CN103747254A - 一种基于时域感知哈希的视频篡改检测方法和装置 - Google Patents

Abstract

本发明公开了一种基于时域感知哈希的视频篡改检测方法和装置，通过对待检视频的每一帧图像进行同样的随机分块；以每一帧为单位计算各个分块的亮度均值，统计各个分块在时域通道上的亮度均值变化情况，形成待检视频的时域特征矩阵；对时域特征矩阵进行量化，得到对应的哈希序列；提取相同视频长度的原始视频对应的哈希序列；根据待检视频和原始视频的哈希序列计算待检视频和原始视频的时域特征距离；将所述时域特征距离与一设定的阈值进行比较，当所述时域特征距离小于所述阈值时，则待检视频没有被篡改；反之，则被篡改；大大提高了视频篡改检测速度和准确率。

Description

一种基于时域感知哈希的视频篡改检测方法和装置

技术领域

本发明涉及视频检测领域，尤其涉及的是一种基于时域感知哈希的视频篡改检测方法和装置。

背景技术

随着数字多媒体技术的飞速发展，视频媒体应用逐渐占据了网络多媒体应用中的主要份额。面对极度膨胀的信息量和越来越多的使用方式，视频信息安全问题和大规模视频文件库的管理问题日益突出，成为制约多媒体技术以及相关学科发展的一大瓶颈，如何对视频信息进行版权保护，如何对篡改的视频进行准确、快速的篡改检测与定位，如何从海量的视频数据中检测到可疑的视频内容，这些均是迫切需要解决的问题。同时，当今对于视频处理缺少人眼感知因素的加入，制约各种有效方法的形成，这些也成为亟待解决的关键问题。

为解决上述问题，国内外研究人员展开了深入的探讨，提出了视频数字签名和视频指纹等内容标识技术。国内外研究人员展开了深入的探讨，提出了视频数字签名和视频指纹等内容标识技术。然而，多年来的研究虽然已取得一定的进展，但是仍然无法有效满足视频应用的需要，原因主要在于两点：第一，由于视频结构信息，无法准确捕捉丰富的视频特征；第二，视频数据量巨大，无法准确区分在传输或存储过程中出现的视频内容保持操作与内容非法篡改操作。

国内视频内容检测与篡改定位研究相对分离，主要表现为拷贝检测与篡改检测。在前者中，研究者们重点关注视频特征提取方法，而且以帧为单位的提取与匹配方法占据了主导地位，通过视频特征的相似度计算达到对具有相似或者相同内容的视频检测。检测算法复杂度较高且对于视频特征的结构组织形式讨论较少。篡改检测中，以模式噪声为主的检测方法成为研究热点，该方法虽然对于是否进行篡改的检测较为准确，但是由于需要原始摄像机才能进行计算，具有天然的不足，并且对定位技术研究不深。通过嵌入水印的方式对篡改进行定位成为讨论热点，然而由于其需要严格控制水印的嵌入方式与嵌入规模，定位精度亦较低。其他方法多数实现篡改模糊定位或者侧重于篡改检测，定位技术涉及甚少。

而国外文献中的算法对于特征提取方法以基本的信号变换方法居多：如傅里叶变换、DCT变换、奇异值分解、小波变换等。DCT变换和傅里叶分析揭示了时域与频域之间的内在联系，反映了整个时间范围内的“全部”频谱成分，虽然具有很强的频域局域化能力，但并不具有时间局域化能力；信号变换技术无法有效体现人类感知特性，且时间复杂度、空间复杂度较高，针对海量的视频数据信息，难以起到有价值的实际应用。对于视频的篡改检测与定位，多数算法是通过视频帧的逐一匹配策略，利用海明距离，JND等手段计算特征之间的相似度，算法的时间复杂度、空间复杂度更高，计算起来既耗时、又耗力，难以实现大数据量视频处理的有效应用。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于时域感知哈希的视频篡改检测方法和装置，旨在解决现有技术中视频篡改检测复杂、检测速度慢及准确率不高问题。

本发明解决技术问题所采用的技术方案如下：

一种基于时域感知哈希的视频篡改检测方法，其中，包括以下步骤：

A、对待检视频的每一帧图像进行同样的随机分块；以每一帧为单位计算各个分块的亮度均值，统计各个分块在时域通道上的亮度均值变化情况，形成待检视频的时域特征矩阵；

B、对时域特征矩阵进行量化，得到对应的哈希序列；

C、提取相同视频长度的原始视频的时域特征矩阵，并量化得到对应的哈希序列；根据待检视频和原始视频的哈希序列计算待检视频和原始视频的时域特征距离；

D、将所述时域特征距离与一设定的阈值进行比较，当所述时域特征距离小于所述阈值时，则待检视频没有被篡改；反之，则被篡改。

所述的基于时域感知哈希的视频篡改检测方法，其中，所述步骤A具体包括：

A1、对待检视频的每一帧图像进行同样的随机分块，在每一帧图像上随机产生多个矩形块，并对各个矩形块依次进行编号，其中，各个矩形块互相交叠，各个矩形块的大小随机产生； 

A2、计算每一帧图像上相应的各个矩形块的亮度均值；

A3、将亮度均值形成对应的时域特征矩阵；每一行代表一个分块时域通道。

所述的基于时域感知哈希的视频篡改检测方法，其中，所述步骤B具体包括：

B1、在时域特征矩阵中，以每一个时域通道为指标行，依次计算该行第                                                

列与第

列亮度均值的差值，然后根据以下公式量化为哈希位串：

；其中 

；

为分块数目，即时域特征矩阵的行数，

为视频帧数目，即时域特征矩阵的列数；从而得到对应的哈希序列。

所述的基于时域感知哈希的视频篡改检测方法，其中，所述步骤C具体包括：

C1、对于给定的待检视频

以及某一目标视频

，计算得到待检视频第K个分块的时域特征对应的哈希序列为

，这里用

表示，同时计算得到原始视频中某一视频片段

的时域特征对应的哈希序列为

，在此基础上，定义待检视频与目标视频片段的时域特征距离如下公式：

；

其中，

，

的取值为系数权值，表达式如下式所示： 

；

为量化系数，它的值为视频序列时域特征对应的哈希序列的最大特征距离，同样为两个时域特征对应的哈希序列序列完全翻转后得到最大的感知距离，表达式为

。

所述的基于时域感知哈希的视频篡改检测方法，其中，所述步骤D具体包括：

D1、将待检视频和原始视频片段的时域特征距离与一设定的阈值比较，当

和

之间的时域特征距离小于所述阈值时，则待检视频没有被篡改；当

和之间的时域特征距离不小于所述阈值时，则待检视频被篡改。

所述的基于时域感知哈希的视频篡改检测方法，其中，在所述步骤D之后，还包括：

E、将原始视频和被篡改视频感知哈希值进行相同的分段，其中分段大小随机确定，以原始视频为X轴，以被篡改视频为Y轴，建立相似度矩阵；

F、计算相似度矩阵对角线的海民距离，当相似度矩阵在对角线处没有达到最大值时，对被篡改视频中此处视频进行定位。

所述的基于时域感知哈希的视频篡改检测方法，其中，在所述步骤A之前，还包括：

A0、对待检视频进行预处理。

一种基于时域感知哈希的视频篡改检测装置，其中，包括：

时域特征矩阵提取模块，用于对待检视频的每一帧图像进行同样的随机分块；以每一帧为单位计算各个分块的亮度均值，统计各个分块在时域通道上的亮度均值变化情况，形成待检视频的时域特征矩阵；及提取相同视频长度的原始视频的时域特征矩阵；

量化模块，用于对时域特征矩阵进行量化，得到对应的哈希序列；

时域特征距离计算模块，用于根据待检视频和原始视频的哈希序列计算待检视频和原始视频的时域特征距离；

比较模块，用于将所述时域特征距离与一设定的阈值进行比较，当所述时域特征距离小于所述阈值时，则待检视频没有被篡改；反之，则被篡改。

所述的基于时域感知哈希的视频篡改检测装置，其中，所述时域特征矩阵提取模块包括：

矩形块产生单元，用于对待检视频的每一帧图像进行同样的随机分块，在每一帧图像上随机产生多个矩形块，并对各个矩形块依次进行编号，其中，各个矩形块互相交叠，各个矩形块的大小随机产生；

亮度均值计算单元，用于计算每一帧图像上相应的各个矩形块的亮度均值；

时域矩阵生成单元，用于将亮度均值形成对应的时域特征矩阵；每一行代表一个分块时域通道。

所述的基于时域感知哈希的视频篡改检测装置，其中，还包括：

相似度矩阵建立模块，用于将原始视频和被篡改视频感知哈希值进行相同的分段，其中分段大小随机确定，以原始视频为X轴，以被篡改视频为Y轴，建立相似度矩阵；

海明距离计算模块，用于计算每个分段二者的海明距离；

定位模块，用于当相似度矩阵在对角线处没有达到最大值时，对被篡改视频中此处视频进行定位。

本发明所提供的基于时域感知哈希的视频篡改检测方法和装置，通过对待检视频的每一帧图像进行同样的随机分块；以每一帧为单位计算各个分块的亮度均值，统计各个分块在时域通道上的亮度均值变化情况，形成待检视频的时域特征矩阵；对时域特征矩阵进行量化，得到对应的哈希序列；提取相同视频长度的原始视频的时域特征矩阵，并量化得到对应的哈希序列；根据待检视频和原始视频的哈希序列计算待检视频和原始视频的时域特征距离；将所述时域特征距离与一设定的阈值进行比较，当所述时域特征距离小于所述阈值时，则待检视频没有被篡改；反之，则被篡改；有效的解决了现有技术中视频篡改检测复杂、检测速度慢及准确率不高的问题，实现了对待检视频是否被篡改的检测，其检测速度快，准确率高，通过研究人类视觉注意机制，模拟人类感知视频自顶向下、随机采样过程，提出融合人类视觉感知的视频时域与特征信息的特征提取及量化方案，体现更强的视觉感知因素影响，大大提高了视频篡改检测速度和准确率。

附图说明

图1为本发明提供的基于时域感知哈希的视频篡改检测方法第一实施例的流程图。

图2为本发明提供的基于时域感知哈希的视频篡改检测方法第二实施例的流程图。

图3为本发明提供的基于时域感知哈希的视频篡改检测装置的结构框图。

具体实施方式

本发明提供一种基于时域感知哈希的视频篡改检测方法和装置，为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

请参阅图1，图1为本发明提供的基于时域感知哈希的视频篡改检测方法的流程图，如图1所示，所述方法包括：

S100、对待检视频的每一帧图像进行同样的随机分块；以每一帧为单位计算各个分块的亮度均值，统计各个分块在时域通道上的亮度均值变化情况，形成待检视频的时域特征矩阵；

S200、对时域特征矩阵进行量化，得到对应的哈希序列；

S300、提取相同视频长度的原始视频的时域特征矩阵，并量化得到对应的哈希序列；根据待检视频和原始视频的哈希序列计算待检视频和原始视频的时域特征距离；

S400、将所述时域特征距离与一设定的阈值进行比较，当所述时域特征距离小于所述阈值时，则待检视频没有被篡改；反之，则被篡改。

以下结合具体的实施例对本发明提供的基于时域感知哈希的视频篡改检测方法进行详细说明。

在实际应用时，所述步骤S100具体包括：

S110、对待检视频的每一帧图像进行同样的随机分块，在每一帧图像上随机产生多个矩形块，并对各个矩形块依次进行编号，其中，各个矩形块互相交叠，各个矩形块的大小随机产生；

S120、计算每一帧图像上相应的各个矩形块的亮度均值；

S130、将亮度均值形成对应的时域特征矩阵；每一行代表一个分块时域通道。

具体来说，以帧图像的数量关系作为每一帧的结构特征，利用随机分块的方式模拟人类视觉选择的随机采样，首先将视频帧看做由其内部各个局部区域构成的集合

，其中

表示可能被关注的局部区域的个数。每个局部区域可以使用一个简单的矩形块

来表示。矩形块之间的亮度差是它们之间的一个简单的数量关系，如

，其中是帧分块

的亮度均值。鉴于此，使用一个由随机种子seed控制的伪随机函数来模拟视觉选择的随机性，从而随机可重叠分块可以被描述为视频观察者在视频帧所有可能被关注的局部区域上的一个随机采样的过程：，其中，

，

表示特定观察者在特定时刻观察视频时基于视角seed所选择的感知区域，随机可重叠分块使得感知区域的选择符合人类随机选取的视觉特性。优选地，这里用密钥key代替随机种子seed进行描述，在伪随机函数

的控制下产生N个随机分块。各个分块以互相交叠的方式散布在整个帧图像上，大小同样随机产生。对分块进行编号，得到

序列。

采用上述随机分块策略，每一帧采用相同的分块方案。在此基础上，以每一帧为单位计算随机可重叠分块亮度均值，然后针对每个分块，在时域通道上进行亮度均值变化情况统计，综合各个分块通道的亮度均值时域特征用于描述视频画面变化信息，统计每一帧的各个分块亮度均值，形成待检视频对应的时域特征矩阵。具体来说，就是统计上述结构特征提取过程中的分块亮度均值，然后以时域通道为单位，统计构造分块亮度特征矩阵，每一行代表一个分块时域通道。

