CN106131553A - 一种基于运动矢量残差相关性的视频隐写分析方法 - Google Patents

Abstract

本发明公开了一种基于运动矢量残差相关性的视频隐写分析方法，首先通过理论分析和实验比较，在分布紧凑性、统计多样性、应用通用性和特征区分性方面证明运动矢量残差比传统的相邻运动矢量差值更有优势；其次根据运动矢量残差的外部相关性和内部相关性在隐写嵌入前后的改变，利用共生矩阵来构造隐写分析特征。目前基于运动矢量的隐写分析特征都是利用相邻运动矢量之间的差值的相关性来构造，仅能应用于视频宏块大小一致的编码条件下，而本发明首次提出利用视频编码过程中产生的运动矢量残差进行特征构造，特征通用性更强，能广泛适用于各类视频编码标准；此外，基于运动矢量残差相关性的特征敏感性更高，有利于提高隐写分析的检测效果。

Description

一种基于运动矢量残差相关性的视频隐写分析方法

技术领域

本发明属于多媒体安全和数字媒体处理技术领域，特别涉及一种判别数字视频是否经过秘密信息嵌入的隐写分析方法。

背景技术

现代隐写术是一门利用数字媒体进行秘密通信的技术，而隐写分析是隐写术的反向检测技术，其目标是判断图像、音频、视频等数字媒体中是否隐藏有秘密信息。随着视频采集设备的普及和互联网视频应用的流行，数字视频成为极易获取的隐藏载体；数字视频的组成成分丰富多样，如运动矢量、亮度或色度变换系数、宏块预测模式和分割模式等，都能够利用来设计多样化的隐写方法。近年来基于数字视频的隐写技术和工具逐渐增多，这对数字视频的隐写分析提出了严峻的挑战。

在现有的各类视频隐写方法中，基于运动矢量的隐写方法因其较高的安全性和较大的嵌入容量而受到广泛关注。此外，H.264/AVC是目前使用最为广泛的视频编码标准，在实际应用中极有可能成为视频信息隐藏载体，因此本文主要针对基于H.264/AVC的视频运动矢量隐写方法进行隐写分析。

运动矢量(motion vector,MV)是视频压缩编码中的重要参数。由于相邻视频帧之间具有较高的相似性，视频编码器采用运动估计(motion estimation,ME)为当前帧中的编码块在参考帧中寻找相似的预测块，并对编码块与预测块之间的残差进行编码来去除帧间冗余。运动估计的目标就是为了获取运动矢量，运动矢量表示预测块与当前编码块之间的相对坐标距离，运动矢量如图1(a)所示。在视频编码之后，运动矢量与其他编码成分一起成为压缩码流，被用来传输或存储。

H.264/AVC视频编码块的最大尺寸固定为16×16，称之为宏块(macroblock,MB)。为了更好地逼近视频场景中的物体形状和达到更加精确的匹配效果，在ME过程中宏块往往需要进一步被分割成多个子块，这种情况称作可变块尺寸(variable block size,VBS)，与之相对应的是固定块尺寸(fixed block size,FBS)。H.264/AVC规定一个16×16的宏块可以被划分成一个16×16分割，两个16×8分割，两个8×16分割或四个8×8分割，这些分割被称作宏块分割(MB partitions)。8×8分割也叫子宏块，它还可以继续被划分成一个8×8分割，两个8×4分割，两个4×8分割或四个4×4分割，这些分割被称作子宏块分割(subMBpartitions)。上述宏块分割模式如图2所示。

在下文中，宏块专指尺寸大小为16×16的块。“块”和“分割”具有相同的含义，它们用于不同的语境，“块”泛指各种尺寸大小的块；“分割”用来强调宏块的可划分特点，它是宏块的子块，其尺寸等于或小于宏块。

视频中相邻块的运动情况往往是类似的，它们的运动矢量具有较强的相关性，因此在ME过程中以相邻块的运动矢量为起点来搜索最优匹配块。这个作为起点的运动矢量叫做预测运动矢量(predicted motion vector,PMV)，它的构成取决于当前宏块与相邻宏块的分割情况以及相邻运动矢量的存在与否。设当前宏块分割或宏块子分割为E，A、B、C、D分布为其左邻块、上邻块、右上邻块和左上邻块。如果E的右边不止一个分割，则取最上方的一个分割为A；如果E的上方有多个分割，则取最左边的为B；C和D也是对应位置中离E最近的分割。不同尺寸的分割的相邻关系如图3所示。

