CN104519361A - 一种基于空时域局部二值模式的视频隐写分析方法 - Google Patents

Abstract

本发明公开了一种基于空时域局部二值模式的视频隐写分析方法，该方法包括步骤：步骤1、将待分析的视频序列中的每一帧以8×8块为单位按照区域活动性分类标准进行分类；步骤2、分别建立分类结果对应的包含时空坐标轴的三维正交平面，统计分类结果中的各区域所对应不同三维正交平面的LBP直方图；步骤3、引入活动因子的概念，将其与对应的LBP直方图进行运算，得到ST_LBP特征；步骤4、利用Fisher Ratio方法进行特征选择并实现隐写信息的分类识别。与现有技术相比，本发明引入的“活动因子”，能够降低因活动区域对象的运动而对检测结果造成的干扰，从而有效的提高检测有效性；以及不再受特征维度的限制，LBP定义中的半径R和领域点数P取值可进一步扩展，从而更有效的利用视频序列时空域的相关性。

Description

一种基于空时域局部二值模式的视频隐写分析方法

技术领域

本发明涉及多媒体信息安全领域，特别是涉及一种基于空时域局部二值模式的视频隐写分析方法。

背景技术

随着数字多媒体与网络技术的飞速发展，数字化产品给人们的日常生活带来了种种便利。与此同时，各种信息安全问题也层出不穷。信息隐藏技术作为信息安全领域的一大研究热点，即将秘密信息以不引起第三方注意的方式嵌入到数字载体中，从而实现版权保护、隐蔽通信等目的。视频信息隐藏，即将视频作为载体信号，进行秘密信息的传输。作为其对抗技术，视频隐写分析旨在揭示秘密信息的存在，起步较晚且难度较大，对于信息安全技术的发展有着重要意义。

和图像资源相比，视频资源可以看作是静止图像的有序序列，具有视觉不可感知性、信息嵌入率相对较小等特点。视频序列的相邻帧不仅在空间域具有一定相关性，在时间域也具有较强的相关性，从而进一步扩大了人眼视觉特性的可利用范围。该特点导致嵌入信息以极低的密度分散在较大的视频码流中，从而增加了隐写分析的难度，所以要求隐写分析方法具有更高的灵敏度。与此同时，视频压缩往往会造成一定程度的视频质量的退化，这将进一步造成嵌入信息的被掩盖。

目前，视频隐写分析方法大多基于时空域的相关性，如Budhia等人提出的视频隐写分析方法利用帧间共谋去除隐藏信息，该方法根据“秘密信息”服从“高斯分布”这一先验条件，若“秘密信息”不满足则该方法将失效。另一种由Pankajakshan等人提出的视频隐写分析方法，虽然一定程度上利用了视频序列的时空相关性，但是没有对时空相关性进行度量，也未能考虑视频序列区域活动性对时空域相关性的影响。

所以，如何提出一个兼具时空域相关性的描述算子、同时考虑到区域活动性对时空域相关性的影响、且在保持较低的维度的前提下仍具有较高的检测率的视频隐写分析技术，成为本领域亟待解决的问题。

发明内容

为了克服上述现有技术，本发明提出了一种基于空时域局部二值模式的视频隐写分析方法，首次把LBP直方图引入隐写分析领域，并在此基础上构造视频序列的三维正交平面，利用视频序列的时空相关性进行建模，考虑到视频序列区域活动性对时空域相关性的影响，引入活动因子概念，并利用FisherRatio特征选择在保持较高检测率的前提下进一步降低维度。

本发明提出了一种基于空时域局部二值模式的视频隐写分析方法，该方法包括以下步骤：

步骤1、将待分析的视频序列中的每一帧以8×8块为单位按照区域活动性分类标准进行分类；

步骤2、分别建立分类结果对应的包含时空坐标轴的三维正交平面，统计分类结果中的各区域所对应不同三维正交平面的LBP直方图；

步骤3、引入活动因子的概念，将其与对应的LBP直方图进行运算，得到ST_LBP特征；

步骤4、利用FisherRatio方法进行特征选择，并实现隐写信息的分类识别。

所述步骤1中的分类，还具体包括以下处理：

如果SAD小于选定的阈值，且MV的值为零，则认定该区域为静止区域；

如果SAD小于选定的阈值，且MV的值大于零，则认定该区域为微活动区域；

如果SAD大于选定的阈值，则认定该区域为活动区。

所述步骤3中的运算，还具体包括：活动因子为时间域和空间域的统计特征设定一定的权重；

将三个平面的直方图顺次相连，得到3×256维的ST_LBP特征：

ST_LBP＝[H₁ H₂ H₃]∈R^1×768；

其中： $H_j=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ij}}{h}_{\mathrm{ij}},i=\mathrm{1,2,3};j=\mathrm{1,2,3};$

