CN103839255A - 视频抠像篡改检测方法及装置 - Google Patents

Abstract

本发明提供了一种视频抠像篡改检测方法及装置，通过对视频图像进行异常边缘检测，对边缘点四个方向的偏差进行计算，从而得更精确篡改检测结果。进一步的，在确定篡改对象之后，对这一帧的篡改区域进行学习，此后的所有帧利用上面所述的目标追踪算法，从而避免了每一帧都进行边缘异常判断的繁琐，有效提高了篡改视频帧获取效率，大大缩减了运行的时间复杂度。

Description

视频抠像篡改检测方法及装置

技术领域

本发明涉及一种视频图像处理方法，尤其是指一种视频抠像篡改检测方法及装置。 

背景技术

在网络和多媒体技术迅速发展的今天，图片、音视频等多媒体文件的传播变的更加快捷。数字时代高品质成像设备和先进多媒体编辑软件的出现，也使得对这类数据的编辑篡改更加容易。技术的进步给人们带来方便的同时，也带来了某些方面不利的影响。被恶意篡改的视频通过网络的传播，混淆视听，传播虚假信息，也有不法分子通过对视频的篡改毁灭证据，这些无疑在一定程度上影响了社会的稳定。因此在信息安全领域，对视频的篡改检测技术已经成为一个研究的热点。 

发明内容

本发明的目的在于克服了上述缺陷，提供一种视频抠像篡改检测方法及装置。 

本发明的目的是这样实现的：一种视频抠像篡改检测方法，它包括步骤: 

A）、设定跟踪目标，从视频中设定跟踪目标； 

B）、边缘点检测，将视频转换为图像帧序列，选取图像帧序列中跟踪目标完全出现的第一帧图像进行边缘检测以获取跟踪目标的边缘点； 

C）、异常边缘检测，依次计算每个边缘点的像素值与四个方向的像素值的偏差值，判断该偏差值是否大于预设阈值，是则标记该边缘点为篡改点，最终将所有篡改点集合定义为篡改区域； 

D）、跟踪目标检测，选定跟踪区域并输入视频的整个图像帧序列，用目标跟踪算法在该跟踪区域中依据篡改区域中篡改点集合信息来查找整个图像帧序列时域上帧的篡改范围，直至跟踪目标消失； 

E）、结束跟踪并标记篡改范围内的所有帧为篡改帧，然后返回步骤A; 

上述方法中，所述步骤C中边缘点的四个方向包括垂直方向、水平方向及左、右对角方向； 

上述方法中，设所述边缘点的像素值为I（i，j），则四个方向的偏差值计算公式为， 

$h(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i-1,j)}{I(i,j)-I(i+1,j)}\left|\right|,$ 式中h（i，j）为边缘点像素值与水平方像素值之间的偏差值； 

$v(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i,j-1)}{I(i,j)-I(i,j+1)}\left|\right|,$ 式中v（i，j）为边缘点像素值与垂直方像素值之间的偏差值； 

$d_1(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i-1,j-1)}{I(i,j)-I(i+1,j+1)}\left|\right|,$ 式中d₁（i，j）为边缘点像素值与右对角方像素值之间的偏差值； 

$d_2(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i-1,j+1)}{I(i,j)-I(i+1,j-1)}\left|\right|,$ 式中d₂（i，j）为边缘点像素值与左对角方像素值之间的偏差值； 

上述方法中，所述步骤B中通过Canny算子、Log算子、Sobel算子或Prewitt算子进行边缘检测； 

上述方法中，所述步骤D中采用基于压缩感知的跟踪算法作为目标跟踪算法； 

上述方法中，所述步骤D中的目标算法包括步骤， 

D1）、读取当前图像帧，对当前图像帧的跟踪区域中采样得到目标与背景的图像块； 

D2）、对图像块进行多尺度变换，提取得到多尺度图像块特征； 

D3）、选取一个稀疏测量矩阵对多尺度图像特征进行降维对多尺度图像特征进行降维； 

D4）、对降维后的图像特征二分类后训练朴素贝叶斯分类器； 

D5）、读取下一个图像帧，从跟踪区域中采样扫描窗口，采用相同的稀疏测量矩阵对扫描窗口进行降维并提取特征，采用上一步的朴素贝叶斯分类器对降维后扫描窗口特征进行分类，其中分类份数最大的窗口标记为目标窗口； 

上述方法中，所述步骤D后还包括选取图像帧序列中跟踪目标出现的最后一帧图像，进行异常边缘检测，并将获取的篡改区域与最初检测到的异常区域对比，看检测结果是否一致，一致则继续步骤。 

本发明还提供了一种视频抠像篡改检测装置，它包括： 

设定跟踪目标模块，用于从视频中设定跟踪目标而后转到边缘点检测模块； 

边缘点检测模块，用于将视频转换为图像帧序列，选取图像帧序列中跟踪目标完全出现的第一帧图像进行边缘检测以获取跟踪目标的边缘点而后转到异常边缘检测模块； 

异常边缘检测模块，用于依次计算每个边缘点的像素值与四个方向的像素值的偏差值，判断该偏差值是否大于预设阈值，是则标记该边缘点为篡改点，最终将所有篡改点集合定义为篡改区域而后转到跟踪目标检测模块； 

跟踪目标检测模块，用于选定跟踪区域并输入视频的整个图像帧序列，通过目标跟踪算法器在该跟踪区域中依据篡改区域中篡改点集合信息来查找整个图像帧序列时域上帧的篡改范围，直至跟踪目标消失而后转到标记模块； 

标记模块，用于当结束跟踪后，标记篡改范围内的所有帧为篡改帧，然后返回设定跟踪目标模块； 

上述中，所述跟踪目标检测模块的目标算法器包括， 

采样单元，用于读取当前图像帧，对当前图像帧的跟踪区域中采样得到目标与背景的图像块而后转到变换单元； 

变换单元，用于对图像块进行多尺度变换，提取得到多尺度图像块特征而后转到降维单元； 

降维单元，用于选取一个稀疏测量矩阵对多尺度图像特征进行降维对多尺 度图像特征进行降维而后转到训练单元； 

训练单元，用于对降维后的图像特征二分类后训练朴素贝叶斯分类器而后转到标记单元； 

标记单元，用于读取下一个图像帧，从跟踪区域中采样扫描窗口，采用相同的稀疏测量矩阵对扫描窗口进行降维并提取特征，采用上一步的朴素贝叶斯分类器对降维后扫描窗口特征进行分类，其中分类份数最大的窗口标记为目标窗口； 

上述中，所述跟踪目标检测模块通过复核模块转到标记模块，所述复核模块用于选取图像帧序列中跟踪目标出现的最后一帧图像，进行异常边缘检测，并将获取的篡改区域与最初检测到的异常区域对比，看检测结果是否一致，一致则转到标记模块。 

本发明的有益效果在于在异常边缘检测中对边缘点四个方向的偏差进行计算，从而使得检测更为精确。进一步的，确定篡改对象之后，对这一帧的篡改区域进行学习，此后的所有帧利用上面所述的目标追踪算法，从而避免了每一帧都进行边缘异常判断的繁琐，有效提高了篡改视频帧获取效率，大大缩减了运行的时间复杂度。 

附图说明

下面结合附图详述本发明的具体结构 

图1为数字成像模型示意图； 

图2为Bayer CFA插值模式示意图； 

图3为本发明的方法流程图； 

图4是像素点坐标示意图； 

图5是目标跟踪算法流程。 

具体实施方式

区别于目前已有的检测方法都是针对特定的篡改方式进行认证，本文针对视频的抠像篡改提出一种有效的检测方法，其原理介绍如下： 

如图1所示，在数码相机的成像过程中，自然景物反射的自然光通过镜头进入相机，被感光器件CCD(Charge Coupled Device,电荷藕合器件)或者CMOS(Complementary Metal Oxide Semiconductor,互补金属氧化物半导体)接收感知，将光学信号转化为电流信号，然后通过A/D转换器将模拟信号转换为数字信号，再经过一些后续处理，继而存储为数字图像。为了节约数码相机制造成本，人们研究了新的解决方案，在感光器件前端放置一个颜色滤波阵列（CFA），对于每一个像素点，仅采集三基色RGB的一个分量,然后用一个感光器件阵列来接收滤波阵列过滤出的颜色分量，再通过颜色插值（CFA插值）计算得到其余两个颜色分量，如图2所示。然后经过白平衡、伽马校正等后续处理最后形成数字图像。如今多数的数码相机以及摄像机都是采用这种模型。基于CFA插值的存在，我们利用其带来的邻域相关性特征来检测边缘的真实性，继而提出本文的检测算法。 

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。 

请参阅图3，本发明提供了一种视频抠像篡改检测方法，它包括步骤: 

A）、设定跟踪目标，从视频中设定跟踪目标； 

B）、边缘点检测，将视频转换为图像帧序列，选取图像帧序列中跟踪目标完全出现的第一帧图像进行边缘检测以获取跟踪目标的边缘点； 

对于篡改了的视频而言，其拼接、篡改必定引入了新的对象，也相应的引入了新的边缘。而本发明方案的目的在于检测拼接合成的边缘，因此本步骤首先对视频中图像的边缘进行检测。 

C）、异常边缘检测，依次计算每个边缘点的像素值与四个方向的像素值的偏差值，判断该偏差值是否大于预设阈值，是则标记该边缘点为篡改点，最终将所有篡改点集合定义为篡改区域； 

对于正常的边缘点，两个方向上的偏差值往往相差不明显，即边缘点上下左右两侧的差值比值较小，那么计算的因子的值相应的较小，而对于篡改的边缘点，边缘点两侧偏向异常，边缘点过于偏向一侧，相应的计算得到的因子的值会较大。不同于传统方法仅对边缘点的两个方向的偏差值进行计算，本专利 技术计算边缘点四个方向上的因子，如果有一个因子的值大于阈值T，则认为是可疑的边缘点。阈值T是通过大量实验得到的经验值。多于两个方向的检测可使得边缘点的异常检测更为精准。 

D）、跟踪目标检测，选定跟踪区域并输入视频的整个图像帧序列，用目标跟踪算法在该跟踪区域中依据篡改区域中篡改点集合信息来查找整个图像帧序列时域上帧的篡改范围，直至跟踪目标消失； 

已有的视频篡改检测方法基本上都是对视频的每一帧进行检测，使得检测效率不高。因此本发明技术方案通过引入目标跟踪的思想提高检测效率。 

E）、结束跟踪并标记篡改范围内的所有帧为篡改帧，然后返回步骤A。 

上述方法首先通过在异常边缘检测中对边缘点四个方向的偏差进行计算，从而使得检测更为精确。进一步的，确定篡改对象之后，对这一帧的篡改区域进行学习，此后的所有帧利用上面所述的目标追踪算法，从而避免了每一帧都进行边缘异常判断的繁琐，有效提高了篡改视频帧获取效率，大大缩减了运行的时间复杂度。 

作为一实施例，上述方法中，所述步骤C中边缘点的四个方向包括垂直方向、水平方向及左、右对角方向。 

区别于已有的算法计算了边缘像素点水平和竖直方向上的邻域相关性，为了全方位考虑，本实施例另外再计算两个对角方向上的相关性，通过来检测这种异常来定位拼接点。 

进一步的，如图4所示，设所述边缘点的像素值为I（i，j），则上述方法中设计的四个方向的偏差值计算公式为： 

$h(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i-1,j)}{I(i,j)-I(i+1,j)}\left|\right|,$ 式中h（i，j）为边缘点像素值与水平方像素值之间的偏差值； 

$v(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i,j-1)}{I(i,j)-I(i,j+1)}\left|\right|,$ 式中v（i，j）为边缘点像素值与垂直方像素值之间的偏差值； 