然后在步骤S200中，分析时域特征矩阵，通过符合特征变化规则的量化方案达到反映视频画面时域变化信息，统计各个分块时域通道，得到视频时域信息。所述步骤S200具体包括：S210、在时域特征矩阵中，以每一个时域通道为指标行，依次计算该行第

列与第

列亮度均值的差值，然后根据以下公式量化为哈希位串：

；其中 

；

为分块数目，即时域特征矩阵的行数，

为视频帧数目，即时域特征矩阵的列数；从而得到对应的哈希序列。

具体来说，依据上述计算得到的时域特征矩阵，以每一个时域通道为指标行，依次计算该行第

列元素与第列的差值，然后根据以下公式量化为哈希位串：

，其中 

；为分块数目，即时域特征矩阵的行数，

为视频帧数目，即时域特征矩阵的列数。根据量化方法，可以得到对应的哈希序列。

在步骤S300中，提取相同视频长度的原始视频的时域特征矩阵，并量化得到对应的哈希序列；根据待检视频和原始视频的哈希序列计算待检视频和原始视频的时域特征距离。具体来说，以时域特征距离作为匹配的度量标准来检测待检视频与原始视频的相似度，时域特征距离越大，相似度越低；时域特征距离越小，相似度越高。优选地，以视频时间上帧的数目为M，对于视频每一帧图像以5*5分块为例进行说明，所述步骤S300具体包括：S310、对于给定的待检视频以及某一目标视频，计算得到待检视频第K个分块的时域特征对应的序列为

，这里用

表示，同时计算得到原始视频中某一视频片段

的时域特征对应的哈希序列为

，在此基础上，定义待检视频与目标视频片段的时域特征距离如下公式：

；

其中，

，的取值为系数权值，表达式如下式所示： 

；

为量化系数，它的值为视频序列时域特征对应的哈希序列之间的最大特征距离，同样

为两个时域特征对应的哈希序列完全翻转后得到最大的感知距离，表达式为

。

具体来说，针对时域特征，采用加入系数权值矩阵的距离度量标准，鉴于当前大多数算法对于旋转和边缘无效信息过于敏感，导致整体鲁棒性下降的特性，本文给出一个系数权值矩阵，能够显著的降低边缘无效信息对于鲁棒性的破坏。分块号与对应权值如下式子所示：

  

分块序列号                感知系数权值矩阵

对于给定的待检视频

以及某一目标视频

，算法首先对于视频每一帧图像进行

分块，计算得到待检视频第K个分块的时域特征对应的哈希序列为

，这里用

表示，同时计算得到目标视频中某一视频片段

的时域特征对应的哈希序列为，在此基础上，定义待检视频与目标视频片段的时域特征距离如下公式：

，其中， 

，的取值为系数权值，表达式如下式所示： 

，其中，

为量化系数，它的值为视频序列时域特征对应的哈希序列之间的最大特征距离，同样

为两个时域特征对应的哈希序列完全翻转后得到最大的感知距离，表达式为

，当

为9时，

。

在实际应用时，所述步骤S400具体包括：S410、将待检视频和原始视频片段的时域特征距离与一设定的阈值比较，当

和之间的时域特征距离小于所述阈值时，则待检视频没有被篡改；当

和

之间的时域特征距离不小于所述阈值时，则待检视频被篡改。所述设定的阈值可根据实际情况进行设定。由于放置一段时间之后的待检视频或拷贝的待检视频，其视频的图像可能会发生一点点变化，在阈值范围内，这都是可以接受的。

为使视频感知哈希算法在主观上和客观上统一，定义了一个粗略的人的视觉感知评价准则，该评价准则可以直观地应用于算法实验结果的各种显示图形上，使得我们对实验结果有个直观的认识，下述的感知距离即所述时域特征距离，定义如下表1所示：

表1

优选地，在所述步骤S100之前，还包括步骤S90、对待检视频进行预处理。具体来说，.对输入视频进行预处理，灰度化、统一分辨率并取得随机分块时域通道等，从而达到视频尺度无关性，算法的一般性。