α_ij表示第i种区域第j个平面的活动因子；h_ij为对应LBP直方图。

所述步骤(4)中的特征选择，还具体包括以下处理：φ

计算所有特征作用下的φ值，并按降序排列。根据反复的实验确定特征选择后ST_LBP的维度n，该n维特征即可代表原768维ST_LBP特征；

其中：

$\mathrm{\φ}\left(i\right)=\frac{{\mathrm{\Σ}}_{c=1}^C{K}_c{({\stackrel{\‾}{f}}_i^{\left(c\right)}-{\stackrel{\‾}{f}}_i)}^2}{{\mathrm{\Σ}}_{k=1}^K{(f_i^{\left(k\right)}-{\stackrel{\‾}{f}}_i^{\left(c_k\right)})}^2},i=\mathrm{1,2},...,768$

c表示样本所属类别，C代表了样本类别数，K_c表示第c类中的样本个数，K代表总的样本个数，第i维特征在第c类中的均值以及样本总均值表达式如下：

${\stackrel{\‾}{f}}_i^{\left(c\right)}=\frac{1}{K_c}\underset{k\∈c}{\mathrm{\Σ}}{f}_i^{\left(k\right)},{\stackrel{\‾}{f}}_i=\frac{1}{K}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_i^{\left(k\right)}$

所述步骤(4)中的分类识别，还具体包括以下处理：

把视频序列分成训练集和测试集两部分，对该两个数据集的视频序列进行扩频隐写，处理后的序列作为分类识别的正样本，两个数据集的原始视频序列则作为负样本，将获得的所有正、负样本进行视频编解码；

对所有正、负样本提取ST_LBP特征并进行Fisher Ratio特征选择；

采用C-SVM分类器，内核为径向基核函数：

k(x，y)＝exp(-γ||x-y||²)，γ＞0

通过10次交叉检验获取最佳核参数，搜索范围为(C,γ)∈{(2i,2j)|i,j∈Z}，其中C是训练误差的补偿参数，γ为核参数；

首先，将得到的训练特征集输入C-SVM进行训练，得到相应训练模型；然后，根据分类模型对测试集的数据进行判断，通过对比判别标号和测试数据的标号计算得出检测准确率。

与现有技术相比，本发明具有以下技术效果：

(1)考虑到视频区域活动性对时空域相关性的影响，对视频序列进行了区域的划分并引入活动因子这一概念，能够降低因活动区域对象的运动而对检测结果造成的干扰，从而有效的提高检测有效性；

(2)经过Fisher Ratio特征选择后得到的ST_LBP的维度较小，训练的复杂度较低，因而本发明的视频隐写分析方法不再受特征维度的限制；由于LBP定义中的半径R和领域点数P取值可进一步扩展，从而更有效的利用视频序列时空域的相关性。

附图说明

图1为三维正交平面举例示意图；

图2为ST_LBP三维模型示意图；

图3为本发明的基于空时域局部二值模式的视频隐写分析方法的整体流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明，但本发明的实施范围并不局限于此。

本发明利用视频序列时空域具有相关性这一特质，建立包含时空坐标轴的三维正交平面，根据区域活动性分类标准将视频帧按块划分成三大类，统计各个区域对应不同平面的LBP直方图，并与权重矩阵进行运算建立ST_LBP模型，使之保持较低的维度的前提下具有较高的检测率。