$d_1(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i-1,j-1)}{I(i,j)-I(i+1,j+1)}\left|\right|,$ 式中d₁（i，j）为边缘点像素值与右对角方像素值之间的偏差值； 

$d_2(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i-1,j+1)}{I(i,j)-I(i+1,j-1)}\left|\right|,$ 式中d₂（i，j）为边缘点像素值与左对角方像素值之间的偏差值。 

作为一实施例，上述方法中，所述步骤B中通过Canny算子、Log算子、Sobel算子或Prewitt算子进行边缘检测。 

上述几种算子不能说某种算子的检测效果最好，应当根据实际需求选择满足检测要求的即是最合适的。其中，Canny算子和Log算子边缘检测的效果较为细致，物体内部的细小边缘都被检测。但视频篡改检测通常只需检测物体外部的边缘。Sobel算子和Prewitt算子类似，都能检测到物体的大致轮廓，二者只是权值有所变化，但两者实现起来功能还是有差距的，Sobel算子引入了类似局部平均的运算，对噪声具有平滑作用，能很好的消除噪声的影响。本发明通过反复实验论证发现，Sobel要比Prewitt算子于本发明方案中应用能更能准确检测图像边缘。因此对比各种算子的优缺点、计算复杂度，最优的可以选用Sobel算子进行检测，最大程度的忽略没用的细节获取准确的图像边缘信息。 

作为一实施例，上述方法中，所述步骤D中采用基于压缩感知的跟踪算法作为目标跟踪算法。 

即本实施例中采用目标跟踪领域比较优秀的Real-time Compressive Tracking算法来实现对篡改对象的跟踪。这是一种简单高效地基于压缩感知的跟踪算法。算法的主要思想是利用符合压缩感知RIP条件的随机矩阵对多尺度图像特征进行降维，然后在降维后的特征上采用简单的朴素贝叶斯分类器进行分类。和一般的模式分类模型一样：先提取图像的特征，再通过分类器对其分类，不同在于这里特征提取采用压缩感知，分类器采用朴素贝叶斯。然后每帧通过在线学习更新分类器。由于一般情况下篡改的对象目标较大，对于目标跟 踪算法的鲁棒性要求不是很高，采用本算法可实现更精确的检测。 

此处对压缩感知进行简单介绍： 

压缩感知理论由Donoho、Candes及Tao等人提出，是近年来信号处理领域诞生的一种全新的信号处理理论。压缩感知以信号的稀疏性为前提，如果信号在某一个正交空间具有稀疏性（即可压缩性），就能以较低的频率（远低于奈奎斯特采样频率）采样该信号，得到信号的稀疏表示，并且能够很大程度上精确的重建该信号。主要步骤包括信号的稀疏表示、设计测量矩阵和信号的重构。 

信号的稀疏性是压缩感知的重要前提，设X为长度为N的一维信号，存在一个N*N的正交基Ψ和一个N维向量S满足X=ΨS。当X在某个基Ψ上仅有k<<N个非零系数或者远大于零的系数S时，称Ψ为信号X的稀疏基。我们称X的稀疏度为k或称k稀疏。接下来测量矩阵的设计目的是如何采样得到M个观察值，并保证从中重构出长度为N的信号X或者稀疏基Ψ下等价的稀疏向量Θ。将信号X投影到测量矩阵Φ上得到测量值Y 

Y是M维向量，Φ为M*N的矩阵，X到Y的转换使得信号从N维降到M维。当测量矩阵与稀疏基矩阵的乘积满足RIP性质，即有限等距性质时，压缩感知理论通过对上式的逆问题先求解稀疏系数S，然后将稀疏度为k的信号X从M维的测量投影值Y中正确地恢复出来。 

RIP性质： 

$\mathrm{\&epsiv;}\&le;\frac{{\left|\right|\mathrm{\&Theta;X}\left|\right|}_2}{{\left|\right|X\left|\right|}_2}\&le;1+\mathrm{\&epsiv;},0<\mathrm{\&epsiv;}<1$

RIP性质保证了k个系数从M个测量值准确重构。 

求解的最直接方法是通过l₀范数求解最优化问题：argmin||α||₀s，εY=ΦΨα，得到稀疏系数S的估计S′，原信号X′＝ΨS′。l₀范数的求解是个NP问题，由于l₁最小范数在一定条件下和l₀最小范数具有等价性，所以转化为l₁范数求解，从而实现重构。 

作为一实施例，上述步骤D中的目标算法包括步骤， 

D1）、读取当前图像帧，对当前图像帧的跟踪区域中采样得到目标与背景的图像块； 

D2）、对图像块进行多尺度变换，提取得到多尺度图像块特征； 

D3）、选取一个稀疏测量矩阵对多尺度图像特征进行降维对多尺度图像特征进行降维； 

D4）、对降维后的图像特征二分类后训练朴素贝叶斯分类器； 

D5）、读取下一个图像帧，从跟踪区域中采样扫描窗口，采用相同的稀疏测量矩阵对扫描窗口进行降维并提取特征，采用上一步的朴素贝叶斯分类器对降维后扫描窗口特征进行分类，其中分类份数最大的窗口标记为目标窗口。 

由于上述步骤D1-D5目标跟踪的过程同时实现了更新了分类器，即在目标跟踪时，每一帧都会得到一个新的贝叶斯分类器，而分类器的训练为现有技术，在此不做冗述。 

上述方法采用的是实时压缩跟踪技术， 

通过压缩感知理论可知，利用一个满足RIP条件的稀疏测量矩阵对原图像特征空间做投影，即可得到一个低维的压缩子空间。通过稀疏测量矩阵提取前景目标和背景的特征，作为在线学习更新分类器的正样本和负样本，然后用得到的朴素贝叶斯分类器去分类下一帧待测图像。跟踪算法步骤在图5所示。 

（1）在第t帧的时候，我们采样得到若干张目标（正样本）和背景（负样本）的图像块，然后对图像块进行多尺度变换，提取图像块的特征，再通过一个稀疏测量矩阵对多尺度图像特征进行降维，然后通过降维后的特征二分类去训练朴素贝叶斯分类器。 

（2）在第t+1帧的时候，我们在上一帧跟踪到的目标位置的周围采样n个扫描窗口（避免去扫描整幅图像），通过同样的稀疏测量矩阵对其降维，提取特征，然后用第t帧训练好的朴素贝叶斯分类器进行分类，分类分数最大的窗口就认为是目标窗口。这样就实现了从t帧到t+1帧的目标跟踪。 

最佳的，上述步骤D后还包括选取图像帧序列中跟踪目标出现的最后一帧图像，进行异常边缘检测，并将获取的篡改区域与最初检测到的异常区域对比，看检测结果是否一致，一致则继续步骤。 

增加本步骤的作用实在检测到篡改针最后增加一个重复验证步骤，从而确保检测可可靠性。 

本发明还提供了一种视频抠像篡改检测装置，它包括， 

设定跟踪目标模块，用于从视频中设定跟踪目标而后转到边缘点检测模块； 

边缘点检测模块，用于将视频转换为图像帧序列，选取图像帧序列中跟踪目标完全出现的第一帧图像进行边缘检测以获取跟踪目标的边缘点而后转到异常边缘检测模块； 

异常边缘检测模块，用于依次计算每个边缘点的像素值与四个方向的像素值的偏差值，判断该偏差值是否大于预设阈值，是则标记该边缘点为篡改点，最终将所有篡改点集合定义为篡改区域而后转到跟踪目标检测模块； 

跟踪目标检测模块，用于选定跟踪区域并输入视频的整个图像帧序列，通过目标跟踪算法器在该跟踪区域中依据篡改区域中篡改点集合信息来查找整个图像帧序列时域上帧的篡改范围，直至跟踪目标消失而后转到标记模块； 

标记模块，用于当结束跟踪后，标记篡改范围内的所有帧为篡改帧，然后返回设定跟踪目标模块； 

上述中，所述跟踪目标检测模块的目标算法器包括， 

采样单元，用于读取当前图像帧，对当前图像帧的跟踪区域中采样得到目标与背景的图像块而后转到变换单元； 

变换单元，用于对图像块进行多尺度变换，提取得到多尺度图像块特征而后转到降维单元； 

降维单元，用于选取一个稀疏测量矩阵对多尺度图像特征进行降维对多尺度图像特征进行降维而后转到训练单元； 

训练单元，用于对降维后的图像特征二分类后训练朴素贝叶斯分类器而后转到标记单元； 

标记单元，用于读取下一个图像帧，从跟踪区域中采样扫描窗口，采用相同的稀疏测量矩阵对扫描窗口进行降维并提取特征，采用上一步的朴素贝叶斯分类器对降维后扫描窗口特征进行分类，其中分类份数最大的窗口标记为目标 窗口； 

上述中，所述跟踪目标检测模块通过复核模块转到标记模块，所述复核模块用于选取图像帧序列中跟踪目标出现的最后一帧图像，进行异常边缘检测，并将获取的篡改区域与最初检测到的异常区域对比，看检测结果是否一致，一致则转到标记模块。 

该装置的有益效果与上述方法相同，在此不做冗述。 

应用实例： 

为了对本发明的方案进行评价，进一步结合具体的例子进行了实验，结果如下： 

实验所用视频 

1、animal1.mpg、animal2.mpg、woman.mpg是在bestgreenscreen网站下载的原始的高清绿色背景视频，分辨率为1280×720。 

2、自己分别采用型号Canon IXUS120IS和Canon A60拍摄的视频，分辨率为640×480和320×240两种。 

视频编辑篡改使用软件： 

Adobe Premiere Pro CS4。 

实验步骤： 

1、将animal.mp4分别与自己拍摄的五个不同视频进行合成。 

实验所用计算机配置Intel Pentium CPU G6402.80GHz、4GB内存、Win7系统，利用MatlabR2011a实现算法，个别地方用到VS2010及OpenCV。 

2、采用本发明方案对视频进行检测； 

3、均成功发现视频中篡改区域。 

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。 

Claims (10)

1.一种视频抠像篡改检测方法，其特征在于：它包括步骤，

A）、设定跟踪目标，从视频中设定跟踪目标；

B）、边缘点检测，将视频转换为图像帧序列，选取图像帧序列中跟踪目标完全出现的第一帧图像进行边缘检测以获取跟踪目标的边缘点；

C）、异常边缘检测，依次计算每个边缘点的像素值与四个方向的像素值的偏差值，判断该偏差值是否大于预设阈值，是则标记该边缘点为篡改点，最终将所有篡改点集合定义为篡改区域；

D）、跟踪目标检测，选定跟踪区域并输入视频的整个图像帧序列，用目标跟踪算法在该跟踪区域中依据篡改区域中篡改点集合信息来查找整个图像帧序列时域上帧的篡改范围，直至跟踪目标消失；

E）、结束跟踪并标记篡改范围内的所有帧为篡改帧，然后返回步骤A。

2.如权利要求1所述的视频抠像篡改检测方法，其特征在于：所述步骤C中边缘点的四个方向包括垂直方向、水平方向及左、右对角方向。

3.如权利要求2所述的视频抠像篡改检测方法，其特征在于：设所述边缘点的像素值为I（i，j），则四个方向的偏差值计算公式为，

$h(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i-1,j)}{I(i,j)-I(i+1,j)}\left|\right|,$ 式中h（i，j）为边缘点像素值与水平方像素值之间的偏差值；

$v(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i,j-1)}{I(i,j)-I(i,j+1)}\left|\right|,$ 式中v（i，j）为边缘点像素值与垂直方像素值之间的偏差值；

$d_1(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i-1,j-1)}{I(i,j)-I(i+1,j+1)}\left|\right|,$ 式中d₁（i，j）为边缘点像素值与右对角方像素值之间的偏差值；

