CN104837028B - 视频同比特率双重压缩检测方法 - Google Patents
视频同比特率双重压缩检测方法 Download PDFInfo
- Publication number
- CN104837028B CN104837028B CN201510214826.2A CN201510214826A CN104837028B CN 104837028 B CN104837028 B CN 104837028B CN 201510214826 A CN201510214826 A CN 201510214826A CN 104837028 B CN104837028 B CN 104837028B
- Authority
- CN
- China
- Prior art keywords
- mrow
- video
- msub
- frames
- mode
- 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
Links
Abstract
本发明提供了一种视频同比特率双重压缩检测方法,包括如下步骤:对测试和训练视频进行基于mode的预处理,得到预处理后的测试视频和训练视频;提取预处理后测试和训练视频各帧的首位数字概率分布函数,并与Benford近似对数定律拟合后得到12维特征;得到训练视频各帧的12维特征训练分类器;利用分类器对测试视频各帧进行分类,并判断测试视频是否经过双重压缩。本发明填补了视频同比特率双重压缩检测技术相关领域的空白,提高了检测效率。
Description
技术领域
本发明涉及双重压缩检测方法,具体地,涉及一种视频同比特率双重压缩检测方法。
背景技术
随着多媒体技术的不断发展,数字视频通过网络广泛地传播。科技的进步使得摄像设备的价格越来越低廉,同时出现了许多强大的图像或者视频编辑软件,导致人们可以轻易地对数字图像和视频进行篡改。虚假视频的传播可能会带来不良的社会影响。所以,可靠的视频鉴定和取证技术具有重要的社会意义。
数字图像视频取证旨在检测和分析图形和视频原始内容的真实性,相关研究包括:篡改(克隆、修复、修整、拼接)检测,隐藏数据的检测和修复,在没有原始记录的情况下对图像源的认证等。其中,双重压缩检测是篡改检测领域中比较有效的一类方法。近些年来,许多学者致力于数字图像取证技术,并在图像篡改检测领域取得了较多有价值的研究成果。由于视频编解码的复杂性和篡改方式的多样性,视频篡改检测的难度比较大,但是在近十年内也取得了不少突破性的进展。
经过对现有双重压缩检测技术的检索发现,公开号为CN102413328A、公开日为2012年04月11日的中国专利记载了一种“JPEG图像双重压缩检测方法及系统”,该技术针对给定的待测JPEG图像进行矫正获得参考图像,提取待检测JPEG图像及参考图像的量化DCT参数的直方图,并根据两者直方图计算各频率的特征值;采用经训练的分类器对所述特征值进行模式识别,判别所述待检测JPEG图像是否经过双重压缩。该专利针对JPEG图像,而不是视频,视频双重压缩检测相关的专利依旧是个空白。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种视频同比特率双重压缩检测方法。
根据本发明提供的一种视频同比特率双重压缩检测方法,包括如下步骤:
步骤1:对测试视频和训练视频进行基于mode的预处理,得到预处理后的测试视频和训练视频;
步骤2:提取预处理后测试视频和训练视频各个I帧的首位数字概率分布函数,并与Benford近似对数定律拟合后得到12维特征;I帧表示关键帧;
步骤3:利用步骤2中得到的训练视频各个I帧的12维特征训练分类器;
步骤4:利用12维特征分类器对测试视频各个I帧进行分类,并判断测试视频是否经过双重压缩。
所述步骤1包括如下步骤:
步骤1.1:量化测试视频和训练视频各个I帧的图像,得到图像的DCT系数;
步骤1.2:根据图像的DCT系数定义mode值,其中,在DCT系数8x8矩阵相同位置上所有的系数组成了一个mode,所述矩阵左上角的mode中的系数属于DC系数,其余63个mode称为AC mode,AC mode中的系数属于AC系数;
步骤1.3:统计预处理后测试视频和训练视频各个I帧的AC mode中非零AC系数集合:
当一AC mode中非零AC系数的个数小于100,则丢弃该AC mode;
当一I帧中被丢弃的AC mode的个数大于等于10,则丢弃该I帧。
所述步骤2包括如下步骤:
步骤2.1:计算通过统计预处理后测试视频和训练视频各个I帧首位数字的值的概率分布函数f(x),其中,x表示首位数字的值,x=1,2,…,9,得到预处理后测试视频和训练视频各个I帧的9维特征;
步骤2.2:将步骤2.1得到的概率分布函数与Benford近似对数定律拟合,得到拟合统计值,与所述的9维特征共同构成预处理后测试和训练视频各个I帧的12维特征。
优选地,所述步骤2中的Benford近似对数定律由Benford定律泛化而来,Benford定律的公式如下:
式中,x表示非零量化AC系数的首位数字的值,x=1,2,…,9,p(x)是首位数字的值x的概率分布,N是归一化因数,s和q表示拟合参数。
所述步骤2.2中得到的拟合统计值包括:误差平方和SSE、标准差RMSE以及确定系数R-square,所述误差平方和SSE、标准差RMSE以及确定系数R-square的计算公式如下:
式中:pi和分别表示实际和拟合后的非零量化AC系数的首位数字为i的出现概率,i=1,2…,9,表示各首位数字出现概率的平均值,n表示数据点的数量。
优选地,所述步骤3包括如下步骤:
步骤3.1:构造包括全部GOP图像组特征向量和标签的训练集,其中,所述GOP图像组的特征向量集由步骤2中得到训练视频各个I帧的12维特征组成,标签0代表该I帧所属的测试视频未经过双重压缩,标签1代表该I帧所属的测试视频经过双重压缩;
步骤3.2:利用核函数RBF,从所述训练集中选择参数对,其中所述核函数RBF为设置支持向量机SVM的核函数,运用交叉验证的方法进行参数寻优,得到(c,g)参数对;c表示惩罚系数,g是核函数参数;
步骤3.3:将特征向量集合、标签集合、核函数RBF和(c,g)参数对作为输入,经过SVM训练,得到分类器。
优选地,所述步骤4包括如下步骤:
步骤4.1:构造包含所有测试视频GOP图像组特征向量的预测集;
步骤4.2:利用步骤3得到的分类器对预测集进行预测,输出预测标签,构成预测标签集合;
步骤4.3:根据预测标签集合计算出测试视频的D/N值,将D/N值与阀值T比较,根据比较结果判断是否经过双重压缩,其中,所述D/N值为测试视频中被判断为双重压缩的GOP图像组所占比例,阈值T的取值区间为(0,1);
当D/N值大于等于阀值T,则所述测试视频判定为经过双重压缩;
当D/N值小于阀值T,则所述测试视频判定为未经过双重压缩。
与现有技术相比,本发明具有如下的有益效果:
一、本发明提供了一种视频同比特率双重压缩检测方法,填补了视频双重压缩检测相关的专利的空白。
二、本发明提供的视频同比特率双重压缩检测方法,效率高,方法简便。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明提供的基于mode的预处理流程图;
图2为本发明提供的12维特征向量提取流程图;
图3为本发明提供的训练分类器流程图;
图4为本发明提供的分类器分类流程图;
图5为本发明提供的模型框架图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图5所示,根据本发明提供的视频同比特率双重压缩检测方法,包括如下步骤:
步骤1:对测试和训练视频进行基于mode(调试)的预处理,得到预处理后的测试视频和训练视频;
步骤2:提取预处理后测试和训练视频各个I帧的首位数字概率分布函数,并与Benford近似对数定律拟合后得到12维特征;
步骤3:利用步骤2中得到训练视频各个I帧的12维特征训练分类器;
步骤4:利用12维特征训练分类器对测试视频各帧进行分类,并判断测试视频是否经过双重压缩。
优选地,所述步骤1包括如下步骤:
步骤1.1:量化测试视频和训练视频各个I帧图像,得到图像的DCT(DiscreteCosine Transform,离散余弦变换)系数;
具体地,测试视频和训练视频均由GOP图像组组成,每个GOP图像组又由多个帧组成,所述帧由图像经过编码得到,并分为三类:I帧即关键帧,P帧即前向预测帧以及B帧即双向预测帧。I帧采取帧内编码方式,所述帧内编码是指仅利用单帧图像内的空间相关性,将图像自身的信息进行编码,不需要参考其他图像的信息;其中,每个GOP图像组只有一个I帧。
步骤1.2:根据图像的DCT系数定义mode值,其中,在DCT系数8x8矩阵相同位置上所有的系数组成了一个mode,所述矩阵左上角的mode中的系数属于DC系数,其余63个mode均称为AC mode,AC mode中的系数属于AC系数;