步骤1、将待分析的视频序列中的每一帧以8×8块为单位按照区域活动性分类标准进行分类；

分类规则：

视频序列一个非常重要的特性在于视频中的对象是运动的，这些运动将造成相邻帧对应像素值的差异。本文通过创建包含空域坐标轴X、Y和时域坐标轴T的三维正交平面来利用帧间、帧内相邻像素间的相关性。然而对于局部运动区域的像素点而言，其空时域相关性都会受到局部运动性的影响，在未进行分析的前提下盲目利用空时间域相关性非但不会提升检测率反而会造成统计特征的偏差。另一方面，局部运动和信息嵌入都将造成像素值的改变，未进行像素点筛选便会对检测结果造成一定的干扰，导致无法区分灰度值的变化是由于运动变化引起的还是信息嵌入引入的，因此在特征提取模块前，进行活动性分析就显的尤为重要。

由于压缩过程中匹配块的选择是靠运动矢量(Motion Vector，MV)和绝对误差和(Sum ofAbsolute Differences，SAD)的大小来衡量的，本模型的区域活动性也可依据这两个标准进行分析。f'(x,y)表示f(x,y)在相邻帧匹配块的对应像素值，SAD的计算如下：

$\mathrm{SAD}=\underset{(x,y)}{\mathrm{\Σ}}|(x,y)-f^{\′}(x,y)|$

分类规则：

由于视频序列经过了压缩编码(如MPEG-2、MPEG-4、H.264)，区域活动性则可依据运动矢量(motion vectors，MV)和绝对误差和(sum of absolute difference，SAD)的大小进行分类，具体分类标准如下：

1)如果SAD小于选定的阈值，且MV的值为零，则认定该区域为静止区域；

2)如果SAD小于选定的阈值，且MV的值大于零，则认定该区域为微活动区域；

3)如果SAD大于选定的阈值，则认定该区域为活动区域。

分类结果：

根据以上分类标准，可将视频序列的每一帧以8×8块为单位划分成三类区域：静止区域、微活动区域、活动区域。

步骤2、分别建立分类结果对应的包含时空坐标轴的三维正交平面，统计分类结果中的各区域所对应不同三维正交平面的LBP直方图；

在图像隐写分析领域，多数方法通过分析图像空间域或变换域的相关性来构建特征描述算子。而在视频隐藏系统，不仅在空间域相邻像素间具有一定相关性，相邻帧在时间域也具有较强的相关性。对视频帧进行一定强度的扩频隐写后，画面质量会产生一定程度的退化，同时帧内以及帧间相邻像素的相关性也会受到一定程度的影响，正是空时域相关性的改变成为了视频隐写分析的突破口。为了高效地利用帧间、帧内相邻像素间的相关性，在原始LBP定义的基础上进行拓展并创建包含空域坐标轴X、Y和时域坐标轴T的三维正交平面，三个平面的分布如图1所示。

1)创建包含空域坐标轴X、Y和时域坐标轴T的三维正交平面。

2)以g_c为中心，周围P个点作为其邻域点，分别从XY、XT和YT三平面提取其LBP特征，LBP计算公式如下：

${\mathrm{LBP}}_{P,L}=\underset{i=0}{\overset{P}{\mathrm{\Σ}}}s(g_{i,L}-g_c)2^i,(L=1:\mathrm{XY},2:\mathrm{XT},3:\mathrm{YT})$

3)对第i种区域(i＝1:静止区域；2:微活动区域；3:活动区域)的像素点在第j个平面(j＝1:XY；2:XT；3:YT)的LBP特征进行直方图统计，获得相应的LBP直方图h_ij。由于每个像素点LBP特征值的取值范围为0到255，所以LBP直方图h_ij的维度为256维。

步骤3、引入活动因子的概念，将其与对应的LBP直方图进行运算，得到ST_LBP特征；

对于视频序列而言，时域相关性和空域相关性对检测率的贡献并不相同，该结果随区域活动性的变化而改变。于是引入活动因子这一概念，即为时间域和空间域的统计特征设定一定的权重。对于静止区域而言，其时间相关性要强于空间相关性，因此XT、YT平面的活动因子应尽可能大。对于活动区域而言，对象的运动会引发相邻帧对应像素值较大的变化，时间域的特征往往会对检测结果造成一定的干扰。所以对于运动区域而言空间域往往传达更有利的信息，XT、YT平面的活动因子越小越好。

根据区域活动性对时空域相关性的影响，为不同区域的三个平面设定活动因子，将该9个值组成权重矩阵，如下：

$w=\left(\begin{array}{ccc}{\mathrm{\α}}_{11}& {\mathrm{\α}}_{12}& {\mathrm{\α}}_{13}\\ {\mathrm{\α}}_{21}& {\mathrm{\α}}_{22}& {\mathrm{\α}}_{23}\\ {\mathrm{\α}}_{31}& {\mathrm{\α}}_{32}& {\mathrm{\α}}_{33}\end{array}\right),\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ij}}=1$