$d_2(i,j)=\left|\mathrm{ig}\right|\frac{I(i,j)-I(i-1,j+1)}{I(i,j)-I(i+1,j-1)}\left|\right|,$ 式中d₂（i，j）为边缘点像素值与左对角方像素值之间的偏差值。

4.如权利要求1所述的视频抠像篡改检测方法，其特征在于：所述步骤B中通过Canny算子、Log算子、Sobel算子或Prewitt算子进行边缘检测。

5.如权利要求1所述的视频抠像篡改检测方法，其特征在于：所述步骤D中采用基于压缩感知的跟踪算法作为目标跟踪算法。

6.如权利要求1所述的视频抠像篡改检测方法，其特征在于：所述步骤D中的目标算法包括步骤，

D1）、读取当前图像帧，对当前图像帧的跟踪区域中采样得到目标与背景的图像块；

D2）、对图像块进行多尺度变换，提取得到多尺度图像块特征；

D3）、选取一个稀疏测量矩阵对多尺度图像特征进行降维对多尺度图像特征进行降维；

D4）、对降维后的图像特征二分类后训练朴素贝叶斯分类器；

D5）、读取下一个图像帧，从跟踪区域中采样扫描窗口，采用相同的稀疏测量矩阵对扫描窗口进行降维并提取特征，采用上一步的朴素贝叶斯分类器对降维后扫描窗口特征进行分类，其中分类份数最大的窗口标记为目标窗口。

7.如权利要求1所述的视频抠像篡改检测方法，其特征在于：所述步骤D后还包括选取图像帧序列中跟踪目标出现的最后一帧图像，进行异常边缘检测，并将获取的篡改区域与最初检测到的异常区域对比，看检测结果是否一致，一致则继续步骤。

8.一种视频抠像篡改检测装置，其特征在于：它包括，

设定跟踪目标模块，用于从视频中设定跟踪目标而后转到边缘点检测模块；

边缘点检测模块，用于将视频转换为图像帧序列，选取图像帧序列中跟踪目标完全出现的第一帧图像进行边缘检测以获取跟踪目标的边缘点而后转到异常边缘检测模块；

异常边缘检测模块，用于依次计算每个边缘点的像素值与四个方向的像素值的偏差值，判断该偏差值是否大于预设阈值，是则标记该边缘点为篡改点，最终将所有篡改点集合定义为篡改区域而后转到跟踪目标检测模块；

跟踪目标检测模块，用于选定跟踪区域并输入视频的整个图像帧序列，通过目标跟踪算法器在该跟踪区域中依据篡改区域中篡改点集合信息来查找整个图像帧序列时域上帧的篡改范围，直至跟踪目标消失而后转到标记模块；

标记模块，用于当结束跟踪后，标记篡改范围内的所有帧为篡改帧，然后返回设定跟踪目标模块。

9.如权利要求8所述的视频抠像篡改检测装置，其特征在于：所述跟踪目标检测模块的目标算法器包括，

采样单元，用于读取当前图像帧，对当前图像帧的跟踪区域中采样得到目标与背景的图像块而后转到变换单元；

变换单元，用于对图像块进行多尺度变换，提取得到多尺度图像块特征而后转到降维单元；

降维单元，用于选取一个稀疏测量矩阵对多尺度图像特征进行降维对多尺度图像特征进行降维而后转到训练单元；

训练单元，用于对降维后的图像特征二分类后训练朴素贝叶斯分类器而后转到标记单元；

标记单元，用于读取下一个图像帧，从跟踪区域中采样扫描窗口，采用相同的稀疏测量矩阵对扫描窗口进行降维并提取特征，采用上一步的朴素贝叶斯分类器对降维后扫描窗口特征进行分类，其中分类份数最大的窗口标记为目标窗口。

10.如权利要求8所述的视频抠像篡改检测装置，其特征在于：所述跟踪目标检测模块通过复核模块转到标记模块，所述复核模块用于选取图像帧序列中跟踪目标出现的最后一帧图像，进行异常边缘检测，并将获取的篡改区域与最初检测到的异常区域对比，看检测结果是否一致，一致则转到标记模块。

Images