CN104244016B - 一种h264视频内容篡改检测方法 - Google Patents
一种h264视频内容篡改检测方法 Download PDFInfo
- Publication number
- CN104244016B CN104244016B CN201410395140.3A CN201410395140A CN104244016B CN 104244016 B CN104244016 B CN 104244016B CN 201410395140 A CN201410395140 A CN 201410395140A CN 104244016 B CN104244016 B CN 104244016B
- Authority
- CN
- China
- Prior art keywords
- frame
- video
- mrow
- msub
- distort
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000000682 scanning probe acoustic microscopy Methods 0.000 claims description 10
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明提供了一种H264视频内容篡改检测方法，包括以下步骤：S1.对原始视频进行篡改，得到篡改视频，对训练视频进行训练，训练视频包括原始视频和篡改视频；S2.提取训练视频的运动误差帧，再对运动误差帧提取隐写分析特征；S3.使用二分类器对隐写分析特征进行学习训练，得到分类模型；S4.对待测视频进行运动误差帧提取及隐写分析特征提取，采用分类模型对待测视频的所有帧进行分类预测，得到帧分类结果，根据帧分类结果进行待测视频的篡改检测。
Description
技术领域
本发明涉及视频内容取证领域，更具体地，涉及一种使用图像隐写分析特征进行视频内容的篡改检测的方法。
背景技术
随着数字多媒体技术的迅速发展，视频在社会生活的各个方面特别是监控领域中发挥着越来越重要的作用。由于视频可以对过去发生的事实进行高度一致的复现，其在司法领域的作用越来越大。但借助专业的视频编辑软件如Adobe Premiere、Adobe AfterEffects等，普通用户也能够篡改视频的内容而不留下视觉痕迹，从而掩盖甚至歪曲事实的真相。这些虚假的视频一旦被用于司法取证将严重妨害社会的正常秩序，进行视频的篡改检测成了迫在眉睫的问题。
数字视频的取证技术可分为主动取证和被动取证两类。主动取证技术需要事先在视频中添加额外的认证信息，如数字签名、数字水印等，然后通过对视频中认证信息的检验来判断视频是否经过篡改。但实际中的视频往往不具有附加先验信息，主动取证技术具有很大的局限性，而被动取证技术由于其对视频没有任何要求而具有更广的应用范围。
数字视频的篡改方式可分为基于帧的篡改和基于内容的篡改。基于帧的篡改通过增加或删除视频的部分帧以达到歪曲事实的目的，这种方法操作简单，但往往会出现篡改后视频内容不连贯的现象，导致使用范围比较狭窄。基于内容的篡改则没有这个限制，它通过移除或添加视频里的人或物体来达到特定目的。这种篡改使用范围比较广，但要求更高的技术和更精细的修改。
基于内容的篡改可以篡改视频的内容而不留下视觉痕迹，但是篡改操作在篡改视频的同时不可避免地对篡改区域内容的原始性造成破坏，而且为了掩盖篡改事实，篡改者往往需要对篡改区域做进一步的后处理。这一系列操作虽然在肉眼上没有可察觉的痕迹，但已经破坏了原始图像在空域或者频率域固有的统计特征。
在现代的刑事纠纷中，个人拍摄或监控设备录取的视频录像经常被作为证据出现，甚至会决定一个案件的最终判决结果。鉴于现代视频编辑技术发达，录像证据的提供者需要保证视频的原始性，而处于不利地位的一方更要求鉴定视频录像的真实性，这时一个权威而又准确的视频篡改检测鉴定能够有效地保证案件判决的客观和公正，保证司法的公平。
发明内容
本发明为克服主动取证的局限性，提供了一种H264视频内容篡改检测方法，以很高的准确率检测一个视频是否经过篡改，并且可以定位出篡改的具体位置供进一步分析。
为解决上述技术问题，本发明的技术方案包括以下步骤：
训练阶段：
S1.对原始视频进行篡改，得到篡改视频，对训练视频进行训练，训练视频包括原始视频和篡改视频；
S2.提取训练视频的运动误差帧，再对运动误差帧提取隐写分析特征；
S3.使用二分类器对隐写分析特征进行学习训练，得到分类模型；
检测阶段：
S4.对待测视频进行运动误差帧提取及隐写分析特征提取，采用分类模型对待测视频的所有帧进行分类预测，得到帧分类结果，根据帧分类结果进行待测视频的篡改检测。
本发明原理是基于篡改操作在篡改视频时对篡改区域内容的原始性造成破坏，同时破坏了原始帧在空域或者频率域固有的统计特征。隐写分析特征就是其中一种统计特征，它对篡改非常敏感，原始帧和对应的篡改帧在这个特征上呈现出不同的特点，因而可以采用上述的方法，区分原始视频和篡改视频。
现有技术提供的隐写分析特征有以下几种：
SPAM：一种维数为686的空域隐分析特征；
CHEN：一种维数为486的频率域隐写分析特征；
CC-PEV：一种维数为548的频率域隐写分析特征；
CDF：一种维数为1234的混合域隐写分析特征；
CF*：一种维数为7850的频率域隐写分析特征。
