CN103391441B - 一种基于差异能量的监控视频对象删除篡改检测算法 - Google Patents
一种基于差异能量的监控视频对象删除篡改检测算法 Download PDFInfo
- Publication number
- CN103391441B CN103391441B CN201310311135.5A CN201310311135A CN103391441B CN 103391441 B CN103391441 B CN 103391441B CN 201310311135 A CN201310311135 A CN 201310311135A CN 103391441 B CN103391441 B CN 103391441B
- Authority
- CN
- China
- Prior art keywords
- frame
- video
- match block
- measured
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于差异能量的监控视频对象删除篡改检测算法,包括以下步骤:步骤1:导入待测视频序列;步骤2:对待测视频序列的每个视频帧灰度图进行中值滤波处理,得到待测视频灰度图序列;步骤3:对待测视频灰度图序列进行最匹配块标记,得到每个视频帧灰度图对应的最匹配块标记图;步骤4:对最匹配块标记图进行相邻帧过滤处理;步骤5:对相邻帧过滤处理后的最匹配块标记图进行形态学滤波,判断有无篡改,有则标记篡改位置,得到检测结果。本发明排除了视频压缩带来的噪声及帧间相似性对检测结果的影响,保证结果的准确性;同时,本发明所提出算法具备良好的通用性和实用性,可使用于不同码率、不同分辨率的监控视频。
Description
技术领域
本发明涉及数字内容安全保护技术领域,尤其涉及一种基于差异能量的监控视频对象删除篡改检测方法。
背景技术
随着视频监控技术的发展,视频安防监控在公安领域的作用越来越大,成为继刑事科学技术、技术侦查、网络侦查技术之后的第四大侦查技术。监控视频实时记录发生在监控现场的所有事件的特性,使得其作为一种视听资料成为法定八大证据之一,在司法实践和案件侦查中显现出越来越重要的地位。但是,视频监控的数字化特性导致其易被篡改,若将篡改后的监控视频作为证据使用,则会给司法实践和案件侦查带来不可估量的危害。所以为了发挥视频监控的积极作用,减少视频监控负面效应,监控视频篡改检测技术日益显示出它的重要性。
目前针对监控视频的篡改以对象删除为主,如何准确地检测监控视频发生对象删除篡改,是现阶段研究的主要问题。
通过对现有的视频篡改检测算法的分析,现有针对监控视频篡改的检测算法存在以下不足:
(1)无有效手段排除因重压缩引入的噪声,噪声的干扰导致检测的准确率低;
(2)采用固定尺寸的检测单元,对不同分辨率视频的检测效果存在较大差异;
(3)无法排除视频相邻帧之间的高度相似对检测结果带来的干扰。
发明内容
针对上述存在的不足,本发明的目的是提供一种基于差异能量的监控视频对象删除篡改检测方法,用于监控视频对象删除篡改的检测。本发明方法的基本原理是利用经对象删除复制-粘贴篡改的区域具有帧间差异能量异常偏低的特性,通过统计待测监控视频帧间差异能量是否具有该特性,来判定待测监控视频是否经过对象删除篡改。
为达到上述目的,本发明采用的技术方案为:一种基于差异能量的监控视频对象删除篡改检测算法,其特征在于,包括以下步骤:
步骤1:导入待测视频序列;
步骤2:对所述的待测视频序列的每个视频帧灰度图进行中值滤波处理,得到待测视频灰度图序列;
步骤3:对所述的待测视频灰度图序列进行最匹配块标记,得到所述的每个视频帧灰度图对应的最匹配块标记图;
步骤4:对所述的最匹配块标记图进行相邻帧过滤处理;
步骤5:对所述的相邻帧过滤处理后的最匹配块标记图进行形态学滤波,判断有无篡改,有则标记篡改位置,得到检测结果。
作为优选,所述的中值滤波处理,采用的是非线性滤波方法,具体实现包括以下子步骤:
步骤2.1:确定需要处理的视频帧;
步骤2.2:针对所述的视频帧的每个像素,将每个像素邻域中的像素按灰度值进行排序;
步骤2.3:选择排序后得到的序列的中值作为输出的像素值。
作为优选,所述的对待测视频灰度图序列进行最匹配块标记,其具体实现包括以下子步骤:
步骤3.1:设所述的对待测视频灰度图序列总帧数P,每帧分辨率为M×N,第一帧开始取待测帧,记所述的待测帧为i帧,其中,1≤M,1≤N,1≤i≤P;
步骤3.2:对所述的i帧,与除本身i帧外的其余P-1帧分别作差,得到i帧的(P-1)个M×N×(P-1)三维帧差矩阵;
步骤3.3:对所述的i帧的(P-1)个M×N×(P-1)三维帧差矩阵分别进行分块,共K块,并将每一块内的每个帧差的绝对值相加,得到该块内的帧差和,得所述的i帧的(P-1)个帧差和矩阵,其中,1≤K;
步骤3.4:分别对所述的K块,一一在所述的i帧的(P-1)个帧差和矩阵的同位置的帧差和中取最小值,记录最小值帧号,得到K个最小值;
步骤3.5:由所述的K个最小值,构建所述的i帧的最匹配块标记图;
步骤3.6:判断,i=P?
