CN105979269A - 基于新型嵌入代价的运动向量域视频隐写方法 - Google Patents

Abstract

本发明涉及一种基于新型嵌入代价的运动向量域视频隐写方法。该方法中的新型嵌入代价构造方法，充分考虑了运动向量改动对视频内容的运动特性、运动向量的局部最优性以及运动向量统计分布的影响，并使用权重参数动态调整三种代价在新型代价中的分配比重。该方法在选择可替换运动向量时，采用了自适应选择策略，可有效保持运动向量的局部最优性，尤其是在高码率的情况下，与现有隐写方法相比可获得更高的安全性。该方法可有效抵抗基于局部最优性的隐写分析方法、基于重压缩的隐写分析方法等多种隐写分析。

Description

基于新型嵌入代价的运动向量域视频隐写方法

技术领域

本发明涉及视频隐写(Steganograhpy)，尤其涉及一种基于运动向量的新型嵌入代价构造方法，以及应用该新型嵌入代价的自适应视频隐写方法，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

隐写作为信息隐藏领域的重要分支，可通过将秘密消息嵌入到多媒体文件(如数字图像、音频、视频、文本等)中达到隐蔽通信的目的。隐写前后的多媒体文件在视觉及统计特性上是不可区分的，因而不会引起攻击者的怀疑。随着先进视频压缩技术和计算机网络技术的快速发展，数字视频成为了多媒体应用中最具影响力的文件之一。由于数据量丰富及应用普遍等优点，数字视频可作为秘密消息传输的理想媒介。

运动向量(Motion Vector，MV)是压缩视频的特有参数，基于运动向量的视频隐写方法通过修改运动向量将秘密消息嵌入到压缩视频中，目前在运动向量域已提出了一系列的隐写算法。最早的算法通过预设的筛选规则选择运动向量子集，然后使用简单的最低有效位(Least Significant Bit，LSB)替换算法修改运动向量嵌入消息。如Kutter(F.Jordan,M.Kutter,and T.Ebrahimi.Proposal of a watermarking technique forhiding 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 incompressed 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 compressedvideo based on their associated prediction error,”IEEE Trans.Inf.ForensicsSecurity.,vol.6,no.1,pp.14–18,Mar.2011.)等提出的方法。近几年，通过将成熟的编码技术例如湿纸码(Wet Paper Codes，WPCs)、STC码(Syndrome-trellis Codes，STCs)等应用到视频隐写，实现了代价函数作用下的自适应隐写方法，如Cao¹(Y.Cao,X.Zhao,D.Feng,and R.Sheng.Video steganography with perturbed motion estimation,Proc.13thInt.Conf.IH,vol.6958,no.1,pp.193–207,2011.)、Yao(Y.Yao,W.Zhang,N.Yu,andX.Zhao.Defining embedding distortion for motion vector-based videosteganography.Multimedia Tools and Applications,74(24):11163–11186,2014.)等提出的方法。针对基于运动向量的隐写，目前最为有效的分析方法是Ren(Y.Ren,L.Zhai,L.Wang,and T.Zhu.Video steganalysis based on subtractive probability ofoptimal matching feature.In Proceedings of the 2Nd ACM Workshop onInformation Hiding and Multimedia Security,IH&MMSec’14,pages 83–90,New York,NY,USA,2014.ACM.)、Wang(K.Wang,H.Zhao,and H.Wang.Video steganalysis againstmotion vector-based steganography by adding or subtracting one motion vectorvalue.Information Forensics and Security,IEEE Transactions on,9(5):741–751,May 2014.)提出的基于局部最优性的视频隐写分析方法。Zhang(H.Zhang,Y.andX.Zhao.Motion vector-based video steganography with preserved localoptimality.Multimedia Tools and Applications,pages 1–17,2015.)、Cao²(Y.Cao,H.Zhang,X.Zhao,and H.Yu.Video steganography based on optimized motionestimation perturbation.In Proceedings of the 3^rd ACM Workshop on InformationHiding and Multimedia Security,IH&MMSec’15,pages 25–31,New York,NY,USA,2015.ACM.)提出的方法可成功抵抗基于运动向量局部最优性的隐写分析。