α_ij对应第i种区域(i＝1:静止区域；2:微活动区域；3:活动区域)第j个平面(j＝1:XY；2:XT；3:YT)的活动因子。基于大量反复的实验和以上的理论分析，最终确定缺省权重矩阵如下：

$w=\left(\begin{array}{ccc}0& {\mathrm{\α}}_{12}& {\mathrm{\α}}_{13}\\ {\mathrm{\α}}_{21}& {\mathrm{\α}}_{22}& {\mathrm{\α}}_{23}\\ {\mathrm{\α}}_{31}& 0& 0\end{array}\right)$

ST-LBP表达式及其参数的含义：

将第i种区域第j个平面的活动因子α_ij与对应LBP直方图h_ij相乘并求和，得到第j个平面的直方图特征H_j，定义如下：

$H_j=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ij}}{h}_{\mathrm{ij}},i=\mathrm{1,2,3};j=\mathrm{1,2,3}$

3)将三个平面的直方图(每个直方图维度为256)顺次相连，得到3×256维的ST_LBP特征：

ST_LBP＝[H₁ H₂ H₃]∈R^1×768。

步骤4、利用Fisher Ratio方法进行特征选择并实现隐写信息的分类识别。

一、特征选择：

基于Fisher Ratio的特征选择方法则打破了维度限制这一瓶颈，使得在低维度的前提条件下保持较高检测率这一目标成为可能，其定义如下：

$\mathrm{\φ}\left(i\right)=\frac{{\mathrm{\Σ}}_{c=1}^C{K}_c{({\stackrel{\‾}{f}}_i^{\left(c\right)}-{\stackrel{\‾}{f}}_i)}^2}{{\mathrm{\Σ}}_{k=1}^K{(f_i^{\left(k\right)}-{\stackrel{\‾}{f}}_i^{\left(c_k\right)})}^2},i=\mathrm{1,2},...,768$

c代表样本所属类别，C代表了样本类别数，K_c表示第c类中的样本个数，K代表总的样本个数，第i维特征在第c类中的均值以及样本总均值表达式如下：

${\stackrel{\‾}{f}}_i^{\left(c\right)}=\frac{1}{K_c}\underset{k\∈c}{\mathrm{\Σ}}{f}_i^{\left(k\right)},{\stackrel{\‾}{f}}_i=\frac{1}{K}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_i^{\left(k\right)}$

φ(i)的值越大，说明第i维特征作用下类间的差异性越大，类内的相关性越强，进而嵌入隐密信息的视频帧能够被分类器识别的概率就越大。通过Fisher Ratio的特征选择方法，计算所有特征作用下的φ值，并按降序排列。根据反复的实验确定特征选择后ST_LBP的维度n，该n维特征即可代表原768维ST_LBP特征。

二、分类识别：

(1)本实验选取多段标准CIF(Common Intermediate Format)视频序列作为原始视频序列，CIF格式序列每帧图像的空间分辨率为352*288。按照传统划分方法，把视频序列分成训练集和测试集两部分，对2个数据集的视频序列进行一定强度和冗余度的扩频隐写，处理后的序列作为分类识别的正样本，2个数据集的原始视频序列则作为负样本，将获得的所有正负样本进行视频编解码操作。

(2)对所有正负样本按照实施方案里的方法提取ST_LBP特征并进行Fisher Ratio特征选择。将训练集和测试集特征向量均归一化到[-1,+1]范围，从而得到用于输入到SVM分类器的特征向量f′_i。其中，其中min(f_i)、max(f_i)分别代表提取的第i个特征的最小值和最大值，归一化公式如下：

$f_i^{\′}=\frac{2\×(f_i-\min \left(f_i\right))}{\max \left(f_i\right)-\min \left(f_i\right)}-1$

(3)采用C-SVM分类器，内核为径向基核函数：

k(x，y)＝exp(-γ||x-y||²)，γ＞0

通过10次交叉检验获取最佳核参数，搜索范围为(C,γ)∈{(2ⁱ,2^j)|i,j∈Z}，其中C是训练误差的补偿参数，γ为核参数。

(4)选取训练集的归一化特征向量去训练SVM分类器，采用网格搜索法得到最优分类模型，随后将测试集的归一化特征向量输入到SVM分类器，并用上步得到的最优分类模型对其进行预测，通过对比判别标号和测试数据的标号计算得出检测准确率。

尽管上面结合图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以作出很多变形，这些均属于本发明的保护之内。

Claims (5)

1.一种基于空时域局部二值模式的视频隐写分析方法，其特征在于，该方法包括以下步骤：

步骤(1)、将待分析的视频序列中的每一帧以8×8块为单位按照区域活动性分类标准进行分类；

步骤(2)、分别建立分类结果对应的包含时空坐标轴的三维正交平面，统计分类结果中的各区域所对应不同三维正交平面的LBP直方图；

步骤(3)、引入活动因子的概念，将其与对应的LBP直方图进行运算，得到ST_LBP特征；

步骤(4)、利用Fisher Ratio方法进行特征选择，并实现隐写信息的分类识别。

2.如权利要求1所述的基于空时域局部二值模式的视频隐写分析方法，其特征在于，所述步骤(1)中的分类，还具体包括以下处理：

如果SAD小于选定的阈值，且MV的值为零，则认定该区域为静止区域；

如果SAD小于选定的阈值，且MV的值大于零，则认定该区域为微活动区域；

如果SAD大于选定的阈值，则认定该区域为活动区。

3.如权利要求1所述的基于空时域局部二值模式的视频隐写分析方法，其特征在于，所述步骤(3)中的运算，还具体包括：活动因子为时间域和空间域的统计特征设定一定的权重；

将三个平面的直方图顺次相连，得到3×256维的ST_LBP特征：

ST_LBP＝[H₁ H₂ H₃]∈R^1×768；

其中：i＝1,2,3；j＝1,2,3；

α_ij表示第i种区域第j个平面的活动因子；h_ij为对应LBP直方图。

4.如权利要求1所述的基于空时域局部二值模式的视频隐写分析方法，其特征在于，所述步骤(4)中的特征选择，还具体包括以下处理：φ

计算所有特征作用下的φ值，并按降序排列。根据反复的实验确定特征选择后

ST_LBP的维度n，该n维特征即可代表原768维ST_LBP特征；

其中：

$\mathrm{\φ}\left(i\right)=\frac{{\mathrm{\Σ}}_{c=1}^C{K}_c{({\stackrel{\‾}{f}}_i^{\left(c\right)}-{\stackrel{\‾}{f}}_i)}^2}{{\mathrm{\Σ}}_{k=1}^K{(f_i^{\left(k\right)}-{\stackrel{\‾}{f}}_i^{\left(c_k\right)})}^2},$ i＝1,2,...,768

c表示样本所属类别，C代表了样本类别数，K_c表示第c类中的样本个数，K代表总的样本个数，第i维特征在第c类中的均值以及样本总均值表达式如下：

${\stackrel{\‾}{f}}_i^{\left(c\right)}=\frac{1}{K_c}\underset{k\∈c}{\mathrm{\Σ}}{f}_i^{\left(k\right)},{\stackrel{\‾}{f}}_i=\frac{1}{K}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_i^{\left(k\right)}$

5.如权利要求1所述的基于空时域局部二值模式的视频隐写分析方法，其特征在于，所述步骤(4)中的分类识别，还具体包括以下处理：

把视频序列分成训练集和测试集两部分，对该两个数据集的视频序列进行扩频隐写，处理后的序列作为分类识别的正样本，两个数据集的原始视频序列则作为负样本，将获得的所有正、负样本进行视频编解码；

对所有正、负样本提取ST_LBP特征并进行Fisher Ratio特征选择；

采用C-SVM分类器，内核为径向基核函数：

k(x，y)＝exp(-γ‖x-y‖²)，γ＞0

通过10次交叉检验获取最佳核参数，搜索范围为(C,γ)∈{(2i,2j)|i,j∈Z}，其中C是训练误差的补偿参数，γ为核参数；

首先，将得到的训练特征集输入C-SVM进行训练，得到相应训练模型；然后，根据分类模型对测试集的数据进行判断，通过对比判别标号和测试数据的标号计算得出检测准确率。