如果否:则执行i=i+1,然后回转执行所述的步骤3.2;
如果是:得到P张最匹配块标记图。
作为优选,所述的最匹配块标记图进行相邻帧过滤处理,其具体方式是,在所述的最匹配块标记图中将检测帧附近10帧邻域范围内的帧号均置0,保留其他帧号,对除0以外的所有数据进行连通区域标记,以消除相邻帧相似性带来的检测误差。
作为优选,其特征在于:所述的对相邻帧过滤处理后的最匹配块标记图进行形态学滤波,采用的是先腐蚀后膨胀的方法。
本发明相对于现有技术,具有以下优点和积极效果:
(1)本发明排除了视频压缩带来的噪声及帧间相似性对检测结果的影响,保证结果的准确性;
(2)本发明所提出算法具备良好的通用性和实用性,可使用于不同码率、不同分辨率的监控视频。
附图说明
图1:本发明的算法流程图。
图2:本发明中的匹配块标记的具体流程图。
图3:本发明实施例测试样本第280帧篡改前视频帧。
图4:本发明实施例测试样本第280帧篡改后视频帧。
图5:本发明实施例测试样本第280帧真实篡改位置示意图。
图6:本发明实施例测试样本第280帧最匹配块标记图。
图7:本发明实施例测试样本第280帧最终检测结果二值图。
具体实施方式
以下结合具体实施例和附图对本发明进行进一步地阐述。
请见图1、图2,本发明所采用的技术方案是:一种基于差异能量的监控视频对象删除篡改检测算法,包括以下步骤:
步骤1:导入待测视频序列。
步骤2:对待测视频序列的每个视频帧灰度图进行中值滤波处理,得到待测视频灰度图序列;具体实现包括以下子步骤:
步骤2.1:确定需要处理的视频帧;
步骤2.2:针对视频帧的每个像素,将每个像素邻域中的像素按灰度值进行排序;
步骤2.3:选择排序后得到的序列的中值作为输出的像素值;
当视频被篡改,经过二次压缩导出时,会引入量化噪声,原本被复制-粘贴的区域不再完全相同。因此,本算法在篡改检测前对待测视频进行中值滤波预处理,以减少由于压缩编码产生的量化噪声;中值滤波预处理,能有效消除重压缩噪声带来的影响,提高算法检测的准确性;
中值滤波是常用的非线性滤波方法,也是图像处理技术中最常用的预处理技术;它在平滑脉冲噪声方面非常有效,同时它可以保护图像尖锐的边缘;中值滤波器的优点是运算简单而且速度较快,在滤除叠加白噪声和长尾叠加噪声方面显示出了极好的性能;
其原理是将某个像素邻域中的像素按灰度值进行排序,然后选择该序列的中值作为输出的像素值,让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点;
本具体实施例的中对每个像素作如下操作:
(1)确定以该像素为中心点的邻域(即窗口)大小,一般为方形邻域(如3×3、5×5的矩形邻域),经测试验证取8×8邻域为宜,对于边缘无法处理的点,像素灰度值均置为0;
(2)将邻域中的各个像素灰度值进行排序,由于8×8邻域中像素数为偶数,故取排序中第32、33个灰度值,将两者相加取平均作为中值;
(3)将得到的中值代替中心点像素灰度值。
步骤3:对待测视频灰度图序列进行最匹配块标记,得到每个视频帧灰度图对应的最匹配块标记图;其具体实现包括以下子步骤:
步骤3.1:设对待测视频灰度图序列总帧数P,每帧分辨率为M×N,第一帧开始取待测帧,记待测帧为i帧,其中,1≤M,1≤N,1≤i≤P;
步骤3.2:对i帧,与除本身i帧外的其余P-1帧分别作差,得到i帧的(P-1)个M×N×(P-1)三维帧差矩阵;
步骤3.3:对i帧的(P-1)个M×N×(P-1)三维帧差矩阵分别进行分块,共K块,并将每一块内的每个帧差的绝对值相加,得到该块内的帧差和,得i帧的(P-1)个帧差和矩阵,其中,1≤K;
步骤3.4:分别对K块,一一在i帧的(P-1)个帧差和矩阵的同位置的帧差和中取最小值,记录最小值帧号,得到K个最小值;
步骤3.5:由K个最小值,构建i帧的最匹配块标记图;
步骤3.6:判断,i=P?
如果否:则执行i=i+1,然后回转执行步骤3.2;
如果是:得到P张最匹配块标记图;
本部分是本发明的最核心部分,经过之前的论述和分析可知,篡改帧和背景帧间差异能量存在异常偏低的特征。本部分正是利用篡改视频存在的该特征,对已经经过中值滤波处理的灰度图序列进行最匹配块标记。
步骤4:对最匹配块标记图进行相邻帧过滤处理;
