CN106850182A - 基于量子细胞神经网络的视频混沌加密方法 - Google Patents

Abstract

基于量子细胞神经网络的视频混沌加密方法，涉及视频加密技术领域，解决现有加密方法存在加密速度较慢且破坏了视频的编码格式，视频传输实时性差以及安全性差等问题，通过对两细胞量子细胞神经网络超混沌系统进行迭代求解，生成矩阵A；对A进行矩阵变换生成混沌序列K和索引序列Index；对混沌序列K进行拆分，生成初始密钥池；将索引序列Index中的元素分别作为Logistic混沌映射的初值，并进行迭代，生成两个混沌索引序列并进行变换，获得两个整数序列；并对分别作为索引并代入初始密钥池中，计算生成布尔密钥KeyB；将其keyb1和keyb2；密钥keyb1对H.264的指数哥伦布编码信息位进行加密；采用keyb2作为密钥，对H.264的编码数据进行加密，实现对量子细胞神经网络的视频混沌加密。

Description

基于量子细胞神经网络的视频混沌加密方法

技术领域

本发明涉及视频加密技术领域，具体涉及一种基于量子细胞神经网络超混沌系统的视频加密方法。

背景技术

随着社交网络的发展和带有摄像功能智能手机的普及，人们轻松的通过视频网站和社交软件获取视频信息，使得人们对视频安全的需求激增，然而视频存储和传输时大多采用明文，视频数据很容易被窃取。涉及到个人隐私的视频一旦被泄露，就会产生难以估计的影响。视频数据的明文传输也会涉及到视频内容的版权问题。因此视频安全问题受到了越来越多的关注，成为亟待解决的研究课题之一。

近年来，研究者们提出了许多不同种类的视频加密方案。根据加密策略的不同可以分为完全加密和选择加密两类：完全加密是将视频数据当作位流逐位加密，其优点是安全性较高，可以达到较高的安全级别，但完全加密速度较慢且破坏了视频的编码格式，视频传输实时性差。所以完全加密方法多用于银行或军事信息等对于实时性要求不高，但对安全性要求较高的领域。选择性加密是对视频的关键数据进行加密，因此相比于完全加密方法加密速度快，但安全性要比完全加密算法要低。

视频加密的实时性和安全性是彼此相互制约的，往往加密强度高的方法计算复杂度就相对较高。如何克服这对矛盾，设计一种速度快，安全性好的视频加密方法已成为一个巨大的挑战。

H.264视频编码标准相比于之前的压缩标准可以获得更好的压缩性能节省更多的码率，并且网络适应性和误差鲁棒性良好。所以H.264视频编码标准在视频传输中得到广泛的应用。因此选择基于H.264视频编码标准进行选择性加密应用更加广泛。

量子细胞神经网络超混沌系统即具备了超混沌系统的伪随机性、不可预测性、初值极端敏感性等良好的非线性特征，可以为加密方案提供巨大的密钥空间和良好的安全性能，同时具备量子细胞自动机的超高集成度、超低功耗、无引线集成等新型纳米器件的优点，在信息安全领域具有广阔的应用前景。

发明内容

本发明为解决现有加密方法存在加密速度较慢且破坏了视频的编码格式，视频传输实时性差以及安全性差等问题，提供一种基于量子细胞神经网络的视频混沌加密方法。

基于量子细胞神经网络的视频混沌加密方法，该方法具体由以下步骤实现：

步骤一、取两细胞量子细胞神经网络超混沌系统，设定初值及控制参数；对所述两细胞量子细胞神经网络超混沌系统进行迭代求解，生成矩阵A；

步骤二、对步骤一所述矩阵A进行矩阵变换生成混沌序列K和索引序列Index；

步骤三、将步骤二生成的混沌序列K进行拆分，生成一个初始密钥池；将步骤二生成的索引序列Index中的元素分别作为Logistic混沌映射的初值，并进行n次迭代，生成两个混沌索引序列IndexLog1和IndexLog2；

步骤四、将步骤三所述的两个混沌索引序列IndexLog1和IndexLog2进行变换，获得范围在[0,99]之间的两个整数序列IndexLog1’和IndexLog2’；

步骤五、将步骤四获得的两个整数序列IndexLog1’与IndexLog2’分别作为索引并代入到步骤三所述的初始密钥池中，选出两组初始密钥，根据获得的两组初始密钥计算生成布尔密钥KeyB；并将所述布尔密钥KeyB平均分为两组密钥keyb1和keyb2；

步骤六、采用步骤五中的密钥keyb1对H.264的指数哥伦布Exp-Golomb编码信息位进行加密；选择视频数据，采用步骤五中的密钥keyb2作为密钥，对H.264的CAVLC编码数据进行加密，实现对量子细胞神经网络的视频混沌加密。

本发明的有益效果：本发明提出了一种基于量子细胞神经网络的视频混沌加密方法，具体为一种超混沌系统的H.264视频高效选择加密方法。超混沌系统对初始条件及控制参数敏感，结构复杂，难以预测和分析，具有良好的伪随机特性，为加密方法提供了巨大的密钥空间和抗攻击性能，量子细胞神经网络是以量子细胞自动机耦合的细胞神经网络结构，可以从每个量子细胞自动机的极化率和量子相位获得复杂的线性动力学特征，可用于构造纳米级的超混沌振荡器，具有功耗低，集成度高的特性，能更好的满足手机等移动终端的应用需求。

本发明所述的方法在保持系统复杂度，密钥空间的前提下，避免了高阶混沌系统多次迭代求解时间过长的问题，提高了密钥的生成速度。使用本方法可以在不改变压缩比的前提下，获得很好的加密效果，运算速度快，加密效率高，适应于手机、便携式移动终端等计算能力有限的设备。

附图说明

图1为本发明所述的基于量子细胞神经网络的视频混沌加密方法的密钥生成示意图；

图2为本发明所述的基于量子细胞神经网络的视频混沌加密方法的加密流程图；

图3为“日历”视频数据第18帧原始图像；

图4为采用本发明所述的基于量子细胞神经网络的视频混沌加密方法加密的“日历”视频数据第18帧密文图像；

图5为“人物”视频数据第20帧原始图像；

图6为采用本发明所述的基于量子细胞神经网络的视频混沌加密方法加密“人物”视频数据第20帧密文图像。

具体实施方式

具体实施方式一、结合图1至图6说明本实施方式，基于量子细胞神经网络的视频混沌加密方法，图1为本实施方式中加密方法的密钥生成示意图，密钥生成过程如下步骤A1至F1所述。

根据H.264视频编码标准，本发明所述视频加密方法加密流程如图2所示，其中密钥生成模块具体实现细节如图1，即由步骤A1至步骤F1实现。

A1、取两细胞量子细胞神经网络超混沌系统，其状态方程为：

其中x₁,x₂,x₃,x₄为状态变量；ω₁，ω₃与每个细胞内量子点间能量成正比，ω₂，ω₄表示相邻细胞极化率之差的加权影响，相当于传统CNN的克隆模板。当ω₁＝0.28,ω₂＝0.7,ω₃＝0.28,ω₄＝0.3时系统处于超混沌态。

对该超混沌系统状态方程组(1)进行迭代求解，两细胞量子细胞神经网络超混沌系统迭代次数为N，在本实施方式中N取10000，生成矩阵A：

B1、将步骤A1中的矩阵A按以下等式(2)和等式(3)的方法进行矩阵变换生成混沌序列K及索引序列Index：

K＝{x₁₁，x₁₂，x₁₃，...，x_1N，x₂₁，x₂₂，x₂₃，...，x_2N，x₃₁，x₃₂，x₃₃，...，x_3N} (2)

Index＝{x_4(N-99)，x_4(N-98)，....，x_4N} (3)

在本实施方式中索引序列Index的大小为100。

C1、将步骤B1所述混沌序列K进行拆分，得到L个初始密钥组构成的一个密钥池。在本实施方式中，L＝100，每个密钥组包含256个元素，密钥池中共100个密钥组，用下述式(4)表示为：

D1、以步骤B1所述索引序列Index中的元素分别作为Logistic混沌映射的初值。

Logistic混沌映射的方程用等式(5)表示为：

X_n+1＝μX_n(1-X_n) (5)

等式(5)中μ为Logistic混沌系统的控制参数，本实施方式中μ＝4。

n为Logistic混沌映射的迭代次数，X_n为当前第n次的迭代结果，X_n+1为X_n的下一次的迭代结果。

在本实施方式中以迭代次数2000和3100对等式(5)所示Logistic混沌映射进行迭代，生成两个混沌索引序列IndexLog1和IndexLog2，分别用下式表示为：

IndexLog1＝{IndexLog1(0)，IndexLog1(2)，...，IndexLog1(99)} (6)

IndexLog2＝{IndexLog2(0)，IndexLog2(2)，...，IndexLog2(99)} (7)

等式(6)等式(7)所示混沌索引序列在本实施方式中各包含100个元素。

E1、将步骤D1所述混沌索引序列IndexLog1和IndexLog2以等式(8)的方法进行变换，得到两个范围在[0，99]之间的整数序列IndexLog1’和IndexLog2’：

F1、将步骤E1中的IndexLog1’与IndexLog2’分别作为索引代入到步骤C1所生成的初始密钥池中选出两组初始密钥，分别是key(IndexLog1′)和key(IndexLog2′)。以等式(9)的方法生成布尔密钥KeyB：

KeyB＝funBoole(key(IndexLog1′)，key(IndexLog2′)) (9)

等式(9)中的函数funBoole()定义为：

funBoole(key(IndexLog1′)，key(IndexLogg2′))＝key(IndexLog1′)

≥key(IndexLog2′)？1：0

将KeyB平均分为两组keyb1和keyb2，在本实施方式中：

keyb1＝{KeyB(0)，KeyB(1)，...，KeyB(127)}

keyb2＝{KeyB(128)，KeyB(129)，...，KeyB(255)}

G1、选取大小为176*144的qcif格式的“日历”视频数据，本实施方式运行在H.264的JM8.6基本模式下，视频长度为30帧，I帧间隔为8，其中提取第18帧原始图像如图3。

如图2，根据H.264视频编码标准，视频的编码过程包括对原始视频数据的帧间预测，帧内预测，量化，熵编码等步骤，本实施方式所述视频加密方法步骤F1所生成的密钥keyb1，用于对视频数据帧间预测和帧内预测的指数哥伦布Exp-Golomb编码信息位进行加密；

将步骤F1所述keyb1按照指数哥伦布编码中的编码码字信息位长度进行截取，即第1个指数哥伦布编码的码字长度为M1，对第1块视频信息的指数哥伦布编码加密的密钥分组为keyb1Group_1：

keyb1Group_1＝{keyb1(0)，keyb1(1)，...，keyb1(M1-1)}

被截取后的keyb1表示为：

keyb1＝{keyb1(M1)，keyb1(M1+1)，...，keyb1(127)}

第2个指数哥伦布编码的码字长度为M2，对第2块视频信息的指数哥伦布编码加密的密钥分组为keyb1Group_2：

keyb1Group_2＝{keyb1(M1)，keyb1(M1+1)，...，keyb1(M1+M2-1)}

被截取后的keyb1表示为：

keyb1＝{keyb1(M1+M2)，keyb1(M1+M2+1)，...，keyb1(127)}

依此类推；

等式(10)中j表示第j个视频块，keyb1Group_j表示第j块视频的指数哥伦布编码加密的密钥分组；x表示指数哥伦布编码码字的第x位，Info(x)表示指数哥伦布编码码字第x位加密前的原始信息；InfoEn(x)表示指数哥伦布编码码字第x位加密后的密文；⊕表示按位异或操作。

H1、如附图2，根据H.264视频编码标准，本发明所述视频加密方法步骤F1所生成的密钥keyb2，用于对H.264的熵编码的CAVLC编码数据进行加密，即对拖尾系数的符号位和非零系数幅值的符号位进行加密。加密方法如等式(11)和等式(12)所示：

等式(11)中i表示当前数据帧中的第i个块，TrainlingSignEn(i)表示第i块加密后的拖尾系数符号位的值；TrainlingSign(i)表示第i块数据加密前的拖尾系数符号位的值；keyb1(2*i)表示keyb1密钥序列中的第2i个元素。

等式(12)中LevelsEn(i)表示第i块数据非零系数幅值的符号位加密后的值；Levels(i)表示第i块数据非零系数幅值的符号位加密前的原始值；keyb1(2*i+1)表示keyb1密钥序列中的第2i+1个元素；

图4为本实施方式所述“日历”视频数据的第18帧图像经过本实施方式的视频加密方法加密后获得的密文图像。

具体实施方式二、结合图2、图5和图6说明本实施方式，本实施方式为具体实施方式一的另一实施例：实施方式中的密钥生成过程及加密流程与具体实施方式一相同。

结合图5说明本实施方式，选取大小为352*288的cif格式的“人物”视频数据，本实施方式运行在H.264的JM8.6基本模式下，视频长度为30帧，I帧间隔为8，其中提取图5中第20帧原始图像。

图6为本实施方式中所述“人物”视频数据的第20帧图像经过本发明所述视频加密方法加密后的密文图像。

Claims (2)

1.基于量子细胞神经网络的视频混沌加密方法，其特征是，该方法由以下步骤实现：

步骤一、取两细胞量子细胞神经网络超混沌系统，设定初值及控制参数；对所述两细胞量子细胞神经网络超混沌系统进行迭代求解，生成矩阵A；

步骤二、对步骤一所述矩阵A进行矩阵变换生成混沌序列K和索引序列Index；

步骤三、将步骤二生成的混沌序列K进行拆分，生成一个初始密钥池；将步骤二生成的索引序列Index中的元素分别作为Logistic混沌映射的初值，并进行n次迭代，生成两个混沌索引序列IndexLog1和IndexLog2；

步骤四、将步骤三所述的两个混沌索引序列IndexLog1和IndexLog2进行变换，获得范围在[0,99]之间的两个整数序列IndexLog1’和IndexLog2’；

步骤五、将步骤四获得的两个整数序列IndexLog1’与IndexLog2’分别作为索引并代入到步骤三所述的初始密钥池中，选出两组初始密钥，根据获得的两组初始密钥计算生成布尔密钥KeyB；并将所述布尔密钥KeyB平均分为两组密钥keyb1和keyb2；

步骤六、采用步骤五中的密钥keyb1对H.264的指数哥伦布Exp-Golomb编码信息位进行加密；选择视频数据，采用步骤五中的密钥keyb2作为密钥，对H.264的CAVLC编码数据进行加密，实现对量子细胞神经网络的视频混沌加密。

2.根据权利要求1所述的基于量子细胞神经网络的视频混沌加密方法，其特征在于，步骤三中，Logistic混沌映射方程用下式表示为：

X_n+1＝μX_n(1-X_n)

式中μ为Logistic混沌系统的控制参数，n为Logistic混沌映射的迭代次数，X_n为当前第n次的迭代结果，X_n+1为X_n的下一次的迭代结果。