CN104837011A - 一种内容自适应的视频隐写分析方法 - Google Patents

Abstract

本发明涉及一种内容自适应的视频隐写分析方法，其步骤包括：1)制备原始视频集，并采用隐写算法生成相应的隐写视频集；2)利用视频嵌入容量的分布不均衡性，将原始视频和隐写视频分成若干个可变长度的检测区间；3)对单个检测区间内的视频帧，筛选出嵌入代价小的区域即可疑区域；4)以可变长度的检测区间为单位对视频帧中的可疑区域进行特征计算，提取出视频隐写分析特征；5)将提取的特征输入分类器进行训练，生成隐写分析分类器；6)对待测视频使用步骤2)～4)中的方法进行特征提取；7)将获得的待测视频的特征输入隐写分析分类器中进行分析，以判别待测视频是否存在秘密信息。本发明能够提高分析特征的有效性和隐写分析的正确率。

Description

一种内容自适应的视频隐写分析方法

技术领域

本发明涉及隐写分析(Steganalysis)方法，尤其涉及一种基于内容的自适应隐写分析方法，以及该方法在检测各嵌入域的视频隐写上的应用，该方法属于信息安全技术领域中的信息隐藏子领域。

背景技术

在当今信息时代，计算技术的迅猛发展以及互联网的快速普及，推动了数字多媒体技术的发展和应用，同时信息的安全保护问题日益成为了人们关注的焦点。隐写作为信息隐藏的重要分支，旨在通过隐藏信息的存在来提供可靠的隐蔽通信。隐写利用了感官的不敏感及多媒体数字信号的冗余，将秘密信息隐藏在载体中，使得攻击者无法察觉。随着网络视频应用如IPTV，视频会议，视频点播等的广泛普及，压缩视频流越来越成为一个易于使用的隐蔽通信信道。视频隐写可在视频压缩过程中通过修改运动向量、预测模式及宏块划分方式等压缩参数来嵌入秘密信息。

视频隐写分析是用来检测是否存在秘密信息的技术。其基本手段是构造一个二类分类器，并使用从载体/隐写样本集中提取的特征对分类器进行训练，随后从待测视频中提取特征输入分类器进行隐写存在的分类判别。典型的视频分析的具体步骤是，首先，选择或设计一种算法用于特征提取，该特征应该对嵌入过程较为敏感，能有效的区分原始视频和隐写视频。在特征提取过程中，将视频划分为固定长度的帧组，称为检测区间，在每个检测区间内提取单个特征用于之后的训练或检测。分别从训练集的原始视频集和隐写视频集中提取相应的特征，将特征输入分类器进行训练得到可用于测试的隐写分析分类器。在实际分析中，将从待测视频中提取的特征输入分类器，从而判断该样本是否含有秘密消息。