尽管现有的视频隐写方法都尝试提出有效的代价函数并采用隐写码最小化嵌入代价，但以上方法都无法保证较高的安全性。其具体原因为，上述的隐写方法都是为抵抗某种隐写分析方法而设计的专用隐写算法，因此当使用其他隐写分析方法检测时，其安全性将急剧下降。例如Cao¹的算法和Yao的隐写方法无法抵抗基于局部最优性的隐写分析方法，而Zhang和Cao²的隐写方法很有可能被基于校准的隐写分析方法成功检测。此外，大多数的代价函数都是根据隐写操作对单一视频特性的影响定义的，由于严重依赖于选择的压缩视频，现有的代价定义对丰富多样的视频并非是通用的。因此，通过从多个角度考虑嵌入对视频的影响，提出一种新型的运动向量域嵌入代价的构造方法，对自适应视频隐写具有重要意义。

发明内容

本发明的目的是提出一种基于运动向量隐写的新型嵌入代价构造方法，以及应用该方法的自适应视频隐写方法。该嵌入代价构造方法充分考虑了运动向量改动对视频内容的运动特性、运动向量的局部最优性以及运动向量统计分布的影响，并使用权重参数动态调整三种代价在新型代价中的分配比重。使用本发明提出的新型代价构造方法进行隐写，可成功抵抗多种隐写分析方法的检测。

在图像隐写中，秘密消息倾向于嵌入到纹理复杂区域。同理可得，在视频隐写中，对运动丰富区域的运动向量进行改动不易引起隐写分析者的怀疑。因此，对于给定宏块(Macroblock，MB)，其运动越剧烈则对应的运动向量更适合用来进行隐写。作为运动预测的结果，运动向量代表了当前宏块与其预测宏块之间的偏移。因此，运动向量可以在一定程度上表示当前宏块的运动。此外，若宏块属于静态背景，其与相邻宏块之间的量化参数(Quantization Parameter，QP)差值较小。因此，可根据宏块间的量化参数差值判定宏块属于静态背景或前景物体。基于以上原理，本发明给出了“基于运动特性的代价(MotionCharacteristic Based Distortion，MCD)”的定义。对于位于第t帧中(i,j)位置的宏块，其对应的运动向量用mv_i,j,t表示，mv_i,j,t的基于运动特性的代价被定义为：

${\mathrm{MCD}}_{i,j,t}=\frac{1}{\left|{\mathrm{MV}}_{i,j,t}\right|\·\left(\right|{\mathrm{\ΔQP}}_{i,j,t}|+1)}$

$\left|{\mathrm{MV}}_{i,j,t}\right|=\sqrt{{\mathrm{mvx}}_{i,j,t}^2+{\mathrm{mvy}}_{i,j,t}^2}$

其中，MV_i,j,t是宏块MB_i,j,t的对应运动向量，|MV_i,j,t|是运动向量的幅值，|ΔQP_i,j,t|是量化参数差值的绝对值。若当前宏块的运动向量幅值或量化参数差值较大，则表示该宏块还有丰富运动，更适合用于隐写。

作为运动向量的固有特性，局部最优性已被用于基于运动向量的隐写分析方法。从原始视频提取的运动向量是局部最优的，当对运动向量进行改动时，该特性将会被破坏。为了保持运动向量的局部最优性，需构造可替换运动向量(Substitutable MV，SMV)的集合，即该集合中的各运动向量都是局部最优的。在本发明中，使用两种方法构造可替换运动向量集：一种利用有损压缩中的失真信息进行构造，由于解码端得到的残差通常不同于编码端的残差信息，因此可利用两者间的差异寻找可用的可替换运动向量；另一种方法通过扰动运动预测过程，在给定的搜索区域内寻找可替换运动向量。因此，运动向量mv_i,j,t“基于局部最优性的代价(Local Optimality Based Distortion，LOD)”被定义为：

${\mathrm{LOD}}_{i,j,t}=\left\{\begin{array}{cc}{\left(\frac{1}{K_n}\underset{k_n=1}{\overset{K_n}{\Σ}}{\left(J_{{\mathrm{cmv}}_{i,j,t}^{k_n}}-J_{{\mathrm{mv}}_{i,j,t}}\right)}^2\right)}^{\frac{1}{2}}if& K_n\≥1,\\ {\left(\frac{1}{K_c}\underset{k_c=1}{\overset{K_c}{\Σ}}{\left(J_{{\mathrm{cmv}}_{i,j,t}^{k_c}}-J_{{\mathrm{mv}}_{i,j,t}}\right)}^2\right)}^{\frac{1}{2}}& others.\end{array}\right.$

