CN104301733B - 一种基于特征融合的视频隐写盲检测方法 - Google Patents

一种基于特征融合的视频隐写盲检测方法 Download PDF

Info

Publication number
CN104301733B
CN104301733B CN201410453548.1A CN201410453548A CN104301733B CN 104301733 B CN104301733 B CN 104301733B CN 201410453548 A CN201410453548 A CN 201410453548A CN 104301733 B CN104301733 B CN 104301733B
Authority
CN
China
Prior art keywords
matrix
feature
video
diagonal
differences
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.)
Active
Application number
CN201410453548.1A
Other languages
English (en)
Other versions
CN104301733A (zh
Inventor
王婉清
施广帅
张登银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201410453548.1A priority Critical patent/CN104301733B/zh
Publication of CN104301733A publication Critical patent/CN104301733A/zh
Application granted granted Critical
Publication of CN104301733B publication Critical patent/CN104301733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/835—Generation of protective data, e.g. certificates
    • H04N21/8358—Generation of protective data, e.g. certificates involving watermark

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于特征融合的视频隐写盲检测方法，将模式识别模型应用于视频隐写盲检测，选择基于离散余弦变换DCT、运动向量以及MSU的隐写方法，首先提取DCT域、小波域以及空域特征，再进行特征融合以降低维数，采用支持向量机SVM作为分类器对特征向量进行分类，最后对各子分类器的结果进行策略融合得到检测结果。使用本发明方法可有效解决未知隐写方法下隐藏信息的有效检测问题，与专用隐写分析方法相比，在检测率以及虚警率方面并不落后，具有一定的适用性。

Description

一种基于特征融合的视频隐写盲检测方法
技术领域
本发明涉及基于特征融合的视频隐写盲检测方法，属于信息隐藏研究领域。
背景技术
通用视频隐写分析方法也叫视频隐写盲检测，是指在不知道视频隐写算法的情况下对载体视频进行检测，一般独立于具体视频隐写嵌入算法。相对图像载体而言，视频载体的大小通常是图像的很多倍。因此，在嵌入相同数量数据的情况下，视频隐写比图像隐写更加难以检测。
通用隐写分析方法利用载体的统计特征和模型进行检测，目前较为普遍的是采用特征融合的方法来进行隐写分析。从现有文献看来，目前对图像隐写盲检测的研究相对较多，而对在网络上广泛传播的音频和视频上的隐藏信息检测则关注较少；视频隐写盲检测的关键在于特征的提取和特征的融合，最后选取合适的分类器进行分类，通用隐写分析有较好的适用性，但通用特征的选取困难，算法复杂度偏高，无法控制虚警率和漏报率。由于多媒体技术的不断发展，网络上出现了各种压缩标准的视频，针对压缩视频的通用隐写分析技术的研究受到国内外学者们的高度重视。虽然通用视频隐写分析有较好的适用性，但通用特征的选取困难，算法复杂度偏高，无法控制虚警率和漏报率。因此，对通用视频隐写分析还需要更多的投入。
当前视频通用盲检测还缺少这方面的研究，不过针对图像盲检测，已经提出了多种方法，一些典型的特征包括：图像质量度量(Image Quality Measure,IQM)特征，小波系数概率密度函数(Probability Density Function,PDF)矩，小波系数直方图特征函数(Characteristic Function,CF)矩，直方图特征函数质心、经验矩阵(或共生矩阵)统计、以及多域特征联合等。
从基于特征级融合的隐写分析技术研究现状可以看出，为提高检测方法的检测范围，并提升隐写检测性能，现有方法多采用从图像中提取不同域的特征，以便从不同角度来描述由于隐写引起的特征改变，并通过组合分类器，或对多个特征进行各种特征变换进行特征降维处理，减少特征之间的相关性。
发明内容
技术方案：一种特征融合的视频隐写盲检测方法，盲检测方法包括如下步骤：
1)计算视频帧DCT系数绝对值组成的二维矩阵在水平、竖直、对角线和反对角线4个方向的相邻系数差值矩阵，从而得到各差值矩阵的联合概率密度矩阵，最后计算所有联合概率密度矩阵的平均值，提取81维统计特征，作为块内DCT域统计特征；
2)对视频帧进行两级Haar小波变换，得到6个高频子带，并计算其前四阶矩阵，得到24维特征，作为小波域特征；
3)计算帧间差直方图的水平、竖直、对角线和反对角线4个方向的差值矩阵，再得到各矩阵的联合概率密度矩阵。与DCT域特征提取方式一样提取81维统计特征作为图像的空域特征；
4)上述3步共提取186个特征，采用SVM进行训练，采用主元分析法进行特征融合；利用Matlab中的Princomp函数进行主元分析法特征融合，为保证检测准确率，累积贡献率取98％；
5)采用多数投票法进行策略融合，规定当五分之四以上分类器为大多数。
附图说明
图1是本发明的基于融合的视频隐写盲检测方法框图。
图2是本发明的分类器漏检率曲线。
图3是本发明的固定嵌入率下训练的分类器虚警率曲线。
图4是本发明的嵌入率为50％时检测结果的接受操作特性曲线。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。所举实例只用于解释本发明，并非用于限定本发明的范围。
图1是本发明的基于融合的视频隐写盲检测方法框图。视频隐写盲检测的过程可以分为特征选择、特征融合、特征训练以及策略融合这四个步骤。特征选择根据现有视频隐写技术的特点选择对视频隐写比较敏感的特征。从载密视频和原始视频中选取若干进行分类器训练，由于多个域的特征可以有效的提高检测率，如果这些特征比较多的话，也可以将其按类分为若干部分，再加入相应的子分类器中进行融合训练，这样可以避免特征的增加带来的影响。本发明选择DCT域特征、小波域特征以及空域特征。特征库可以不断补充新的特征，当有新的视频隐写算法出现时，可以将这些特征加入特征库，再进行特征融合，随着研究的深入，特征库会不断得到完善。本发明采用支持向量机进行训练学习，选择Matlab中的Princomp函数进行主元分析法进行特征融合，经过各子分类器后的结果再进一步采用多数投票法进行策略融合。将融合的结果放入到策略库中，以供以后参考。
在DCT域特征提取时，假设待检测视频的帧大小为M×N，计算该视频帧DCT系数绝对值组成的二维矩阵在水平、竖直、对角线和反对角线4个方向的相邻系数差值。这样总共可以获得四个差值矩阵：
Fh(u，v)＝F(u，v)-F(u，v+1) (1)
Fy(u，v)＝F(u，v)-F(u+1，v) (2)
Fd(u，v)＝F(u，v)-F(u+1，v+1) (3)
Fm(u，v)＝F(u，v+1)-F(u+1，v) (4)
式中1≤u≤M-1，1≤v≤N-1，差值矩阵Fh、Fv，、Fd和Fm的大小均为(M-1)×(N-1)。则联合概率密度为：
DCT系数矩阵F可以划分为互不重叠的8×8大小的系数块，记为Fi。根据公式(1)～(4)计算水平、竖直、对角线和反对角线4个方向的差值矩阵Fih、Fiv、Fid以及Fim。再根据公式(5)～(8)计算各差值矩阵的联合概率密度矩阵Pih、Piv、Pid和Pim，最后计算所有联合概率密度矩阵的平均值，作为块内统计特征，提取81维统计特征。计算公式如下：
在小波域提取时，对这六个高频子带计算其前四阶矩，即均值u(x)、方差σ2(x)、偏度ζ(x)、峰度κ(x)。计算方法如下：
这样总共得到小波域的24维特征。
本发明采用虚警率(FP)、漏检率(FN)和检测正确率(ACC)作为评价指标。其中，前两个指标越接近于0，最后一个指标越接近于1，表明方法的检测性能越好。采用支持向量机构造隐写分类器，取分类结果的均值作为最终检测结果。
图2为分类器漏检率曲线，其中，分别嵌入25％、50％、75％和100％的秘密信息，横坐标0.1到1分别表示嵌入率为10％到100％时生成的相应嵌入率下的待测视频集，纵坐标表示固定嵌入率训练的分类器测试不同嵌入率的待测视频集时的漏检率FN。
图3所示为固定嵌入率下训练的分类器虚警率曲线。横坐标表示嵌入率为10％到100％时训练的分类器，纵坐标表示固定嵌入率训练的分类器测试不同嵌入率的待测视频集时的虚警率FP。因为测试视频的载体都一样，且各SVM分类器已训练好，所以同一嵌入率训练的SVM分类器对不同嵌入率的测试视频，有相同的虚警率。
图4是嵌入率为50％时检测结果的接受操作特性(ROC)曲线。从曲线上可以更加清楚的看到，本发明方法和ICS方法、MS方法两种专用隐写分析方法的性能接近，因此具有一定的适用性。
本发明将融合技术应用于视频隐写分析中，选择基于DCT、运动向量以及MSU的隐写方法，提取DCT域、小波域以及空域特征，采用主元分析法进行特征融合。与专用隐写分析方法相比，在检测率以及虚警率方面并不落后，但是适用性更加广泛。

Claims (1)

1.一种基于特征融合的视频隐写盲检测方法，其特征在于，该方法包含以下步骤：
1)计算视频帧DCT系数绝对值组成的二维矩阵在水平、竖直、对角线和反对角线4个方向的相邻系数差值矩阵，从而得到各差值矩阵的联合概率密度矩阵，最后计算所有联合概率密度矩阵的平均值，提取81维统计特征，作为块内DCT域统计特征；
2)对视频帧进行两级Haar小波变换，得到6个高频子带，并计算其前四阶矩阵，得到24维特征，作为小波域特征；
3)计算帧间差直方图的水平、竖直、对角线和反对角线4个方向的差值矩阵，再得到各矩阵的联合概率密度矩阵，与DCT域特征提取方式一样提取81维统计特征作为图像的空域特征；
该方法还包括：对DCT域、小波域和空域提取的186个特征，采用SVM进行训练，采用主元分析法进行特征融合；利用Matlab中的Princomp函数进行主元分析法特征融合，为保证检测准确率，累积贡献率取98％；
采用多数投票法进行策略融合，规定当五分之四以上分类器为大多数。
CN201410453548.1A 2014-09-06 2014-09-06 一种基于特征融合的视频隐写盲检测方法 Active CN104301733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410453548.1A CN104301733B (zh) 2014-09-06 2014-09-06 一种基于特征融合的视频隐写盲检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410453548.1A CN104301733B (zh) 2014-09-06 2014-09-06 一种基于特征融合的视频隐写盲检测方法

Publications (2)

Publication Number Publication Date
CN104301733A CN104301733A (zh) 2015-01-21
CN104301733B true CN104301733B (zh) 2017-04-12

Family

ID=52321266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410453548.1A Active CN104301733B (zh) 2014-09-06 2014-09-06 一种基于特征融合的视频隐写盲检测方法

Country Status (1)

Country Link
CN (1) CN104301733B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015115172A1 (de) * 2015-09-09 2017-03-09 Wincor Nixdorf International Gmbh Verfahren und Vorrichtung zur Bestimmung der Integrität einer Kartenleseeinrichtung und ein damit ausgestattetes Selbstbedienungsterminal
CN105488531B (zh) * 2015-11-30 2018-10-16 中国科学院信息工程研究所 一种嵌入式设备固件解压成功的判断方法
CN105954223A (zh) * 2016-04-28 2016-09-21 南京富岛信息工程有限公司 一种提高汽油性质预测精度的方法
CN106101100B (zh) * 2016-06-14 2019-08-02 南京邮电大学 一种基于隐写分析的视频内容监管系统的实现方法
CN107203958A (zh) * 2017-05-25 2017-09-26 段云涛 一种基于多特征联合的隐写图像分析方法
CN107909536B (zh) * 2017-08-25 2021-08-03 武汉大学 一种面向jpeg图像的隐写分析盲检测的方法
US11611773B2 (en) * 2018-04-06 2023-03-21 Qatar Foundation For Education, Science And Community Development System of video steganalysis and a method for the detection of covert communications
CN110674830B (zh) * 2019-12-06 2020-05-19 数字广东网络建设有限公司 图像隐私识别方法、装置、计算机设备和存储介质
CN112637605B (zh) * 2020-11-11 2022-01-11 中国科学院信息工程研究所 基于分析cavlc码字和非零dct系数个数的视频隐写分析方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101655972A (zh) * 2009-09-17 2010-02-24 上海交通大学 基于小波域的图像拼接盲检测方法
CN103034853A (zh) * 2013-01-08 2013-04-10 武汉大学 一种jpeg图像通用隐写分析方法
CN103281473A (zh) * 2013-06-09 2013-09-04 中国科学院自动化研究所 基于视频像素时空相关性的通用视频隐写分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE602006016737D1 (de) * 2005-01-26 2010-10-21 New Jersey Tech Inst System und verfahren zur steganalyse

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101655972A (zh) * 2009-09-17 2010-02-24 上海交通大学 基于小波域的图像拼接盲检测方法
CN103034853A (zh) * 2013-01-08 2013-04-10 武汉大学 一种jpeg图像通用隐写分析方法
CN103281473A (zh) * 2013-06-09 2013-09-04 中国科学院自动化研究所 基于视频像素时空相关性的通用视频隐写分析方法

Also Published As

Publication number Publication date
CN104301733A (zh) 2015-01-21

Similar Documents

Publication Publication Date Title
CN104301733B (zh) 一种基于特征融合的视频隐写盲检测方法
CN110807385B (zh) 目标检测方法、装置、电子设备及存储介质
JP6547069B2 (ja) 物体検出のためのサブカテゴリ認識機能付き畳み込みニューラルネットワーク
Xu et al. Inter/intra-category discriminative features for aerial image classification: A quality-aware selection model
CN108647649B (zh) 一种视频中异常行为的检测方法
CN103020606B (zh) 一种基于时空上下文信息的行人检测方法
CN110880172A (zh) 基于循环卷积神经网络的视频人脸篡改检测方法及系统
CN101431664A (zh) 基于视频图像的密集客流密度自动检测方法及系统
CN104598933A (zh) 一种基于多特征融合的图像翻拍检测方法
CN104376303B (zh) 一种低分辨率情况下的车辆成像方法
CN103034853A (zh) 一种jpeg图像通用隐写分析方法
CN101504760A (zh) 一种数字图像隐密信息检测与定位的方法
CN109753906B (zh) 基于域迁移的公共场所异常行为检测方法
Zhao et al. Tampered region detection of inpainting JPEG images
CN106157232A (zh) 一种数字图像特征感知的通用隐写分析方法
CN103310235A (zh) 一种基于参数识别与估计的隐写分析方法
Moghaddasi et al. SVD-based image splicing detection
CN105261040B (zh) 一种多目标跟踪方法及装置
Ma et al. Scene invariant crowd counting using multi‐scales head detection in video surveillance
CN103903214B (zh) 基于mcuu模型下的dct域图像隐写容量的评估方法
CN117037004A (zh) 基于多尺度特征融合和上下文增强的无人机影像检测方法
Zambanini et al. Detecting falls at homes using a network of low-resolution cameras
CN103258123A (zh) 一种基于隐写分析系统盲性的隐写分析方法
JP7072765B2 (ja) 画像処理装置、画像認識装置、画像処理プログラム、及び画像認識プログラム
CN105046286A (zh) 基于自动视图生成和联合l1，2范数最小化的监督多视图特征选择方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant