CN106791871A - 一种运动矢量调制信息隐藏检测方法 - Google Patents

Abstract

本发明涉及一种运动矢量调制信息隐藏检测方法，包括：选取原始视频序列S，对其分别进行一般H.264压缩和隐写H.264压缩，得到模型训练样本；为模型训练样本提取宏块运动矢量，基于所述宏块运动矢量为视频序列建立时空相邻宏块运动矢量关联网络模型，进而对该模型进行剪枝，得到强相关关联网络模型；对强相关关联网络模型进行参数估计，得到模型参数，然后提取模型参数作为特征向量，并基于支持向量机回归算法对所述特征向量进行训练，生成隐写检测器模型；运用隐写检测器模型对待检测的未知类型的H.264文件进行隐写检测。

Description

一种运动矢量调制信息隐藏检测方法

技术领域

本发明涉及信息隐藏检测领域，特别涉及一种运动矢量调制信息隐藏检测方法。

背景技术

H.264/AVC同早期的视频压缩标准相比，在率失真方面有显著改善,在保持较高的质量视频的同时具有相对较低的码率。H.264/AVC视频编码标准的广泛应用，使得H.264/AVC视频码流成为一种潜在并且极具威胁性的信息隐藏载体，研究其信息隐藏检测方法很有必要。

对于H.264/AVC视频编码器，可以通过在编码过程中调整预测模式、DCT变换系数、运动矢量、熵编码等进行信息隐藏。由于运动矢量调制信息隐藏对重建帧的视频质量产生的附加失真较少，且能实现较高的嵌入容量，因此这种信息隐藏方法受到了学界的重视。

隐写检测方法用于对数据帧是否被写入隐藏数据进行检测。现有隐写检测方法都是对调制运动矢量或运动矢量差以实现嵌入的信息隐藏方法进行检测，目前尚无对调制运动搜索范围隐写方法进行检测的研究工作。

在调制运动矢量或运动矢量差以实现嵌入的信息隐藏方法中，嵌入的隐写信号被看作是运动矢量的噪声信号。根据这种性质，现有的隐写检测方法对相关特征值进行提取、统计，最终能够利用统计结果检测出视频是否被隐写。但这一方法的检测准确率仍有提升空间。

发明内容

本发明的目的在于克服已有的信息隐藏检测方法准确率不高的缺陷，从而提供一种能够有效提高检测准确率的检测方法。

为了实现上述目的，本发明提供了一种运动矢量调制信息隐藏检测方法，包括：

步骤S1)、选取原始视频序列S，对其分别进行一般H.264压缩和隐写H.264压缩，得到模型训练样本；所述模型训练样本包括未隐写的H.264文件训练样本与带隐写的H.264文件训练样本；

步骤S2)、为步骤S1)得到的模型训练样本提取宏块运动矢量，基于所述宏块运动矢量为视频序列建立时空相邻宏块运动矢量关联网络模型，进而对该模型进行剪枝，得到强相关关联网络模型；

步骤S3)、对步骤S2)得到的强相关关联网络模型进行参数估计，得到模型参数，然后提取模型参数作为特征向量，并基于支持向量机回归算法对所述特征向量进行训练，生成隐写检测器模型；

步骤S4)、运用步骤S3)得到的隐写检测器模型对待检测的未知类型的H.264文件进行隐写检测。

上述技术方案中，所述步骤S2)进一步包括：

步骤S2-1)、根据步骤S1)得到的未隐写的H.264文件训练样本与带隐写的H.264文件训练样本提取宏块运动矢量

假设当前宏块具有N个分块，d_i＝(x_i,y_i)是第i个分块的运动矢量，则宏块运动矢量定义如下：

步骤S2-2)、根据步骤S2-1)得到的宏块运动矢量建立每个视频序列的时空相邻宏块运动矢量关联网络模型D＝(V,E(V))；

每个视频序列表示出一组变量每个变量表示第i帧上第j个宏块的宏块运动矢量；建立时空相邻宏块运动矢量关联网络模型，关联网络模型为有向图D＝(V,E(V))，定义如下：

V＝{v_i[j]|i,j∈{0,1,2,3,...}}

E(V)＝{＜v_i[p],v_j[q]＞|v_i[p],v_j[q]∈V}；

其中V为有向图中的顶点构成的集合，每个顶点v_i[j]对应视频序列中的一个宏块运动矢量即v_i[j]表示视频序列中第i个帧(F_i帧)中的第j个宏块的运动矢量在有向图中的顶点；

步骤S2-3)、对步骤S2-2)得到的网络模型D进行剪枝，得到包含帧内、帧间关系的强相关关联网络模型D′＝(V,E′(V))。

上述技术方案中，所述步骤S2-3)进一步包括：

步骤S2-3-1)、对网络模型D进行帧间剪枝；

视频序列中相邻帧之间存在较强相关性,且在时域有严格的先后顺序,因此仅保留当前帧与其前一帧在相同位置的宏块之间的有向边，即仅保留v_i-1[j]到v_i[j]的边；

步骤S2-3-2)、对网络模型D进行帧内剪枝；

视频序列同一帧内的临近宏块运动矢量间存在较强相关性,因此保留v_i[j]与其8领域内相邻宏块之间的有向边；

步骤S2-3-3)、根据步骤S2-3-1)、步骤S2-3-2)得到的帧间有向边、帧内有向边建立强相关关联网络模型D′；

D′＝(V,E′(V))

E′(V)＝E′_帧间∪E′_帧内

E′_帧间＝{＜v_i-1[j],v_i[j]＞|i∈(1,2,...),j∈(0,1,2,...)}

E′_帧内＝{＜v_n[i],v_n[j]＞|n,i∈(0,1,2,...),j∈(与i相邻的宏块)}。

上述技术方案中，所述步骤S3)进一步包括：

步骤S3-1)、根据强相关关联网络模型D′，筛选部分宏块运动矢量，使用条件概率对模型进行参数估计，得到模型参数P_i；

步骤S3-2)、根据步骤S3-1)得到的模型参数P_i，提取参数作为特征向量，并基于支持向量机回归算法对特征向量进行训练生成隐写检测器模型。

上述技术方案中，所述步骤S3-1)具体包括：

步骤S3-1-1)、筛选部分宏块运动矢量；

设运动矢量取值范围为[-L,H]，设定一个较小的阈值范围[-N,N]，筛选符合阈值范围的宏块运动矢量；

步骤S3-1-2)、根据步骤S3-1-1)得到的宏块运动矢量，计算其水平分量和垂直分量条件概率；

以水平分量为例，设表示第n帧的第m个宏块运动矢量的水平分量,表示在关联网络模型中与其有边相接的宏块运动矢量水平分量，则关于水平分量的条件概率定义为：

该条件概率表示在取值为i的条件下,取值为j的概率，其中i,j∈[-N,N]；

步骤S3-1-3)、根据步骤S3-1-2)计算方法对模型进行参数估计，得到模型参数；

关联网络模型中的每一帧都能统计出9组条件概率，记为(P₀,P₁,P₂,P₃,P₄,P₅,P₆,P₇,P₈)，其中P₀表示帧间关联性，P₁～P₈表示帧内关联性，每一组条件概率为：

P_i＝{p_i(a,b)|a,b∈[-N,N]},i＝0,1,2,...,8；

其中[-N,N]为统计运动矢量宏块的取值范围，P_i即为模型参数。

上述技术方案中，步骤S4)进一步包括：

步骤S4-1)、参照提取训练样本特征向量的方法，提取未知类型的H.264文件特征向量；即，对未知类型的H.264文件首先提取宏块信息、运动矢量，建立时空相邻宏块运动矢量关联网络模型，进而对关联网络进行剪枝，得到强相关关联网络模型；然后对强相关关联网络模型进行参数估计，得到关联网络模型参数，接着提取参数作为未知类型的H.264文件的特征向量；

步骤S4-2)根据步骤S4-1)得到的特征向量，利用步骤S3-2)训练生成的隐写检测器模型对其进行分类，根据分类结果确定未知类型的H.264文件是否进行了运动矢量信息隐藏。

本发明的优点在于：

1、本发明提出的隐写检测器模型基于时空相邻宏块运动矢量关联网络提取特征，更关注H.264/AVC时域及空域中相邻编码宏块的运动矢量的相关性，确保特征中包含有足够的运动矢量调制检测信息；

2、本发明提出的关联网络模型是一种有效的特征提取模型，结合SVM回归算法实现可得到更准确的H.264文件运动矢量调制隐写检测。

附图说明

图1是本发明的运动矢量调制信息隐藏检测方法的流程图；

图2是本发明中所建立的时空相邻宏块运动矢量关联网络模型的示意图；

图3是关联网络模型中某个宏块运动矢量节点的帧间关联关系的示意图；

图4是关联网络模型中某个宏块运动矢量节点的帧内关联关系的示意图；

图5是关联网络模型中的条件概率图。

具体实施方式

现结合附图对本发明作进一步的描述。

参考图1，本发明的运动矢量调制信息隐藏检测方法包括：

步骤S1)选取原始视频序列S，对其分别进行一般H.264压缩和隐写H.264压缩，得到未隐写的H.264文件训练样本与带隐写的H.264文件训练样本，所述未隐写的H.264文件训练样本与带隐写的H.264文件训练样本构成模型训练样本；具体包括：

步骤S1-1)选取视频序列S，使用H.246编码标准的JM15对其进行未隐写的压缩，得到未隐写的H.264文件训练样本；

步骤S1-2)将步骤S1-1)选取的序列S中的每一个P帧或者B帧使用六种隐写方法分别进行带有信息隐藏的压缩，得到带隐写的H.264文件训练样本；

步骤S2)提取训练样本宏块运动矢量，建立时空相邻宏块运动矢量关联网络模型D(简称关联网络模型)，并得到其对应的有向图D＝(V,E(V))，对关联网络模型进行剪枝，得到强相关关联网络模型D′＝(V,E′(V))；具体包括：

步骤S2-1)根据步骤S1-1)、步骤S1-2)得到的未隐写的H.264文件训练样本与带隐写的H.264文件训练样本提取宏块运动矢量

当前宏块具有N个分块，d_i＝(x_i,y_i)是第i个分块的运动矢量，则宏块运动矢量定义如下：

步骤S2-2)根据步骤S2-1)得到的宏块运动矢量建立每个视频序列的时空相邻宏块运动矢量关联网络模型D＝(V,E(V))；

每个视频序列表示出一组变量每个变量表示第i帧上第j个宏块的宏块运动矢量，建立时空相邻宏块运动矢量关联网络模型，关联网络模型为有向图D＝(V,E(V))，定义如下：

V＝{v_i[j]|i,j∈{0,1,2,3,...}}

E(V)＝{＜v_i[p],v_j[q]＞|v_i[p],v_j[q]∈V}

其中V为有向图中的顶点构成的集合，每个顶点v_i[j]对应视频序列中的一个宏块运动矢量即v_i[j]表示视频序列中第i个帧(F_i帧)中的第j个宏块的运动矢量在有向图中的顶点。每个宏块运动矢量与其他宏块运动矢量均存在相关性，一个包含n帧、每帧具有m个宏块的视频序列建立的时空相邻宏块运动矢量关联网络模型如图2所示，我们将这些连接边分为两类:其一是帧间节点之间的有向边,这些边反映了宏块运动矢量之间的帧间关联性；其二是帧内节点之间的y有向边，这些边反映了宏块运动矢量之间的帧内关联性。网络中的任意节点与前向帧F_i-1、F_i-2……以及后续帧F_i+1、F_i+2……的所有节点均存在帧间关联性，与同一帧内的所有其他节点均存在帧内关联性。

步骤S2-3)对步骤S2-2)得到的网络模型D进行剪枝，得到包含帧内、帧间关系的强相关关联网络模型D′＝(V,E′(V))；具体包括：

步骤S2-3-1)对网络模型D进行帧间剪枝；

视频序列中相邻帧之间存在较强相关性,且在时域有严格的先后顺序,因此仅保留当前帧与其前一帧在相同位置的宏块之间的有向边，即仅保留v_i-1[j]到v_i[j]的边；

步骤S2-3-2)对网络模型D进行帧内剪枝；

视频序列同一帧内的临近宏块运动矢量间存在较强相关性,因此保留v_i[j]与其8领域内相邻宏块之间的有向边；

步骤S2-3-3)根据步骤S2-3-1)、步骤S2-3-2)得到的帧间有向边、帧内有向边建立强相关关联网络模型D′；

D′＝(V,E′(V))

E′(V)＝E′_帧间∪E′_帧内

E′_帧间＝{＜v_i-1[j],v_i[j]＞|i∈(1,2,...),j∈(0,1,2,...)}

E′_帧内＝{＜v_n[i],v_n[j]＞|n,i∈(0,1,2,...),j∈(与i相邻的宏块)}

剪枝后，包含帧间、帧内关系的关联网络模型中某个宏块运动矢量节点v_i[j]的关联关系分别如图3、图4所示；

步骤S3)对强相关关联网络模型D′进行参数估计，得到模型参数P_i，提取参数作为特征向量，并基于支持向量机回归算法对特征向量进行训练生成隐写检测器模型；具体包括：

步骤S3-1)根据步骤S2-3-3)得到的强相关关联网络模型D′，筛选部分宏块运动矢量，使用条件概率对模型进行参数估计，得到模型参数P_i；具体包括：

步骤S3-1-1)筛选部分宏块运动矢量；

设运动矢量取值范围为[-L,H]，由于宏块运动矢量水平分类和垂直分量的取值大多数集中在零点附近，以节约计算时间与存储成本，设定一个较小的阈值范围[-N,N]，筛选符合阈值范围的宏块运动矢量；

步骤S3-1-2)根据步骤S3-1-1)得到的宏块运动矢量，计算其水平分量和垂直分量条件概率；

以水平分量为例，设表示第n帧的第m个宏块运动矢量的水平分量,表示在关联网络模型中与其有边相接的宏块运动矢量水平分量，则关于水平分量的条件概率定义为：

表示在取值为i的条件下,取值为j的概率，其中i,j∈[-N,N]；

步骤S3-1-3)根据步骤S3-1-2)计算方法对模型进行参数估计，得到模型参数；

关联网络模型中的每一帧都能统计出9组条件概率，记为(P₀,P₁,P₂,P₃,P₄,P₅,P₆,P₇,P₈)，其中P₀表示帧间关联性，P₁～P₈表示帧内关联性，如图5所示，每一组条件概率为：

P_i＝{p_i(a,b)|a,b∈[-N,N]},i＝0,1,2,...,8

其中[-N,N]为统计运动矢量宏块的取值范围，P_i即为模型参数；

步骤S3-2)根据步骤S3-1)得到的模型参数P_i，提取参数作为特征向量，并基于支持向量机回归算法对特征向量进行训练生成隐写检测器模型；

步骤S4)运用隐写检测器模型对待检测的未知类型的H.264文件进行隐写检测；具体包括：

步骤S4-1)参照提取训练样本特征向量的方法，提取未知类型的H.264文件特征向量；即，对未知类型的H.264文件首先提取宏块信息、运动矢量，建立时空相邻宏块运动矢量关联网络模型，进而对关联网络进行剪枝，得到强相关关联网络模型；然后对强相关关联网络模型进行参数估计，得到关联网络模型参数，接着提取参数作为未知类型的H.264文件的特征向量；

步骤S4-2)根据步骤S4-1)得到的特征向量，利用步骤S3-2)训练生成的隐写检测器模型对其进行分类，根据分类结果确定未知类型的H.264文件是否进行了运动矢量信息隐藏，如：当分类结果为1时，说明该未知类型的H.264文件进行了运动矢量信息隐藏；当分类结果为0时，说明该未知类型的H.264文件未进行运动矢量信息隐藏。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种运动矢量调制信息隐藏检测方法，包括：

步骤S1)、选取原始视频序列S，对其分别进行一般H.264压缩和隐写H.264压缩，得到模型训练样本；所述模型训练样本包括未隐写的H.264文件训练样本与带隐写的H.264文件训练样本；

步骤S2)、为步骤S1)得到的模型训练样本提取宏块运动矢量，基于所述宏块运动矢量为视频序列建立时空相邻宏块运动矢量关联网络模型，进而对该模型进行剪枝，得到强相关关联网络模型；

步骤S3)、对步骤S2)得到的强相关关联网络模型进行参数估计，得到模型参数，然后提取模型参数作为特征向量，并基于支持向量机回归算法对所述特征向量进行训练，生成隐写检测器模型；

步骤S4)、运用步骤S3)得到的隐写检测器模型对待检测的未知类型的H.264文件进行隐写检测。

2.根据权利要求1所述的运动矢量调制信息隐藏检测方法，其特征在于，所述步骤S2)进一步包括：

步骤S2-1)、根据步骤S1)得到的未隐写的H.264文件训练样本与带隐写的H.264文件训练样本提取宏块运动矢量

假设当前宏块具有N个分块，d_i＝(x_i,y_i)是第i个分块的运动矢量，则宏块运动矢量定义如下：

$\stackrel{\‾}{d}=(X,Y)$

$X=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{x}_i$

$Y=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{y}_i;$

步骤S2-2)、根据步骤S2-1)得到的宏块运动矢量建立每个视频序列的时空相邻宏块运动矢量关联网络模型D＝(V,E(V))；

每个视频序列表示出一组变量每个变量表示第i帧上第j个宏块的宏块运动矢量；建立时空相邻宏块运动矢量关联网络模型，关联网络模型为有向图D＝(V,E(V))，定义如下：

V＝{v_i[j]|i,j∈{0,1,2,3,...}}

E(V)＝{＜v_i[p],v_j[q]＞|v_i[p],v_j[q]∈V}；

其中V为有向图中的顶点构成的集合，每个顶点v_i[j]对应视频序列中的一个宏块运动矢量即v_i[j]表示视频序列中第i个帧(F_i帧)中的第j个宏块的运动矢量在有向图中的顶点；

步骤S2-3)、对步骤S2-2)得到的网络模型D进行剪枝，得到包含帧内、帧间关系的强相关关联网络模型D′＝(V,E′(V))。

3.根据权利要求2所述的运动矢量调制信息隐藏检测方法，其特征在于，所述步骤S2-3)进一步包括：

步骤S2-3-1)、对网络模型D进行帧间剪枝；

视频序列中相邻帧之间存在较强相关性,且在时域有严格的先后顺序,因此仅保留当前帧与其前一帧在相同位置的宏块之间的有向边，即仅保留v_i-1[j]到v_i[j]的边；

步骤S2-3-2)、对网络模型D进行帧内剪枝；

视频序列同一帧内的临近宏块运动矢量间存在较强相关性,因此保留v_i[j]与其8领域内相邻宏块之间的有向边；

步骤S2-3-3)、根据步骤S2-3-1)、步骤S2-3-2)得到的帧间有向边、帧内有向边建立强相关关联网络模型D′；

D′＝(V,E′(V))

E′(V)＝E′_帧间∪E′_帧内

E′_帧间＝{＜v_i-1[j],v_i[j]＞|i∈(1,2,...),j∈(0,1,2,...)}

E′_帧内＝{＜v_n[i],v_n[j]＞|n,i∈(0,1,2,...),j∈(与i相邻的宏块)}。

4.根据权利要求1所述的运动矢量调制信息隐藏检测方法，其特征在于，所述步骤S3)进一步包括：

步骤S3-1)、根据强相关关联网络模型D′，筛选部分宏块运动矢量，使用条件概率对模型进行参数估计，得到模型参数P_i；

步骤S3-2)、根据步骤S3-1)得到的模型参数P_i，提取参数作为特征向量，并基于支持向量机回归算法对特征向量进行训练生成隐写检测器模型。

5.根据权利要求4所述的运动矢量调制信息隐藏检测方法，其特征在于，所述步骤S3-1)具体包括：

步骤S3-1-1)、筛选部分宏块运动矢量；

设运动矢量取值范围为[-L,H]，设定一个较小的阈值范围[-N,N]，筛选符合阈值范围的宏块运动矢量；

步骤S3-1-2)、根据步骤S3-1-1)得到的宏块运动矢量，计算其水平分量和垂直分量条件概率；

以水平分量为例，设表示第n帧的第m个宏块运动矢量的水平分量,表示在关联网络模型中与其有边相接的宏块运动矢量水平分量，则关于水平分量的条件概率定义为：

$p(i,j)=p(X_n^m=j|X_n^{\′m}=i)=\frac{\mathrm{Pr}(X_n^m=j,X_n^{\′m}=i)}{\mathrm{Pr}(X_n^{\′m}=i)}$

该条件概率表示在取值为i的条件下,取值为j的概率，其中i,j∈[-N,N]；

步骤S3-1-3)、根据步骤S3-1-2)计算方法对模型进行参数估计，得到模型参数；

关联网络模型中的每一帧都能统计出9组条件概率，记为(P₀,P₁,P₂,P₃,P₄,P₅,P₆,P₇,P₈)，其中P₀表示帧间关联性，P₁～P₈表示帧内关联性，每一组条件概率为：

P_i＝{p_i(a,b)|a,b∈[-N,N]},i＝0,1,2,...,8；

其中[-N,N]为统计运动矢量宏块的取值范围，P_i即为模型参数。

6.根据权利要求1所述的运动矢量调制信息隐藏检测方法，其特征在于，步骤S4)进一步包括：

步骤S4-1)、参照提取训练样本特征向量的方法，提取未知类型的H.264文件特征向量；即，对未知类型的H.264文件首先提取宏块信息、运动矢量，建立时空相邻宏块运动矢量关联网络模型，进而对关联网络进行剪枝，得到强相关关联网络模型；然后对强相关关联网络模型进行参数估计，得到关联网络模型参数，接着提取参数作为未知类型的H.264文件的特征向量；

步骤S4-2)根据步骤S4-1)得到的特征向量，利用步骤S3-2)训练生成的隐写检测器模型对其进行分类，根据分类结果确定未知类型的H.264文件是否进行了运动矢量信息隐藏。