步骤1.3:统计预处理后测试和训练视频各个I帧的AC mode中非零AC系数集合;
-当一AC mode中非零AC系数的个数小于100,则丢弃该AC mode;
-当一I帧中被丢弃的AC mode的个数大于等于10,则丢弃该I帧。
具体地,如图1所示,图中为基于mode的预处理过程:
第一步:分别提取训练视频和测试视频各个GOP中I帧的量化DCT系数。对视频进行的解码过程中,视频数据流经过可变长编码和逆扫描之后,得到上一次压缩过程中量化的DCT系数。这些DCT系数由许多8x8矩阵构成,矩阵左上角的系数被称为DC系数,而8x8矩阵的其他63个系数被称为AC系数;
第二步:找到AC mode。因为大部分的非零AC系数集中在前20个ACmode中,所以分别统计前20个ACmode中量化的非零AC系数的首位数字概率分布。根据zigzag扫描模型找到前20个AC mode在8x8矩阵中对应的位置;
第三步:统计AC mode中非零AC系数的总数,如果发现总数小于100的AC mode,则丢弃该mode。这是因为这些AC mode中非零AC系数的首位数字分布明显不符合Benford近似对数定律,不管它是否经过双重压缩,这类AC mode的存在将严重导致原始视频的GOP被误判为经过双重压缩。如果被丢弃的AC mode的数量大于等于10,该帧也被丢弃。这是因为过多的mode被丢弃导致该帧剩下的AC mode中所包含的非零AC系数的数量很小,该帧中非零AC系数的首位数字分布明显不符合Benford近似对数定律,不管它是否经过双重压缩。
更进一步地,经过针对来自不同YUV的视频的实验,可以得到以下三点信息:
第一点:各帧经过量化后,大部分的非零AC系数都集中在前20个AC mode中。一般来说,越靠后的AC mode所含的非零AC系数的数量越小;
第二点:一些经过单次压缩的帧被误判,而这些帧的前20个AC mode中,出现了许多mode的非零AC系数的总数低于100,甚至低于10的情况。这种情况一般出现在低输出比特率的视频帧中;
第三点:非零AC系数总数量较低(低于100)的mode中,1的出现概率往往很高,大部分都达到了85%以上,导致mode的首位数字分布不符合Benford定律。这类的mode首先会很大程度改变该帧的预测结果,此外还会影响分类器的训练和对其他帧的预测。
结合第一点和第三点,由于排在20之后的AC mode所含所含的非零AC系数的数量相对小,这会影响到单次压缩帧的全局首位数字分布,所以我们只取前20个AC mode。
结合第二点和第三点,一些单次压缩的帧由于量化过度导致一些前20的AC mode的非零AC系数的数量小于100,这类mode也会影响到单次压缩帧的全局首位数字分布,所以我们在提取全局的首位数字分布时需要将这类mode剔除。但是当一帧前20个的AC mode中有超过10个是此类mode时,剔除之后剩余AC mode的非零AC系数的总数偏小,直接就不符合Benford近似对数定律。所以我们会将此类帧从数据集中剔除。
优选地,所述步骤2包括如下步骤:
步骤2.1:计算通过统计预处理后测试和训练视频各个I帧首位数字的概率分布函数f(x)其中(x=1,2,…,9),得到预处理后测试和训练视频各个I帧的9维特征;
步骤2.2:将步骤2.1得到的概率分布函数与Benford近似对数定律拟合,得到拟合统计值,与所述的9维特征共同构成预处理后测试和训练视频各个I帧的12维特征。
优选地,所述步骤2中的Benford近似对数定律由Benford定律泛化而来,公式如下式(1):
式中,x表示非零量化AC系数的首位数字的值,取值范围是1~9,p(x)是概率分布,N、s和q是可变参数。
具体地,Benford定律表明,自然条件下的数据中首位数字为1的数(如1,10,103等)出现的概率约为1/3,首位数字越大的数出现的概率越低,首位数字的概率分布满足该式(2):
式中,x代表首位数字的值,取值范围是1到9,p(x)是首位数字的值为x的数的出现概率。
优选地,所述步骤2.2中得到的拟合统计值包括:误差平方和SSE、标准差RMSE和确定系数R-square,所述误差平方和SSE、标准差RMSE和确定系数R-square的计算公式如下式(3)、式(4)、式(5):
式中:pi和分别表示实际和拟合后的首位数字的值为i(1,2……9)的出现概率,表示平均值。n是数据点的数量,这里为9。
具体地,如图2所示,图中为12维特征向量提取流程:
