CN106331730A - H.264视频同量化因子双重压缩检测方法 - Google Patents

Abstract

本发明提供了一种H.264视频同量化因子双重压缩检测方法，包括：步骤1：对输入视频进行解码得到I帧所有宏块的帧内预测宏块模式；步骤2：使用前一次输入视频相同的量化因子对YUV序列进行编码，得到下一次输入视频，并获得该视频I帧所有宏块的帧内预测宏块模式；步骤3：K次重复步骤2，计算相邻压缩版本视频间平均每个I帧内帧内宏块模式变化的宏块数量C_n；步骤4：将K次得到的C_n除以对应视频单帧内宏块的总数量，并将结果组合成K维特征向量；步骤5：使用训练视频集的特征向量训练分类器，通过分类器分类判断其是否经过同量化因子的双重压缩。本发明中的方法准确率高，对不同的量化因子和视频分辨率具有较好的鲁棒性。

Description

H.264视频同量化因子双重压缩检测方法

技术领域

本发明涉及双重压缩检测方法，具体地，涉及一种H.264视频同量化因子双重压缩检测方法。

背景技术

为了验证数字视频是否被篡改，许多主动取证技术已经被提出，比如：数字水印技术。主动取证需要将认证信息嵌入数字视频中。但是在现实中视频经常在最初录制时并没有嵌入认证信息，因此只依赖数字视频的固有特性进行检测的被动取证技术有较大的应用空间。视频的篡改操作一般处于非编码域的层面，所以篡改视频会经过至少两次压缩。根据两次压缩时GOP结构是否相同，视频的双重压缩可分为两类：GOP结构对齐和GOP结构不对齐的双重压缩。GOP结构对齐的情况下，视频在每次压缩时，GOP结构和各帧的类型不会改变。

由于MPEG标准中I帧的压缩方式和JPEG压缩标准的相似性，许多JPEG图像双重压缩检测技术被运用到MPEG双重压缩检测中。另外，随着其他视频编码标准(比如H.264和H.265)的广泛运用，加上视频在时域表现出的一些特性，越来越多的针对视频双重压缩的检测技术被提出。

经过对现有双重压缩检测技术的检索发现，授权公告号为CN102413328B、授权公告日为2013年11月06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。申请公布号为CN104837028A、申请公布日为2015年08月12日的中国专利记载了一种“视频同比特率双重压缩检测方法”，该技术对视频进行预处理，提取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，使用训练视频的特征训练分类器，最后利用分类器对测试视频各帧进行分类，判断测试视频是否经过双重压缩。目前，针对H.264视频同量化因子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H.264视频同量化因子双重压缩检测方法。

根据本发明提供的H.264视频同量化因子双重压缩检测方法，包括如下步骤：

步骤1：初始化n的值，令n＝1，n表示第n次输入的H.264视频；

步骤2：对输入的H.264视频进行解码，解码后的H.264视频记为V_n，V_n表示第n次输入的H.264视频，获取H.264视频V_n对应的YUV序列Y_n，以及该H.264视频V_n的I帧中所有宏块的帧内预测宏块模式IPMBM_n；

步骤3：使用与H.264视频V_n相同的量化因子对YUV序列Y_n进行编码得到H.264视频V_n+1，并获得H.264视频V_n+1的YUV序列Y_n+1，以及H.264视频V_n+1帧I帧中所有宏块的帧内预测宏块模式IPMBM_n+1，V_n+1表示第n+1次输入的H.264视频，即经过n次重压缩的H.264视频；令n自增1；

步骤4：判断n是否大于K，若n小于等于K，则对比IPMBM_n和IPMBM_n+1，得到平均每个I帧内所有宏块的帧内预测宏块模式不相同的宏块的数量，记为C_n，返回执行步骤2；其中，C_n表示第n次比对得到的平均每个I帧内所有宏块的帧内预测宏块模式不相同的宏块的数量；

若n大于K，则执行步骤5，其中：K表示比对的总次数；

步骤5：将K次比对得到的所有C_n的值分别除以对应H.264视频单帧内宏块的总数量，得到相应的K个值，记为F_n，其中n＝1,2,…，K；并将该K个值组合成K维特征向量，记为F，F＝(F1,F2,…,F_K)；

步骤6：使用训练视频集的特征向量训练分类器，采用分类器对待预测视频的特征向量进行分类，判断出视频是否经过同量化因子的双重压缩。

优选地，所述步骤2中关于H.264视频I帧中所有宏块帧内预测宏块模式由宏块类型和帧内预测模式信息组成，具体定义如下：

IPMBM(MB)＝{MB_type，MB_pre}

式中，MB表示一个16x16宏块，MB_type表示宏块类型，MB_pre表示宏块的帧内预测模式信息，IPMBM(MB)表示H.264视频I帧中宏块MB帧内预测宏块模式。

如果MB_type为intra_16x16，则IPMBM可以表示为：

IPMBM(MB)＝{intra_16×16，MB_pre}

MB_pre∈{Vertical，DC，Horizontal，Plane}

式中，MB_pre是16x16子块的帧内预测模式，如上式中所示有四种类型。

如果MB_type为intra_4x4，则IPMBM可以表示为：

$IPMBM\left(MB\right)=\{{\mathrm{intra}}_{4\×4},\{{\mathrm{MB}}_{{\mathrm{pre}}_1},\mathrm{...},{\mathrm{MB}}_{{\mathrm{pre}}_{16}}\left\}\right\}$

$\begin{array}{c}{\mathrm{MB}}_{{\mathrm{pre}}_i}\∈\{Vertical,Horizontal,DC,Down\_Left,\\ Down\_Right,Vertical\_Right,Horizontal\_Down,\\ Vertical\_Left,Horizontal\_Up\}\end{array}$

式中，代表一个4x4子块的帧内预测模式，如上式中所示有九种类型。当且仅当两个宏块的宏块类型和帧内预测模式都完全相同时，两个宏块拥有相同的IPMBM。

优选地，所述步骤4中C_n的计算公式如下：

$C_n=\frac{1}{N}\underset{i,x,y}{\Σ}I\left({\mathrm{MB}}_n\right(i,x,y),{\mathrm{MB}}_{n+1}(i,x,y\left)\right)$

式中：N代表I帧的总数量，MB_n(i,x,y)代表经过n次压缩的视频中第i个I帧内处于(x,y)位置上的宏块，MB_n+1(i,x,y)代表经过n+1次压缩的视频中第i个I帧内处于(x,y)位置上的宏块，i的取值为1,2，…N；其中：指示函数I(MB₁,MB₂)的定义如下：

$I({\mathrm{MB}}_1,{\mathrm{MB}}_2)=\left\{\begin{array}{cc}1,& IPMBM\left({\mathrm{MB}}_1\right)\≠IPMBM\left({\mathrm{MB}}_2\right)\\ 0,& IPMBM\left({\mathrm{MB}}_1\right)=IPMBM\left({\mathrm{MB}}_2\right)\end{array}\right.$

式中，MB₁和MB₂分别表示两个不同的宏块，IPMBM(MB₁)表示H.264视频I帧中宏块MB₁帧内预测宏块模式，IPMBM(MB₂)表示H.264视频I帧中宏块MB₂帧内预测宏块模式。

优选地，所述步骤5中的F_n的计算公式如下：

F_n＝C_n/N_T

式中：N_T代表单帧内包含的宏块总数量，n表示F_n在K维特征向量F内所处的元素位置，n＝1,2,…,K。

优选地，所述步骤6包括如下步骤：

步骤6.1：构造包括测试视频特征向量和标签的训练集，其中，所述测试视频特征向量集由训练视频经过步骤1～步骤5得到K维特征向量组成，以标签0表示该测试视频未经过双重压缩，以标签1表示该测试视频经过双重压缩；

步骤6.2：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，得到参数对(c，g)；其中c表示惩罚系数，g是核函数参数；

步骤6.3：将特征向量集合、标签集合、核函数RBF和参数对(c，g)作为输入，经过SVM训练，得到分类器；

步骤6.4：待测视频经过步骤1～步骤5得到K维特征向量作为分类器的输入，经过分类器的预测，输出标签0或者标签1，判断出视频是否经过重压缩处理。

与现有技术相比，本发明具有如下的有益效果：

1、本发明所提供的基于帧内预测宏块模式特征的检测方法，利用经过相同量化因子压缩的I帧宏块的IPMBM随着压缩次数的增加而变得越来越稳定的特性来进行检测；从而填补了H.264视频同量化因子双重压缩检测技术相关领域的空白，为双重压缩视频检测提供了有效的新方法。

2、本发明提供的H.264视频同量化因子双重压缩检测方法准确率高，对不同的量化因子和视频分辨率具有较好的鲁棒性。

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为本发明提供的特征向量提取流程图；

图2为本发明提供的训练分类器流程图；

图3为本发明提供的分类器分类流程图；

图4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，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的H.264视频同量化因子双重压缩检测方法，包括如下步骤：