其中nmv_i,j,t是利用压缩失真得到的可替换运动向量，K_n表示nmv_i,j,t的个数，cmv_i,j,t是通过干扰运动预测得到的可替换运动向量，K_c表示cmv_i,j,t的个数。J_mv＝sad_mv+λ·R_mv，是率失真优化(Rate Distortion Optimized，RDO)模型的拉格朗日代价函数，λ是拉格朗日参数，R_mv表示编码运动向量的比特数，sad_mv表示当前宏块与运动向量mv指向的参考宏块间的残差绝对值之和。上述代价构造方法分别基于率失真模型计算了使用两种可替换运动向量构造方法的嵌入代价，该方法可在两种可替换运动向量构造方法中自适应选择较优的方法构造可替换运动向量集。因此，可为每个运动向量选择可替换运动向量，替换后运动向量仍具有局部最优性，可抵抗基于局部最优性的隐写分析。

由于运动向量可表示视频内容的运动信息，因此运动向量间存在较强的相关性，同一帧中的运动向量间存在空间相关性，相邻帧间同一位置的运动向量存在时间相关性。对运动向量的改动会导致对空间时间相关性的改动，因此为提高隐写的安全性，应定义“基于统计分布的代价(Statistical Distribution Based Distortion，SDD)”。

在本发明中，运动向量mv_i,j,t的“基于统计分布的代价(StatisticalDistribution Based Distortion，SDD)”被定义为：

$H_t^f\left({\mathrm{MV}}_t\right)=max\left(\right|H_t^f\left({\mathrm{MVX}}_t\right)-H_t^f\left({\mathrm{MVX}}_t^{\′}\right)|,|H_t^f\left({\mathrm{MVY}}_t\right)-H_t^f\left({\mathrm{MVY}}_t^{\′}\right)\left|\right)$

其中MV_t是原始运动向量集，MV′_t表示从隐写视频第t帧得到的运动向量集，原始运动向量mv_i,j,t被MV′_t域中的运动向量mv′_i,j,t替换，mv′_i,j,t是可替换运动向量。d表示运动向量水平或垂直分量的二阶差值，表示该统计分布在时间和空间上的计算的不同方向，表示基于运动向量水平或垂直分量的统计分布，MVX_t、MVY_t分别表示原始运动向量的水平分量集和垂直分量集，MVX′_t、MVY′_t分别表示改动后的运动向量的水平分量集和垂直分量集。

由于可以通过独立改动引入的非负加性代价度量嵌入影响，运动向量mv_i,j,t的总体代价可通过下列方式计算得到

$D({\mathrm{MV}}_t,{\mathrm{MV}}_t^{\′})=\underset{i=1}{\overset{H}{\Σ}}\underset{j=1}{\overset{W}{\Σ}}{\mathrm{\Φ}}_{i,j,t}({\mathrm{mv}}_{i,j,t},{\mathrm{mv}}_{i,j,t}^{\′})$

其中H和W分别表示视频帧中纵向和横向的宏块个数，MV_t是原始运动向量集，MV′_t是改动运动向量集。变量Φ_i,j,t表示运动向量mv_i,j,t的代价函数，其计算方法如下

Φ_i,j,t(mv_i,j,t,mv′_i,j,t)＝WMCD_i,j,t·WLOD_i,j,t·WSDD_i,j,t

${\mathrm{WMCD}}_{i,j,t}={{\mathrm{MCD}}_{i,j,t}}^{{\mathrm{\β}}_{{\mathrm{MCD}}_{i,j,t}}}$

${\mathrm{WLOD}}_{i,j,t}={({\mathrm{LOD}}_{i,j,t}+{\mathrm{\α}}_{{\mathrm{LOD}}_{i,j,t}})}^{{\mathrm{\β}}_{{\mathrm{LOD}}_{i,j,t}}}$

${\mathrm{WSDD}}_{i,j,t}={({\mathrm{SDD}}_{i,j,t}+{\mathrm{\α}}_{{\mathrm{SDD}}_{i,j,t}})}^{{\mathrm{\β}}_{{\mathrm{SDD}}_{i,j,t}}}$

其中WMCD_i,j,t、WLOD_i,j,t、WSDD_i,j,t分别是MCD_i,j,t、LOD_i,j,t、SDD_i,j,t的权重代价。和为较小的正数常量，用于保证代价为正数。参数用于动态分配三种代价函数的权重，其中K是可替换运动向量的个数，是统计分布差值。