第一步:统计首位数字概率分布f(x)。提取该帧中留下的所有AC mode的非零AC系数集合,计算首位数字及其概率分布;
第二步:使用matlab曲线拟合工具箱,将Benford近似对数定律设置为拟合函数,参数N,q,s分别限制在区间[0.1,3],[0.1,3],[-1,1]之内。拟合得到拟合统计值:误差平方和SSE,标准差RMSE和确定系数R-square。其中,误差平方和SSE,标准差RMSE越接近0,确定系数R-square越接近1,则说明拟合效果越好;
第三步:三个拟合统计值和f(x)(x=1,2,…,9)组成GOP图像组的12维特征。
优选地,所述步骤3包括如下步骤:
步骤3.1:构造包括全部GOP图像组特征向量和标签的训练集,其中,所述GOP图像组由步骤2中得到训练视频各帧的12维特征组成;
步骤3.2:利用RBF核函数,从所述训练集中选择参数对,其中所述RBF核函数为设置SVM支持向量机的核函数,运用交叉验证的方法进行参数寻优,得到(c,g)参数对;c表示惩罚系数,g是核函数参数;
步骤3.3:将所述特征向量集合、标签集合、核函数和(c,g)参数对作为输入,经过SVM训练,得到分类器。
具体地,SVM中,可选的常用核函数有:线性核函数、多项式核函数、RBF核函数和sigmoid核函数。核函数将低维空间的向量映射为高维空间的向量,使其线性可分。
RBF核函数,定义如下:
K(xi,xj)=exp(-γxi-xj 2),γ>0
式中,K(xi,xj)表示高维空间的向量K中的元素,xi和xj是低维空间的向量X中的元素,γ是可变的核函数参数,即(c,g)参数对中的g。
其中,RBF核函数应用最广,具有良好的性态,在解决实际问题中表现出良好的性能。相对于多项式核函数,RBF核函数需要设置的参数较少,所以函数的复杂度相对较低。RBF核函数的分类结果非常依赖参数的设置,一般需要通过训练集的交叉验证来找到最优的参数,这个参数寻优过程比较耗时。在MATLAB中,使用RBF核函数只需调用SVM库函数时设置好相关参数即可。
更进一步地,如图3所示,图中为训练分类器流程:
第一步:得到训练集,所述训练集由所有训练视频的GOP图像组的特征向量和标签组成;
第二步:参数选取,设置SVM支持向量机的核函数为RBF核函数,该函数的参数对(c,g)使用交叉验证的方法进行参数寻优,最后的SVM训练的参数将选择得到最高平均准确率的(c,g)参数对;
第三步:SVM训练,以特征向量集合、标签集合、核函数和(c,g)参数对作为输入,经过SVM训练,得到了一个模型model。这个model就是分类器。
优选地,所述步骤4包括:
步骤4.1:构造包含所有预测视频GOP图像组特征向量的预测集;
步骤4.2:步骤3得到的分类器对预测集进行预测,输出预测标签,构成预测标签集合;
步骤4.3:根据预测标签集合计算出预测视频的D/N值,将D/N值与阀值T比较,根据比较结果判断是否经过双重压缩,其中所述D/N值为待测视频中被判断为双重压缩的GOP图像组所占比例;
-当D/N值大于等于阀值T,则所述视频判定为经过双重压缩;
-当D/N值小于阀值T,则所述视频判定为未经过双重压缩。
具体地,如图4所示,图中为判定流程,其中阀值T在区间(0,1)内。使用待测视频的D/N值和阀值T做比较,阀值T可根据TNR和TPR的需求灵活设定。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (6)
1.一种视频同比特率双重压缩检测方法,其特征在于,包括如下步骤:
步骤1:对测试视频和训练视频进行基于mode的预处理,得到预处理后的测试视频和训练视频;
步骤2:提取预处理后测试视频和训练视频各个I帧的首位数字概率分布函数,并与Benford近似对数定律拟合后得到12维特征;I帧表示关键帧;
步骤3:利用步骤2中得到的训练视频各个I帧的12维特征训练分类器;
步骤4:利用12维特征分类器对测试视频各个I帧进行分类,并判断测试视频是否经过双重压缩;
所述步骤1包括如下步骤:
步骤1.1:量化测试视频和训练视频各个I帧的图像,得到图像的DCT系数;
步骤1.2:根据图像的DCT系数定义mode值,其中,在DCT系数8x8矩阵相同位置上所有的系数组成了一个mode,所述矩阵左上角的mode中的系数属于DC系数,其余63个mode称为ACmode,AC mode中的系数属于AC系数;
步骤1.3:统计预处理后测试视频和训练视频各个I帧的AC mode中非零AC系数集合:
当一AC mode中非零AC系数的个数小于100,则丢弃该AC mode;