步骤1：初始化n的值，令n＝1，n表示第n次输入的H.264视频；

步骤2：对输入的H.264视频进行解码，解码后的H.264视频记为V_n，V_n表示第n个输入的H.264视频，获取H.264视频V_n对应的YUV序列Y_n，以及该H.264视频V_n的I帧中所有宏块的帧内预测宏块模式IPMBM_n；

步骤3：使用与H.264视频V_n相同的量化因子对YUV序列Y_n进行编码得到H.264视频V_n+1，并获得H.264视频V_n+1的YUV序列Y_n+1，以及H.264视频V_n+1帧I帧中所有宏块的帧内预测宏块模式IPMBM_n+1，V_n+1表示第n+1个输入的H.264视频，即经过n次重压缩的H.264视频；令n自增1；

步骤4：判断n是否大于K，若n小于等于K，则对比IPMBM_n和IPMBM_n+1，得到平均每个I帧内所有宏块的帧内预测宏块模式不相同的宏块的数量，记为C_n，返回执行步骤2；其中，C_n表示第n次比对得到的平均每个I帧内所有宏块的帧内预测宏块模式不相同的宏块的数量；

若n大于K，则执行步骤5，其中：K表示比对的总次数；

步骤5：将K次比对得到的所有C_n的值分别除以对应单帧内宏块的总数量，得到相应的K个值，记为F_n，其中n＝1,2,…，K；并将该K个值组合成K维特征向量，记为F，F＝(F1,F2,…,F_K)；

步骤6：使用训练视频集的特征向量训练分类器，采用分类器对待预测视频的特征向量进行分类，判断出视频是否经过同量化因子的双重压缩。

所述步骤2中关于H.264视频I帧中所有宏块帧内预测宏块模式由宏块类型和帧内预测模式信息组成，具体定义如下：

IPMBM(MB)＝{MB_type，MB_pre}

式中，MB表示一个16x16宏块，MB_type表示宏块类型，MB_pre表示宏块的帧内预测模式信息，IPMBM(MB)表示H.264视频I帧中所有宏块帧内预测宏块模式。

具体地，若MB_type为intra_16x16，则IPMBM的表示形式如下：

IPMBM(MB)＝{intra_16×16，MB_pre}

MB_pre∈{Vertical，DC，Horizontal，Plane}

式中，MB_pre是16x16子块的帧内预测模式，如上式中所示有四种类型。

若MB_type为intra_4x4，则IPMBM的表示形式如下：

$IPMBM\left(MB\right)=\{{\mathrm{intra}}_{4\×4},\{{\mathrm{MB}}_{{\mathrm{pre}}_1},\mathrm{...},{\mathrm{MB}}_{{\mathrm{pre}}_{16}}\left\}\right\}$

$\begin{array}{c}{\mathrm{MB}}_{{\mathrm{pre}}_i}\∈\{Vertocal,Horizontal,DC,Down\_Left,\\ Down\_Right,Vertical\_Right,Horizontal\_Down,\\ Vertical\_Left,Horizontal\_Up\}\end{array}$

式中，代表一个4x4子块的帧内预测模式，如上式中所示有九种类型。当且仅当两个宏块的宏块类型和帧内预测模式都完全相同时，两个宏块拥有相同的IPMBM。

所述步骤4中C_n的计算公式如下：

$C_n=\frac{1}{N}\underset{i,x,y}{\Σ}I\left({\mathrm{MB}}_n\right(i,x,y),{\mathrm{MB}}_{n+1}(i,x,y\left)\right)$

式中：N代表I帧的总数量，MB_n(i,x,y)代表经过n次压缩的视频中第i个I帧内处于(x,y)位置上的宏块，其中：指示函数I(MB₁,MB₂)的定义如下：

$I({\mathrm{MB}}_1,{\mathrm{MB}}_2)=\left\{\begin{array}{cc}1,& IPMBM\left({\mathrm{MB}}_1\right)\≠IPMBM\left({\mathrm{MB}}_2\right)\\ 0,& IPMBM\left({\mathrm{MB}}_1\right)=IPMBM\left({\mathrm{MB}}_2\right)\end{array}\right.$

式中，MB₁和MB₂分别代表两个宏块。

所述步骤5中的F_n的计算公式如下：

F_n＝C_n/N_T

式中：N_T代表单帧内包含的宏块总数量，n表示F_n在K维特征向量F内所处的元素位置，n＝1,2,…,K。

所述步骤6包括如下步骤：

步骤6.1：构造包括测试视频特征向量和标签的训练集，其中，所述测试视频特征向量集由训练视频经过步骤1～步骤5得到K维特征向量组成，以标签0表示该测试视频未经过双重压缩，以标签1表示该测试视频经过双重压缩；