当前的视频隐写算法都采用了内容自适应的方式。隐写者为了尽可能的减少改动带来的失真，会选择隐写代价小的帧区域嵌入秘密消息。如Kutter(F.Jordan,M.Kutter,and T.Ebrahimi.Proposal of a watermarking technique for hiding data in compressed and decompressed video,ISO/IEC Doc,JTC1/SC29/QWG11,Tech.Rep.M2281,Jul.1997.)，Xu(C.Xu,X.Ping,and T.Zhang.Steganography in compressed video stream,Proc.1st Int.Conf.Innov Comput.Inf.Control,vol.1,pp.269–272,Sep.2006.)，Aly(H.Aly,“Data hiding in motion vectors of compressed video basedon their associated prediction error,”IEEE Trans.Inf.Forensics Security.,vol.6,no.1,pp.14–18,Mar.2011.)，Cao(Y.Cao,X.Zhao,D.Feng,and R.Sheng.Video steganography with perturbedmotion estimation,Proc.13th Int.Conf.IH,vol.6958,no.1,pp.193–207,2011.)，Hu(Y.Hu,C.Zhang,Y.Su.Information hiding based on intra prediction modes for H.264/AVC,Proc.IEEEInternational Conference on Multimedia and Expo,pp.1231-1234,2007)，Yang(G.Yang,J.Li,Y.He.An information hiding algorithm based on intra-prediction modes and matrix coding forH.264/AVC video stream,International Journal of Electronics and Communication,pp.331-337,2011.)等提出的视频隐写方法，根据特定的筛选准则选择符合条件的参数进行修改。因此，自适应隐写通常会导致嵌入容量的不均衡，即不同帧间的改动比特数及帧内不同区域内改动的比特数在这种情况下差别很大。然而，几乎现存所有的分析方法都以相同的方法处理每一帧，即将视频分成等长度的检测区间，再从各检测区间中针对所有的区域计算和提取特征。如Su(Y.Su,C.Zhang,and C.Zhang.A video steganalysis algorithm againstmotion-vector-based steganography,Signal Process,vol.91,no.8,pp.1901–1909,2011.)，Cao(Y.Cao,X.Zhao,and D.Feng.Video steganalysis exploiting motion vector reversion-based features,IEEE Signal Process.Lett,vol.19,no.1,pp.35–38,Jan.2012.)，Wang(K.Wang,H.Zhao,andH.Wang.Video steganalysis against motion vector-based steganography by adding or subtractingone motion vector value,IEEE Transactions on Information Forensics and Security,vol.9,no.5,pp.741–751,Feb.2014.)，Ren(Y.Ren,L.Zhai,and L.Wang.Video steganalysis based on subtractiveprobability of optimal matching feature,Proceedings of the 2nd ACM workshop on Informationhiding and multimedia security,pp.83–90,2014.)，Li(S.Li,H.Deng,H.Tian,etc.Steganalysis ofpredition mode modulated data-hiding algorithms in H.264/AVC video stream,Annais ofTelecommunications,pp.7-8,2014.)提出的隐写分析方法。该分析模式忽略了嵌入容量的分布不均衡，不能保证提取的每个特征的有效性，从而无法很好的检测自适应隐写。因此，针对当前的自适应视频隐写，设计一种隐写分析模式，可以及时、高效、自适应的得到有效特征并正确检测秘密消息的存在，是视频隐写分析领域急需解决的问题。

除了以上回顾的科技论文，经过专利检索发现，在视频隐写分析发明领域内已有的相关专利也存在上述问题，相关专利的基本情况如下：

(1)专利申请号为201310066009的中国专利“基于局部代价非最优统计的视频隐写分析方法”，基于运动向量应保持的局部最优性，提出了一种用于检测基于运动向量隐写的专用视频隐写方法。所述方法包括计算待测视频的局部代价，利用视频的校准得到接近于原始视频的校准视频并计算其代价，对比两者之间的差异，若超过预先设定的阈值则为隐写，否则为非隐写。该方法从运动向量的基本特征入手，不局限于某一特定的视频编码标准，但其未考虑到基于运动向量嵌入方法的自适应选择策略，分析有效性可进一步提高。

(2)专利申请号为201310231271的中国专利“基于视频像素时空相关性的通用视频隐写分析方法”，公开了一种基于视频像素时空相关性的通用视频隐写分析方法。该专利方法包括对视频进行解压并提取多个图像分段即检测区间，对每一检测区间内的帧组进行横向和纵向切片获得多个切片图像，并进行差分滤波和阈值化处理。选取其中的两个或多个差分图像，利用像素邻域关系得到联合概率分布矩阵，将各矩阵元素合并成一维向量作为特征向量用于之后的分类。可见，该方法使用的也是典型非自适应隐写分析的模式，与本发明的基本目的、思路与具体实现方式不同。

发明内容

本发明的目的是提供一种自适应的视频隐写分析模式，根据视频内容从隐写者的角度出发利用嵌入容量分布不均衡的特性，选择有可能嵌入消息的区域提取特征，提高分析特征的有效性和隐写分析的正确率。

视频的嵌入容量取决于视频内容，通常来说嵌入改动一般位于运动较为丰富的帧中。当视频含有的运动较少时，嵌入带来的质量失真和编码代价比对运动丰富的视频要大。每一帧的运动丰富度可以用帧动态定量表示，帧动态有两部分构成：主导运动(或背景运动，通常假定为设备运动)和剩余运动(或前景运动，与单独运动的物体相关)。

主导运动可以用一个广泛使用的确定性二维放射运动模型来表示，

$w_{\mathrm{\θ}}\left(p\right)=\left(\begin{array}{c}{a}_1+a_{2}x+a_{3}y\\ a_4+a_{5}x+a_{6}y\end{array}\right)$

