CN102917227B - 基于压缩感知的自适应视频信息隐藏方法 - Google Patents

Abstract

本发明的基于压缩感知的自适应视频信息隐藏方法，特征在于，包括：a．以镜头为单位将视频文件分帧；b．以镜头的第一帧作为关键帧；c．建立图像纹理分类模型，获取关键帧的纹理分类模型标记 ；d．确定关键帧的纹理分类，确定关键帧是纹理区、平滑区还是介于两者之间；e．选择算法和确定嵌入深度；f．嵌入秘密信息，在系数矩阵中嵌入秘密信息；g．合成视频文件。本发明的视频信息隐藏方法，在无需对整个视频文件进行解压缩的情形下，就可自适应地嵌入秘密信息，不会影响视频的观赏性，具有计算量小、信息隐写效率高、对视频影响小和秘密信息安全性好的优点。可广泛应用于版权认证、盗版跟踪及保密通信等众多领域。

Description

基于压缩感知的自适应视频信息隐藏方法

技术领域

本发明涉及一种基于压缩感知的自适应视频信息隐藏方法，更具体的说，尤其涉及一种以每组镜头的第一帧为嵌入帧、并根据嵌入帧的纹理分类自适应地选取隐藏算法的基于压缩感知的自适应视频信息隐藏方法。

背景技术

信息隐藏从功能上可以分为数字水印技术和隐写术。数字水印技术在商业领域有广泛的应用，如多媒体版权保护、多媒体完整性认证、多媒体防拷贝控制、多媒体访问控制、多媒体盗版追踪等。隐写术掩盖秘密信息的存在，能够有效实现隐秘通信，特别是在军事等涉及国家安全的领域具有广泛的应用前景。因此，实际的应用需求决定了信息隐藏技术具有良好的市场前景。截止到2012年，我国已连续召开了十届全国信息隐藏学术研讨会。

传统的编解码方法存在两个缺陷：首先，在数据获取和处理方面，Nyquist（奈奎斯特）采样使得硬件成本昂贵，获取的信息冗余度过大且有效信息提取的效率低，在某些情况下甚至无法实现对信号的Nyquist采样；其次，在数据存储和传输方面，压缩编码过程中大量变换计算得到的小系数被丢弃，造成了数据计算和内存资源的浪费。

压缩感知理论是现代信息科学领域中一个全新的研究方向，其与传统的框架大不一样，对信号的采样、压缩编码发生在同一个步骤，即利用信号的稀疏性、以远低于Nyquist采样率的速率对信号进行相关测量。通过测量所得到的测量值并非信号本身，而是信号从高维数据空间到低维数据空间的投影值。其解码过程是通过求解一个非线性最优化问题在概率意义上实现信号的精确重构或者一定误差下的近似重构，解码所需测量值的数目远小于传统理论下的样本数。

压缩感知理论具有巨大的吸引力和应用前景，其应用研究已经涉及到众多领域，如：CS雷达、无线传感网络、图像采集设备的开发、医学图像处理、生物传感、光谱分析、超谱图像处理、遥感图像处理、人脸识别、语音识别及信息隐藏等。视频作为信息隐藏的载体，较图像、音频等多媒体具有更大的信号空间，因而可以隐藏较大容量的信息，为秘密通信、版权保护、内容鉴定等问题提供解决方案；压缩感知理论是信息获取与信号处理领域近年发展起来的有重大应用前景的研究方向。

发明内容

本发明为了克服上述技术问题的缺点，提供了一种以每组镜头的第一帧为嵌入帧、并根据嵌入帧的纹理分类自适应地选取隐藏算法的基于压缩感知的自适应视频信息隐藏方法。

本发明的基于压缩感知的自适应视频信息隐藏方法，其特别之处在于，信息隐藏过程包括以下步骤：a．将视频文件分帧，采用视频镜头分割方法，将视频文件                                                以镜头为单位分成若干镜头组，分别记为；n为正整数；b．获取关键帧，以每个镜头组的第一帧为关键帧，得到视频文件的n个关键帧，分别记为；c．基于训练样本建立图像纹理分类模型，将用于图像纹理分类的特征罗列出来，记为，为特征数量；广泛选取数字图像，建立大规模的训练样本图像库，为训练样本中图像的数量；对于当前训练样本，采用Adboost算法将各纹理特征的贡献率记为；采用平均算法求取某特征的贡献率：,将各特征按照贡献率由大至小进行排序，记为，选取较大的前m个特征用于构建关键帧的纹理特征模型；当前训练样本图像的纹理分类模型标记为；为当前训练样本的纹理分类结果，p，x，i，q，m均为正整数，且1≤i≤n，1≤m≤p；d．确定关键帧的纹理分类，根据步骤c中建立的纹理分类模型，确定每个关键帧所属的纹理分类，即判断当前帧为平滑区、纹理区和介于纹理与平滑之间的那一种；e．选择算法和确定嵌入深度，根据步骤d中的纹理分类结果，选择当前关键帧适用的信息隐藏算法以及确定该隐藏算法下的嵌入深度；设关键帧适用的算法为，为关键帧的嵌入深度；f．嵌入秘密信息，对关键帧进行压缩感知以获取视频帧的压缩感知系数矩阵，根据步骤e中获取的算法和步长在关键帧的压缩感知系数矩阵中嵌入秘密信息，形成载密视频关键帧；g．合成视频文件，将步骤f中获取的载密视频关键帧与其他视频帧合并，形成新的载密视频文件，用于发放及传播。

镜头是连续拍摄的一段视频，它是视频结构化的基础物理单元，视频数据文件一般以镜头为单位建立索引，以供检索和查询。步骤a中，对视频文件不需完全解压缩就可进行视频分割，计算量小，效率较高。步骤c中，对图像纹理分类特征按贡献率大小进行排序，贡献率是指某纹理特征使视频帧成为纹理区的影响因子，在视频帧为平滑区的状态下，各纹理特征的贡献率应均达到最小值。步骤e中，为了不影响嵌入秘密视频文件的观赏性，对于关键帧所属纹理分类的不同，应采用不同的算法和嵌入不等量的秘密信息；例如对于平滑区而言，视频数据改动会对画面产生较大影响，此种情况下适用于改动小的隐藏算法或不做秘密信息嵌入；对于纹理区而言，视频数据发生改动，对整个画面造成的可是效果不明显，适于采用嵌入量较大的隐藏算法和较大的嵌入深度。通过步骤f的嵌入秘密信息和步骤g的合成视频文件，形成了隐藏有秘密信息的视频文件。

本发明的基于压缩感知的自适应视频信息隐藏方法，包括以下步骤的秘密信息提取过程：1）．将载密视频文件分帧，采用视频镜头分割方法，将载密视频文件以镜头为单位分成若干载密镜头组，分别记为；2）．获取载密关键帧，以每个镜头组的第一帧为关键帧，得到载密视频文件的n个载密关键帧，分别记为；3）．获取纹理分类模型，采用与步骤c相同的方法，获取载密关键帧的纹理分类模型；4）．确定载密关键帧的纹理分类，根据步骤3）中建立的纹理分类模型，确定相应载密关键帧为平滑区、纹理区和介于纹理与平滑之间的那一种；5）．确定隐藏算法和嵌入深度，根据步骤4）中的纹理分类结果，判断载密关键帧在秘密信息嵌入时所采用的隐藏算法和嵌入深度；6）．提取秘密信息，对载密关键帧进行压缩感知，以获取载密关键帧的压缩感知系数矩阵，利用步骤5）中获取的算法和嵌入深度在系数矩阵中提取秘密信息。

秘密信息提取过程与秘密信息嵌入过程在对视频文件的处理上具有许多相似之处，步骤1）～5）与秘密信息嵌入过程的a～e步骤方法基本一致，步骤2）中获取的关键帧中含有秘密信息，步骤3）中的纹理分类特征应与步骤c中的完全一致，以便对于同一镜头的关键帧（无论是步骤c中的关键帧还是步骤3）中的载密关键帧）获取相同的纹理分类模型，以在便步骤4）中对于同一镜头获取相同的纹理分类。这样在步骤5）中，才可准确的得到载密关键帧在秘密信息嵌入时所采用的隐藏算法和嵌入深度，以便在步骤6）中准确的提取出秘密信息。

本发明的基于压缩感知的自适应视频信息隐藏方法，步骤e和步骤5）中，设定delta为基础步长，若关键帧为平滑区，则=，若关键帧为纹理区，则嵌入深度=3，若关键帧介于纹理与平滑之间，则=2。嵌入深度越大，嵌入的秘密信息量就越大，纹理区可采用加大的信息嵌入量，平滑区应采用最小的信息嵌入量。

本发明的基于压缩感知的自适应视频信息隐藏方法，步骤c中所述的纹理分类特征包括灰度、颜色、线性度、块平均度、粗糙度、对比度、方向度、线性度、灰度共生矩阵、自回归纹理模型；步骤c和步骤3）中所述的m取值相等，且均处于3～5之间。

本发明的基于压缩感知的自适应视频信息隐藏方法，步骤f中所述的秘密信息由视频帧的自身相关信息得到，自身相关信息经压缩感知后作为秘密信息；自身相关信息可为视频帧的噪声矩阵。如果秘密信息由自身携带的数据信息形成，可有效提高抗攻击能力，如抗拷贝攻击等。

本发明的基于压缩感知的自适应视频信息隐藏方法，所述步骤a和步骤1）中以视频文件的变换系数和运动向量来判断镜头边界。采用变换系数和运动向量来判断各组镜头的边界，从而不需完全解压缩就可进行视频分割，大大降低了计算复杂度，提高了效率。

本发明的基于压缩感知的自适应视频信息隐藏方法，设步骤c和步骤3）中采用直流能量比Ep_dc和图像偏离度两个特征来构建关键帧的纹理特征模型，其中：

直流能量比Ep_dc定义为图像DCT变换后直流能量与所有系数能量和之比，并以系数的平方表征能量，则有：

其中，DC为直流系数值，为第一个DCT系数；表示位置i处的DCT系数值；

定义图像偏离度的计算公式如下：

其中， 为样本方差，为样本值，为样本均值；

在步骤4和步骤d）的判定过程中，当直流能量比大于0.995且偏离度小于1000时为平滑区；直流能量比小于0.95且偏离度大于3000时为纹理复杂区，直流能量比介于0.95至0.995之间且偏离度介于1000至3000之间时，为介于平滑区与纹理区之间的区域。

本发明的有益效果是：本发明的视频信息隐藏方法，首先以每个镜头的第一帧为关键帧，并通过每个关键帧的纹理分类情况来选取自身适用的隐藏算法和嵌入深度，最后在压缩感知系数矩阵中利用选取的算法和嵌入深度嵌入信息；使得在无需对整个视频文件进行解压缩的情形下，就可在每个镜头的第一帧中自适应的嵌入秘密信息，而且基本上不会对视频的观赏性造成影响；使得整个视频信息隐藏方法具有计算量小、信息隐写效率高、对视频影响小和秘密信息安全性好的优点。

本发明的基于压缩感知的自适应视频信息隐藏方法，根据视频自身特征自适应地选择适用算法及参数设置，提高抗攻击能力，有效改善载密视频的可观赏性，可广泛应用于版权认证、盗版跟踪及保密通信等众多领域。

具体还表现在以下几个方面：

（1）自适应能力强，可观赏性强；由于根据视频帧自身的纹理图像特征选择适用算法及并进行关键参数设置，具有较高的自适应能力，可有效提高视频信息隐藏方案的通用性；同时可显著提高秘密信息的嵌入不可见性，改善载密视频的观赏效果。

（2）开辟了新的视频隐写方法；由于在压缩感知域嵌入秘密信息，为信息隐藏技术实现提供了一种新的隐藏域，拓宽了研究领域，有利于视频信息隐藏方法的推广及使用。

（3）抗攻击能力增强：在秘密信息由视频自身信息生成时，由于秘密信息携带了视频自身的相关信息，可有效抵抗拷贝攻击。

（4）载密容量增大：由于自适应地选取隐藏方法和嵌入深度，可大幅提升原秘密信息的嵌入容量。

附图说明

图1为本发明中图像纹理分类模型建立过程示意图；

图2为本发明中隐藏信息嵌入的流程图；

图3为本发明中隐藏信息提取的流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图2所示，给出了本发明的基于压缩感知的自适应视频信息隐藏方法，包括以下步骤：

a．将视频文件分帧，采用视频镜头分割方法，将视频文件以镜头为单位分成若干镜头组，分别记为；n为正整数；

该步骤中，可以采用视频文件的变换系数和运动向量来判断镜头边界；

b．获取关键帧，以每个镜头组的第一帧为关键帧，得到视频文件的n个关键帧，分别记为；

c．基于训练样本建立图像纹理分类模型，将用于图像纹理分类的特征罗列出来，记为，为特征数量；广泛选取数字图像，建立大规模的训练样本图像库，为训练样本中图像的数量；对于当前训练样本，采用Adboost算法将各纹理特征的贡献率记为；采用平均算法求取某特征的贡献率：,将各特征按照贡献率由大至小进行排序，记为，选取较大的前m个特征用于构建关键帧的纹理特征模型；当前训练样本图像的纹理分类模型标记为；为当前训练样本的纹理分类结果，p，x，i，q，m均为正整数，且1≤i≤n，1≤m≤p；

该步骤中，纹理分类特征可采用灰度、颜色、线性度、块平均度、粗糙度、对比度、方向度、线性度、灰度共生矩阵、自回归纹理模型等特征；m可选取3～5之间的数值；

d．确定关键帧的纹理分类，根据步骤c中建立的纹理分类模型，确定每个关键帧所属的纹理分类，即判断当前帧为平滑区、纹理区和介于纹理与平滑之间的那一种；

e．选择算法和确定嵌入深度，根据步骤d中的纹理分类结果，选择当前关键帧适用的信息隐藏算法以及确定该隐藏算法下的嵌入深度；设关键帧适用的算法为，为信息隐藏算法的基础步长，为关键帧的嵌入深度；

该步骤中，若关键帧为平滑区，则=，若关键帧为纹理区，则=3，若关键帧介于纹理与平滑之间，则=2；

f．嵌入秘密信息，对关键帧进行压缩感知以获取视频帧的压缩感知系数矩阵，根据步骤e中获取的算法和步长在关键帧的压缩感知系数矩阵中嵌入秘密信息，形成载密视频关键帧；

该步骤中，秘密信息可由视频帧的自身相关信息得到，例如视频帧的噪声矩阵，自身相关信息经压缩感知后作为秘密信息，可有效抵抗拷贝攻击等；

g．合成视频文件，将步骤f中获取的载密视频关键帧与其他视频帧合并，形成新的载密视频文件，用于发放及传播。

如图3所示，给出了本发明中隐藏信息提取的流程图，其包括以下步骤：

1）．将载密视频文件分帧，采用视频镜头分割方法，将载密视频文件以镜头为单位分成若干载密镜头组，分别记为；

同样地，该步骤中，可以采用视频文件的变换系数和运动向量来判断镜头边界；

2）．获取载密关键帧，以每个镜头组的第一帧为关键帧，得到载密视频文件的n个载密关键帧，分别记为；

该步骤中获取的载密关键帧与的却别在于其压缩感知系数矩阵中隐写有秘密信息；

3）．获取纹理分类模型，采用与步骤c相同的方法，获取载密关键帧的纹理分类模型；

该步骤中，应采用与步骤c相同的纹理分类特征，例如可采用包括灰度、颜色、线性度和块平均度的形式，以便对同一镜头建立相同的纹理分类模型；其中m的取值也应与步骤c中的相同；