步骤6.2：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，得到参数对(c，g)；其中c表示惩罚系数，g是核函数参数；

步骤6.3：将特征向量集合、标签集合、核函数RBF和参数对(c，g)作为输入，经过SVM训练，得到分类器；

步骤6.4：待测视频经过步骤1～步骤5得到K维特征向量作为分类器的输入，经过分类器的预测，输出标签0或者标签1，判断出视频是否经过重压缩处理。

下面结合附图和具体实施例对本发明做更加详细的说明。

如图1所示，图中为K维特征向量提取流程。

第一步：对输入视频进行重复的同量化因子的编码和解码，得到多个经过重复压缩的视频，并在解码过程中提取IPMBM。H.264视频I帧帧内预测宏块模式IPMBM，由宏块类型和帧内预测模式信息组成。在H.264标准的帧间预测中，按照子块分割方式，I帧的16x16亮度宏块一般有两种宏块类型，即：intra_4x4(分割为16个4x4子块)和intra_16x16(分割为1个16x16子块)。对于4x4子块，根据其参考的相邻像素的位置关系，又存在9种帧内预测模式。对于16x16子块，同样根据其参考的相邻像素的位置关系，存在4种帧内预测模式。当某个宏块被编码时，编码器计算各种宏块类型和帧内预测模式的组合下所需的资源消耗，然后选择消耗最小的那个组合。资源消耗由一些统计模型计算而来，一般会综合考虑所需比特大小和误差统计值。当前像素值减去参考像素值得到预测残差，编码器再对预测残差进行编码。所以宏块类型和子块的帧内预测模式取决于当前块的像素和相邻像素的综合作用。

第二步：计算相邻压缩版本的视频之间，平均每个I帧内IPMBM不相同的宏块的数量C_n。计算公式如下：

$C_n=\frac{1}{N}\underset{i,x,y}{\Σ}I\left({\mathrm{MB}}_n\right(i,x,y),{\mathrm{MB}}_{n+1}(i,x,y\left)\right)$

式中，N代表I帧的总数量，MB_n(i,x,y)代表经过n次压缩的视频中第i个I帧内处于(x,y)位置上的宏块，指示函数I(MB₁,MB₂)定义如下：

$I({\mathrm{MB}}_1,{\mathrm{MB}}_2)=\left\{\begin{array}{cc}1,& IPMBM\left({\mathrm{MB}}_1\right)\≠IPMBM\left({\mathrm{MB}}_2\right)\\ 0,& IPMBM\left({\mathrm{MB}}_1\right)=IPMBM\left({\mathrm{MB}}_2\right)\end{array}\right.$

式中，MB₁和MB₂分别代表两个宏块。

第三步：用C_n除以单帧内宏块总数量，得到K维特征向量F内第n个元素F_n。该操作可使特征对视频分辨率具有鲁棒性。F_n的计算公式如下：

F_n＝C_n/N_T

式中，N_T代表单帧内包含的宏块总数量，n表示F_n在K维特征向量F内所处的元素位置，n＝1,2,…,K。

第四步：F_n(n＝1,2,…,K)组成K维特征向量F。根据实验结果，K的值被选为5。因为更大的值会增加许多计算复杂度，而在准确率上只有较少的提升。K的值还可以根据具体实施的要求进行调整。

当对I帧进行编码时，H.264标准中的压缩损失，可能会导致宏块类型和帧内预测模式的变化。当视频经过多次压缩时，相邻压缩版本间的宏块类型和帧内预测模式的变化趋势会越来越稳定。这种特性使得从双重压缩和单次压缩视频中提取出的特征向量具有较大的差异性，可以使用SVM分类器进行判别。

具体地，如图2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参数对(c，g)；

第三步：SVM训练，以特征向量集合、标签集合、核函数和参数对(c，g)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。

具体地，如图3所示，图中为判别流程，待测视频的特征向量作为分类器的输入，经过分类器的预测，预测标签0代表该待测视频未经过双重压缩，预测标签1代表该待测视频经过双重压缩。

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化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (5)

1.一种H.264视频同量化因子双重压缩检测方法，其特征在于，包括如下步骤：

步骤1：初始化n的值，令n＝1，n表示第n次输入的H.264视频；

步骤2：对输入的H.264视频进行解码，解码后的H.264视频记为V_n，V_n表示第n次输入的H.264视频，获取H.264视频V_n对应的YUV序列Y_n，以及该H.264视频V_n的I帧中所有宏块的帧内预测宏块模式IPMBM_n；