优选地，在检测待检视频被篡改之后，还可以进一步对篡改的地方进行定位。定位的方式主要通过相似度矩阵进行，首先对原始视频和待检视频哈希结果进行区段划分，这里可以是较大的步长，在此基础上绘制相似度矩阵拟合图，利用相似度作为拟合图的灰度值，则在灰度值显著的地方就为定位的区段范围；经过第一次比对，可以得到大区段的准确定位，再将该区段拿出来进行二次划分，这时的区段范围更小更加精确，同样采用相似度拟合图进行定位得到篡改位置，依次类推，定位可以设定不同粒度、不同精度、并可以精准定位。如图2所示，所述基于空域感知哈希的视频篡改检测方法还包括：

S500、将原始视频和被篡改视频感知哈希值进行相同的分段，其中分段大小随机确定，以原始视频为X轴，以被篡改视频为Y轴，建立相似度矩阵；

S600、计算相似度矩阵对角线的海民距离，当相似度矩阵在对角线处没有达到最大值时，对被篡改视频中此处视频进行定位。

具体来说，首先将原始视频与篡改视频感知哈希值进行相同的分段(分段大小随机确定，多数以粒度为参考目标)处理，在此基础上构建相似度矩阵。以原始视频为X轴，以篡改视频为Y轴，对于每个分段计算二者相似度(海明距离等)。这里，对角线反映二者对应的整体匹配程度，通过计算相似度矩阵对角线相似度达到整体检测的目的。在没有被篡改的情况下，理论上相似度矩阵会在对角线处达到最大值。当相似度矩阵在对角线处没有达到最大值时，在被篡改视频中此处视频符合定位要求，即此处视频为待检视频被篡改之处。优选地，举例说明如下：在检测相似度矩阵中某分段中的对角线处未达到最大值，则对该分段又进行分段，即循环处理，建立下一粒度的相似度矩阵，循环逼近符合定位要求之处，也就是待检视频的被篡改之处，实现精确定位。

本发明提供的基于时域感知哈希的视频篡改检测方法，由于在视频感知哈希技术中，对于经过内容保持和修改操作的视频而言，非平稳信号占主要部分，小波变换以牺牲部分频域定位性能来取得时-频局部性的折衷，能提供较好的时域定位，本发明通过研究人类视觉注意机制，模拟人类感知视频自顶向下、随机采样过程，提出融合人类视觉感知的视频时域信息的特征提取及量化方案，体现更强的视觉感知因素影响；针对感知哈希得到的最终结果，通过计算时域特征距离降低了特征相似度计算的复杂性，提高了篡改检测速度，准确区分视频篡改操作与内容保持操作，提高了视频内容篡改的检测速度，通过相似度及阈值分析，实现对视频内容保持操作与篡改操作的准确区分；进一步实现篡改精确定位；加大时域信息的影响，实现了视频快速、准确篡改检测与定位。

基于上述时域感知哈希的视频篡改检测方法，本发明还提供了一种基于时域感知哈希的视频篡改检测装置，如图3所示，包括：

时域特征矩阵提取模块110，用于对待检视频的每一帧图像进行同样的随机分块；以每一帧为单位计算各个分块的亮度均值，统计各个分块在时域通道上的亮度均值变化情况，形成待检视频的时域特征矩阵；及提取相同视频长度的原始视频的时域特征矩阵；具体如步骤S100所述；

量化模块120，用于对时域特征矩阵进行量化，得到对应的哈希序列；具体如步骤S200所述；

时域特征距离计算模块130，用于根据待检视频和原始视频的哈希序列计算待检视频和原始视频的时域特征距离；具体如步骤S300所述；

比较模块140，用于将所述时域特征距离与一设定的阈值进行比较，当所述时域特征距离小于所述阈值时，则待检视频没有被篡改；反之，则被篡改；具体如步骤S400所述；

所述时域特征矩阵提取模块110、量化模块120、时域特征距离计算模块130和比较模块140依次连接。所述量化模块120具体用于对待测视频和原始视频的时域特征矩阵进行量化，得到对应的哈希序列。

具体来说，所述时域特征矩阵提取模块110提取同样长度的待检视频和原始视频的帧图像时域特征矩阵，也就是对应的两个视频的时域特征矩阵。然后将时域特征矩阵发送至量化模块120中，转换为对应的时域哈希序列。所述时域特征距离计算模块130根据待检视频和原始视频中的时域特征矩阵计算待检视频和原始视频中的时域特征距离，然后将其发送至比较模块140中，所述比较模块140将时域特征距离与阈值进行比较，小于阈值的，表明待检视频中没有被篡改，超过阈值的，则被篡改。

进一步地，所述时域特征矩阵提取模块110包括：

矩形块产生单元，用于对待检视频的每一帧图像进行同样的随机分块，在每一帧图像上随机产生多个矩形块，并对各个矩形块依次进行编号，其中，各个矩形块互相交叠，各个矩形块的大小随机产生；

亮度均值计算单元，用于计算每一帧图像上相应的各个矩形块的亮度均值；

时域矩阵生成单元，用于将亮度均值形成对应的时域特征矩阵；每一行代表一个分块时域通道。

进一步地，所述基于时域感知哈希的视频篡改检测装置还包括：

相似度矩阵建立模块，用于将原始视频和被篡改视频感知哈希值进行相同的分段，其中分段大小随机确定，以原始视频为X轴，以被篡改视频为Y轴，建立相似度矩阵；具体如步骤S500所述；

海明距离计算模块，用于计算相似度矩阵对角线的海民距离；具体如步骤S600所述；

定位模块，用于当相似度矩阵在对角线处没有达到最大值时，对被篡改视频中此处视频进行定位；具体如步骤S600所述。

具体来说，所述相似度矩阵建立模块先将原始视频与篡改视频感知哈希值进行相同的分段(分段大小随机确定，多数以粒度为参考目标)处理，在此基础上构建相似度矩阵，以原始视频为X轴，以篡改视频为Y轴。然后海明距离计算模块对于每个分段计算二者相似度(海明距离等)，计算相似度矩阵对角线的海民距离。对角线反映二者对应的整体匹配程度，通过计算相似度矩阵对角线相似度达到了整体检测的目的。在没有被篡改的情况下，理论上相似度矩阵会在对角线处达到最大值。当相似度矩阵在对角线处没有达到最大值时，在被篡改视频中此处视频符合定位要求，即此处视频为待检视频被篡改之处，定位模块对该处进行定位。优选地，在检测相似度矩阵中某分段中的对角线处未达到最大值，则对该分段又进行分段，建立下一粒度的相似度矩阵，循环逼近符合定位要求之处，也就是待检视频的被篡改之处，实现精确定位。

综上所述，本发明提供的基于时域感知哈希的视频篡改检测方法和装置，通过对待检视频的每一帧图像进行同样的随机分块；以每一帧为单位计算各个分块的亮度均值，统计各个分块在时域通道上的亮度均值变化情况，形成待检视频的时域特征矩阵；对时域特征矩阵进行量化，得到对应的哈希序列；提取相同视频长度的原始视频的时域特征矩阵，并量化得到对应的哈希序列；根据待检视频和原始视频的哈希序列计算待检视频和原始视频的时域特征距离；将所述时域特征距离与一设定的阈值进行比较，当所述时域特征距离小于所述阈值时，则待检视频没有被篡改；反之，则被篡改；大大提高了视频篡改检测速度和准确率；通过相似度及阈值分析，实现对视频内容保持操作与篡改操作的准确区分。本发明采用随机可重叠分块的方法模拟人眼感知多媒体信息随机采样过程，更加准确描述了随机采样过程，进一步合理设置随机密钥，更加准确合理的描述人类感知多媒体信息的自顶向下模型，从而掌握视频帧图像视频信息。进一步地，本发明提供的定位方法，定位耗时短，定位精确。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1. 一种基于时域感知哈希的视频篡改检测方法，其特征在于，包括以下步骤：

A、对待检视频的每一帧图像进行同样的随机分块；以每一帧为单位计算各个分块的亮度均值，统计各个分块在时域通道上的亮度均值变化情况，形成待检视频的时域特征矩阵；

B、对时域特征矩阵进行量化，得到对应的哈希序列；

C、提取相同视频长度的原始视频的时域特征矩阵，并量化得到对应的哈希序列；根据待检视频和原始视频的哈希序列计算待检视频和原始视频的时域特征距离；

D、将所述时域特征距离与一设定的阈值进行比较，当所述时域特征距离小于所述阈值时，则待检视频没有被篡改；反之，则被篡改。

2.根据权利要求1所述的基于时域感知哈希的视频篡改检测方法，其特征在于，所述步骤A具体包括：

A1、对待检视频的每一帧图像进行同样的随机分块，在每一帧图像上随机产生多个矩形块，并对各个矩形块依次进行编号，其中，各个矩形块互相交叠，各个矩形块的大小随机产生； 