其中，p＝(x,y)是帧中的像素值，θ＝(a_i,i＝1,…,6)是模型参数向量。该运动模型的参数直接通过密度函数的空间导数求得，该设备运动模型使用鲁棒的实时多分辨率预测方法来计算得到。因此，若上式中的预测运动参数可用，则设备运动流向量可通过各像素点p在各时间点t上的求导获得。

剩余运动用υ_res(p,t)来度量，υ_res(p,t)是标准剩余流量幅值|υ_m|的局部加权平均，其权重由空间强度梯度的幅值平方给出。该加权平均值不仅可以消除标准流量计算中的噪声影响，并且加强了运动度量的可靠性。其具体计算方法如下，

其中， ${\mathrm{\υ}}_m(q,t)=(I(q,t)-I(q+w_{{\widehat{\mathrm{\θ}}}_t}\left(q\right),t+1))/\left|\right|\▿I(q,t)\left|\right|,$ F(p)是以像素p为中心的局部空间窗口(通常其尺寸为3×3)，为像素q在时间点t的空间强度梯度，η²是与噪声级相关的预设常量。该度量方法已经被成功用于检测运动设备场景下的单独运动物体，因此该动态模型可准确的定量描述视频中的主导运动和剩余运动。

基于以上两种运动成分的度量方法，本发明给出了帧动态度(frame dynamic degree)的定义，一帧的动态度通过如下公式计算得到，

$\mathrm{DD}=\mathrm{\Σ}\left|w_{\mathrm{\θ}}\left(p\right)\right|\⊕{\mathrm{\υ}}_{\mathrm{res}}(p,t)$

其中，表示加权求和，用于由分析者分配两种运动的构成权重，|w_θ(p)|为w_θ(p)的幅值，帧动态度DD由该帧中所有像素的主导运动度量|w_θ(p)|和剩余运动度量υ_res(p,t)加权和决定。

由于视频实际上就是一系列高度关联的静态图像，因此可将视频看做一个三维立方体。如图1和图2所示，每个x-y分片代表一个视频帧，若干个帧沿着t坐标轴堆积构成视频。在原始隐写分析模式中，视频被分成等长度的检测区间，再从各检测区间中针对帧内所有的区域计算和提取特征(图1)。本发明的提出的隐写分析模式是通过内容自适应的方式实现的，其基本原理也是构造一个二值分类器，但在特征提取过程中，本发明将视频作为三维信号(图2)处理，根据每帧的动态度将视频分成若干个可变长度的检测区间。从每个检测区间中提取特征，由于嵌入容量在帧内的分布也存在不均衡性，特征的计算针对每帧的可疑区域进行，在图2的各帧中使用深色示意了可疑区域的范围。

本发明所采用的技术方案主要包括以下步骤(如无特殊说明，以下步骤均由计算机和电子设备的软硬件执行)，该方案可针对一类隐写算法，给出一种新的自适应隐写分析模式：

(1)确定特征的计算方法。选择或设计一种算法用于隐写特征的计算，该算法通常基于嵌入域参数的某些敏感特性进行，在区分隐写和非隐写视频时具有一定的有效性。该算法将用于之后的特征提取步骤，一旦确定则在本次隐写分析中不能更改。

(2)制备原始视频和隐写视频集。用户根据需要对原始视频进行压缩参数(如尺寸、长度、分辨率等)的统一，得到一个或多个原始视频集。基于一组原始视频集，采用待分析的隐写算法生成相应的一组隐写视频集。

(3)隐写分析的特征提取。与传统基于固定检测区间内全部帧内容的特征提取不同，本发明中的特征提取步骤采用了内容自适应的策略，其具体流程如下(图3)：

a)使用上述方法计算当前帧的动态度DD，并将其累加到DD_acc，得到运算到该帧时的动态累积度；

b)若当前的动态累积度DD_acc超过阈值η，则以上帧组被作为一个检测区间，将DD_acc的值初始化为0并返回步骤a)进行下一个检测区间的划分，否则返回步骤a)继续执行；