当一I帧中被丢弃的AC mode的个数大于等于10,则丢弃该I帧。
2.根据权利要求1所述的视频同比特率双重压缩检测方法,其特征在于,所述步骤2包括如下步骤:
步骤2.1:计算通过统计预处理后测试视频和训练视频各个I帧首位数字的值的概率分布函数f(x),其中,x表示首位数字的值,x=1,2,…,9,得到预处理后测试视频和训练视频各个I帧的9维特征;
步骤2.2:将步骤2.1得到的概率分布函数与Benford近似对数定律拟合,得到拟合统计值,与所述的9维特征共同构成预处理后测试和训练视频各个I帧的12维特征。
3.根据权利要求1所述的视频同比特率双重压缩检测方法,其特征在于,所述步骤2中的Benford近似对数定律由Benford定律泛化而来,Benford定律的公式如下:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mi> </mi>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>s</mi>
<mo>+</mo>
<msup>
<mi>x</mi>
<mi>q</mi>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
式中,x表示非零量化AC系数的首位数字的值,x=1,2,…,9,p(x)是首位数字的值x的概率分布,N是归一化因数,s和q表示拟合参数。
4.根据权利要求2所述的视频同比特率双重压缩检测方法,其特征在于,所述步骤2.2中得到的拟合统计值包括:误差平方和SSE、标准差RMSE以及确定系数R-square,所述误差平方和SSE、标准差RMSE以及确定系数R-square的计算公式如下:
<mrow>
<mi>S</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</mfrac>
</mrow>
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>n</mi>
</mfrac>
</msqrt>
</mrow>
1
<mrow>
<mi>R</mi>
<mo>-</mo>
<mi>s</mi>
<mi>q</mi>
<mi>u</mi>
<mi>a</mi>
<mi>r</mi>
<mi>e</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</mfrac>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</mfrac>
</mfrac>
</mrow>
式中:pi和分别表示实际和拟合后的非零量化AC系数的首位数字为i的出现概率,i=1,2…,9,表示各首位数字出现概率的平均值,n表示数据点的数量。
5.根据权利要求1所述的视频同比特率双重压缩检测方法,其特征在于,所述步骤3包括如下步骤:
步骤3.1:构造包括全部GOP图像组特征向量和标签的训练集,其中,所述GOP图像组的特征向量集由步骤2中得到训练视频各个I帧的12维特征组成,标签0代表该I帧所属的测试视频未经过双重压缩,标签1代表该I帧所属的测试视频经过双重压缩;
步骤3.2:利用核函数RBF,从所述训练集中选择参数对,其中所述核函数RBF为设置支持向量机SVM的核函数,运用交叉验证的方法进行参数寻优,得到(c,g)参数对;c表示惩罚系数,g是核函数参数;
步骤3.3:将特征向量集合、标签集合、核函数RBF和(c,g)参数对作为输入,经过SVM训练,得到分类器。
6.根据权利要求5所述的视频同比特率双重压缩检测方法,其特征在于,所述步骤4包括如下步骤:
步骤4.1:构造包含所有测试视频GOP图像组特征向量的预测集;
步骤4.2:利用步骤3得到的分类器对预测集进行预测,输出预测标签,构成预测标签集合;
步骤4.3:根据预测标签集合计算出测试视频的D/N值,将D/N值与阀值T比较,根据比较结果判断是否经过双重压缩,其中,所述D/N值为测试视频中被判断为双重压缩的GOP图像组所占比例,阈值T的取值区间为(0,1);
当D/N值大于等于阀值T,则所述测试视频判定为经过双重压缩;