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)：

(1)嵌入代价定义。对于每个视频帧，若其是I帧，则该视频帧中无运动向量信息，对其进行正常编码；若其不是I帧，则在运动预测过程中获取其运动向量矩阵和预测残差矩阵。对于视频帧中的各宏块，使用上述的计算方法计算其代价Φ_i,j,t(mv_i,j,t,mv′_i,j,t)。

(2)消息嵌入。根据消息长度和视频帧数计算嵌入率，输入步骤(1)计算的代价和原始运动向量，使用±1双层STCs(Syndrome-trellis Codes)码或其他隐写码进行嵌入。嵌入完成后得到改动的运动向量，使用改动后的运动向量进行视频编码。

(3)消息提取。解码视频帧获取运动向量矩阵。使用STCs(Syndrome-trellisCodes)或其他隐写码解码提取二进制消息序列。

本发明的新型嵌入代价构造方法对视频隐写领域的有益效果为有效提高了现有基于运动向量视频隐写的安全性，具体包括：

(1)本发明方法在抵抗多种隐写分析方法检测时，均能保持较高的安全性。本发明定义的代价综合考虑了视频的运动特性、运动向量的局部最优性和统计分布，并且使用控制参数动态分配三种代价的权重。因此，本方法可有效抵抗基于局部最优性的隐写分析方法、基于重压缩的隐写分析方法等多种隐写分析。

(2)使用本发明方法对不同码率的视频进行隐写时，均能保持较高的安全性。本发明方法在选择可替换运动向量时，采用了自适应选择策略。该策略可有效保持运动向量的局部最优性，尤其是在高码率的情况下，与现有隐写方法相比可获得更高的安全性。

附图说明

图1是基于新型嵌入代价的运动向量域视频隐写流程图；

图2是视频帧的运动向量和量化参数信息示意图；

图3是利用有损压缩构造可替换运动向量集的示意图；

图4是利用运动搜索构造可替换运动向量集的示意图；

图5是运动向量空间相关性示意图；

图6是运动向量时间相关性示意图；

图7是使用AoSO隐写分析方法检测的ROC曲线图；

图8是使用MVRBR隐写分析方法检测的ROC曲线图。

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。

本实施例是在H.264/AVC视频编码标准下对压缩视频流实现基于运动向量的隐写，其仅仅是本发明提出的新型嵌入代价构造方法在H.264/AVC标准中的应用，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方法，除本实施例之外，该方法可应用于其他视频压缩标准下基于运动向量的隐写。故基于本发明方法提出的其他实施例，都属于本发明的保护范围。

图1为基于新型嵌入代价的运动向量域视频隐写流程图，其方法主要包括以下步骤：

(1)定义嵌入代价。对长度为N的视频中的每帧F_t，若该帧是I帧，则正常编码；若该帧不是I帧，则通过视频编码的运动预测过程，获取运动向量矩阵MV_t和预测残差矩阵E_t。对视频帧中的各宏块MB_i,j，使用下列方法计算其代价Φ_i,j,t(mv_i,j,t,mv′_i,j,t)。

a)计算基于运动特性的代价。图2为H.264视频流“Snatch.264”中视频帧中运动向量和量化参数信息，其中(a)图为H.264视频帧，(b)图为运动向量和量化参数信息，线段表示运动向量的幅值和方向，宏块灰度表示量化参数值的大小。由此可见运动向量幅值和量化参数差值均能表示宏块的运动，基于以上原理，可求得MCD_i,j,t。

b)计算基于局部最优性的代价。在局部最优性保持的方法里，重点和难点是构造可替换运动向量集。本发明方法提出了两种构造方法并使用自适应选择策略在两种方法中进行选择。一种构造方法是利用视频有损压缩过程中的信息失真进行隐写。图3分别显示了运动向量mv_i,j,t的邻居残差绝对值之和(SAD，Sum of Absolute Difference)矩阵以及其可替换运动向量nmv_i,j,t在编解码端的情况，在该情况下存在能保持运动向量的局部最优性。因此，该方法中运动向量mv_i,j,t的可替换运动向量集构造方法如下：

$SMV\left({\mathrm{mv}}_{i,j,t}\right)=\left\{{\mathrm{nmv}}_{i,j,t}^{k_n}\right|k_n=1,\mathrm{...},K_n\}$

${\mathrm{nmv}}_{i,j,t}^{k_n}\∈{\mathrm{Neighbors}}_{i,j,t}$

${\mathrm{sad}}_{{\mathrm{nmv}}_{i,j,t}^{k_n}}^{~0,0}=min\left(PSAD\right({\mathrm{nmv}}_{i,j,t}^{k_n}\left)\right)$

其中，SMV(mv_i,j,t)是可替换运动向量集，K_n是mv_i,j,t的可替换运动向量的个数，Neighbors_i,j,t是mv_i,j,t的邻居区域，表示解码端得到的当前宏块与指向的参考宏块间的残差绝对值之和，

另外一种方法是通过扰动运动预测过程选择指定运动搜索区域内的可替换运动向量。如图4所示，该方法中运动向量mv_i,j,t的可替换运动向量集构造方法如下：

$SMV\left({\mathrm{mv}}_{i,j,t}\right)=\left\{{\mathrm{cmv}}_{i,j,t}^{k_c}\right|k_c=1,\mathrm{...},K_c\}$

${\mathrm{cmv}}_{i,j,t}^{k_c}\∈{\mathrm{SearchArea}}_{i,j,t}$

${\mathrm{sad}}_{{\mathrm{cmv}}_{i,j,t}^{k_n}}^{~0,0}=min\left(PSAD\right({\mathrm{cmv}}_{i,j,t}^{k_c}\left)\right)$

其中是K_c的mv_i,j,t可替换运动向量的个数，SearchArea_i,j,t是宏块MB_i,j,t在参考帧中的指定搜索区域，是解码端得到的当前宏块与指向的参考宏块间的残差绝对值之和。在本发明中，使用LOD_i,j,t公式中的自适应的选择策略选择可替换运动向量，基于该策略可计算保证在高码率下仍能保持局部最优性。根据以上原理，可计算其基于局部最优性的代价LOD_i,j,t。

c)计算基于统计分布的代价。运动向量的统计特性包括在同一帧中的空间相关性以及相邻视频帧间的时间相关性。以运动向量的水平分量为例，如图5所示，其空间相关性下的统计分布为

其中，表示在空间内的四个方向，是在不同方向上计算的二阶差值。如图6所示，其时间相关性下的统计分布为

$H_d^T\left({\mathrm{MVX}}_t\right)=\underset{i=2}{\overset{H-1}{\Σ}}\underset{j=2}{\overset{W-1}{\Σ}}\left|\right|\▿x_{i,j,t}^T\left({\mathrm{MVX}}_t\right)=d\left|\right|$

其中H和W分别表示视频帧的高和宽中的宏块个数。因此，基于上述特性可算得基于统计分布的代价SDD_i,j,t。

d)计算新型嵌入代价。基于步骤a)、b)、c)算得的三种代价，动态分配其权重参数，计算各运动向量的嵌入代价。

(2)嵌入秘密消息。若二进制消息序列长度为l，视频帧中的P帧数为N_p，则载体的长度为n＝H×W×N_p×2，通过每个运动向量的平均嵌入比特数(bits per motion vector，bpmv)度量隐写嵌入率，且嵌入率为r＝l/n。嵌入的第一层信道为运动向量水平和垂直分量之和的LSB位，第二层信道为次LSB位，使用±1STCs(Syndrome-trellis Codes)隐写码进行隐写。嵌入完成后得到改动后的运动向量矩阵MV′_t，使用改动后的运动向量编码视频帧，得到嵌入消息后的压缩视频流。

(3)提取秘密消息。在接收端解码压缩视频得到运动向量矩阵MV′_t，使用STCs(Syndrome-trellis Codes)解码提取二进制消息序列。

本实施例使用基于H.264/AVC标准的x264编解码器对视频进行编解码操作，视频库由30个标准的YUV4:2:0视频序列构成，视频为CIF格式(分辨率为352×288)，长度为150帧到300帧变化不等。在本实验中，使用30fps进行视频编码。为了检验本发明方法在不同情况下的隐写效果，本实验对不同码率(包括500kbps、1000kbps、3000kbps、10000kbps)的视频集进行隐写，隐写时分别使用了0.25bpmv和0.5bpmv两种不同的嵌入率(embeddingrate，ER)。此外，本实验将该隐写方法与Cao²和Yao的隐写方法效果进行对比。

为了测试本发明方法的安全性，本实验使用AoSO和MVRBR隐写分析方法对隐写的视频进行分析，特征提取的帧组长度为12帧，使用60％的视频序列对LibSVM分类器进行训练，剩余的序列进行检测，通过对真阳性率和真阴性率求均值可得到平均检测率。

表1.使用AoSO隐写分析的检测率(％)

表1为使用AoSO视频分析算法检测得到的检测率，其对应的ROC(ReceiverOperation Characteristic)曲线图如图7所示。通过对比发现，在三种隐写方法中，由于未保持运动向量的局部最优性，Yao的方法在所有情况下安全性均最差。Cao²的方法在低码率(500kbps和1000kbps)的情况下表现较好，但随着码率升高其安全性急速下降。本发明提出的方法在所有码率的情况下均能保持较好的安全性。

表2.使用MVRBR隐写分析的检测率(％)

当使用MVRBR隐写分析方法进行检测时，得到的检测率如表2所示。其对应的ROC曲线图如图8所示，Cao²的方法在三种方法中表现最差，Yao的方法安全性优于Cao2的方法。本发明的隐写方法表现在各种情况下均保持了较高的安全性。

由以上具体实施方式中的实施例可知，本发明新型嵌入代价构造方法可以有效提高基于运动向量隐写算法的安全性。对不同码率的视频进行隐写以及采用多种隐写分析方法对隐写视频进行检测时，均能保持较低的检测率，充分保证了视频隐写的安全性。

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)

1.一种基于运动向量隐写的嵌入代价构造方法，其特征在于，包括以下步骤：

1)利用宏块的运动向量和宏块间的量化参数差值，计算运动向量的基于运动特性的代价；

2)通过构造可替换运动向量集保持改动后的运动向量的局部最优性，并计算基于局部最优性的代价；

3)利用运动向量的统计特性计算基于统计分布的代价，所述统计特性包括在同一视频帧中的空间相关性以及相邻视频帧间的时间相关性；

4)根据基于运动特性的代价、基于局部最优性的代价和基于统计分布的代价，计算运动向量的总体代价，并使用权重参数动态分配三种代价的权重。

2.如权利要求1所述的方法，其特征在于，步骤1)中，对于位于第t帧中(i,j)位置的宏块，其对应的运动向量用mv_i,j,t表示，mv_i,j,t的基于运动特性的代价定义为：

${\mathrm{MCD}}_{i,j,t}=\frac{1}{\left|{\mathrm{MV}}_{i,j,t}\right|\·\left(\right|{\mathrm{\ΔQP}}_{i,j,t}|+1)},$

$\left|{\mathrm{MV}}_{i,j,t}\right|=\sqrt{{\mathrm{mvx}}_{i,j,t}^2+{\mathrm{mvy}}_{i,j,t}^2},$

其中，MV_i,j,t是宏块MB_i,j,t的对应运动向量，|MV_i,j,t|是运动向量的幅值，|ΔQP_i,j,t|是量化参数差值的绝对值。

3.如权利要求1所述的方法，其特征在于，步骤2)所述可替换运动向量集使用两种方法构造：一种是利用有损压缩中的失真信息进行构造，另一种是通过扰动运动预测过程，在给定的搜索区域内寻找可替换运动向量；在两种构造方法中自适应选择较优的可替换运动向量构造方法，保证改动后运动向量的局部最优性。

4.如权利要求3所述的方法，其特征在于，步骤2)中运动向量mv_i,j,t的基于局部最优性的代价定义为：

${\mathrm{LOD}}_{i,j,t}=\left\{\begin{array}{cc}{\left(\frac{1}{K_n}\underset{k_n=1}{\overset{K_n}{\Σ}}{\left(J_{{\mathrm{nmv}}_{i,j,t}^{k_n}}-J_{{\mathrm{mv}}_{i,j,t}}\right)}^2\right)}^{\frac{1}{2}}& \begin{array}{cc}if& K_n\≥1,\end{array}\\ {\left(\frac{1}{K_c}\underset{k_c=1}{\overset{K_c}{\Σ}}{\left(J_{{\mathrm{cmv}}_{i,j,t}^{k_c}}-J_{{\mathrm{mv}}_{i,j,t}}\right)}^2\right)}^{\frac{1}{2}}& others.\end{array}\right.,$

其中，nmv_i,j,t是利用压缩失真得到的可替换运动向量，K_n表示nmv_i,j,t的个数，cmv_i,j,t是通过干扰运动预测得到的可替换运动向量，K_c表示cmv_i,j,t的个数；J_mv＝sad_mv+λ·R_mv，是率失真优化模型的拉格朗日代价函数，λ是拉格朗日参数，R_mv表示编码运动向量的比特数，sad_mv表示当前宏块与运动向量mv指向的参考宏块间的残差绝对值之和。

5.如权利要求1所述的方法，其特征在于，步骤3)中运动向量mv_i,j,t的基于统计分布的代价定义为：

$H_t^f\left({\mathrm{MV}}_t\right)=max\left(\right|H_t^f\left({\mathrm{MVX}}_t\right)-H_t^f\left({\mathrm{MVX}}_t^{\′}\right)|,|H_t^f\left({\mathrm{MVY}}_t\right)-H_t^f\left({\mathrm{MVY}}_t^{\′}\right)\left|\right),$

其中，MV_t是原始运动向量集，MV′_t表示从隐写视频第t帧得到的运动向量域，原始运动向量mv_i,j,t被MV′_t域中改动的运动向量mv′_i,j,t替换，mv′_i,j,t是可替换运动向量；d表示运动向量水平或垂直分量的二阶差值，表示该统计在时间和空间上的实施的不同方向，表示基于运动向量水平或垂直分量的统计分布，MVX_t、MVY_t分别表示原始运动向量的水平分量集和垂直分量集，MVX′_t、MVY′_t分别表示改动后的运动向量的水平分量集和垂直分量集。

6.如权利要求4所述的方法，其特征在于，步骤4)中运动向量mv_i,j,t的总体代价通过下式计算得到：

$D({\mathrm{MV}}_t,{\mathrm{MV}}_t^{\′})=\underset{i=1}{\overset{H}{\Σ}}\underset{j=1}{\overset{W}{\Σ}}{\mathrm{\Φ}}_{i,j,t}({\mathrm{mv}}_{i,j,t},{\mathrm{mv}}_{i,j,t}^{\′}),$

其中，H和W分别表示视频帧的高和宽中的宏块个数，MV_t是原始运动向量集，MV′_t是改动运动向量集；变量Φ_i,j,t表示运动向量mv_i,j,t的代价函数，其计算方法如下：

Φ_i,j,t(mv_i,j,t,mv′_i,j,t)＝WMCD_i,j,t·WLOD_i,j,t·WSDD_i,j,t，

${\mathrm{WMCD}}_{i,j,t}={{\mathrm{MCD}}_{i,j,t}}^{{\mathrm{\β}}_{{\mathrm{MCD}}_{i,j,t}}},$

${\mathrm{WLOD}}_{i,j,t}={({\mathrm{LOD}}_{i,j,t}+{\mathrm{\α}}_{{\mathrm{LOD}}_{i,j,t}})}^{{\mathrm{\β}}_{{\mathrm{LOD}}_{i,j,t}}},$

${\mathrm{WSDD}}_{i,j,t}={({\mathrm{SDD}}_{i,j,t}+{\mathrm{\α}}_{{\mathrm{SDD}}_{i,j,t}})}^{{\mathrm{\β}}_{{\mathrm{SDD}}_{i,j,t}}},$

其中，WMCD_i,j,t、WLOD_i,j,t、WSDD_i,j,t分别是MCD_i,j,t、LOD_i,j,t、SDD_i,j,t的权重代价；和为较小的正数常量，用于保证代价为正数；参数用于动态分配三种代价函数的权重，其中K是可替换运动向量的个数，是统计分布差值。

7.一种视频隐写方法，其特征在于，包括以下步骤：

1)对于每个视频帧，若其是I帧，则对其正常编码；若其不是I帧，则在运动预测过程中获取其运动向量矩阵和预测残差矩阵；对于视频帧中的各宏块，使用权利要求1～6中任一权利要求所述的方法计算运动向量的嵌入代价；

2)根据消息长度和视频帧数计算嵌入率，输入步骤1)计算的代价和原始运动向量，然后使用隐写码嵌入秘密消息，嵌入完成后得到改动的运动向量，使用改动后的运动向量进行视频编码，得到嵌入秘密消息后的压缩视频流。

8.如权利要求7所述的方法，其特征在于：在提取秘密消息时，使用隐写码解码压缩视频得到运动向量矩阵，然后提取二进制消息序列。