A2、计算每一帧图像上相应的各个矩形块的亮度均值；

A3、将亮度均值形成对应的时域特征矩阵；每一行代表一个分块时域通道。

3.根据权利要求2所述的基于时域感知哈希的视频篡改检测方法，其特征在于，所述步骤B具体包括：

B1、在时域特征矩阵中，以每一个时域通道为指标行，依次计算该行第                                               

列与第列亮度均值的差值，然后根据以下公式量化为哈希位串：

；其中 

；为分块数目，即时域特征矩阵的行数，

为视频帧数目，即时域特征矩阵的列数；从而得到对应的哈希序列。

4.根据权利要求3所述的基于时域感知哈希的视频篡改检测方法，其特征在于，所述步骤C具体包括：

C1、对于给定的待检视频

以及某一目标视频

，计算得到待检视频第K个分块的时域特征对应的哈希序列为

，这里用

表示，同时计算得到原始视频中某一视频片段

的时域特征对应的哈希序列为

，在此基础上，定义待检视频与目标视频片段的时域特征距离如下公式：

；

其中，，

的取值为系数权值，表达式如下式所示： 

；

为量化系数，它的值为视频序列时域特征对应的哈希序列之间的最大特征距离，同样

为两个时域特征对应的哈希序列完全翻转后得到最大的感知距离，表达式为

。

5.根据权利要求4所述的基于时域感知哈希的视频篡改检测方法，其特征在于，所述步骤D具体包括：

D1、将待检视频和原始视频片段的时域特征距离与一设定的阈值比较，当和

之间的时域特征距离小于所述阈值时，则待检视频没有被篡改；当

和

之间的时域特征距离不小于所述阈值时，则待检视频被篡改。

6.根据权利要求1所述的基于时域感知哈希的视频篡改检测方法，其特征在于，在所述步骤D之后，还包括：

E、将原始视频和被篡改视频感知哈希值进行相同的分段，其中分段大小随机确定，以原始视频为X轴，以被篡改视频为Y轴，建立相似度矩阵；

F、计算相似度矩阵对角线的海民距离，当相似度矩阵在对角线处没有达到最大值时，对被篡改视频中此处视频进行定位。

7.根据权利要求1所述的基于时域感知哈希的视频篡改检测方法，其特征在于，在所述步骤A之前，还包括：

A0、对待检视频进行预处理。

8.一种基于时域感知哈希的视频篡改检测装置，其特征在于，包括：

时域特征矩阵提取模块，用于对待检视频的每一帧图像进行同样的随机分块；以每一帧为单位计算各个分块的亮度均值，统计各个分块在时域通道上的亮度均值变化情况，形成待检视频的时域特征矩阵；及提取相同视频长度的原始视频的时域特征矩阵；

量化模块，用于对时域特征矩阵进行量化，得到对应的哈希序列；

时域特征距离计算模块，用于根据待检视频和原始视频的哈希序列计算待检视频和原始视频的时域特征距离；

比较模块，用于将所述时域特征距离与一设定的阈值进行比较，当所述时域特征距离小于所述阈值时，则待检视频没有被篡改；反之，则被篡改。

9.根据权利要求8所述的基于时域感知哈希的视频篡改检测装置，其特征在于，所述时域特征矩阵提取模块包括：

矩形块产生单元，用于对待检视频的每一帧图像进行同样的随机分块，在每一帧图像上随机产生多个矩形块，并对各个矩形块依次进行编号，其中，各个矩形块互相交叠，各个矩形块的大小随机产生；

亮度均值计算单元，用于计算每一帧图像上相应的各个矩形块的亮度均值；

时域矩阵生成单元，用于将亮度均值形成对应的时域特征矩阵；每一行代表一个分块时域通道。

10.根据权利要求8所述的基于时域感知哈希的视频篡改检测装置，其特征在于，还包括：

相似度矩阵建立模块，用于将原始视频和被篡改视频感知哈希值进行相同的分段，其中分段大小随机确定，以原始视频为X轴，以被篡改视频为Y轴，建立相似度矩阵；

海明距离计算模块，用于计算每个分段二者的海明距离；

定位模块，用于当相似度矩阵在对角线处没有达到最大值时，对被篡改视频中此处视频进行定位。

Images