CN103281473B - 基于视频像素时空相关性的通用视频隐写分析方法 - Google Patents

Abstract

本发明公开了一种基于视频像素时空相关性的通用视频隐写分析方法，该方法包括：对训练集中的视频进行解压并提取多个图像分段，对每一图像分段进行切片获得多个切片图像；对每个切片图像进行差分滤波和阈值化处理；在每个切片图像的所有差分图像中任选两个或多个，利用像素邻域关系的描述得到与切片图像对应的多个联合概率分布矩阵，将每个矩阵的元素合并成一维向量作为特征向量；对特征向量进行类别标记后输入到分类器中得到分类器模型；按照上述步骤提取待分析视频的特征向量，并输入到分类器模型进行分类，得到隐写分析结果。本发明充分利用了视频的时域相关性，提高了隐写分析效果，且可应用于多种不同类型视频隐写算法的分析系统中。

Description

基于视频像素时空相关性的通用视频隐写分析方法

技术领域

本发明涉及图像及视频被动盲取证领域，特别涉及针对视频隐写术进行的基于视频像素时空相关性的隐写分析方法。

背景技术

隐写就是将秘密信息隐藏到载体信息中，在不影响宿主信号的感观效果和使用价值的情况下，使得可能的攻击者难以从中判断秘密信息是否存在，更加难以截获，从而保证信息传递的安全性。由于因特网通信的开放性和应用的普遍性，隐写技术也可能被不法分子甚至恐怖组织所利用，达到逃避监控和传播非法情报的目的。因此，开展隐写分析方面的研究具有重要的理论价值和现实意义。

隐写的载体以图像最为常见，基于图像的隐写与隐写分析技术发展较快，但是由于图像的大小有限，必然会对嵌入容量有很大的限制。而视频是由一帧帧图像组成，信息冗余量非常大，以视频作为载体来传输秘密消息可以极大地提高嵌入容量。随着网络技术的进步，网络流媒体业务快速发展，视频在网络上的传输越来越普遍，使得以视频为载体的隐写技术变得越来越重要，近年来出现了大量的视频隐写算法。与此同时，针对视频的隐写分析技术却发展缓慢。鉴于视频资源比较丰富，而视频隐写技术可以实现大容量隐蔽通信，其安全问题尤其重要。

检测载体媒体中的隐藏信息称为隐写分析。按照使用的所需条件划分，包括针对性隐写分析方法和通用隐写分析方法。针对性隐写分析方法利用特定隐写术的一些特点，对其进行分析，不适用于除该种隐写术以外的其他隐写方法；而通用隐写分析方法不需要预先知道待分析视频使用的隐写术，可以用于分析任意的隐写术算法，因此适用性更强。对于一幅图像，其局部区域内的像素间有较强的相关性，而隐写嵌入会消弱这种相关性，设法描述这种相关性，可以实现隐写分析，通常用Markov模型来描述这种相关性，比如文献D.Zou，Y.Q.Shi，W.Su，and G.Xuan，“Steganalysisbased on Markov Model of Thresholded Prediction-Error Image，”Multi-mediaand Expo，IEEE International Conference on，pp.1365-1368，2006。目前，在图像隐写分析领域，基于邻域相关性的方法有很多，典型的如文献T.Pevny，P.Bas，J.Fridrich，“Steganalysis by Subtractive Pixel Adjacency Matrix，”Information Forensics and Security，IEEE Transactions on，Vol.5，Issue：2，pp.215-224，2010和Qingxiao Guan，Jing Dong，Tieniu Tan，“An effective imagesteganalysis method based on neighborhood information of pixels，”Proc.ofICIP，pp.2721-2724，IEEE，2011中的方法。这些方法可以直接应用到视频隐写分析中，其对视频逐帧提取上述特征，然后判别每一帧是否含有隐藏信息。但是，这些方法在描述相邻像素间的相关性时，只选择了少部分方向，并不能全面地描述相邻像素间的相关性。由于视频编解码比较复杂多样，视频隐写分析相对于图像更加困难，因此本发明充分挖掘邻像素间的时空相关性，提出一种更有效，更鲁棒的视频隐写分析方法。

发明内容

本发明的目的是提供一种基于视频像素时空相关性的通用视频隐写分析方法，能够实现对多种视频隐写算法的有效隐写分析。

本发明方法包括对视频帧和视频切片提取全方位的邻域相关性特征与基于该特征的视频隐写分析分类器的训练学习这两个过程。利用像素相关性是目前主要的隐写分析手段，对于一幅图像，其局部区域内的像素间有较强的相关性，而隐写嵌入会消弱这种相关性，统计这种相关性的变化即可达到隐写分析的目的。本发明根据描述N个像素的相关性可使用N-1个差分值的联合概率分布这一特点，通过计算所有差分值组合的联合概率分布矩阵，合并成一维向量作为隐写分析特征，然后利用机器学习的方法训练分类器模型，对待分析视频进行隐写分析，融合视频多个帧或切片的分析结果，给出对整段视频是否经过隐写的判定结果。

本发明所提出的一种基于视频像素时空相关性的通用视频隐写分析方法包括以下步骤：

步骤S1，对于训练集中的每个视频进行解压，并按照固定长度提取多个图像分段，对于每一图像分段进行切片获得与每一图像分段对应的多个切片图像；

步骤S2，对所述步骤S1中得到的每个切片图像分别使用多个不同的模板进行差分滤波，得到相应的多个差分图像；

步骤S3，对所述步骤S2中得到的多个差分图像，使用预定阈值T进行阈值化处理得到多个新的差分图像；

步骤S4，在所述步骤S3中得到的对应每个切片图像的所有差分图像中任意挑选两个或多个，对于组成的每个差分图像对或差分图像组，利用像素邻域关系的描述，即计算对应位置像素点的联合概率分布，得到对应每个差分图像对或差分图像组的联合概率分布矩阵，进而得到对应多个切片图像的多个联合概率分布矩阵，将每个矩阵的元素合并成一维向量作为用于隐写分析的特征向量；

步骤S5，对所述步骤S4得到的多个特征向量进行类别信息的标记，并将标记好类别信息的所有特征向量输入到分类器中进行训练，得到分类器模型；

步骤S6：对待分析视频按照与所述步骤S1-4类似的步骤提取得到其用于隐写分析的特征向量；

步骤S7：将所述待分析视频的特征向量输入到所述步骤S5中得到的分类器模型进行分类，得到每一图像分段的类别信息后，融合所有图像分段的类别信息输出整段视频的类别信息，得到所述待分析视频是否为隐写视频的分析结果。

本发明方法可以用于鉴定视频是否含有隐藏信息，监控重要数据是否出现外流情况等。由于本发明方法不需要使用具体隐藏算法的特点，因此可以作为通用的方法分析数字视频中是否含有隐藏信息。

附图说明

图1是本发明基于视频像素时空相关性的通用视频隐写分析方法流程图。

图2是根据本发明一实施例的视频切片操作示意图。

图3是本发明一实施例中所用到的含有隐藏信息的待分析视频的某一帧图像。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1是本发明基于视频像素时空相关性的通用视频隐写分析方法流程图，如图1所示，所述基于视频像素时空相关性的通用视频隐写分析方法包括以下步骤，其中步骤S1-S5为训练过程，步骤S6-S7为分类过程：

步骤S1，对于训练集中的每个视频进行解压，并按照固定长度提取多个图像分段，对于每一图像分段进行切片获得与每一图像分段对应的多个切片图像；

所述图像分段的长度可根据需要来调整，在本发明一实施例中，所述图像分段的长度等于每一帧图像的宽度。

所述步骤S1中，获得切片图像的操作，是指把提取得到的每一图像分段看成一个三维信号(立方体)，然后按照视频帧的每一行对这个立方体进行切片操作，也就是说所有帧的同一行构成一个行切片，这样可以得到和行数数量相同的行切片。同理，可以得到和列数数量相同的列切片。这些切片可以看成是一幅幅图像，然后接下来对这些切片图像提取用于隐写分析的特征。根据本发明一实施例的视频切片操作示意图如图2所示。