c)重复步骤a)、b)直至视频结束，则视频被划分为可变长度的检测区间；

d)对单个检测区间内的视频帧进行处理，根据待分析隐写方法的特性，从隐写者的角度出发，筛选出嵌入代价小的区域(即可疑区域)用于分析；

e)针对步骤d)中选择的可疑区域，采用步骤(1)中确定的算法进行特征的计算；

f)重复步骤d)、e)直至视频结束，则以可变长的检测区间为单位，针对帧中的可疑区域提取得到了多个视频隐写分析特征。

(4)隐写分析分类器的训练和配置。将步骤(3)中从原始视频集和隐写视频集中提取的特征向量输入支持向量机(Support Vector Machine,SVM)分类器，对分类器进行训练，生成隐写分析分类器。SVM分类器的参数配置可以通过交叉验证确定，即遍历所有的可选参数组合，选择其中多次交叉验证的平均分类正确率最高的参数对分类器进行配置。交叉验证的具体方法为，将原始和隐写视频集的特征向量集，按一定比例随机划分为训练集和测试集，使用分类器进行训练和分类判决，分类器对测试集的正确率即为交叉验证的结果。

(5)对待测视频进行分析。接收到待测视频，首先使用(4)中的步骤对该视频进行特征提取，然后将获得的特征输入隐写分析分类器中进行分析，重复多次，将平均结果作为依据进行最终判别。

本发明的自适应隐写分析模式对视频隐写分析领域的有益效果包括：

(1)增强了视频隐写分析的对自适应隐写检测的靶向性。传统隐写分析无法应对自适应视频隐写方法，本发明首次在隐写分析领域使用了自适应策略并设计了自适应视频隐写分析的框架，弥补了对抗自适应视频隐写的空白，具有较高的创新性。

(2)提高了视频隐写分析的准确率。在原有分析方法中，分析者将所有视频帧做相同的处理(使用等长的检测区间中所有帧区域计算特征)。然而，目前的自适应嵌入导致了嵌入容量的分布不均，按照原方法提取得到的特征有效性也残次不齐，直接导致了分析效果的不理想。本发明在原方法的检测区间划分和特征计算中都采用了自适应策略，根据视频帧的动态度(运动丰富度，包括主导运动及剩余运动)自适应的划分可变长度的检测区间，且在检测区间的各帧内，根据嵌入域选择可疑的帧区域进行特征计算。因此，与原特征相比，通过自适应方法提取的特征保持了统一且较高的有效性。从下面具体实施方式的实施例中可以看出，可疑区域的选取可以根据隐写算法的自适应选择规则推导得出，使用该特征进行视频隐写分析可有效的提高检测结果的准确性，由实验结果可知，平均准确率提高了7.75％，最高准确率提高了12.69％。

(3)实现了自适应策略在视频隐写分析中的通用性。本发明设计了一个通用的自适应隐写分析框架，由上述流程可知，分析者可自主确定其特征的计算算法及所对抗隐写方法的嵌入可疑区域，因此，该框架可用于检测任意一种隐写嵌入方法，具有很好的通用性。

附图说明

图1是传统隐写分析方法中特征提取的三维模型示意图；

图2是本发明自适应隐写分析方法中特征提取的三维模型示意图；

图3是本发明自适应隐写分析方法特征提取流程图；

图4是运动预测及运动向量修改示意图；

图5是本发明基于向量隐写的自适应隐写分析示意图；

图6是本发明对嵌入率CMVR＝0.1的运动向量隐写方法Tar1检测准确率三维图，其中τ∈{0,2,...,18,20}，η∈{0,20,...,180,200}；

图7是本发明与原方法对嵌入率CMVR＝0.05的运动向量隐写方法Tar1的检测准确率对比示意图；

图8是是本发明与原方法对嵌入率CMVR＝0.1的运动向量隐写方法Tar1的检测准确率对比示意图；

图9是本发明与原方法对嵌入率CMVR＝0.2的运动向量隐写方法Tar1的检测准确率对比示意图；

图10是本发明与原方法对嵌入率CMVR＝0.05的运动向量隐写方法Tar2的检测准确率对比示意图；

图11是本发明与原方法对嵌入率CMVR＝0.1的运动向量隐写方法Tar2的检测准确率对比示意图；

图12是本发明与原方法对嵌入率CMVR＝0.2的运动向量隐写方法Tar2的检测准确率对比示意图。

具体实施方式

下面结合附图和具体实施例对本发明方法作进一步描述。

本实施例是对基于运动向量隐写进行的分析，其仅仅是本发明提出的自适应隐写分析方法在检测基于运动向量隐写中的应用，可以充分说明该方法的效果。但本发明提出的是一个通用的框架，除本实施例之外，该方法可应用于针对其他嵌入域进行的隐写分析。故基于本发明的框架提出的其他实施例，都属于本发明的保护范围。