4）．确定载密关键帧的纹理分类，根据步骤3）中建立的纹理分类模型，确定相应载密关键帧为平滑区、纹理区和介于纹理与平滑之间的那一种；

只是因为步骤3）中获取了相同的纹理分类模型，对于同一镜头来的关键帧（与）来说，就能获得相同的纹理分类结果；

5）．确定隐藏算法和嵌入深度，根据步骤4）中的纹理分类结果，判断载密关键帧在秘密信息嵌入时所采用的隐藏算法和嵌入深度；

该步骤中，若关键帧为平滑区，则=，若关键帧为纹理区，则=3，若关键帧介于纹理与平滑之间，则=2；

6）．提取秘密信息，对载密关键帧进行压缩感知，以获取载密关键帧的压缩感知系数矩阵，利用步骤5）中获取的算法和嵌入深度在系数矩阵中提取秘密信息。

其中，（1）采用镜头分割技术将视频帧分组，每组的第一帧可作为关键帧，由此只需对关键帧进行帧内纹理分析建模即可，大大简化和加速视频序列的帧内分析过程。对于MPEG、H.264等格式的压缩域视频而言，在相关信息（如各块的变换系数和运动向量等）中得到视频信息，用这些信息来判断各组镜头的边界，从而不需完全解压缩就可进行视频分割，大大降低了计算复杂度，提高了效率。

（2）单视频帧由于其自身的纹理、灰度、颜色、形状、位置等底层特征不同，造成其隐藏信息的能力也不同，其适用的隐藏算法也不同。为了达到更好的隐藏效果及更大的容量，如何从众多的特征中筛选有效特征表征帧内纹理特性是关键坐在。如图1所示，给出了用Adaboost算法建立图像纹理分类模型的流程图，得到每个特征对于纹理分类的贡献率，进而构造分类效果最好的特征集合。具体步骤如下：

将现有各特征（比如：灰度、颜色、线性度等）进行正确描述、定义；采用AdaBoost算法获得各个特征对纹理分类的贡献率，具体步骤如下：利用AdaBoost算法进行训练的过程中，将得到的每一个分类标记与真实的标记进行对比，可以依次得到每个特征值对于纹理特性分类的贡献率；在这个基础上，按照纹理特性分类贡献率大小进行特征排序，选择贡献率较大的m个特征构建基于此视频的纹理特征参数模型。

（3）若当前帧属于纹理区，则表明该帧中边缘及图像复杂度较高，人类视觉系统对于该类画面不敏感，可嵌入的秘密信息量较大，而且对视频的观赏效果影响较小。针对该类区域的可选算法较广，一般的信息隐藏算法均可，而嵌入参数也可选择较大尺度的参数；反之，若当前帧属于平滑区，应选择对视频影响较小的算法及较小的嵌入参数。

（4）压缩感知的核心包括稀疏表示、度量矩阵设计及重建算法。发明的信息隐藏方法中，稀疏基则采用图像中常用的离散余弦变换基、离散小波变换基等；考虑到视频的数据量巨大，重建算法采用贪婪匹配系列算法，以保证运行速度及较低的计算量；对于度量矩阵，可广泛采用目前现有的部分傅立叶集、部分哈达玛集、高斯随机矩阵、稀疏投影矩阵、非常稀疏投影矩阵等，重点考虑对信息隐藏效果和重建信号的评估，进而选择并设计度量矩阵。

（5）秘密信息嵌入是将秘密信息嵌入视频关键帧的压缩感知域系数矩阵中。对视频进行预处理后，在关键帧的感知域系数矩阵数据中，按照信息隐藏算法将秘密信息嵌入，形成载密的视频关键帧；并与其他未嵌入秘密信息的视频帧合并，形成载密视频文件。同时秘密信息也可由视频自身压缩感知得到，达到信息隐藏并提高抗攻击能力的目的。

在骤c和步骤3）中可以采用直流能量比Ep_dc和图像偏离度两个特征来构建关键帧的纹理特征模型，其中：以直流能量比和方差两种特征来举例表述图像的纹理特性，其定义具体如下：

有研究表明，图像DCT变换后的直流系数代表图像的平均亮度，是主要信息携带者。直流能量比定义为对应图像DCT变换域后直流能量与所有系数能量和之比，在此以系数的平方表征能量，则有：     

                 

其中，DC为直流系数值，也是第一个DCT系数；表示位置i处的DCT系数值。可以理解，图像越是趋于平滑，边缘或者纹理区的比重就越低，这就意味着图像中的高频信息量越少，上述定义的直流能量比的数值就越大；反之，纹理区或者边缘区的该数值则较低。由此可以将直流能量比作为衡量图像纹理特性的参数，而且其意义明确，计算简单。

（2）图像偏离度：

该参数的定义由样本方差的概念发展而来，样本方差指各样本对于均值的平均偏离程度。其原始定义如下：

                          

其中 为样本方差，为样本值，为样本均值。为了更好地突出各样本对于均值的偏离程度，方便我们使用，将方差进行改动，只累计偏离程度，不再取平均，则有：

                

可以看出，该参数与图像对比度有相似含义。含有较多纹理或者边缘的区域，各像素变化较为复杂，纹理沟纹越深则相对于整体均值的灰度差（或对比度）就越大，则偏离程度越大；反之对于比较平滑的区域，各像素变化趋于平稳，其偏离程度自然较小。

经大量训练及测试样本验证，直流能量比大于0.995且偏离度小于1000时为平滑区，直流能量比小于0.95且偏离度大于3000时为纹理复杂区，直流能量比介于0.95至0.995之间且偏离度介于1000至3000之间为中间区。

在步骤e所述的选择算法和确定嵌入深度，以简单易行的视频信息隐藏方法举例:

针对纹理图像，可采用DCT域直流系数量化算法如下：

（1）    对原图像进行8*8 分块，每块进行DCT变换。

（2）    针对每一块，令表示算法的基础步长，则量化步长定义为:

          

    根据当前嵌入水印位信息，将该子块的直流系数值量化为最近的量化步长的偶数或奇数倍数值F′处：

                   

（3）    将所有子块进行（2）中的操作。

（4）    对各个子块进行DCT反变换，形成含水印图像。

（5）    提取时只需要进行前面类似操作，根据量化步长，由DCT的直流系数值就可以判断当前块的嵌入信息；并将各块的提取信息按原来的顺序排列得提取水印信息。

               

针对平滑区图像，可采用DCT域高频系数相关算法如下：

（1）根据密钥K生成两个一维的服从均匀分布且相关性很小的随机数序列 ， 。

（2）对原始图像进行8×8 分块，每块DCT变换，根据以下规则修改DCT系数块中5～7行4～6列的系数：

若，则；

若，则；

其中是点临近3×3块内的系数平均值，为嵌入深度，取值0-1之间。设定为基础嵌入深度，则

（3）最后对宿主图像修改后的DCT系数进行反变换，得到重建图像。

（4）提取时只需要进行前面类似操作，计算每块的5～7行4～6列的系数序列与，的相关性，。若>，则，反之；将各块的提取信息按原来的顺序排列得提取水印信息。

针对介于平滑及纹理区之间的图像，基于能量量化的低频DCT域数字水印算法如下：

（1）对原图像进行8*8 分块，每块进行DCT变换。

（2）针对每一块，令表示算法的基础步长，则量化步长定义为:

      定义该块低频系数（选择zig-zag扫描的第1～3个系数）能量和根植为特征量：

                       

    根据当前嵌入水印位信息，将该子块的直流系数值量化为最近的量化步长的偶数或奇数倍数值处：

       

由此修改该块相关DCT低频系数

            

（3）将所有子块进行（2）中的操作。

（4）对各个子块进行DCT反变换，形成含水印图像。

（5）提取时只需要进行前面类似操作，计算每块的能量和就可以判断当前块的嵌入信息；并将各块的提取信息按原来的顺序排列得提取水印信息。

Claims (7)

1.一种基于压缩感知的自适应视频信息隐藏方法，其特征在于，信息隐藏过程包括以下步骤：

a．将视频文件分帧，采用视频镜头分割方法，将视频文件                                               以镜头为单位分成若干镜头组，分别记为；n为正整数；

b．获取关键帧，以每个镜头组的第一帧为关键帧，得到视频文件的n个关键帧，分别记为；

c．基于训练样本建立图像纹理分类模型，将用于图像纹理分类的特征罗列出来，记为，为特征数量；广泛选取数字图像，建立大规模的训练样本图像库，为训练样本中图像的数量；对于当前训练样本，采用Adaboost算法将各纹理特征的贡献率记为；采用平均算法求取某特征的贡献率：,将各特征按照贡献率由大至小进行排序，记为，选取较大的前m个特征用于构建关键帧的纹理特征模型；当前训练样本图像的纹理分类模型标记为；为当前训练样本的纹理分类结果，p，x，i，q，m均为正整数，且1≤i≤n，1≤m≤p；

d．确定关键帧的纹理分类，根据步骤c中建立的纹理分类模型，确定每个关键帧所属的纹理分类，即判断当前帧为平滑区、纹理区和介于纹理与平滑之间的那一种；

e．选择算法和确定嵌入深度，根据步骤d中的纹理分类结果，选择当前关键帧适用的信息隐藏算法以及确定该隐藏算法下的嵌入深度；设关键帧适用的算法为，为关键帧的嵌入深度；

该步骤中，设定delta为基础步长，若关键帧为平滑区，则嵌入深度=，若关键帧为纹理区，则=3，若关键帧介于纹理与平滑之间，则=2；

f．嵌入秘密信息，对关键帧进行压缩感知以获取视频帧的压缩感知系数矩阵，根据步骤e中获取的算法和步长在关键帧的压缩感知系数矩阵中嵌入秘密信息，形成载密视频关键帧；

g．合成视频文件，将步骤f中获取的载密视频关键帧与其他视频帧合并，形成新的载密视频文件，用于发放及传播。

2.根据权利要求1所述的基于压缩感知的自适应视频信息隐藏方法，其特征在于，包括以下步骤的秘密信息提取过程：

1）．将载密视频文件分帧，采用视频镜头分割方法，将载密视频文件以镜头为单位分成若干载密镜头组，分别记为；

2）．获取载密关键帧，以每个镜头组的第一帧为关键帧，得到载密视频文件的n个载密关键帧，分别记为；

3）．获取纹理分类模型，采用与步骤c相同的方法，获取载密关键帧的纹理分类模型；

4）．确定载密关键帧的纹理分类，根据步骤3）中建立的纹理分类模型，确定相应载密关键帧为平滑区、纹理区和介于纹理与平滑之间的那一种；

5）．确定隐藏算法和嵌入深度，根据步骤4）中的纹理分类结果，判断载密关键帧在秘密信息嵌入时所采用的隐藏算法和嵌入深度；

该步骤中，设定delta为基础步长，若关键帧为平滑区，则嵌入深度=，若关键帧为纹理区，则=3，若关键帧介于纹理与平滑之间，则=2；

6）．提取秘密信息，对载密关键帧进行压缩感知，以获取载密关键帧的压缩感知系数矩阵，利用步骤5）中获取的算法和嵌入深度在系数矩阵中提取秘密信息。

3.根据权利要求2所述的基于压缩感知的自适应视频信息隐藏方法，其特征在于：步骤c中所述的纹理分类特征包括灰度、颜色、线性度、块平均度、粗糙度、对比度、方向度、线性度、灰度共生矩阵、自回归纹理模型；步骤c和步骤3）中所述的m取值相等，且均处于3～5之间。

4.根据权利要求1或2所述的基于压缩感知的自适应视频信息隐藏方法，其特征在于：步骤f中所述的秘密信息由视频帧的自身相关信息得到，自身相关信息经压缩感知后作为秘密信息。

5.根据权利要求4所述的基于压缩感知的自适应视频信息隐藏方法，其特征在于：所述的自身相关信息可为视频帧的噪声矩阵。

6.根据权利要求2所述的基于压缩感知的自适应视频信息隐藏方法，其特征在于：所述步骤a和步骤1）中以视频文件的变换系数和运动向量来判断镜头边界。

7.根据权利要求2所述的基于压缩感知的自适应视频信息隐藏方法，其特征在于：设步骤c和步骤3）中采用直流能量比Ep_dc和图像偏离度两个特征来构建关键帧的纹理特征模型，其中：

直流能量比Ep_dc定义为图像DCT变换后直流能量与所有系数能量和之比，并以系数的平方表征能量，则有：

其中，DC为直流系数值，为第一个DCT系数；表示位置i处的DCT系数值；

定义图像偏离度的计算公式如下：

其中， 为样本方差，为样本值，为样本均值；

在步骤4和步骤d）的判定过程中，当直流能量比大于0.995且偏离度小于1000时为平滑区；直流能量比小于0.95且偏离度大于3000时为纹理复杂区，直流能量比介于0.95至0.995之间且偏离度介于1000至3000之间时，为介于平滑区与纹理区之间的区域。