步骤S2，对所述步骤S1中得到的每个切片图像分别使用多个不同的模板进行差分滤波，得到相应的多个差分图像；

所述差分滤波为将所述切片图像与差分滤波器模板进行卷积运算，得到差分图像D_k：

$D_k=h_k\⊗Y---\left(1\right)$

其中，h_k为差分滤波器模板。

所述差分滤波器模板包括各种尺度、各个差分方向的模板，具体而言就是在设定的邻域尺度范围内，以某一像素为中心，其它任一像素与其做差分运算。在本发明一实施例中，所述差分滤波器模板h_k的个数为8，从而对于每个切片图像得到8个差分图像D_k，(k＝1，2，…，8)，这8个差分滤波器模板分别为：

$h_1=\left[\begin{array}{ccc}1& 0& 0\\ 0& -1& 0\\ 0& 0& 0\end{array}\right]$ $h_2=\left[\begin{array}{ccc}0& 1& 0\\ 0& -1& 0\\ 0& 0& 0\end{array}\right]$ $h_3=\left[\begin{array}{ccc}0& 0& 1\\ 0& -1& 0\\ 0& 0& 0\end{array}\right]$ $h_4=\left[\begin{array}{ccc}0& 0& 0\\ 0& -1& 1\\ 0& 0& 0\end{array}\right],$

$h_5=\left[\begin{array}{ccc}0& 0& 0\\ 0& -1& 0\\ 0& 0& 1\end{array}\right]$ $h_6=\left[\begin{array}{ccc}0& 0& 0\\ 0& -1& 0\\ 0& 1& 0\end{array}\right]$ $h_7=\left[\begin{array}{ccc}0& 0& 0\\ 0& -1& 0\\ 1& 0& 0\end{array}\right]$ $h_8=\left[\begin{array}{ccc}0& 0& 0\\ 1& -1& 0\\ 0& 0& 0\end{array}\right].$

实际应用中，也可以使用更大尺度(比如4×4、5×5等)的差分滤波器模板，其特点与3×3的模板类似，均是只包含两个非零元素：1和-1。

步骤S3，对所述步骤S2中得到的多个差分图像，使用预定阈值T进行阈值化处理得到多个新的差分图像；

所述预定阈值T为正整数，比如4或者3；

所述阈值化处理为：所述差分图像中大于T的数值用T代替，小于-T的数值用-T代替：

$D(i,j)=\left\{\begin{array}{cc}D(i,j)& -T<D(i,j)<T\\ T& D(i,j)\&GreaterEqual;T\\ -T& D(i,j)\&le;-T\end{array}\right.---\left(2\right)$

其中，D(i，j)表示差分图像。

步骤S4，在所述步骤S3中得到的对应每个切片图像的所有差分图像中任意挑选两个或多个，对于组成的每个差分图像对或差分图像组，利用像素邻域关系的描述，即计算对应位置像素点的联合概率分布，得到对应每个差分图像对或差分图像组的联合概率分布矩阵，进而得到对应多个切片图像的多个联合概率分布矩阵，将每个矩阵的元素合并成一维向量作为用于隐写分析的特征向量；

两差分值的联合概率分布矩阵可以描述三个像素间的关系，三个差分值的联合概率分布矩阵可以描述四个像素间的关系，以此类推，这些联合概率分布矩阵的元素(全部或挑选部分)合并在一起可作为用于视频隐写分析的特征向量。对于视频帧来说，其差分图像的联合概率分布体现的是视频像素在空域的相关性；对于切片图像来说，其差分图像的联合概率分布体现的是视频像素在时空的相关性(对于切片图像来说，同一行像素来自于同一帧；具有空域相关性，不同行像素来自不同帧，具有时域相关性)。因此，本发明可以说是基于视频像素时空相关性得到用于隐写分析的特征向量。

在本发明一实施例中，对于得到的8个差分图像D_k，(k＝1，2，…，8)计算其中任意两个的联合概率分布，去掉重复计算的情况，共有20中不同的选择：{(D₁，D₃)，(D₁，D₄)，(D₁，D₅)，(D₁，D₆)，(D₁，D₇)，(D₂，D₄)，(D₂，D₅)，(D₂，D₆)，(D₂，D₇，(D₂，D₈)，(D₃，D₅)，(D₃，D₆)，(D₃，D₃)，(D₃，D₈)，(D₄，D₆)，(D₄，D₇)，(D₄，D₈)，(D₅，D₇)，(D₅，D₈)，(D₆，D₈)}，即可以得到20个联合概率分布矩阵，每个矩阵的大小为(2T+1)×(2T+1)即9×9，总共为20×9×9＝1620维特征。