基于运动向量的隐写方法与使用其他隐写方法相比，具有以下优势：a)运动向量(MotionVector,MV)是视频压缩中表示运动的关键参数，在编解码过程中采用无损编码，使用运动向量作为隐写载体可以保证充足的嵌入容量；b)与其他参数相比，运动向量的可变范围相对较大，因此可以在一定程度上抵抗统计分析；c)由于运动预测补偿的使用，对运动向量的修改对视频编码及视觉效果带来的影响很小，保证了隐写的隐蔽性。目前，基于运动向量的隐写方法已经成为了视频隐写的主流方法，且该领域的正向研究不断发展，取得了许多成果。因此，本发明将基于运动向量的隐写分析作为实施例，详细描述自适应策略在该领域反向研究中的应用及效果。

在当前通用的视频标准如H.264，MPEG4中，运动预测是视频压缩的关键步骤，其目的是为了减少视频帧之间的空间冗余，并通过编码帧与参考帧的宏块匹配来实现。运动向量就来自于运动预测，它表示当前块与预测块之间的空间位移。如图4所示，每个待编码的帧间宏块MB都要与之前编码帧中的宏块进行比较，宏块间的残差绝对值之和(Sum of AbsoluteDifference，SAD)作为衡量匹配与否的标准。运动预测的结果就是匹配到SAD值最小的最优参考块并得到与之相关的运动向量mv_optimal及残差。当对运动向量进行修改时，部分运动向量的值会发生变化，如从mv_optimal变为mv_corrupted，该宏块的参考块也从变为MB^1,-1，与当前编码块之间的SAD也会随之变大。因此，在此实施例中，对运动向量的加减一操作(Add or Subtract One operation,AoSO)将被用来计算特征，通过对运动向量的加减一操作得到的局部最优SAD，比较其与实际SAD的差值，若相差较大则该运动向量极有可能被修改，反之则未被修改。

基于运动向量的隐写方法通常会采用内容自适应的方式进行秘密信息的嵌入。为了尽可能减少嵌入失真，运动向量隐写算法都会根据预先设定的选择准则来筛选出可用于嵌入的运动向量。其依据就是根据某些特定属性对运动向量进行选择，使得嵌入带来的失真最小。研究发现，当使用相同的修改方法，修改幅值较大的运动向量所带来的失真较幅值小的运动向量要小。此外，当预测残差较大时，对运动向量的改动带来的编码代价也相对较小。并且如果相邻参考块间具有较高的相似性，则偏移运动向量所指向的宏块也与原参考块具有很小的差异，因此嵌入仅会带来很小的失真。基于以上特性，本发明为基于运动向量的视频分析给出了“可疑运动向量”的定义。当对帧内的运动向量进行遍历时，如果它满足如下条件，则运动向量mv＝(V_h,V_v)会被认为是可疑的：

$\mathrm{SD}\left(\mathrm{mv}\right)=\left|\mathrm{mv}\right|\⊕\frac{1}{\mathrm{\ΔS}+1}>\mathrm{\τ}$

$\mathrm{\ΔS}=|E(\frac{{\mathrm{SAD}}_1}{|\mathrm{mv}-{\mathrm{mv}}_1|},...,\frac{{\mathrm{SAD}}_{n^2-1}}{|\mathrm{mv}-{\mathrm{mv}}_{n^2-1}|})-\mathrm{SAD}|$

$\left|\mathrm{mv}\right|=\sqrt{V_h^2+V_v^2}$

其中，SD(mv)表示当前运动向量mv的可疑度，τ为预设的可疑阈值，△S是实际SAD和SAD_i(i＝1,...,n²-1)加权平均SAD的差值，n表示邻居宏块的选择范围，SAD_i是通过对运动向量加减操作得到的邻居宏块的SAD，是加权求和操作，V_h为运动向量的水平分量，V_v为运动向量的垂直分量。

图5为本发明实施例提供的基于运动向量的自适应隐写分析的流程图，其方法主要包括以下步骤：

(1)确定特征的计算方法为，通过对运动向量的加减一操作获取实际SAD与最优SAD，判断实际SAD是否为最优SAD，实际SAD的最优比例及实际SAD与最优SAD之间的差值将被用于构造特征。