相邻帧过滤处理是指对最匹配块标记图进行处理,排除相邻帧相似性造成的误差;进行该处理的原理是:首先,正常视频中,相邻帧之间由于内容相似而有高度相似性,使得差异能量会随着帧间距离的减小而减小,未篡改区域的最匹配块对应的多为相邻帧号,易形成连通区域,对检测结果造成干扰;其次,删除待测帧中的运动对象时,由于该对象会在待测帧邻近的多个帧中出现,则相邻帧无法提供用于覆盖对象的背景,不能用于篡改,最匹配块标记图中记录的相邻帧号是无用的。综上所述,最匹配块标记图中相邻帧号形成的连通区域是由于相邻帧相似性而非篡改造成的,需对最匹配块标记图进行相邻帧过滤,消除误差;
基于前期实验分析统计可知前后五帧帧号占标记图的95%以上,故在最匹配块标记图中将检测帧附近10帧邻域范围内的帧号均置0,保留其他帧号,对除0以外的所有数据进行连通区域标记,以消除相邻帧相似性带来的检测误差。
步骤5:采用的是先腐蚀后膨胀的方法,对相邻帧过滤处理后的最匹配块标记图进行形态学滤波,判断有无篡改,有则标记篡改位置,得到检测结果;
由于查找到的连通域除了篡改区域之外,还有个别因算法不完善导致的小区域,所以需要对篡改区域标记图进行数学形态学滤波来移除小区域,得到最终的检测结果图;
数学形态学的原理是将一定形态的结构元素作为处理工具,对图像进行操作,提取图像中的某些形状,从而进行图像分析和识别。数学形态学可以有效地提取图像中有用的形状,将原有图像进行简化,在保持它们原有形态特征的基础上,除去多余的不相干的内容。其中膨胀与腐蚀操作是形态学处理的基础,膨胀使图像扩大,腐蚀使图像缩小。经测试,本算法采用的是先腐蚀后膨胀的方式,对检测结果进行优化。
以下是本实施例以某样本的第280帧为例,展示本算法的具体效果图。
已知第280帧与第13帧间存在复制-粘贴关系,请见图3、图4,图3是该帧篡改前视频图,图4是该帧篡改后视频图,请见图5,为该帧真实篡改位置示意图。
请见图6,为该帧最匹配块标记图,本算法针对视频帧的分辨率大小,采用32×32分块,得到的最匹配块标记图(已进行相邻帧过滤)。
请见图7,为该帧最终检测结果二值图,是将上图进行数字形态学滤波后,得到的最终检测结果。
由上述事例可看出,本算法就现有算法所存在的不足进行了有针对性的创新,形成了一种基于差异能量的新检测算法。中值滤波明显减少了由于重压缩引入的噪声对块匹配的干扰,使得最匹配块标记算法准确标记出对应检测单元最匹配的帧号;相邻帧过滤有效地消除了邻近帧相似性对测试结果的影响;数字形态学滤波移出小区域,准确定位篡改范围。就算法整体而言,在对象删除篡改检测上具有较高的准确率,性能上明显优于现有算法,且仍有进一步优化和提升空间。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变换或变型,因此所有等同的技术方案,都落入本发明的保护范围。
Claims (4)
1.一种基于差异能量的监控视频对象删除篡改检测算法,其特征在于,包括以下步骤:
步骤1:导入待测视频序列;
步骤2:对所述的待测视频序列的每个视频帧灰度图进行中值滤波处理,得到待测视频灰度图序列;
步骤3:对所述的待测视频灰度图序列进行最匹配块标记,得到所述的每个视频帧灰度图对应的最匹配块标记图;
其中所述的对待测视频灰度图序列进行最匹配块标记,其具体实现包括以下子步骤:
步骤3.1:设所述的对待测视频灰度图序列总帧数P,每帧分辨率为M×N,第一帧开始取待测帧,记所述的待测帧为i帧,其中,1≤M,1≤N,1≤i≤P;
步骤3.2:对所述的i帧,与除本身i帧外的其余P-1帧分别作差,得到i帧的(P-1)个M×N×(P-1)三维帧差矩阵;
步骤3.3:对所述的i帧的(P-1)个M×N×(P-1)三维帧差矩阵分别进行分块,共K块,并将每一块内的每个帧差的绝对值相加,得到该块内的帧差和,得所述的i帧的(P-1)个帧差和矩阵,其中,1≤K;
步骤3.4:分别对所述的K块,一一在所述的i帧的(P-1)个帧差和矩阵的同位置的帧差和中取最小值,记录最小值帧号,得到K个最小值;
步骤3.5:由所述的K个最小值,构建所述的i帧的最匹配块标记图;
步骤3.6:判断,i=P;
如果否:则执行i=i+1,然后回转执行所述的步骤3.2;
如果是:得到P张最匹配块标记图;
步骤4:对所述的最匹配块标记图进行相邻帧过滤处理;
步骤5:对所述的相邻帧过滤处理后的最匹配块标记图进行形态学滤波,判断有无篡改,有则标记篡改位置,得到检测结果。
2.根据权利要求1所述的基于差异能量的监控视频对象删除篡改检测算法,其特征在于:所述的中值滤波处理,采用的是非线性滤波方法,具体实现包括以下子步骤:
步骤2.1:确定需要处理的视频帧;
步骤2.2:针对所述的视频帧的每个像素,将每个像素邻域中的像素按灰度值进行排序;
步骤2.3:选择排序后得到的序列的中值作为输出的像素值。
3.根据权利要求1所述的基于差异能量的监控视频对象删除篡改检测算法,其特征在于:所述的最匹配块标记图进行相邻帧过滤处理,其具体方式是,在所述的最匹配块标记图中将检测帧附近10帧邻域范围内的帧号均置0,保留其他帧号,对除0以外的所有数据进行连通区域标记,以消除相邻帧相似性带来的检测误差。
4.根据权利要求1所述的基于差异能量的监控视频对象删除篡改检测算法,其特征在于:所述的对相邻帧过滤处理后的最匹配块标记图进行形态学滤波,采用的是先腐蚀后膨胀的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310311135.5A CN103391441B (zh) | 2013-07-23 | 2013-07-23 | 一种基于差异能量的监控视频对象删除篡改检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310311135.5A CN103391441B (zh) | 2013-07-23 | 2013-07-23 | 一种基于差异能量的监控视频对象删除篡改检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103391441A CN103391441A (zh) | 2013-11-13 |
CN103391441B true CN103391441B (zh) | 2016-05-11 |
Family
ID=49535585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310311135.5A Expired - Fee Related CN103391441B (zh) | 2013-07-23 | 2013-07-23 | 一种基于差异能量的监控视频对象删除篡改检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103391441B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106375756B (zh) * | 2016-09-28 | 2017-12-19 | 宁波大学 | 一种针对监控视频单一对象移除篡改的检测方法 |
CN106803795B (zh) * | 2017-01-22 | 2020-02-07 | 北京中科睿芯科技有限公司 | 基于检测帧的视频监控系统故障识别、定位及告警系统及其方法 |
CN107527337B (zh) * | 2017-08-07 | 2019-07-09 | 杭州电子科技大学 | 一种基于深度学习的视频对象移除篡改检测方法 |
CN107798304B (zh) * | 2017-10-20 | 2021-11-02 | 央视国际网络无锡有限公司 | 一种快速视频审核的方法 |
CN117811218B (zh) * | 2024-02-29 | 2024-05-14 | 广东电网有限责任公司 | 一种无人机输变配一体化协同巡检方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930609A (zh) * | 2010-08-24 | 2010-12-29 | 东软集团股份有限公司 | 接近的目标物检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6687301B2 (en) * | 2001-03-19 | 2004-02-03 | Fulvio Moschetti | Method for block matching motion estimation in digital video sequences |
-
2013
- 2013-07-23 CN CN201310311135.5A patent/CN103391441B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930609A (zh) * | 2010-08-24 | 2010-12-29 | 东软集团股份有限公司 | 接近的目标物检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于空时域联合匹配的视频篡改检测算法;宋怡;《中国优秀硕士学位论文全文数据库(电子期刊)》;20120815(第08期);I136-248 * |
Also Published As
Publication number | Publication date |
---|---|
CN103391441A (zh) | 2013-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103391441B (zh) | 一种基于差异能量的监控视频对象删除篡改检测算法 | |
CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
CN111105336A (zh) | 一种基于对抗网络的图像去水印的方法 | |
CN103226688B (zh) | 一种二维码防篡改和防伪造的认证方法 | |
CN103678299A (zh) | 一种监控视频摘要的方法及装置 | |
CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
CN103425960A (zh) | 一种视频中快速运动物体侦测方法 | |
CN114241310B (zh) | 基于改进yolo模型的堤防管涌险情智能识别方法 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
CN114494695A (zh) | 一种智慧水利城乡积涝水位监测预警方法及装置 | |
CN113468905B (zh) | 图形码识别方法、装置、计算机设备和存储介质 | |
Yu | YOLO V5s-based deep learning approach for concrete cracks detection | |
CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 | |
CN113506281A (zh) | 一种基于深度学习框架的桥梁裂缝检测方法 | |
CN115294392B (zh) | 基于生成网络模型的可见光遥感图像云去除方法及系统 | |
CN112016542A (zh) | 城市积涝智能检测方法及系统 | |
CN104715257A (zh) | 一种图像中值滤波检测方法及装置 | |
CN110942026A (zh) | 基于深度学习的胶囊机器人排水管病害检测方法及系统 | |
CN109543610A (zh) | 车辆检测跟踪方法、装置、设备及存储介质 | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
CN115456973A (zh) | 渗漏水病害检测与识别模型的建立方法、装置及设备 | |
CN111091601B (zh) | 一种实时白天室外手机图像的pm2.5指数估计方法 | |
CN114724091A (zh) | 一种输电线路导线异物识别方法及装置 | |
CN111754477A (zh) | 基于动态候选区多尺度图像的铁路周界异物入侵检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160511 Termination date: 20180723 |