在本发明一实施例中，两个差分图像的联合概率分布的计算公式为：

$P_{k,l}(m,n)=P\{D_k(i,j)=m|D_l(i,j)=n\}=\frac{{\mathrm{\&Sigma;}}_{i=1}^{i=H}{\mathrm{\&Sigma;}}_{j=1}^{j=W}\mathrm{\&delta;}(D_k(i,j)=m,D_l(i,j)=n)}{H\&times;W},$

其中m，n∈{-T…T}   k，l∈{1，2，…，8}，k≠l

其中，H，W为差分图像的高和宽；δ为冲击函数，等号成立时取1，不成立时为0；

多个差分图像的联合概率分布矩阵可用类似的方法计算。

步骤S5，对所述步骤S4得到的多个特征向量进行类别信息的标记，并将标记好类别信息的所有特征向量输入到分类器中进行训练，得到分类器模型；

分类器模型是通过对已知类别标签(隐写视频或未隐写视频)的视频样本，进行特征提取，然后进行分类器训练得到的。

在本发明一实施例中，所述分类器使用SVM分类器，并采用径向基函数作为其核函数，通过遍历搜索的方式找到最优的分类器模型参数。SVM分类器是一种现有技术中常用的分类器，它主要是通过寻找一个分类界面，最大程度的将不同类别标签的样本在特征空间中分开。

步骤S6：对待分析视频按照与所述步骤S1-4类似的步骤提取得到其用于隐写分析的特征向量，具体为：

首先，对待分析视频进行解压提取每一图像分段，并根据提取得到的每一图像分段对所述待分析视频进行切片获得对应的多个切片图像；

然后，对每个切片图像分别使用多个不同的模板进行差分滤波，得到相应的多个差分图像；

然后，对所述多个差分图像使用预定阈值T进行阈值化处理得到多个新的差分图像；

最后，在对应每个切片图像的所有新的差分图像中任意挑选两个或多个，对于组成的每个差分图像对或差分图像组，计算对应位置像素点的联合概率分布，得到对应每个差分图像对或差分图像组的联合概率分布矩阵，进而得到对应多个切片图像的多个联合概率分布矩阵，将每个矩阵的元素合并成一维向量作为用于隐写分析的特征向量。

图3是本发明一实施例中所用到的含有隐藏信息的待分析视频的某一帧图像，其中，图3(a)为待分析视频中的某一帧图像，(b)为该视频某图像分段的行切片，(c)为该视频某图像分段的列切片。

步骤S7：将所述待分析视频的特征向量输入到所述步骤S5中得到的分类器模型进行分类，得到每一图像分段的类别信息后，融合所有图像分段的类别信息输出整段视频的类别信息，得到所述待分析视频是否为隐写视频的分析结果。

在融合所有图像分段的类别信息时，设定一个阈值，比如百分比阈值，当所述待分析视频中的属于隐写类别的图像分段的比例大于此阈值时，即判定该视频为隐写视频。

本发明克服了当前基于相关性的方法只能描述相邻像素在特定几个方向上的相关性这一不足，充分利用了相邻像素间全方位的依赖关系，从而达到了较好的视频隐写分析效果。除了对视频帧提取特征外，本发明还提出对视频进行切片操作，对切片提取特征的方法，充分利用了视频的时域相关性，提高了隐写分析效果。本发明不需要提前知道待分析视频所用的隐写算法，故可应用于分析多种不同类型视频隐写算法的系统中。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于视频像素时空相关性的通用视频隐写分析方法，其特征在于，该方法包括以下步骤：

步骤S1，对于训练集中的每个视频进行解压，并按照固定长度提取多个图像分段，对于每一图像分段进行切片获得与每一图像分段对应的多个切片图像；

步骤S2，对所述步骤S1中得到的每个切片图像分别使用多个不同的模板进行差分滤波，得到相应的多个差分图像；

步骤S3，对所述步骤S2中得到的多个差分图像，使用预定阈值T进行阈值化处理得到多个新的差分图像；

步骤S4，在所述步骤S3中得到的对应每个切片图像的所有差分图像中任意挑选两个或多个，对于组成的每个差分图像对或差分图像组，利用像素邻域关系的描述，即计算对应位置像素点的联合概率分布，得到对应每个差分图像对或差分图像组的联合概率分布矩阵，进而得到对应多个切片图像的多个联合概率分布矩阵，将每个矩阵的元素合并成一维向量作为用于隐写分析的特征向量；

步骤S5，对所述步骤S4得到的多个特征向量进行类别信息的标记，并将标记好类别信息的所有特征向量输入到分类器中进行训练，得到分类器模型，其中，所述类别信息包括隐写视频或未隐写视频；

步骤S6：对待分析视频按照与所述步骤S1-4类似的步骤提取得到其用于隐写分析的特征向量；

步骤S7：将所述待分析视频的特征向量输入到所述步骤S5中得到的分类器模型进行分类，得到每一图像分段的类别信息后，融合所有图像分段的类别信息输出整段视频的类别信息，得到所述待分析视频是否为隐写视频的分析结果；

其中：

在所述步骤S1中获得与每一图像分段对应的多个切片图像时，把提取得到的每一图像分段看成一个三维信号，即立方体；然后按照视频帧的每一行对所述立方体进行切片操作，得到和行数数量相同的行切片，再按照视频帧的每一列对所述立方体进行切片操作，得到和列数数量相同的列切片，所述行切片和列切片组成了所述多个切片图像；

所述差分滤波为将所述切片图像与差分滤波器模板进行卷积运算，得到差分图像D_k：

$D_k=h_k\&CircleTimes;Y,$

其中，h_k为差分滤波器模板，所述差分滤波器模板h_k包括8个各种尺度、各个差分方向的模板，分别表示为：

$h_1=\left[\begin{array}{ccc}1& 0& 0\\ 0& -1& 0\\ 0& 0& 0\end{array}\right]$ $h_2=\left[\begin{array}{ccc}0& 1& 0\\ 0& -1& 0\\ 0& 0& 0\end{array}\right]$ $h_3=\left[\begin{array}{ccc}0& 0& 1\\ 0& -1& 0\\ 0& 0& 0\end{array}\right]$ $h_4=\left[\begin{array}{ccc}0& 0& 0\\ 0& -1& 1\\ 0& 0& 0\end{array}\right],$

$h_5=\left[\begin{array}{ccc}0& 0& 0\\ 0& -1& 0\\ 0& 0& 1\end{array}\right]$ $h_6=\left[\begin{array}{ccc}0& 0& 0\\ 0& -1& 0\\ 0& 1& 0\end{array}\right]$ $h_7=\left[\begin{array}{ccc}0& 0& 0\\ 0& -1& 0\\ 1& 0& 0\end{array}\right]$ $h_8=\left[\begin{array}{ccc}0& 0& 0\\ 1& -1& 0\\ 0& 0& 0\end{array}\right];$

所述步骤S3中的阈值化处理为：所述差分图像中大于T的数值用T代替，小于-T的数值用-T代替：

$D(i,j)=\left\{\begin{array}{cc}D(i,j)& -T<D(i,j)<T\\ T& D(i,j)\&GreaterEqual;T\\ -T& D(i,j)\&le;-T\end{array}\right.,$

其中，D(i,j)表示差分图像；

在所述步骤S7中融合所有图像分段的类别信息时，设定一阈值，当所述待分析视频中的属于隐写类别的图像分段的比例大于此阈值时，即判定该视频为隐写视频。

2.根据权利要求1所述的方法，其特征在于，所述步骤S4中，两个差分图像的联合概率分布利用下式来计算：

$P_{k,l}(m,n)=P\{D_k(i,j)=m|D_l(i,j)=n\}=\frac{{\mathrm{\&Sigma;}}_{i=1}^{i=H}{\mathrm{\&Sigma;}}_{j=1}^{j=W}\mathrm{\&delta;}(D_k(i,j)=m,D_l(i,j)=n)}{H\&times;W},$

其中m,n∈{-T…T}k,l∈{1,2,…,8},k≠l

其中，H,W为差分图像的高和宽；δ为冲击函数，等号成立时取1，不成立时为0。

3.根据权利要求1所述的方法，其特征在于，所述分类器为SVM分类器，并采用径向基函数作为其核函数。

4.根据权利要求1所述的方法，其特征在于，所述阈值为百分比阈值。