(2)制备原始视频和隐写视频集。28个4:2:0YUV格式的标准CIF序列被用于该实施例的实验。视频序列的帧率为25fps，平均比特率为4Mbps。由于视频为100帧到2000帧变化的不同长度，因此每个序列被分成100帧长的子序列，子序列的总数达到92。背景技术中提到的Xu的隐写方法(用Tar1表示)和Aly的方法(用Tar2表示)将被用于制备隐写视频集。嵌入强度使用修改的运动向量比例(Corrupted MV Ratio,CMVR)来度量，它表示每帧中被修改的运动向量与总运动向量的个数之比。在本实验中，分别使用0.2,0.1,0.05的CMVR值嵌入强度对原始视频进行了嵌入。

(3)提取自适应的隐写分析特征。根据发明内容部分的流程，可将其分为如下两个步骤：

a)将视频划分成变长度的检测区间。计算每帧的动态度DD，将多帧的动态度累加得到动态累积度DD_acc，若DD_acc超过阈值η则这些帧构成一个检测区间，照此反复操作直至视频结束。

b)从各检测区间中提取特征。对检测区间中每帧的运动向量，计算其可疑度SD，若该运动向量SD超过阈值τ，则使用步骤(1)中的方法计算SAD差值并判别SAD是否最优，并根据所有可疑运动向量的SAD最优比例及差值统计，从该检测区间中提取特征。

(4)训练和配置隐写分析分类器。在本发明实施例中，使用高斯核的支持向量机进行分类，任意选择70％的视频子序列使用步骤(3)提取特征，将特征输入分类器进行训练，剩余的子序列被用于测试。遍历分类器的各参数，选择平均正确率最高时的参数作为配置参数。

(5)对待测视频进行检测。使用训练完成的隐写分析分类器对剩余的30％视频子序列进行分析，首先使用(3)中的步骤对该视频进行特征提取，然后将获得的特征输入隐写分析分类器中进行测试，重复多次，将平均检测结果作为依据进行最终判别。

本发明实施例对0.2,0.1,0.05嵌入强度下的使用Tar1和Tar2隐写的视频分别进行了检测，并且比较了不同阈值下的检测准确率，即动态度阈值η以20为步长从0增加到200，可疑度阈值τ以2为步长从0增加到20。在该范围内η和τ的取值是合理的，因为当η值过大时从各序列中提取的特征个数将过少，当τ值过大时，每帧中选取的可用的运动向量个数也过少。该实验的目的是评估本发明对分析效果的提高并分析阈值选择对准确率的影响。对各嵌入率的隐写方法的检测结果可以用三维图来表示，如图6所示，τ＝0，η＝0点对应的准确率即为原始分析方法的分析结果，当η∈{80,100,120,140}且τ∈{0,2,...,18,20}时，本发明提出自适应隐写分析方法的检测结果较原方法有明显提高。

图7～12为在不同嵌入率下对Tar1和Tar2的检测准确率提高示意图，其中η∈{80,100,120,140}，τ∈{0,2,...,18,20}，原始方法(图中original所示)分别以6,8,10,12为检测区间长度(frames)得到的实验结果也展示在图中。之所以选择这些检测区间长度，是因为它们大致为η等于80,100,120,140时的平均区间长度。

从图中观察可知，在大部分情况下本发明的效果都要优于原始方法。例如，当η为100且τ为8时，对嵌入率为0.2的Tar1的检测准确率从原来的0.808提高到了0.860，当η为100且τ为10时，对嵌入率为0.1的Tar2的检测准确率从原来的0.838提高到了0.901。然而，对于不同的嵌入率τ的最优值是不同的，如对于低嵌入率的隐写方法，最优τ的值要相对较大。由于隐写的嵌入率是未知的，最优τ值的决定也很困难，为解决该问题，我们将τ的变化范围划分成3个区间。表1为不同子范围内的平均准确率和提高百分比，从图5和表1可知，在任何情况下，τ∈{8,10,12}时都能获得较好的分析效果，尤其是在低嵌入率的情况下。

表1不同τ子范围下的平均检测率和提高百分比

由以上具体实施方式中的实施例可知，本发明提出的自适应视频隐写分析方法可以明显提高特征的有效性和分析的准确率，成功对自适应视频隐写进行高效的检测。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。

Claims (8)