进一步地，所述步骤S2中使用共谋攻击的方法提取运动误差帧，即用视频当前帧前后共m帧的平均值作为当前帧的估计帧，然后用当前帧减去估计帧得到运动误差帧error(x)；m为窗口长度，用户可依据根据经验和实验结果进行设定；
具体如下：设定窗口长度为m，视频的第x帧frame(x)，用以下公式计算出运动误差帧error(x)；
这里的m0表示(m-1)/2，N表示视频的总帧数。
进一步地，所述的分类器是由三个二分类器两两训练得到的三分类器；训练视频中帧包括原始视频帧、篡改视频篡改帧、篡改视频非篡改帧；使用二分类器对从原始视频帧、篡改视频篡改帧、篡改视频非篡改帧提取出来的隐写分析特征进行两两训练学习，得到分类模型。
进一步地，当步骤S4的分类结果中存在n帧连续篡改的帧，则该待测视频为篡改视频。
进一步地，当待测视频被判定为篡改视频时，还包括对篡改位置进行定位，具体定位方式为：对于篡改帧集中的区域，统计其中最长的一段连续帧，篡改帧与该段连续帧的比例为B％及以上时，则判定该段连续帧所在的位置为篡改位置。在具体定位过程中，B％可根据所要定位的精确来取值，一般可取为80％～100％。
为了提高定位精度，还可在进行篡改定位之前，先对分类模型的分类结果进行修正，具体如下：对每一帧i前后共K帧范围内的所有帧使用投票策略，若K帧中篡改帧与所有帧的比超过50％，则该帧i为篡改帧，否则为非篡改帧。K的范围不宜过大，以避免产生太剧烈的改动而影响到最终的定位结果，C的范围为40％～60％；在对分类结果进行修正后，对于篡改帧集中的区域，统计其中最长的一段连续帧，篡改帧与该段连续帧的比例为B％及以上时，则判定该段连续帧所在的位置为篡改位置。当存在多个篡改帧集中的区域时，使用上述篡改定位判定方法对每处篡改帧集中的区域定位出篡改位置。
进一步地，所述的隐写分析特征为SPAM、CHEN、CC-PEV、CDF或CF*中任一种。
与现有技术相比，本发明技术方案的有益效果是：本发明方法提供了一个非常有效的通用视频内容篡改检测方法，克服了主动取证的局限性，以很高的准确率检测一个视频是否经过篡改，并且可以定位出篡改的具体位置供进一步分析。在司法取证领域可以发挥重要作用。
附图说明
图1是本发明的流程图。
图2是本发明的视频篡改示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
本发明的实施例技术方案使用的隐写分析特征包括SPAM、CHEN、CC-PEV、CDF和CF*，但不限于以上隐写分析特征，使用其他隐写分析特征也能达到同样的技术效果，比如34671维的空域特征SRM；应该说明，以下实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。
实施例1
具体的流程如图1所示，首先选择一定数量的原始视频和对应的篡改视频作为数据集，把其中一部分划分为训练集，剩下的划分为测试集。实验中把一段较长的监控视频以不解压的方式剪切成小段。因为没有解压，所以每小段视频仍是一次压缩的原始视频。选择其中80段视频，按图2所述，用视频编辑软件Adobe After Effects分别篡改成篡改视频，每个视频篡改其中的一段区域，并记录篡改帧的位置，其中篡改视频包含篡改视频篡改帧和篡改视频非篡改帧。最终得到80组原始视频和对应的篡改视频，共计约45000帧图像，组成实验数据集，并按50％的比例划分为训练集和测试集。
本发明原理是基于篡改操作在篡改视频时对篡改区域内容的原始性造成破坏，同时破坏了原始帧在空域或者频率域固有的统计特征。隐写分析特征就是其中一种统计特征，它对篡改非常敏感，原始帧和对应的篡改帧在这个特征上呈现出不同的特点，因而可以采用上述的方法，区分原始视频和篡改视频。
本实施例选用提取SPAM来区分不同的视频帧，SPAM是一种维数为686的空域隐写分析特征，SPAM在隐写分析中均取得了很好的效果，能够有效地表达图像。
在提取SPAM之前，为了提升分类的性能，首先对视频的运动误差帧进行提取，本实施例采用共谋攻击(Collusion Attack)的方法提取视频的运动误差帧，即用视频当前帧前后共m帧的平均值作为当前帧的估计帧，然后用当前帧减去估计帧得到运动误差帧error(x)，本实施例中，设定m为11，视频的第x帧用frame(x)表示，用以下公式计算出运动误差帧error(x)，
这里m0表示(m-1)/2，N表示视频的总帧数。
本实施例选择对视频的运动误差帧提取特征，对视频的不同帧(原始视频帧、篡改视频篡改帧、篡改视频非篡改帧)提取特征之后，需要使用二分类器进行训练。本实施例中使用的二分类器是Ensemble分类器，其在训练维数较高的特征、数量较多的样本时仍然具有很高的运行效率，而且分类性能良好。但Ensemble分类器是二类分类器，在对三种不同的样本进行分类时需要扩展成多类分类器。这里采用一对一原则，对所有的三种帧，用Ensemble分类器对隐写分析特征进行两两训练学习，得到分类模型。
得到训练好的分类模型之后，可以对待测视频进行检测。
首先对待测视频提取运动误差帧，再对运动误差帧提取SPAM，使用训练好的分类模型对待测视频的所有帧进行分类预测，得到帧分类结果。
接下来判断待测视频是否经过篡改。一个未经篡改的待测视频理论上不包含篡改帧，如果其中连续出现了一定数量的篡改帧，说明这个视频很大概率是一个篡改视频。本实施例中，检测待测视频中是否存在连续5帧以上的篡改帧，如果存在，判定该视频为篡改视频；否则为非篡改视频。
在判定待测视频为篡改视频的基础上，对篡改视频的篡改位置进行定位。
由于分类器对篡改帧的分类存在一定的漏检，为了提升定位的效果，先对分类器的分类结果进行修正。篡改视频时一般需要篡改一段连续的帧，于是视频中篡改帧和非篡改帧会连续出现，一帧的类型与其前后一定范围内的帧的类型有一定关系，利用这点可以对原始的分类结果做进一步修正：本实施例中，对每一帧前后共K＝7帧的所有帧使用投票策略，如果其中篡改帧的数量超过50％，才将判定这一帧为篡改帧；否则作为非篡改帧处理。这个修正对于连续分类正确的帧没有任何影响，对于偶尔出现的错误能够进行一定弥补，如下所示。
原始分类结果：2 2 2 2 2 2 3 3 3 3 3 2 3 3 3 3 2 3 3 3 3 3 3 2 2 2 2 2
修正分类结果：2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2
符号含义：1-原始帧，2-篡改视频非篡改帧，3-篡改视频篡改帧。
这样可以确保这一段视频帧分类结果的一致性，提升每一帧的分类正确率，改善后面篡改定位的效果。
本实施例中，对于篡改帧集中的区域，统计其中最长的一段连续帧，当其中篡改帧与该段连续帧的比例大于等于90％时，则判定这段连续帧所在的位置为篡改位置。如果存在多个篡改帧集中的区域，说明该视频经过多处篡改，使用相同的方法可以对每处篡改均定位出篡改位置。
本实施例按所述步骤进行了一系列的实验，使用四个指标对结果进行评价：帧正确率指不同类型的帧被多分类器正确分类的概率，衡量多分类的准确性；视频正确率指判定一个视频是否经过篡改的正确率，衡量篡改检测的准确性；定位准确率指定位结果中真正篡改帧的比例，定位召回率指定位正确的篡改帧占实际所有篡改帧的比例，二者衡量篡改定位的准确性。实验统计结果如下所示：
| 特征名称 | 帧正确率 | 视频正确率 | 定位准确率 | 定位召回率 |
| SPAM | 86.8263％ | 96.0250％ | 90.5144％ | 87.2899％ |
实施例2
本实施例采用实施例1一样的步骤，隐写分析特征选用CHEN，一种维数为486的频率域图像隐写分析特征。按上述方法，进行一系列的实验后，得实验统计结果如下：
| 特征名称 | 帧正确率 | 视频正确率 | 定位准确率 | 定位召回率 |
| CHEN | 81.0404％ | 99.1500％ | 93.0054％ | 93.1218％ |
实施例3
本实施例采用了实施例1一样的步骤，步骤中的隐写分析特征选用CCPEV，一种维数为548的频率域隐写分析特征，按上述方法，进行一系列的实验后，得实验结果统计如下：
| 特征名称 | 帧正确率 | 视频正确率 | 定位准确率 | 定位召回率 |
| CCPEV | 93.6564％ | 99.7000％ | 91.8296％ | 94.7984％ |
实施例4
本实施例采用了实施例1所述的步骤，步骤中的隐写分析特征选用CDF，一种维数为1234的混合域隐写分析特征，按上述方法，进行一系列的实验后，得实验统计结果如下：
| 特征名称 | 帧正确率 | 视频正确率 | 定位准确率 | 定位召回率 |
| CDF | 96.2510％ | 99.2500％ | 91.2180％ | 93.2540％ |
实施例5
本实施例采用了实施例1所述的步骤，步骤中的隐写分析特征选用CF*，一种维数为7850的频率域隐写分析特征，按上述方法，进行一系列的实验后，得实验统计结果如下：
| 特征名称 | 帧正确率 | 视频正确率 | 定位准确率 | 定位召回率 |
| CF* | 96.8590％ | 98.9000％ | 91.7609％ | 91.0760％ |
根据实施例1～5，可以看到，不同的隐写分析特征都可达到非常良好的效果。
视频正确率一项表明所有特征都能够以非常高的准确率判断出一段待测视频是否经过篡改，这种高度准确的视频篡改检测具有重大的实际意义。
定位准确率和定位召回率两项表明本发明方法定位的篡改位置是比较准确的，可以给专家的分析提供良好的帮助。算法给出的召回率比准确率稍高，便于降低漏检的概率。如果实际需要，我们还可以利用篡改帧的连续性对定位结果前后一定范围内的所有帧进行进一步分析，这可能会产生一定的虚警，但能够更好地降低漏检的概率。
本发明方法提供了一个非常有效的通用视频内容篡改检测方法，克服了主动取证的局限性，以很高的准确率检测一个视频是否经过篡改，并且可以定位出篡改的具体位置供进一步分析。在司法取证领域可以发挥重要作用。
Claims (6)
1.一种H264视频内容篡改检测方法，其特征在于：包括以下步骤：
训练阶段：
S1.对原始视频进行篡改，得到篡改视频，对训练视频进行训练，训练视频包括原始视频和篡改视频；
S2.提取训练视频的运动误差帧，再对运动误差帧提取隐写分析特征；
S3.使用二分类器对隐写分析特征进行学习训练，得到分类模型；
检测阶段：
S4.对待测视频进行运动误差帧提取及隐写分析特征提取，采用分类模型对待测视频的所有帧进行分类预测，得到帧分类结果，根据帧分类结果进行待测视频的篡改检测；
步骤S2使用共谋攻击的方法提取运动误差帧，即用视频当前帧前后共m帧的平均值作为当前帧的估计帧，然后用当前帧减去估计帧得到运动误差帧error(x)；
具体如下：设定窗口长度为m，视频的第x帧frame(x)，用以下公式计算出运动误差帧error(x)；
<mrow>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mi>r</mi>
<mi>a</mi>
<mi>m</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>0</mn>
</msub>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>0</mn>
</msub>
</mrow>
</munderover>
<mi>f</mi>
<mi>r</mi>
<mi>a</mi>
<mi>m</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&le;</mo>
<msub>
<mi>m</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mi>r</mi>
<mi>a</mi>
<mi>m</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mn>0</mn>
</msub>
</mrow>
<mrow>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>0</mn>
</msub>
</mrow>
</munderover>
<mi>f</mi>
<mi>r</mi>
<mi>a</mi>
<mi>m</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mn>0</mn>
</msub>
<mo><</mo>
<mi>x</mi>
<mo><</mo>
<mi>N</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mi>r</mi>
<mi>a</mi>
<mi>m</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mn>0</mn>
</msub>
</mrow>
<mi>N</mi>
</munderover>
<mi>f</mi>
<mi>r</mi>
<mi>a</mi>
<mi>m</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<mi>N</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
这里的m0表示(m-1)/2，N表示视频的总帧数。
2.根据权利要求1所述的H264视频内容篡改检测方法，其特征在于：所述的分类模型是由三个二分类器两两训练得到的；
训练视频中帧包括原始视频帧、篡改视频篡改帧、篡改视频非篡改帧；
步骤S3具体为：使用二分类器对从原始视频帧、篡改视频篡改帧、篡改视频非篡改帧提取出来的隐写分析特征进行两两训练学习，得到分类模型。
3.根据权利要求1或2所述的H264视频内容篡改检测方法，其特征在于：当步骤S4的分类结果中存在n帧连续篡改的帧，则该待测视频为篡改视频。
4.根据权利要求3所述的H264视频内容篡改检测方法，其特征在于：当待测视频被判定为篡改视频时，还包括对篡改位置进行定位，具体定位方式为：对于篡改帧集中的区域，统计其中最长的一段连续帧，当篡改帧与该段连续帧的比例为90％及以上时，则判定该段连续帧所在的位置为篡改位置。
5.根据权利要求4所述的H264视频内容篡改检测方法，其特征在于：在进行篡改定位之前，先对分类模型的分类结果进行修正，具体如下：对每一帧i前后共K帧范围内的所有帧使用投票策略，若K帧中篡改帧与所有帧的比超过50％，则该帧i为篡改帧；否则为非篡改帧；
在对分类结果进行修正后，对于篡改帧集中的区域，统计其中最长的一段连续帧，篡改帧与该段连续帧的比例为90％及以上时，则判定该段连续帧的所在位置为篡改位置；
当存在多个篡改帧集中的区域时，使用上述方法对每处篡改帧集中的区域定位出篡改位置。
6.根据权利要求1所述的H264视频内容篡改检测方法，其特征在于：应用隐写分析技术中的隐写分析特征来作为检测视频内容是否发生篡改的特征，所述的隐写分析特征为SPAM、CHEN、CC-PEV、CDF或CF*中任一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410395140.3A CN104244016B (zh) | 2014-08-12 | 2014-08-12 | 一种h264视频内容篡改检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410395140.3A CN104244016B (zh) | 2014-08-12 | 2014-08-12 | 一种h264视频内容篡改检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104244016A CN104244016A (zh) | 2014-12-24 |
| CN104244016B true CN104244016B (zh) | 2018-04-10 |
Family
ID=52231227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410395140.3A Expired - Fee Related CN104244016B (zh) | 2014-08-12 | 2014-08-12 | 一种h264视频内容篡改检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104244016B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104780386B (zh) * | 2015-03-19 | 2017-12-19 | 内蒙古民族大学 | 基于LOF‑Co‑Forest算法的视频篡改检测方法 |
| CN106028147B (zh) * | 2016-06-23 | 2019-05-28 | 北京华兴宏视技术发展有限公司 | 视频信号监测方法及视频信号监测系统 |
| CN106060568B (zh) * | 2016-06-28 | 2018-12-18 | 电子科技大学 | 一种视频篡改检测及定位方法 |
| CN106101713B (zh) * | 2016-07-06 | 2018-10-09 | 武汉大学 | 一种基于窗口最优校准的视频隐写分析方法 |
| CN111178204B (zh) * | 2019-12-20 | 2023-05-09 | 深圳大学 | 一种视频数据编辑识别方法、装置、智能终端及存储介质 |
| CN111353395B (zh) * | 2020-02-19 | 2023-07-28 | 南京信息工程大学 | 一种基于长短期记忆网络的换脸视频检测方法 |
| CN111368342B (zh) * | 2020-03-13 | 2022-07-05 | 众安信息技术服务有限公司 | 图像篡改识别模型训练方法、图像篡改识别方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5835163A (en) * | 1995-12-21 | 1998-11-10 | Siemens Corporate Research, Inc. | Apparatus for detecting a cut in a video |
| CN101409813A (zh) * | 2007-10-08 | 2009-04-15 | 陈诚 | 防止和识别图像篡改的图像编码方法 |
| CN101710989A (zh) * | 2009-11-06 | 2010-05-19 | 中山大学 | 一种对数字图像jpeg压缩的识别方法 |
| CN103034993A (zh) * | 2012-10-30 | 2013-04-10 | 天津大学 | 一种数字视频转码检测方法 |
| CN103310236A (zh) * | 2013-06-27 | 2013-09-18 | 上海数据分析与处理技术研究所 | 基于局部二维特征的拼接图像检测方法及系统 |
| CN103747255A (zh) * | 2014-01-27 | 2014-04-23 | 深圳大学 | 一种基于空域感知哈希的视频篡改检测方法和装置 |
| CN103761702A (zh) * | 2014-01-09 | 2014-04-30 | 太原科技大学 | 一种基于秘密共享的图像隐藏和认证方法 |
| CN103839255A (zh) * | 2013-12-05 | 2014-06-04 | 福建师范大学 | 视频抠像篡改检测方法及装置 |
| CN103914839A (zh) * | 2014-03-27 | 2014-07-09 | 中山大学 | 一种基于隐写分析的图像拼接篡改检测方法及装置 |
| CN103971321A (zh) * | 2014-05-09 | 2014-08-06 | 华中科技大学 | 一种jpeg兼容的隐写分析方法与系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8793498B2 (en) * | 2008-08-11 | 2014-07-29 | Nbcuniversal Media, Llc | System and method for forensic analysis of media works |
-
2014
- 2014-08-12 CN CN201410395140.3A patent/CN104244016B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5835163A (en) * | 1995-12-21 | 1998-11-10 | Siemens Corporate Research, Inc. | Apparatus for detecting a cut in a video |
| CN101409813A (zh) * | 2007-10-08 | 2009-04-15 | 陈诚 | 防止和识别图像篡改的图像编码方法 |
| CN101710989A (zh) * | 2009-11-06 | 2010-05-19 | 中山大学 | 一种对数字图像jpeg压缩的识别方法 |
| CN103034993A (zh) * | 2012-10-30 | 2013-04-10 | 天津大学 | 一种数字视频转码检测方法 |
| CN103310236A (zh) * | 2013-06-27 | 2013-09-18 | 上海数据分析与处理技术研究所 | 基于局部二维特征的拼接图像检测方法及系统 |
| CN103839255A (zh) * | 2013-12-05 | 2014-06-04 | 福建师范大学 | 视频抠像篡改检测方法及装置 |
| CN103761702A (zh) * | 2014-01-09 | 2014-04-30 | 太原科技大学 | 一种基于秘密共享的图像隐藏和认证方法 |
| CN103747255A (zh) * | 2014-01-27 | 2014-04-23 | 深圳大学 | 一种基于空域感知哈希的视频篡改检测方法和装置 |
| CN103914839A (zh) * | 2014-03-27 | 2014-07-09 | 中山大学 | 一种基于隐写分析的图像拼接篡改检测方法及装置 |
| CN103971321A (zh) * | 2014-05-09 | 2014-08-06 | 华中科技大学 | 一种jpeg兼容的隐写分析方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104244016A (zh) | 2014-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104244016B (zh) | 一种h264视频内容篡改检测方法 | |
| Kang et al. | Robust median filtering forensics using an autoregressive model | |
| CN107527337B (zh) | 一种基于深度学习的视频对象移除篡改检测方法 | |
| CN102226920B (zh) | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 | |
| CN105389567A (zh) | 基于稠密光流直方图的群体异常检测方法 | |
| CN103561271B (zh) | 静止摄像头拍摄的运动目标被移除视频空域篡改检测方法 | |
| CN104182985B (zh) | 遥感图像变化检测方法 | |
| CN100440255C (zh) | 一种鲁棒的图像区域复制篡改检测方法 | |
| Kaur et al. | Review of various steganalysis techniques | |
| CN109726733A (zh) | 一种基于帧间相关性的视频篡改检测方法 | |
| CN102521606A (zh) | 一种对jpeg图像的像素块分类方法及基于此的图像篡改检测和被篡改区域定位方法 | |
| CN103281473A (zh) | 基于视频像素时空相关性的通用视频隐写分析方法 | |
| CN110276295A (zh) | 车辆识别号码检测识别方法及设备 | |
| CN113536972A (zh) | 一种基于目标域伪标签的自监督跨域人群计数方法 | |
| CN104794729A (zh) | 基于显著性引导的sar图像变化检测方法 | |
| CN110457996A (zh) | 基于vgg-11卷积神经网络的视频运动对象篡改取证方法 | |
| CN103839083A (zh) | 一种jpeg图片量化表篡改的检测方法 | |
| CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
| CN103390151A (zh) | 人脸检测方法及装置 | |
| Li et al. | Robust median filtering detection based on the difference of frequency residuals | |
| Rhee | Detection of spliced image forensics using texture analysis of median filter residual | |
| Cao et al. | Detection of image sharpening based on histogram aberration and ringing artifacts | |
| CN104715614A (zh) | 一种嫌疑套牌车捕获方法 | |
| CN107274912A (zh) | 一种手机录音的设备来源辨识方法 | |
| Zhong et al. | A fast forgery frame detection method for video copy-move inter/intra-frame identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| 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: 20180410 |