搜索 

在采样帧 和 

中进行初步运动估计，将 

划分成大小相等、互不重叠的方块，在下采样参考帧 

中利用TSS和MAD匹配准则，得到初步的运动矢量(i_match,j_match)。 

C、高分辨率下精确运动矢量搜索 

在低分辨率采样帧中得到初步搜索的运动矢量(i_match,j_match)后，将回到当前帧f_k和参考帧f_k-1中进行高分辨率层中的精细搜索。初步搜索运动矢量坐标还原到原始帧的坐标（见附图4中的两个“*”），直接将坐标加倍即可。例如，在参考帧的下采样帧 

中，运动矢量坐标为(i_match,j_match)，则对应原始参考帧f_k-m的运动矢量坐标为(2×i_match,2×j_match)。 

得到原始参考帧的运动矢量坐标后，就可以进行精细搜索，搜索范围是该运动矢量坐标下采样前的2×2像素子块中包含的4个像素点。按照块匹配技术中的MAD匹配准则计算这四个块和当前帧中对应的块的相似度， 相似度最大的即为最终的最佳匹配块。 

下采样的运动匹配算法实际上可以看做对低通滤波以后的视频帧进行运动匹配，低通滤波本身对加性噪声有一定抑制作用，因此该算法能够较好的克服MSU隐写噪声对块匹配造成的影响。同时，由于下采样帧匹配块大小为原来的四分之一，下采样块匹配的时间复杂度也远小于单纯的块匹配，是一种非常快速的块匹配算法。 

②基于下采样块匹配的帧间合谋 

基于下采样块匹配的帧间合谋是线性合谋的优化，利用下采样块匹配算法以宏块为单位分别计算每个参与合谋的参考帧中和当前帧中的各个块最相似的最佳匹配块，并按照各个块在当前帧中的位置排列，得到各个参考帧对当前帧的估计帧。然后使用各个估计帧代替参考帧按照线性合谋中的公式(1)进行帧间合谋得到近似估计帧f'_k，本算法选取合谋窗口大小为3即选取L为1，设定块匹配使用的宏块大小为16×16。近似估计帧的获取过程如附图5。 

步骤2.棋盘格模式探测与运动检测弃块处理步骤： 

①棋盘格模式探测 

以上步骤得到原始视频的近似估计f′_k（第k帧的近似估计）以后，再根据下式(4)得到待检差值信号P_k。 

P_k＝f_k-f'_k                                        (4) 

得到差值信号以后就可以对该信号进行棋盘格模式探测以判断视频是否隐写。设每一帧的包含的像素块单元总数为T_k，将每一帧处理得到的差值信号P_k顺序划分成32×32的像素宏块，对每个像素宏块逐一检测，统计出现32×32棋盘格式的嵌入模式的次数，即根据其包含的4个16×16像素块的直流系数之间的关系判断它是否具有棋盘格似的嵌入模式。设第k帧第i块像素块单元的模式检测状态为MODDE_k(i)，其中1≤i≤T_k，模式检测 状态的定义如式(5)。 

其中DC1，DC2，DC3，DC4分别表示差值信号中像素块单元的四个16×16块中所有像素值的和，sign(x)表示取x的符号。然后我们计算得到第k帧的单帧模式探测率R_k，定义如下式(6): 

$R_k=\frac{\underset{i=1}{\overset{T_k}{\mathrm{\Σ}}}\mathrm{MOD}{E}_k\left(i\right)}{T_k}---\left(6\right)$

②运动检测弃块处理 

通常视频帧存在一些非刚体运动区域，这些区域会导致块匹配合谋效果偏差从而影响棋盘格探测效果，因此本算法引入运动检测弃块处理排除这些区域对检测的干扰。设第k帧中第i个像素宏块的运动系数为F_k(i)，这里的像素宏块对应棋盘格模式探测时划分的32×32像素块，F_k(i)的定义如下式(7): 

素宏块中的所有像素值的和，实际上F_k(i)代表的是合谋帧与当前帧的差值比，F_k(i)如果大于设定阈值FH_k代表该像素块属于非刚体运动区域，否则属于刚体运动区域。本算法通过一种自适应方法动态获得判定阈值：计算该帧所有像素块单元的运动系数，然后取他们的平均值作为判定阈值FH_k。 

按顺序对当前帧的每一个32×32像素块进行运动检测分类，将检测属于非刚体运动状态的块标记抛弃不参与模式探测率的计算，即将该块 MODE_k(i)置0同时该帧总宏块数T_k减一。 

然后计算所有视频帧模式探测率的平均值得到整个视频Y分量平均模式探测率R_Y. 

步骤3.动态阈值隐写判定步骤： 

利用之前两大步骤同样的方法计算得到整个视频U分量的平均模式探测率R_U，给定判定阈值Th，若|R_Y-R_U|＞Th，则判定视频被MSU隐写，否则判定视频未被MSU隐写。 

本发明算法以合谋帧取代相邻帧，提高了估计帧的准确性，从而提高了检测算法的正确率。同时，在该算法中，分别提出基于下采样块匹配帧间合谋算法、基于运动状态检测的弃块技术、以及基于YU分量模式探测的动态阈值隐写判定技术等，从多个方面提升了隐写算法的检测正确率，尤其对存在大量非刚体运动区域视频的检测性能提升更为明显。 

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。 

Claims (9)

1.一种针对MSU的隐写分析方法，其特征在于，包括以下步骤：

步骤1，由帧间合谋模块将待检视频分为Y分量集合和U分量集合，所述Y分量集合为待检视频的亮度分量；所述U分量集合为待检视频的分量；所述Y分量集合和U分量集合均由若干视频帧构成，然后对Y分量集合中的所有视频帧和U分量集合中的所有视频帧分别进行帧间合谋，得到与Y分量集合对应的Y分量估计帧集合和与U分量集合的对应的U分量估计帧集合；

步骤2，由平均模式探测率模块将步骤1得到的Y分量估计帧集合和U分量估计帧集合，结合步骤1中原始的待检测Y分量集合和U分量集合进行每帧的模式探测率的获取，得到与Y分量集合对应的每帧的Y分量模式探测率R_kY和与U分量集合对应的每帧的U分量模式探测率R_kU；再根据Y分量集合对应的每帧的Y分量模式探测率R_kY得到Y分量所有帧的平均模式探测率R_Y，以及根据U分量集合对应的每帧的U分量模式探测率R_kU得到U分量所有帧的平均模式探测率R_U；所述平均模式探测率的获取是基于棋盘格模式探测进行；

步骤3，用户通过隐写判定模块设定判定阈值Th；依据步骤2中获取R_Y和R_U进行选择判定：

若|R_Y-R_U|＞Th，则判定待检测视频文件被MSU隐写；否则判定待检视频文件未被MSU隐写。

2.根据权利要求1所述的一种针对MSU的隐写分析方法，其特征在于，所述的步骤1中，得到与Y分量集合对应的Y分量估计帧集合的具体方法如下：

步骤1.11，待检视频的Y分量集合S＝{f₁,f₂,…,f_N}，其中，N为视频帧的数目，f_k为当前待检测视频帧的亮度分量（Y分量），取待检测帧相邻的前后两帧（若当前帧为视频起始帧则选取其后两帧）为合谋参考帧，后续操作均在视频帧的Y分量进行；

步骤1.12，利用当前帧及其参考帧进行下采样块匹配预测得到两个参考帧进行当前帧的估计；

步骤1.13，取当前帧与步骤1.12得到的两帧估计帧的像素值平均值得到当前帧的合谋帧f'_k，以该估计帧作为当前待测帧的估计帧，按照视频帧排列顺序重复步骤1.11至步骤1.12得到所有视频帧的估计帧集合；

3.根据权利要求1所述的一种针对MSU的隐写分析方法，其特征在于，所述步骤1中，得到与U分量集合对应的U分量估计帧集合的具体方法如下：

步骤1.21，待检视频的Y分量集合S＝{f₁,f₂,…,f_N}，其中，N为视频帧的数目，f_k为当前待检测视频帧的亮度分量（Y分量），取待检测帧相邻的前后两帧（若当前帧为视频起始帧则选取其后两帧）为合谋参考帧，后续操作均在视频帧的Y分量进行；

步骤1.22，利用当前帧及其参考帧进行下采样块匹配预测得到两个参考帧进行当前帧的估计；

步骤1.23，取当前帧与步骤1.12得到的两帧估计帧的像素值平均值得到当前帧的合谋帧f'_k，以该估计帧作为当前待测帧的估计帧，按照视频帧排列顺序重复步骤1.11至步骤1.12得到所有视频帧的估计帧集合；

4.根据权利要求1所述的一种针对MSU的隐写分析方法，其特征在于，所述的步骤2中，根据Y分量集合对应的每帧的Y分量模式探测率R_kY得到Y分量所有帧的平均模式探测率R_Y的具体方法如下：

步骤2.11，得到估计帧集合以后，计算待检测帧与其估计帧的帧差信号P_k；所述P_k基于公式

P_k＝f_k-f'_k

步骤2.12，将当前帧和对应的帧差信号划分成大小为32×32的宏块，对当前帧中每一个宏块进行运动检测分类，标记属于非刚体运动状态的宏块，其中对应的帧差信号宏块也标记；

步骤2.13，以宏块为单位，对帧差信号进行棋盘格模式探测，计算每帧模式探测率R_k，步骤2.12中被标记为非刚体运动状态的宏块被丢弃不参与模式探测；

步骤2.14，计算所有视频帧模式探测率平均值得到整个视频Y分量平均模式探测率R_Y；所述

其中，设第k帧第i块像素块单元的模式检测状态为MODE_k(i)，其中1≤i≤T_k，模式检测状态的定义为下式：

，其中DC1，DC2，DC3，DC4分别表示差值信号中像素块单元的四个16×16块中所有像素值的和，sign(x)表示取x的符号。

5.根据权利要求1所述的一种针对MSU的隐写分析方法，其特征在于，所述的步骤2中，根据U分量集合对应的每帧的U分量模式探测率R_kU得到U分量所有帧的平均模式探测率R_U的具体方法如下：

步骤2.21，得到估计帧集合以后，计算待检测帧与其估计帧的帧差信号P_k；所述P_k基于公式

P_k＝f_k-f'_k

步骤2.22，将当前帧和对应的帧差信号划分成大小为32×32的宏块，对当前帧中每一个宏块进行运动检测分类，标记属于非刚体运动状态的宏块，其中对应的帧差信号宏块也标记；

步骤2.23，以宏块为单位，对帧差信号进行棋盘格模式探测，计算每帧模式探测率R_U，步骤2.22中被标记为非刚体运动状态的宏块被丢弃不参与模式探测；所述

其中，设第k帧第i块像素块单元的模式检测状态为MODE_k(i)，其中1≤i≤T_k，模式检测状态的定义为下式：

，其中DC1，DC2，DC3，DC4分别表示差值信号中像素块单元的四个16×16块中所有像素值的和，sign(x)表示取x的符号；

步骤2.24，计算所有视频帧模式探测率平均值得到整个视频Y分量平均模式探测率R_U。

6.根据权利要求2所述的一种针对MSU的隐写分析方法，其特征在于，所述步骤1.13的具体方法如下：

步骤A1，下采样获取采样帧：

从视频图像中提取出当前帧f_k和参考帧f_k-1，由各帧中每个相邻且不重叠的2×2像素子块，通过双线性插值生成采样帧中的一个新的像素点，分别得到f_k和f_k-1的采样帧

和

采样点计算方法见式：

$f^s(i,j)=\frac{1}{4}\·[f(i,j)+f(i,j+1)+f(i+1,j),f(i+1,j+1)]$

，其中，f^s(i,j)是下采样后得到的采样帧f^s中像素(i,j)的灰度值，f(i,j)、f(i,j+1)、f(i+1,j)、f(i+1,j+1)分别是原始帧f中(i,j)、(i,j+1)、(i+1,j)、(i+1,j+1)四个像素的灰度值，下采样后用像素(i,j)取代原始帧f中对应位置的四个像素；

步骤A2，低分辨率下初步运动矢量搜索：

在采样帧

和

中进行初步运动估计，将

划分成大小相等、互不重叠的方块，在下采样参考帧

中利用TSS和MAD匹配准则，得到初步的运动矢量(i_match,j_match)；

步骤A3，高分辨率下精确运动矢量搜索：

在低分辨率采样帧中得到初步搜索的运动矢量(i_match,j_match)后，将回到当前帧f_k和参考帧f_k-1中进行高分辨率层中的精细搜索。初步搜索运动矢量坐标还原到原始帧的坐标，直接将坐标加倍；得到原始参考帧的运动矢量坐标后，就可以进行精细搜索，搜索范围是该运动矢量坐标下采样前的2×2像素子块中包含的4个像素点。按照块匹配技术中的MAD匹配准则计算这四个块和当前帧中对应的块的相似度，相似度最大的即为最终的最佳匹配块。

7.根据权利要求3所述的一种针对MSU的隐写分析方法，其特征在于，所述步骤1.23的具体方法如下：

步骤B1，下采样获取采样帧：

从视频图像中提取出当前帧f_k和参考帧f_k-1，由各帧中每个相邻且不重叠的2×2像素子块，通过双线性插值生成采样帧中的一个新的像素点，分别得到f_k和f_k-1的采样帧

和

采样点计算方法见式：

$f^s(i,j)=\frac{1}{4}\·[f(i,j)+f(i,j+1)+f(i+1,j),f(i+1,j+1)]$

，其中，f^s(i,j)是下采样后得到的采样帧f^s中像素(i,j)的灰度值，f(i,j)、f(i,j+1)、f(i+1,j)、f(i+1,j+1)分别是原始帧f中(i,j)、(i,j+1)、(i+1,j)、(i+1,j+1)四个像素的灰度值。下采样后用像素(i,j)取代原始帧f中对应位置的四个像素；

步骤B2，低分辨率下初步运动矢量搜索：

在采样帧和

中进行初步运动估计，将

划分成大小相等、互不重叠的方块，在下采样参考帧

中利用TSS和MAD匹配准则，得到初步的运动矢量(i_match,j_match)；

步骤B3，高分辨率下精确运动矢量搜索：

在低分辨率采样帧中得到初步搜索的运动矢量(i_match,j_match)后，将回到当前帧f_k和参考帧f_k-1中进行高分辨率层中的精细搜索。初步搜索运动矢量坐标还原到原始帧的坐标，直接将坐标加倍，得到原始参考帧的运动矢量坐标后，就可以进行精细搜索，搜索范围是该运动矢量坐标下采样前的2×2像素子块中包含的4个像素点。按照块匹配技术中的MAD匹配准则计算这四个块和当前帧中对应的块的相似度，相似度最大的即为最终的最佳匹配块。

8.根据权利要求4所述的一种针对MSU的隐写分析方法，其特征在于，所述步骤2.13中，所述标记为非刚体运动状态的宏块被丢弃不参与模式探测时，该弃块的处理方式武侠：设第k帧中第i个像素宏块的运动系数为F_k(i)，这里的像素宏块对应棋盘格模式探测时划分的32×32像素块，F_k(i)的定义如下式:

$F_k\left(i\right)=\left|\frac{P_k\left(i\right)}{f_k\left(i\right)}\right|,1＜i{＜T}_k$

P_k(i)和f_k(i)分别对应之前得到的差值信号和待检视频当前帧中第i个像素宏块中的所有像素值的和，实际上F_k(i)代表的是合谋帧与当前帧的差值比，F_k(i)如果大于设定阈值FH_k代表该像素块属于非刚体运动区域，否则属于刚体运动区域，其中，判定阈值通过一种自适应方法动态获得：计算该帧所有像素块单元的运动系数，然后取他们的平均值作为判定阈值FH_k；

按顺序对当前帧的每一个32×32像素块进行运动检测分类，将检测属于非刚体运动状态的块标记抛弃不参与模式探测率的计算，即将该块MODE_k(i)置0同时该帧总宏块数T_k减1。

9.根据权利要求5所述的一种针对MSU的隐写分析方法，其特征在于，所述步骤2.23中，所述标记为非刚体运动状态的宏块被丢弃不参与模式探测时，该弃块的处理方式武侠：设第k帧中第i个像素宏块的运动系数为F_k(i)，这里的像素宏块对应棋盘格模式探测时划分的32×32像素块，F_k(i)的定义如下式:

$F_k\left(i\right)=\left|\frac{P_k\left(i\right)}{f_k\left(i\right)}\right|,1＜i＜T_k$

P_k(i)和f_k(i)分别对应之前得到的差值信号和待检视频当前帧中第i个像素宏块中的所有像素值的和，实际上F_k(i)代表的是合谋帧与当前帧的差值比，F_k(i)如果大于设定阈值FH_k代表该像素块属于非刚体运动区域，否则属于刚体运动区域，其中，判定阈值通过一种自适应方法动态获得：计算该帧所有像素块单元的运动系数，然后取他们的平均值作为判定阈值FH_k；

按顺序对当前帧的每一个32×32像素块进行运动检测分类，将检测属于非刚体运动状态的块标记抛弃不参与模式探测率的计算，即将该块MODE_k(i)置0同时该帧总宏块数T_k减1。

Images