1.一种内容自适应的视频隐写分析方法，其特征在于，包括如下步骤：

1)制备原始视频集，并基于原始视频集采用隐写算法生成相应的隐写视频集；

2)利用视频嵌入容量的分布不均衡性，将原始视频和隐写视频分成若干个可变长度的检测区间；

3)对单个检测区间内的视频帧，筛选出嵌入代价小的区域，即可疑区域；

4)以可变长度的检测区间为单位，对视频帧中的可疑区域进行特征计算，提取出视频隐写分析特征；

5)将从原始视频集和隐写视频集中提取的特征输入分类器进行训练，生成隐写分析分类器；

6)对待测视频使用步骤2)～4)中的方法进行特征提取；

7)将获得的待测视频的特征输入隐写分析分类器中进行分析，以判别待测视频是否存在秘密信息。

2.如权利要求1所述的方法，其特征在于，步骤2)将视频分成若干个可变长度的检测区间的方法是：

a)计算当前帧的动态度DD，并将其累加到DD_acc，得到运算到该帧时的动态累积度；所述动态度DD的计算公式为：

DD＝∑|w_θ(p)|⊕υ_res(p,t)，

其中，w_θ(p)表示主导运动；υ_res(p,t)表示剩余运动；⊕表示加权求和，由分析者分配两种运动的构成权重；|w_θ(p)|为w_θ(p)的幅值，帧动态度DD由该帧中所有像素的主导运动度量|w_θ(p)|和剩余运动度量υ_res(p,t)加权和决定；

b)若当前的动态累积度DD_acc超过阈值η，则以上帧组被作为一个检测区间，将DD_acc的值初始化为0并返回步骤a)进行下一个检测区间的划分，否则返回步骤a)继续执行；

c)重复步骤a)、b)直至视频结束，则视频被划分为可变长度的检测区间。

3.如权利要求1或2所述的方法，其特征在于，步骤3)根据隐写算法的自适应选择规则推导得出可疑区域。

4.如权利要求1或2所述的方法，其特征在于，步骤1)采用基于运动向量的隐写方法进行视频隐写，步骤3)通过判断可疑运动向量得出可疑区域，步骤4)采用对运动向量的加减一操作进行特征的计算。

5.如权利要求4所述的方法，其特征在于，所述可疑运动向量的判断方法是：当对帧内的运动向量进行遍历时，如果运动向量mv＝(V_h,V_v)满足如下条件，则认为是可疑的：

$\mathrm{SD}\left(\mathrm{mv}\right)=\left|\mathrm{mv}\right|\⊕\frac{1}{\mathrm{\ΔS}+1}>\mathrm{\τ},$

$\mathrm{\ΔS}=|E(\frac{{\mathrm{SAD}}_1}{|\mathrm{mv}-{\mathrm{mv}}_1|},...,\frac{{\mathrm{SAD}}_{n^2-1}}{|\mathrm{mv}-{\mathrm{mv}}_{n^2-1}|})-\mathrm{SAD}|,$

$\left|\mathrm{mv}\right|=\sqrt{V_h^2+V_v^2},$

其中，SD(mv)表示当前运动向量mv的可疑度，τ为预设的可疑阈值，△S是实际SAD和SAD_i(i＝1,...,n²-1)加权平均SAD的差值，n表示邻居宏块的选择范围，SAD_i是通过对运动向量加减操作得到的邻居宏块的SAD，⊕是加权求和操作，V_h为运动向量的水平分量，V_v为运动向量的垂直分量。

6.如权利要求5所述的方法，其特征在于：步骤4)从各检测区间中提取特征时，对检测区间中每帧的运动向量计算其可疑度SD，若该运动向量SD超过阈值τ，则通过对运动向量的加减一操作计算SAD差值并判别SAD是否最优，并根据所有可疑运动向量的SAD最优比例及差值统计，从该检测区间中提取特征。

7.如权利要求1所述的方法，其特征在于：步骤5)使用支持向量机作为分类器且其参数配置通过交叉验证确定，即遍历所有的可选参数组合，选择其中多次交叉验证的平均分类正确率最高的参数对分类器进行配置；所述交叉验证的具体方法为，将原始和隐写视频集的特征向量集，按一定比例随机划分为训练集和测试集，使用分类器进行训练和分类判决，分类器对测试集的正确率即为交叉验证的结果。

8.如权利要求1所述的方法，其特征在于：步骤7)重复多次，将平均结果作为依据进行最终判别。