当D/N值小于阀值T,则所述测试视频判定为未经过双重压缩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510214826.2A CN104837028B (zh) | 2015-04-29 | 2015-04-29 | 视频同比特率双重压缩检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510214826.2A CN104837028B (zh) | 2015-04-29 | 2015-04-29 | 视频同比特率双重压缩检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104837028A CN104837028A (zh) | 2015-08-12 |
CN104837028B true CN104837028B (zh) | 2017-12-15 |
Family
ID=53814625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510214826.2A Active CN104837028B (zh) | 2015-04-29 | 2015-04-29 | 视频同比特率双重压缩检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104837028B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106303524B (zh) * | 2016-08-10 | 2020-01-07 | 上海交通大学 | 基于预测残差异常模式的视频双重压缩检测方法 |
CN106303525B (zh) * | 2016-08-17 | 2020-11-17 | 上海交通大学 | 基于块效应度量的双重mpeg-4压缩检测方法 |
CN106331730B (zh) * | 2016-08-22 | 2020-03-06 | 上海交通大学 | H.264视频同量化因子双重压缩检测方法 |
CN106789871B (zh) * | 2016-11-10 | 2020-05-01 | 东软集团股份有限公司 | 攻击检测方法、装置、网络设备及终端设备 |
CN112911298B (zh) * | 2021-02-01 | 2022-09-23 | 上海交通大学 | 一种基于边界效应的hevc视频双压缩检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989355A (zh) * | 2009-07-31 | 2011-03-23 | 北京邮电大学 | 一种针对jpeg图像二次压缩的检测方法 |
CN102413328A (zh) * | 2011-11-11 | 2012-04-11 | 中国科学院深圳先进技术研究院 | Jpeg图像双重压缩检测方法及系统 |
CN102547371A (zh) * | 2012-02-27 | 2012-07-04 | 中山大学 | 一种基于h.264/avc视频二次压缩检测方法 |
CN103607592A (zh) * | 2013-11-28 | 2014-02-26 | 广东威创视讯科技股份有限公司 | 视频篡改检测方法与系统 |
CN104021567A (zh) * | 2014-06-26 | 2014-09-03 | 福州大学 | 基于首数字定律的图像高斯模糊篡改检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260067B2 (en) * | 2008-04-18 | 2012-09-04 | New Jersey Institute Of Technology | Detection technique for digitally altered images |
-
2015
- 2015-04-29 CN CN201510214826.2A patent/CN104837028B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989355A (zh) * | 2009-07-31 | 2011-03-23 | 北京邮电大学 | 一种针对jpeg图像二次压缩的检测方法 |
CN102413328A (zh) * | 2011-11-11 | 2012-04-11 | 中国科学院深圳先进技术研究院 | Jpeg图像双重压缩检测方法及系统 |