步骤3：使用与H.264视频V_n相同的量化因子对YUV序列Y_n进行编码得到H.264视频V_n+1，并获得H.264视频V_n+1的YUV序列Y_n+1，以及H.264视频V_n+1帧I帧中所有宏块的帧内预测宏块模式IPMBM_n+1，V_n+1表示第n+1次输入的H.264视频，即经过n次重压缩的H.264视频；令n自增1；

步骤4：判断n是否大于K，若n小于等于K，则对比IPMBM_n和IPMBM_n+1，得到平均每个I帧内所有宏块的帧内预测宏块模式不相同的宏块的数量，记为C_n，返回执行步骤2；其中，C_n表示第n次比对得到的平均每个I帧内所有宏块的帧内预测宏块模式不相同的宏块的数量；

若n大于K，则执行步骤5，其中：K表示比对的总次数；

步骤5：将K次比对得到的所有C_n的值分别除以对应H.264视频单帧内宏块的总数量，得到相应的K个值，记为F_n，其中n＝1,2,…，K；并将该K个值组合成K维特征向量，记为F，F＝(F1,F2,…,F_K)；

步骤6：使用训练视频集的特征向量训练分类器，采用分类器对待预测视频的特征向量进行分类，判断出视频是否经过同量化因子的双重压缩。

2.根据权利要求1所述的H.264视频同量化因子双重压缩检测方法，其特征在于，所述步骤2中关于H.264视频I帧中所有宏块帧内预测宏块模式由宏块类型和帧内预测模式信息组成，具体定义如下：

IPMBM(MB)＝{MB_type，MB_pre}

式中，MB表示一个16x16宏块，MB_type表示宏块类型，MB_pre表示宏块的帧内预测模式信息，IPMBM(MB)表示H.264视频I帧中宏块MB帧内预测宏块模式。

3.根据权利要求1所述的H.264视频同量化因子双重压缩检测方法，其特征在于，所述步骤4中C_n的计算公式如下：

$C_n=\frac{1}{N}\underset{i,x,y}{\Σ}I\left({\mathrm{MB}}_n\right(i,x,y),{\mathrm{MB}}_{n+1}(i,x,y\left)\right)$

式中：N代表I帧的总数量，MB_n(i,x,y)代表经过n次压缩的视频中第i个I帧内处于(x,y)位置上的宏块，MB_n+1(i,x,y)代表经过n+1次压缩的视频中第i个I帧内处于(x,y)位置上的宏块，i的取值为1,2，…N；其中：指示函数I(MB₁,MB₂)的定义如下：

$I({\mathrm{MB}}_1,{\mathrm{MB}}_2)=\left\{\begin{array}{cc}1,& IPMBM\left({\mathrm{MB}}_1\right)\≠IPMBM\left({\mathrm{MB}}_2\right)\\ 0,& IPMBM\left({\mathrm{MB}}_1\right)=IPMBM\left({\mathrm{MB}}_2\right)\end{array}\right.$

式中，MB₁和MB₂分别表示两个不同的宏块，IPMBM(MB₁)表示H.264视频I帧中宏块MB₁帧内预测宏块模式，IPMBM(MB₂)表示H.264视频I帧中宏块MB₂帧内预测宏块模式。

4.根据权利要求1所述的H.264视频同量化因子双重压缩检测方法，其特征在于，所述步骤5中的F_n的计算公式如下：

F_n＝C_n/A_T

式中：N_T代表单帧内包含的宏块总数量，n表示F_n在K维特征向量F内所处的元素位置，n＝1,2,…,K。

5.根据权利要求1所述的H.264视频同量化因子双重压缩检测方法，其特征在于，所述步骤6包括如下步骤：

步骤6.1：构造包括测试视频特征向量和标签的训练集，其中，所述测试视频特征向量集由训练视频经过步骤1～步骤5得到K维特征向量组成，以标签0表示该测试视频未经过双重压缩，以标签1表示该测试视频经过双重压缩；

步骤6.2：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，得到参数对(c，g)；其中c表示惩罚系数，g是核函数参数；

步骤6.3：将特征向量集合、标签集合、核函数RBF和参数对(c，g)作为输入，经过SVM训练，得到分类器；

步骤6.4：待测视频经过步骤1～步骤5得到K维特征向量作为分类器的输入，经过分类器的预测，输出标签0或者标签1，判断出视频是否经过重压缩处理。