一般情况下，当前分割的预测运动矢量为A、B、C的运动矢量的中值。如果右上邻块的运动矢量不存在(该块超出视频帧边界或属于帧内宏块)，则以左上邻块代替；如果其他相邻块不存在，预测运动矢量的选择方式也会相应的改变([文献1])。

另外，为了节约码流，运动矢量本身并不进行编码和传输，取而代之的是运动矢量残差(motion vector difference,MVD)，运动矢量残差是当前分割的运动矢量与预测运动矢量的差值，其计算公式如下：

MVD＝MV-PMV (式1)

运动矢量残差也用于评价运动估计。在运动估计过程中，寻找最优的运动矢量通常由率失真优化模型来实现，即使得如下的拉格朗日代价函数达到最小：

J＝SAD+λ·BITS(MVD) (式2)

其中SAD是预测残差PE的绝对误差和(sum of absolute difference)，MVD是运动矢量残差，BITS(MVD)代表编码MVD所需的比特数，λ是拉格朗日乘子，其取值与量化参数(quantization parameter,QP)有关。

基于运动矢量的隐写方法大多通过修改运动矢量来嵌入秘密信息比特，并同时调整对应的预测残差(prediction error,PE)来避免重建误差。运动矢量的修改过程如图1(b)所示。相邻块的运动矢量具有相关性，而隐写嵌入改变了这一相关性，因此现有的基于运动矢量的隐写分析特征都是利用运动矢量的相关性变化来构造。具体方法是先计算相邻运动矢量的分量的差值，然后基于此相邻运动矢量差值(neighboring motion vectordifference,NMVD)利用一定的统计方法提取特征。其中常见的运动矢量相邻关系包括水平方向和垂直方向，运动矢量的分量包括水平分量和垂直分量。

例如[文献2]利用帧内空域和帧间时域的NMVD直方图构造COM(center of mass)特征和混叠度特征；[文献3]使用同样的思想，通过二阶NMVD直方图构造COM特征。[文献4]提出利用当前宏块与两个相邻宏块之间的NMVD的联合概率分布来构造特征。这些方法均假设宏块的尺寸是固定大小而没有进一步划分，并且视频帧的的宏块都是帧间宏块而没有帧内宏块(即相邻的运动矢量都是连续的)，然而在H.264/AVC等先进视频标准下，这类方法对于相邻宏块的分割不一致的情况和帧间宏块与帧内宏块相邻的情况，难以有效计算NMVD，继而无法构造隐写分析特征。

因此，如何利用运动矢量来构造有效的隐写分析特征，并增强特征对于各种编码情况的适用性，以提高隐写分析的检测率，对于隐写分析具有重要的意义。

[文献1]Advanced Video Coding for Generic Audiovisual Services,ITU-TRec.H.264 and ISO/IEC 14496-10(AVC),ITU-T and ISO/IEC,Feb.2014.

[文献2]Y.Su,C.Zhang,and C.Zhang,“A video steganalytic algorithmagainst motion-vector-based steganography,”Signal Process.,vol.91,no.8,pp.1901–1909,Aug.2011.

[文献3]Y.Deng,Y.Wu,H.Duan,and L.Zhou,“Digital video steganalysisbased on motion vector statistical characteristics,”Optik Int.J.LightElectron Optics,vol.124,no.14,pp.1705–1710,Jul.2013.

[文献4]H.Wu,Y.Liu,J.Huang,and Y.Yang,“Improved steganalysis algorithmagainst motion vector based video steganography,”in Proc.IEEE Int.Conf.ImageProcessing(ICIP),Oct.2014,pp.5512–5516.

[文献5]T.Zhang,W.Li,Y.Zhang,E.Zheng,and X.Ping,“Steganalysis of LSBmatching based on statistical modeling of pixel difference distributions,”Information Sciences,vol.180,no.23,pp.4685–4694,Dec.2010.

[文献6]T.Zhang and X.Ping,“A new approach to reliable detection ofLSB steganography in natural images,”Signal Process.,vol.83,no.10,pp.2085–2093,Oct.2003.

[文献7]C.Xu,X.Ping,and T.Zhang,“Steganography in compressed videostream,”in Proc.1st Int.Conf.Innov.Comput.,Inf.Control,Sep.2006,pp.269–272.

[文献8]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.

[文献9]Y.Cao,X.Zhao,D.Feng,and R.Sheng,“Video steganography withperturbed motion estimation,”in Proc.13th Int.Conf.IH,vol.6958,2011,pp.193–207.

[文献10]H.Zhang,Y.Cao and X.Zhao,“Motion vector-based videosteganography with preserved local optimality,”Multimedia Tools andApplications,pp.1-17,Jun.2015.

发明内容

为了解决现有基于NMVD的隐写分析特征所存在的问题，本发明提供了一种通用性强、准确率高的基于运动矢量残差相关性的视频隐写分析方法。

本发明所采用的技术方案是：一种基于运动矢量残差相关性的视频隐写分析方法，其特征在于，包括以下步骤：

步骤1：对于一个视频帧，计算MVD的初始的外部和内部共生矩阵和

步骤2：根据设定的阈值T，对和进行阈值操作；

步骤3：对阈值操作后的和进行对称化操作；

步骤4：把对称化操作后的进行方向合并操作；

步骤5：获得一个视频帧最终的隐写分析特征；

步骤6：重复步骤1-步骤5，提取一个视频内所有帧的隐写分析特征。

作为优选，步骤1中所述计算MVD的初始的外部和内部共生矩阵和其具体实现过程是：

设D_i(h)和D_i(v)分别表示一帧中第i个块所对应的MVD水平分量和垂直分量，是与D_i(x)相邻的MVD分量，其中代表水平方向、垂直方向、副对角线方向和主对角线方向上的相邻关系，x∈{h,v}表示MVD的水平分量或垂直分量；

水平方向上的D_i(h)，其外部共生矩阵为：

$C_{m,n}^{\←}\left(h\right)=\frac{1}{Z}\left|\right\{\left(D_i\right(h),D_i^{\←}(h\left)\right)|D_i\left(h\right)=m,D_i^{\←}\left(h\right)=n\}|;$

其中，m和n分别是第i个MVD及其水平相邻MVD的取值，Z是标准化常量以使得同理，一共得到8个外部共生矩阵

同一个MVD的两个分量之间的内部共生矩阵为：

$C_{m,n}^{ia}=\frac{1}{Z}\left|\right\{\left(D_i\right(h),D_i(v\left)\right)|D_i\left(h\right)=m,D_i\left(v\right)=n\}|;$

其中Z是标准化常量以使得 中的ia是intra的缩写，表示“内部共生矩阵”。

作为优选，步骤2中所述阈值操作，是采用直方图选择的方式，即设定阈值T，选取和位于[-T,T]×[-T,T]范围内的数值，该范围之外的取值则舍去。

作为优选，步骤3中所述对阈值操作后的和进行对称化操作，是对共生矩阵进行方向对称和符号对称；

水平方向上的外部共生矩阵，方向对称化和符号对称化的过程如下所示：

${\stackrel{\↔}{C}}_{m,n}^{\←}\left(h\right)\⇐C_{m,n}^{\←}\left(h\right)+C_{n,m}^{\←}\left(h\right);$

${\stackrel{\‾}{C}}_{m,n}^{\←}\left(h\right)\⇐{\stackrel{\↔}{C}}_{m,n}^{\←}\left(h\right)+{\stackrel{\↔}{C}}_{-m,-n}^{\←}\left(h\right);$

其它方向上的外部共生矩阵的对称化过程与之同理；

内部共生矩阵的方向对称化和符号对称化的过程如下所示：

${\stackrel{\↔}{C}}_{m,n}^{ia}\⇐C_{m,n}^{ia}+C_{n,m}^{ia};$

${\stackrel{\‾}{C}}_{m,n}^{ia}\⇐{\stackrel{\↔}{C}}_{m,n}^{ia}+{\stackrel{\↔}{C}}_{-m,-n}^{ia}.$

作为优选，步骤4中所述把对称化操作后的进行方向合并操作，其中水平方向上的外部共生矩阵的分量合并和方向合并操作如下：

${\stackrel{\‾}{C}}_{m,n}^{\←}=\frac{1}{2}\[{\stackrel{\‾}{C}}_{m,n}^{\←}\left(h\right)+{\stackrel{\‾}{C}}_{m,n}^{\←}\left(v\right)\];$

其中中的ir是inter的缩写，表示“外部共生矩阵”。其它方向上的外部共生矩阵的分量合并和方向合并与之同理。

作为优选，步骤5中所述获得一个视频帧最终的隐写分析特征，外部共生矩阵特征和内部共生矩阵特征的获取过程如下所示：

$F_{1,...,k}=unique\left({\stackrel{\‾}{C}}_{.}^{ir}\right);$

$F_{k+1,...,2k}=unique\left({\stackrel{\‾}{C}}_{.}^{ia}\right);$

其中unique(·)表示去除经过对称化操作后的共生矩阵中的重复元素，k＝(T+1)²是每个共生矩阵在去除重复元素之后的特征维度。

相对与现有技术，本发明的有益效果是：

本发明首次提出利用运动矢量残差代替传统的相邻运动矢量差值来构造隐写分析特征，该特征具有较强的通用性，能广泛适用于各类视频编码标准；基于运动矢量残差的特征敏感性更高，在隐写分析的检测精度上要优于传统的方法。

附图说明

图1为本发明背景技术中运动矢量的示意图，其中图1(a)为运动矢量的水平分量与垂直分量的示意图，图1(b)运动矢量的隐写嵌入过程的示意图；

图2为本发明背景技术中宏块分割和宏块子分割的示意图；

图3为本发明背景技术中不同尺寸的分割的相邻关系示意图,其中图3(a)为相同的相邻宏块分割模式，图3(b)为不同的相邻宏块分割模式，图3(c)为不连续的相邻宏块分割模式；

图4为本发明实施例的MVD与NMVD的直方图对比示意图；

图5为本发明实施例的MVD的联合概率分布示意图，其中图5(a)为MVD的外部联合概率分布示意图，图5(b)为MVD的内部联合概率分布示意图；

图6为本发明实施例的MVD与NMVD的统计区分性对比示意图，其中图6(a)和图6(b)分别为MVD与NMVD在隐写嵌入前后的直方图变化示意图，图6(c)和图6(d)分别为MVD的外部和内部联合概率分布变化示意图，图6(e)为MVD与NMVD的直方图分布的K-L散度对比示意图，图6(f)为MVD与NMVD的联合概率分布的K-L散度对比示意图；

图7为本发明实施例的流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明利用隐写前后相邻MVD的外部和内部相关性的变化，使用共生矩阵来构造隐写分析特征，并结合SVM分类器来训练隐写分析模型和测试视频样本。

大多数基于运动矢量的隐写方法都是通过修改运动矢量的一个或两个分量的最低重要位(least significant bit,LSB)来实现。考虑到实际应用中嵌入的秘密信息通常要事先加密，基于运动矢量的隐写过程可以建模成对运动矢量的两个分量添加独立随机噪声的过程。设cover视频一帧中第l个运动矢量为V_l＝(V_l ^h,V_l ^v)，其中V_l ^h和V_l ^v分别是V_l的水平分量和垂直分量，则上述过程可以描述如下：

其中SV_l ^h和SV_l ^v是stego视频帧中第l个运动矢量SV的两个分量，L是一帧中运动矢量的总数。和是随机噪声，具有如下概率质量函数(probability mass function,PMF)：

其中k＝1,2,…是随机噪声的幅度，q是嵌入率。和是运动矢量的选择规则(selection rule,SR)的控制参数，其取值如下：

相邻MV之间和相邻MVD之间具有较强的相关性，即V_l与相邻V_l-1或V_l+1的取值比较接近，V_l对应的MVD与V_l-1或V_l+1所对应的MVD也很接近(量化参数较大时尤为显著)。而基于运动矢量的隐写嵌入给编码块的MV/MVD的统计特性带来干扰，相邻MV/MVD的相关性会减弱，这给隐写分析提供了机会。

基于运动矢量的隐写嵌入相当于对MV添加随机噪声。当前基于运动矢量的特征([文献2-4])大多采用相邻元素相减的方式——NMVD——来提高特征的信噪比，即聚焦于隐写噪声(信号)而降低视频载体本身内容(噪声)的干扰。本发明采用MVD代替NMVD来构造隐写分析特征，MVD相当于NMVD的一个特例，与NMVD相比，使用MVD构造特征具有下述优势：

(1)分布紧凑性；

相邻分割之间的运动矢量具有相关性，因此NMVD的水平分量或垂直分量的分布呈现零均值和对称性。借鉴图像相邻像素差值分布的思想([文献5][文献6])，NMVD的分量也可以建模成拉普拉斯分布或广义高斯分布。为简单起见，设NMVD的单个分量服从拉普拉斯分布，其概率分布函数(probability density function,PDF)为：

其中x表示NMVD的单个分量的取值，α_nd是拉普拉斯分布的参数，下标nd表示该分布是NMVD的分布。

由于预测运动矢量是三个相邻运动矢量的中值，即可以把PMV视为一定重叠窗口内的MV的中值滤波输出，因此根据式(1)可知MVD也是三个相邻NMVD的中值。为更好地描述MVD的特点和比较MVD与NMVD的差异，在已知NMVD分布的前提下，有必要推导MVD的概率分布函数。本发明从实验入手来总结MVD的分布规律。

采用36个标准测试视频序列，MVD的水平分量与水平方向上NMVD的水平分量的直方图如图4所示。可以看到MVD的水平分量服从与NMVD相近似的零均值拉普拉斯分布，但前者的分布更加陡峭。MVD的垂直分量也具有类似的分布。因此可设MVD的分量服从拉普拉斯分布，其概率密度函数为：

其中x表示MVD的单个分量的取值，α_d是分布的参数，下标d表示该分布是MVD的分布。并且满足下列条件：

α_d＜α_nd (式8)

因此根据图4和式6-式8可以得出结论，MVD与NMVD都服从零均值的拉普拉斯分布，但前者的直方图分布比后者更加集中和紧凑。对于MVD和NMVD的二阶直方图分布，即相邻MVD/NMVD分量的联合分布和同一MVD/NMVD的两个分量的联合分布，这一结论也仍然成立。

基于残差信号的特征往往使用阈值或截尾操作把统计信息限定在一定范围内([文献2-4])。这是因为残差信号的取值范围较广，而大部分信号主要集中在小区间内，阈值操作能够关注主要的信号，降低了特征的维度。由于在实际应用中阈值通常取较小的值，这在一定程度上会损失一部分有用的统计信息。因此，一个集中而紧凑的统计分布可以使特征设计者在一个较小的阈值范围内得到更多的统计信息，有利于提升特征的检测能力。从这一点来讲，MVD比NMVD更有优势。

(2)外部相关性；

经过相邻元素的差值运算后，相邻MV之间的相关性转化为小范围内的相邻NMVD之间和相邻MVD之间的相关性。把NMVD和MVD的这种相关性定义为外部相关性，外部相关性可以用联合概率分布P(x^E,x^N)来表示，其中x^E和x^N分别是当前块与相邻块的MVD/NMVD的分量。利用联合分布构造高阶特征是现代隐写分析常用的方法，我们发现MVD比NMVD更有利于表达这种外部相关性。

基于NMVD的隐写分析特征都假设视频编码块的大小是固定的(即采用FBS)，且相邻的块都具有MV，这种假设方便计算NMVD。然而由前述分析可知，上述假设在H.264/AVC等先进的视频编码标准中往往难以满足，这限制了高阶特征的构造和应用。

与NMVD相比，MVD具有更大的通用性。MVD由编码器根据PMV的构成方法自动产生，不需要考虑相邻宏块分割一致性和运动矢量的连续性。文献[2-4]中的COM特征、混叠度特征和共生矩阵特征都可以直接应用在MVD上面。由于ME以PMV为起点搜索MV，PMV是图3中A、B、C/D三个位置的运动矢量的中值，有理由相信当前块的MVD与A、B、C、D这4个位置的MVD的相关性会更强。因此，不管宏块如何分割，本发明只考虑当前块与A(水平方向)、B(垂直方向)、C(副对角线方向)和D(主对角线方向)这四个相邻位置上的相关性，即x^N中的N∈{A,B,C,D}。如果A、B、C、D这4个位置位于帧边界之外或是帧内编码块，则忽略此种情况。相邻MVD的联合概率分布P(x^E,x^A)如图5(a)所示，其中x^E与x^A取MVD的水平分量。可以看到，大部分相邻MVD的取值都很接近，且都位于原点附近，相邻MVD的取值差异越大，其概率就越小，这验证了相邻MVD之间的相关性。当前块与B、C和D位置编码块的相邻MVD的分布与之类似。很显然，隐写分析会改变P(x^E,x^N)，可以利用这种变化设计隐写分析特征。当视频的宏块分割固定为16×16时，也可以计算相邻NMVD的联合分布，这种情况下相邻MVD与相邻NMVD的联合分布的差异见下文。

(3)内部相关性；

文献[2-4]中的基于NMVD的隐写分析特征是利用相邻差值元素之间的统计特性来构造；MVD和NMVD都具有两个分量，而同一个MVD和NMVD的两个分量之间的统计特性目前尚未被充分研究。

运动矢量的两个分量表示编码块的参考块与其在水平方向和垂直方向上的相对位移，由于视频场景的运动方向和快慢是不确定的，因此MV的两个分量之间具有较大的随机性，且两个分量的取值范围也有很大的差异，难以直接描述其统计规律。另外，相同方向上的同一个NMVD的两个分量的取值在很大概率上较为接近，可以认为它们之间具有一定的相关性，但是这种现象缺乏一个直观的解释。

本发明把同一个MVD或NMVD的两个分量之间的相关性定义为内部相关性，MVD的内部相关性可以从编码的角度来解释。经过MV与PMV的差值运算，MV两个分量本身的差异已被基本消除。在运动估计过程中，式(2)中的运动搜索代价BITS(MVD)是水平分量和垂直分量的代价之和，这意味着MVD的两个分量的代价权重是相同的，那么这两个分量将会有较高的概率取得相近的数值大小，这一结论可以通过图5(b)来验证。MVD的内部相关性也可以用联合概率分布P(x^h,x^v)来表示，其中x^h与x^v分别是MVD的水平分量和垂直分量。MVD的两个分量的联合概率分布P(x^h,x^v)如图5(b)所示，可以看到它具有与图5(a)相似的分布特性。很显然，隐写分析也会改变P(x^h,x^v)，同样可以利用这种变化来设计隐写分析特征。当视频的宏块分割固定为16×16时，也可以计算同一方向上NMVD两个分量的联合分布，这种情况下MVD与NMVD的两个分量的联合分布的差异见下文。

(4)统计区分性；

隐写嵌入弱化了运动矢量之间的相关性，也同时改变了MVD与NMVD的外部相关性和内部相关性，这种统计规律上的变化为隐写分析提供了机会。图6(a)和图6(b)是隐写前后MVD与NMVD的一阶直方图分布情况，MVD与NMVD都取水平分量，cover视频与图4中的一样，stego视频是对cover视频中较大的运动矢量分量进行LSB替换修改得到。可以看到，隐写嵌入使MVD与NMVD的直方图分布都变得更加平缓。图6(c)和图6(d)是隐写前后水平方向相邻MVD之间与同一MVD两个分量之间的二阶直方图联合分布的差值，可以看到，隐写嵌入的改变主要集中于原点附近。

为了比较隐写嵌入对MVD与NMVD统计规律的影响大小，利用MVD与NMVD在隐写前后的直方图的K-L散度作为衡量标准。在不同QP、不同分割模式下，MVD与NMVD的K-L散度对比结果如图6(e)和图6(f)所示，其中图6(e)是一阶直方图的K-L散度，与图6(a)和图6(b)相对应；图6(f)是二阶直方图的K-L散度，与图6(c)和图6(d)相对应。从图中可以看到，在各种条件下，MVD的K-L散度都要明显大于NMVD，这意味着隐写嵌入对MVD统计规律造成的破坏更大。也就是说，采用MVD构造隐写分析特征，有利于增强特征的区分度。

根据上述讨论本发明利用MVD的外部相关性和内部相关性来构建隐写分析特征。MVD的外部相关性和内部相关性用x^E与x^N、x^h与x^v的联合概率分布即共生矩阵来表达。

参见图7，本发明提供的一种基于运动矢量残差相关性的视频隐写分析方法，包括以下步骤：

步骤1：对于一个视频帧，计算MVD的初始的外部和内部共生矩阵和

设D_i(h)和D_i(v)分别表示一帧中第i个块所对应的MVD水平分量和垂直分量，是与D_i(x)相邻的MVD分量，其中代表水平方向、垂直方向、副对角线方向和主对角线方向上的相邻关系，与图3中A、B、C、D四个位置相对应；x∈{h,v}表示MVD的水平分量或垂直分量。以水平方向上的D_i(h)为例，其外部共生矩阵可表示如下：

其中Z是标准化常量以使得

按照类似的方法，一共可以得到8个外部共生矩阵其中

与外部共生矩阵相类似，同一个MVD的两个分量之间的内部共生矩阵可表示如下：

其中Z是标准化常量以使得

通过图4和图5可以看出，绝大部分MVD都集中在原点附近，并且其一阶和二阶直方图分布都关于原点对称。通过图6(c)和图6(d)也可以看出，隐写嵌入造成的修改也大多集中在原点附近。为了使特征更紧凑和增强特征的鲁棒性，有必要对共生矩阵采取阈值和对称化操作。

步骤2：根据设定的阈值T，对和进行阈值操作；

对于阈值操作，本发明采用直方图选择的方式，即设定阈值T，只选取和位于[-T,T]×[-T,T]范围内的数值，该范围之外的取值则舍去。

步骤3：对阈值操作后的和进行对称化操作；

对于对称化操作，对共生矩阵进行方向对称和符号对称。这是因为联合概率一般与方向无关，因此与可以统一考虑；另外从编码的角度来看，MVD的编码代价也与正负号无关，与的分布也较为相近，它们同样可以统一考虑。以水平方向上的外部共生矩阵为例，方向对称化和符号对称化的过程如下所示：

其它方向上的外部共生矩阵的对称化过程与之相同。内部共生矩阵的方向对称化和符号对称化的过程如下所示：

步骤4：把对称化操作后的进行方向合并操作；

为了进一步降低特征维度和增强特征鲁棒性，对外部共生矩阵采取合并操作。这是因为对于MVD的外部共生矩阵，无论是MVD的水平分量还是垂直分量，无论是哪个相关性方向，其统计规律都十分相像，存在着一定的统计冗余。外部共生矩阵的分量合并(以水平方向上的共生矩阵为例)和方向合并操作如下：

步骤5：获得一个视频帧最终的隐写分析特征；

进过一系列的集中化操作之后，外部共生矩阵特征和内部共生矩阵特征的获取过程如下所示：

其中unique(·)表示去除经过对称化操作后的共生矩阵中的重复元素，k＝(T+1)²是每个共生矩阵在去除重复元素之后的特征维度。取T＝3，则外部和内部共生矩阵各具有16维特征。

步骤6：重复步骤1-步骤5，提取一个视频内所有帧的隐写分析特征。

接下来对本发明的隐写分析进行检测验证；

步骤2.1：输入YUV格式的视频样本，如果视频是H.264压缩格式，需要先转换成YUV格式。利用H.264/AVC视频编码器和隐写工具分别生成数量相同的cover样本和对应的stego样本。

步骤2.2：把2.1得到的成对的视频样本随机分成数量相同两部分，一部分作为训练集，另一部分作为测试集来验证分类模型的效果。

步骤2.3：按照前文的特征构造步骤提取训练集和测试集样本的隐写分析特征。

步骤2.4：利用训练集中的cover样本特征和对应的stego样本特征，并结合LibSVM分类器来训练通用的隐写分析模型。

步骤2.5：用测试集样本的特征来验证隐写分析模型的准确性。

为验证本发明的有效性，使用本发明的特征和文献[2]的特征作对比，分别训练不同的隐写分析模型。由于文献[2]的特征是基于NMVD来构造的，为了验证传统的隐写分析特征同样可以利用MVD来构造，把文献[2]的特征也应用于MVD来训练隐写分析模型。检测的隐写方法来自文献[7-10]，分别考虑两种不同的压缩情况(即QP)，隐写方法的相对嵌入率(嵌入的秘密信息长度与最大载体的最大嵌入容量之比)为0.1。隐写分析结果用检测准确率来衡量，检测准确率是cover正检率和stego正检率的平均值。对比实验结果如表1所示。

表1隐写分析实验结果

通过验证，在不同的QP情况下，使用同样的文献[2]特征构造方法，基于MVD的特征的检测效果要优于基于NMVD的特征，这也说明MVD比NMVD具有更好的区分性。本发明的检测准确率要远远高于文献[2](无论是NMVD还是MVD)，这说明MVD的内部和外部共生矩阵特征具有更好的敏感性。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.一种基于运动矢量残差相关性的视频隐写分析方法，其特征在于，包括以下步骤：

步骤1：对于一个视频帧，计算MVD的初始的外部和内部共生矩阵和

步骤2：根据设定的阈值T，对和进行阈值操作；

步骤3：对阈值操作后的和进行对称化操作；

步骤4：把对称化操作后的进行方向合并操作；

步骤5：获得一个视频帧最终的隐写分析特征；

步骤6：重复步骤1-步骤5，提取一个视频内所有帧的隐写分析特征。

2.根据权利要求1所述的基于运动矢量残差相关性的视频隐写分析方法，其特征在于，步骤1中所述计算MVD的初始的外部和内部共生矩阵和其具体实现过程是：

设D_i(h)和D_i(v)分别表示一帧中第i个块所对应的MVD水平分量和垂直分量，是与D_i(x)相邻的MVD分量，其中代表水平方向、垂直方向、副对角线方向和主对角线方向上的相邻关系，x∈{h,v}表示MVD的水平分量或垂直分量；

水平方向上的D_i(h)，其外部共生矩阵为：

$C_{m,n}^{\←}\left(h\right)=\frac{1}{Z}\left|\right\{\left(D_i\right(h),D_i^{\←}(h\left)\right)|D_i\left(h\right)=m,D_i^{\←}\left(h\right)=n\}|;$

其中，m和n分别是第i个MVD及其水平相邻MVD的取值，Z是标准化常量以使得同理，一共得到8个外部共生矩阵

同一个MVD的两个分量之间的内部共生矩阵为：

$C_{m,n}^{ia}=\frac{1}{Z}\left|\right\{\left(D_i\right(h),D_i(v\left)\right)|D_i\left(h\right)=m,D_i\left(v\right)=n\}|;$

其中Z是标准化常量以使得

3.根据权利要求1所述的基于运动矢量残差相关性的视频隐写分析方法，其特征在于，步骤2中所述阈值操作，是采用直方图选择的方式，即设定阈值T，选取和位于[-T,T]×[-T,T]范围内的数值，该范围之外的取值则舍去。

4.根据权利要求2所述的基于运动矢量残差相关性的视频隐写分析方法，其特征在于，步骤3中所述对阈值操作后的和进行对称化操作，是对共生矩阵进行方向对称和符号对称；

水平方向上的外部共生矩阵，方向对称化和符号对称化的过程如下所示：

${\stackrel{\↔}{C}}_{m,n}^{\←}\left(h\right)\⇐C_{m,n}^{\←}\left(h\right)+C_{n,m}^{\←}\left(h\right);$

${\stackrel{\‾}{C}}_{n,m}^{\←}\left(h\right)\⇐{\stackrel{\↔}{C}}_{n,m}^{\←}\left(h\right)+{\stackrel{\↔}{C}}_{-m,-n}^{\←}\left(h\right);$

其它方向上的外部共生矩阵的对称化过程与之同理；

内部共生矩阵的方向对称化和符号对称化的过程如下所示：

${\stackrel{\↔}{C}}_{m,n}^{ia}\⇐C_{m,n}^{ia}+C_{n,m}^{ia};$

${\stackrel{\‾}{C}}_{m,n}^{ia}\⇐{\stackrel{\↔}{C}}_{m,n}^{ia}+{\stackrel{\↔}{C}}_{-m,-n}^{ia}.$

5.根据权利要求2所述的基于运动矢量残差相关性的视频隐写分析方法，其特征在于，步骤4中所述把对称化操作后的进行方向合并操作，其中水平方向上的外部共生矩阵的分量合并和方向合并操作如下：

${\stackrel{\‾}{C}}_{m,n}^{\←}=\frac{1}{2}\[{\stackrel{\‾}{C}}_{m,n}^{\←}\left(h\right)+{\stackrel{\‾}{C}}_{m,n}^{\←}\left(v\right)\];$

其它方向上的外部共生矩阵的分量合并和方向合并与之同理。

6.根据权利要求2所述的基于运动矢量残差相关性的视频隐写分析方法，其特征在于，步骤5中所述获得一个视频帧最终的隐写分析特征，外部共生矩阵特征和内部共生矩阵特征的获取过程如下所示：

$F_{1,...,k}=unique\left({\stackrel{\‾}{C}}_{.}^{ir}\right);$

$F_{k+1,...,2k}=unique\left({\stackrel{\‾}{C}}_{.}^{ia}\right);$

其中unique(·)表示去除经过对称化操作后的共生矩阵中的重复元素，

k＝(T+1)²是每个共生矩阵在去除重复元素之后的特征维度。