CN102547371A (zh) * | 2012-02-27 | 2012-07-04 | 中山大学 | 一种基于h.264/avc视频二次压缩检测方法 |
CN103607592A (zh) * | 2013-11-28 | 2014-02-26 | 广东威创视讯科技股份有限公司 | 视频篡改检测方法与系统 |
CN104021567A (zh) * | 2014-06-26 | 2014-09-03 | 福州大学 | 基于首数字定律的图像高斯模糊篡改检测方法 |
Non-Patent Citations (2)
Title |
---|
Detection of double MPEG compression based on first digit statistics;Chen Wen,Shi Yun-qing;《Proceedings of the 7th International Workshop on Digital-forensics and Watermarking, Busan, Korea》;20081112;正文第25页-第26页第5节 * |
基于首位数字特征的双重MPEG压缩检测算法;王琬,蒋兴浩,孙锬锋;《电子与信息学报》;20121231;正文第3047页第2节、第3.1节,第3048页第3.2节,图4 * |
Also Published As
Publication number | Publication date |
---|---|
CN104837028A (zh) | 2015-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104837028B (zh) | 视频同比特率双重压缩检测方法 | |
CN102413328B (zh) | Jpeg图像双重压缩检测方法及系统 | |
CN101790097B (zh) | 数字视频多次压缩编码检测方法 | |
CN101877127B (zh) | 基于梯度剖面的图像无参考质量评价方法及系统 | |
CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN102867183B (zh) | 一种车辆遗撒物检测方法、装置及智能交通监控系统 | |
CN104331450B (zh) | 基于多模式特征和张量分解的视频拷贝检测方法 | |
CN103778636B (zh) | 一种用于无参考图像质量评价的特征构建方法 | |
CN104866616A (zh) | 监控视频目标搜索方法 | |
CN104661037B (zh) | 压缩图像量化表篡改的检测方法和系统 | |
CN101835040B (zh) | 数字视频来源取证方法 | |
CN110751195B (zh) | 一种基于改进YOLOv3的细粒度图像分类方法 | |
CN104598933A (zh) | 一种基于多特征融合的图像翻拍检测方法 | |
CN104954807B (zh) | 抗几何攻击的视频复制篡改检测方法 | |
CN105426903A (zh) | 一种遥感卫星图像的云判方法及系统 | |
CN110457996B (zh) | 基于vgg-11卷积神经网络的视频运动对象篡改取证方法 | |
CN104268590A (zh) | 基于互补性组合特征与多相回归的盲图像质量评价方法 | |
CN102567738B (zh) | 基于高斯分布的色情视频快速检测方法 | |
CN104519361A (zh) | 一种基于空时域局部二值模式的视频隐写分析方法 | |
Gan et al. | Video object forgery detection algorithm based on VGG-11 convolutional neural network | |
CN106056600A (zh) | 一种基于Contourlet变换的图像拼接检测方法 | |
CN103067713A (zh) | 一种位图jpeg压缩检测的方法及系统 | |
CN106331730A (zh) | H.264视频同量化因子双重压缩检测方法 | |
CN105469099B (zh) | 基于稀疏表示分类的路面裂缝检测和识别方法 | |
CN104463091A (zh) | 一种基于图像lgbp特征子向量的人脸图像识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |