CN109660814A - 一种视频前景删除篡改的检测方法 - Google Patents
一种视频前景删除篡改的检测方法 Download PDFInfo
- Publication number
- CN109660814A CN109660814A CN201910010709.2A CN201910010709A CN109660814A CN 109660814 A CN109660814 A CN 109660814A CN 201910010709 A CN201910010709 A CN 201910010709A CN 109660814 A CN109660814 A CN 109660814A
- Authority
- CN
- China
- Prior art keywords
- video
- frame
- region
- tampered
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000012217 deletion Methods 0.000 title claims description 12
- 230000037430 deletion Effects 0.000 title claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 9
- 238000013100 final test Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000020509 sex determination Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
- H04N19/89—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression involving methods or arrangements for detection of transmission errors at the decoder
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种视频前景删除篡改的检测方法，首先通过计算待测视频的能量因子并构造能量因子曲线，在时间域上准确检测被篡改视频序列的起止位置；其次，通过采用自适应参数的视觉背景提取改进算法来提取篡改视频序列中的每帧篡改痕迹；最后，通过将时域和空域检测结果相结合，获得最终的检测结果。本发明可实现对视频中存在的前景删除篡改方式的有效检测，而且具有检测时间短、检测准确率高、鲁棒性强等特点，能够有效抵抗视频中树叶、草木、水波等扰动的影响，从而为视频区域篡改取证，提供一种有效的检测手段。
Description
技术领域
本发明涉及互联网和多媒体技术领域，特别是一种视频前景删除篡改的检测方法。
背景技术
随着互联网和多媒体技术的蓬勃发展，数字视频的广泛应用，数字视频内容的真实性问题日益严峻，许多功能强大的视频处理软件不断涌现，使得非专业人员也可以方便地利用工具对视频内容进行修改，达到以假乱真的效果。经过篡改后的视频其内容和意义通常会发生改变，如果这些视频被非法使用，则可能会破坏司法公正，甚至影响社会稳定。因此对于数字视频的来源和内容的真实性判定日益迫切，数字视频取证也成为信息安全领域极为重要的研究课题之一。
对视频中前景目标进行删除篡改是视频篡改中常用的篡改手段之一，该篡改方式首先从篡改帧的前后若干帧中选取要篡改的目标及其附近区域，然后对目标区域进行填充；接着，为了达到以假乱真的目的，再对篡改区域的边缘部分进行模糊等处理；最后，为了达到完全删除视频中的某个特点目标，对视频中的大量连续帧进行逐帧篡改，从而达到完全改变视频核心内容的目的。由于视频前景删除篡改操作，在一定程度上破坏了视频帧的连续性和一致性，使得篡改后的视频可能存在内容上的纹理不一致、光线明暗突变、“鬼影”等现象，以及视频帧的高低频能量比发生变化等问题，从而为视频篡改检测提供了一定的入手途径。
然而，数字视频数据的海量、高维、非线性等特点给视频篡改检测方法的研究带来了巨大的挑战。尽管目前国内外已有不少学者开展了相关研究，并提出了多种不同的篡改检测方法，但这些方法仍然存在着检测准确率低、复杂度高、局限性强等问题，与实际应用要求还存在较大的差距。因此，如何在保证检测检测准确率和算法鲁棒性的前提下，减少降低检测算法复杂度，提高算法检测效率，已成为数字视频被动取证方法研究的关键核心问题。
发明内容
有鉴于此，本发明的目的是提出一种视频前景删除篡改的检测方法，可实现对视频中存在的前景删除篡改方式的有效检测。
本发明采用以下方案实现：一种视频前景删除篡改的检测方法，包括以下步骤：
步骤S1：对被测视频逐帧计算其能量因子(Energy Factor)，构造其能量分布曲线，来衡量视频帧能量的变化程度，以确定被篡改的起止帧；
步骤S2：进行篡改区域的空域粗定位；本发明采用基于自适应参数的视觉背景提取算法(Adaptive Parameter-based Visual Background Extractor Algorithm)进行背景建模，在保证篡改区域的空域粗定位精度的同时，提高了算法可靠性；
步骤S3：剔除非篡改区域；对得到的二值图像进行图像形态学处理，对于每个连通区域的位置，分别计算所有未篡改帧和篡改帧中对应区域的能量因子，并进行对比判定，以剔除非篡改区域；
步骤S4：确定篡改区域；经过剔除非篡改区域后，保留下来的连通区域所对应的像素位置即为待测视频的篡改区域；
步骤S5：输出检测结果。
进一步地，步骤S1具体包括以下步骤：
步骤S11：对于分辨率为m*n的待测视频，将视频帧的高低频能量的比值表示为：
视频帧的视频熵表示为：
式中，r表示视频帧经过DCT变换后左上角低频系数的个数，βi表示经过Z形扫描后按照降序排列的第i个DCT系数；B越大且H越小，表明该视频帧的低频成分越多；B越小且H越大，则表明该视频帧的高频成分越多；
步骤S12：构造能量因子用于衡量视频帧能量变化程度：
其中，EF越小表明该视频帧的低频成分越多、高频成分越少；
步骤S13：对于未被篡改的视频，其每帧的EF将保持一定的连续性和一致性；当其中一段帧序列发生了前景删除篡改时，视频帧的低频成分明显增加，将导致篡改序列中每一帧的EF明显小于未篡改的视频帧；通过对待测视频逐帧计算其EF并构造EF曲线，就能够准确地判断视频是否经过前景删除篡改，并在时域上确定篡改帧序列的起止位置。
进一步地，步骤S2中，对已确定的篡改帧通过背景建模，来实现进行篡改区域的空域的粗定位；具体包括以下步骤：
步骤S21：将VIBE算法中固定欧式距离阈值Rv设置为自适应参数，且Rv的变化由标准差σv(x)决定；标准差σv(x)用于描述视频帧中内容的变化程度，标准差σv(x)的计算方法如下：
式中，N表示每个像素点的样本数量，svi(x)表示视频帧中像素点x背景模型中的第i个样本，uv(x)表示像素点x背景模型的灰度均值；
步骤S22：AVIBE算法中自适应欧式距离阈值Rv(x)计算方法为：
其中RL≤Rv(x)≤RU
其中，Rv(x)表示像素点x处的自适应欧式距离阈值，α是常数，RG为初始量，RL和RU分别表示阈值的下限和上限；
步骤S23：假定背景像素点x的邻域大小为m*m，邻域中的像素点与其各自背景模型的匹配数量为qx，定义x的邻域匹配因子NF(x)如下：
NF(x)越大，说明x的邻域中与各自背景模型匹配的像素数量就越多，则x的背景模型的准确性就越高；此时，像素点x的更新概率计算方法如下：
其中
式中，和分别为的下限和上限，为初始量。
进一步地，步骤S3中，通过对构造的二值图像分别计算所有未篡改帧和篡改帧中对应区域的能量因子，并进行对比判定，以剔除非篡改区域。
进一步地，步骤S3具体包括以下步骤：
步骤S31：假设待测视频为V，Vt表示视频中的第t帧，被篡改的帧序列为第h帧到第k帧，使用AVIBE算法对Vh,Vh+1,...,Vk进行处理，依次得到二值图像VBh,VBh+1,...,VBk；按照下式构造二值图像IBresult：
IBresult＝VBh|VBh+1|...|VBk-1|VBk；
式中，符号|表示二值图像对应像素位置的或运算；为了使所获得图像更明显，对IBresult做三次图像形态学膨胀操作；经过上述处理后，在IBresult中出现多个白色连通区域，即可疑篡改区域，将每个白色连通区域的像素位置存储在PS中，PSi表示IBresult中第i个白色连通区域的位置；
步骤S32：步骤S31所得到的IBresult图像中包含了每个篡改帧的篡改痕迹，同时也包含了误检测区域，使用能量因子对这些误检测区域进行剔除，从而确定最终篡改区域。
进一步地，步骤S32具体包括以下步骤：
步骤S321：根据IBresult中每个白色连通区域的位置，按照下式计算所有未篡改帧中每个对应区域的能量因子
式中，B表示视频帧的高低频能量的比值，H表示视频帧的视频熵；
步骤S322：以同样方式计算所有篡改帧中每个对应区域的能量因子
步骤S322：如果与满足则判定IBresult中第i个白色连通区域为篡改区域；否则该连通区域将作为误检测区域被剔除；其中c的值为0.7。
进一步地，步骤S4具体为：经过步骤S3剔除后的白色连通区域对应的像素位置即为被测视频的篡改区域。
进一步地，步骤S5具体为：将所确定的篡改区域所对应的像素位置，标注到被测视频中，并输出检测结果。
与现有技术相比，本发明有以下有益效果：本发明可实现对视频中存在的前景删除篡改方式的有效检测，而且具有检测时间短、检测准确率高、鲁棒性强等特点，能够有效抵抗视频中树叶、草木、水波等扰动的影响，从而为视频区域篡改取证，提供一种有效的检测手段。
附图说明
图1为本发明实施例的流程示意图。
图2为本发明实施例的未篡改和篡改后的视频帧能量因子曲线比较图。
图3为本发明实施例的对篡改视频进行检测所获得的结果示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种视频前景删除篡改的检测方法，包括以下步骤：
步骤S1：对被测视频逐帧计算其能量因子(Energy Factor)，构造其能量分布曲线，来衡量视频帧能量的变化程度，以确定被篡改的起止帧；
步骤S2：进行篡改区域的空域粗定位；本发明采用基于自适应参数的视觉背景提取算法(Adaptive Parameter-based Visual Background Extractor Algorithm)进行背景建模，在保证篡改区域的空域粗定位精度的同时，提高了算法可靠性；
步骤S3：剔除非篡改区域；对得到的二值图像进行图像形态学处理，对于每个连通区域的位置，分别计算所有未篡改帧和篡改帧中对应区域的能量因子，并进行对比判定，以剔除非篡改区域；
步骤S4：确定篡改区域；经过剔除非篡改区域后，保留下来的连通区域所对应的像素位置即为待测视频的篡改区域；
步骤S5：输出检测结果。
在本实施例中，前景删除篡改前后的视频帧其高低频能量的比重会发生明显的变化。根据这一特性，可以从时域上确定视频中篡改帧的起止位置。步骤S1具体包括以下步骤：
步骤S11：对于分辨率为m*n的待测视频，将视频帧的高低频能量的比值表示为：
视频帧的视频熵表示为：
式中，r表示视频帧经过DCT变换后左上角低频系数的个数，βi表示经过Z形扫描后按照降序排列的第i个DCT系数；B越大且H越小，表明该视频帧的低频成分越多；B越小且H越大，则表明该视频帧的高频成分越多；
步骤S12：为了更加明显地反映视频帧的能量变化，根据视频帧的低、高频能量比与其频域熵比重相反的特征，构造能量因子(Energy Factor)用于衡量视频帧能量变化程度：
其中，EF越小表明该视频帧的低频成分越多、高频成分越少；
步骤S13：对于未被篡改的视频，其每帧的EF将保持一定的连续性和一致性；当其中一段帧序列发生了前景删除篡改时，由于篡改过程中的填充、模糊、修补等操作，会使视频帧的低频成分明显增加，将导致篡改序列中每一帧的EF明显小于未篡改的视频帧；图2给出了视频篡改前后的EF曲线的对比情况，其中图2中的(a)为未被篡改的视频EF曲线，图2中的(b)为被篡改后的视频EF曲线(篡改帧序列号为21-55)。由图可见，未被篡改的视频帧序列EF曲线保持了一定的连续性，其每帧的EF相差不大，而被篡改的视频帧序列EF曲线发生了突然下降。
因此通过对待测视频逐帧计算其EF并构造EF曲线，就能够准确地判断视频是否经过前景删除篡改，并在时域上确定篡改帧序列的起止位置。
在本实施例中，视觉背景提取算法(Visual Background Extractor，简称VIBE)是一种实时性强、检测精度高的背景建模算法，但其欧式距离阈值Rv和像素更新阈值均为固定阈值，故难以兼顾算法的精确度和鲁棒性。为了解决这一问题，本发明对上述算法加以改进，提出了基于自适应参数的视觉背景提取算法(Adaptive Parameter-based VisualBackground Extractor Algorithm，简称AVIBE算法)。
在本实施例中，步骤S2中，对已确定的篡改帧通过背景建模，来实现进行篡改区域的空域的粗定位；具体包括以下步骤：
步骤S21：将VIBE算法中固定欧式距离阈值Rv设置为自适应参数，且Rv的变化由标准差σv(x)决定；标准差σv(x)用于描述视频帧中内容的变化程度，标准差σv(x)的计算方法如下：
式中，N表示每个像素点的样本数量，svi(x)表示视频帧中像素点x背景模型中的第i个样本，uv(x)表示像素点x背景模型的灰度均值；
步骤S22：AVIBE算法中自适应欧式距离阈值Rv(x)计算方法为：
其中RL≤Rv(x)≤RU
其中，Rv(x)表示像素点x处的自适应欧式距离阈值，α是常数，RG为初始量(RG＝20)，RL和RU分别表示阈值的下限和上限；其中，RL＝5，RU＝50；从而使得本算法可以根据视频内容的不同，自适应地调整欧氏距离阈值，从而提高检测的精度及鲁棒性；
其次，为解决像素更新阈值可能产生的误检问题，本实施例根据邻域像素点的匹配情况来判断中心像素点的背景模型的准确与否，以此降低算法的误检率，提高精确度和对复杂背景条件下的鲁棒性；
步骤S23：假定背景像素点x的邻域大小为m*m，邻域中的像素点与其各自背景模型的匹配数量为qx，定义x的邻域匹配因子NF(x)如下：
NF(x)越大，说明x的邻域中与各自背景模型匹配的像素数量就越多，则x的背景模型的准确性就越高；此时，像素点x的更新概率计算方法如下：
其中
式中，和分别为的下限和上限，为初始量。其中， 可以看出，如果x邻域中与各自背景模型匹配的像素点越多，即x的背景模型的准确性就越高，则其更新概率就会越高。实验证明AVIBE算法可以更准确更完整地提取运动前景，尤其在复杂的场景下具有明显的优势。
在本实施例中，步骤S3中，通过对构造的二值图像分别计算所有未篡改帧和篡改帧中对应区域的能量因子，并进行对比判定，以剔除非篡改区域。
在本实施例中，步骤S3具体包括以下步骤：
步骤S31：假设待测视频为V，Vt表示视频中的第t帧(t＝1,2,...)，被篡改的帧序列为第h帧到第k帧，使用AVIBE算法对Vh,Vh+1,...,Vk进行处理，依次得到二值图像VBh,VBh+1,...,VBk；按照下式构造二值图像IBresult：
IBresult＝VBh|VBh+1|...|VBk-1|VBk；
式中，符号“|”表示二值图像对应像素位置的或运算；为了使所获得图像更明显，对IBresult做三次图像形态学膨胀操作；经过上述处理后，在IBresult中出现多个白色连通区域，并且这些白色连通区域包含了所有篡改帧的篡改痕迹，因此称这些白色连通区域可疑篡改区域(如图3中的(c)所示)，将每个白色连通区域的像素位置存储在PS中，PSi表示IBresult中第i个白色连通区域的位置；
步骤S32：步骤S31所得到的IBresult图像中包含了每个篡改帧的篡改痕迹，同时也包含了误检测区域，使用能量因子对这些误检测区域进行剔除，从而确定最终篡改区域。
在本实施例中，步骤S32具体包括以下步骤：
步骤S321：根据IBresult中每个白色连通区域的位置，按照下式计算所有未篡改帧中每个对应区域的能量因子
式中，B表示视频帧的高低频能量的比值，H表示视频帧的视频熵；
步骤S322：以同样方式计算所有篡改帧中每个对应区域的能量因子
步骤S322：如果与满足则判定IBresult中第i个白色连通区域为篡改区域；否则该连通区域将作为误检测区域被剔除；其中c的值为0.7。
在本实施例中，步骤S4具体为：经过步骤S3剔除后的白色连通区域对应的像素位置即为被测视频的篡改区域。即，当完成上述所有白色连通区域的判定后，被保留下来的白色连通区域对应的像素位置即为被测视频的篡改区域(如图3中的(d)所示)。
在本实施例中，步骤S5具体为：将所确定的篡改区域所对应的像素位置，标注到被测视频中，并输出检测结果。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (8)
1.一种视频前景删除篡改的检测方法，其特征在于：包括以下步骤：
步骤S1：对被测视频逐帧计算其能量因子，构造其能量分布曲线，来衡量视频帧能量的变化程度，以确定被篡改的起止帧；
步骤S2：进行篡改区域的空域粗定位；
步骤S3：剔除非篡改区域；
步骤S4：确定篡改区域；
步骤S5：输出检测结果。
2.根据权利要求1所述的一种视频前景删除篡改的检测方法，其特征在于：步骤S1具体包括以下步骤：
步骤S11：对于分辨率为m*n的待测视频，将视频帧的高低频能量的比值表示为：
视频帧的视频熵表示为：
式中，r表示视频帧经过DCT变换后左上角低频系数的个数，βi表示经过Z形扫描后按照降序排列的第i个DCT系数；B越大且H越小，表明该视频帧的低频成分越多；B越小且H越大，则表明该视频帧的高频成分越多；
步骤S12：构造能量因子用于衡量视频帧能量变化程度：
其中，EF越小表明该视频帧的低频成分越多、高频成分越少；
步骤S13：对于未被篡改的视频，其每帧的EF将保持一定的连续性和一致性；当其中一段帧序列发生了前景删除篡改时，视频帧的低频成分明显增加，将导致篡改序列中每一帧的EF明显小于未篡改的视频帧；通过对待测视频逐帧计算其EF并构造EF曲线，就能够准确地判断视频是否经过前景删除篡改，并在时域上确定篡改帧序列的起止位置。
3.根据权利要求1所述的一种视频前景删除篡改的检测方法，其特征在于：步骤S2中，对已确定的篡改帧通过背景建模，来实现进行篡改区域的空域的粗定位；具体包括以下步骤：
步骤S21：将VIBE算法中固定欧式距离阈值Rv设置为自适应参数，且Rv的变化由标准差σv(x)决定；标准差σv(x)用于描述视频帧中内容的变化程度，标准差σv(x)的计算方法如下：
式中，N表示每个像素点的样本数量，svi(x)表示视频帧中像素点x背景模型中的第i个样本，uv(x)表示像素点x背景模型的灰度均值；
步骤S22：AVIBE算法中自适应欧式距离阈值Rv(x)计算方法为：
其中RL≤Rv(x)≤RU
其中，Rv(x)表示像素点x处的自适应欧式距离阈值，α是常数，RG为初始量，RL和RU分别表示阈值的下限和上限；
步骤S23：假定背景像素点x的邻域大小为m*m，邻域中的像素点与其各自背景模型的匹配数量为qx，定义x的邻域匹配因子NF(x)如下：
NF(x)越大，说明x的邻域中与各自背景模型匹配的像素数量就越多，则x的背景模型的准确性就越高；此时，像素点x的更新概率计算方法如下：
其中
式中，和分别为的下限和上限，为初始量。
4.根据权利要求1所述的一种视频前景删除篡改的检测方法，其特征在于：步骤S3中，通过对构造的二值图像分别计算所有未篡改帧和篡改帧中对应区域的能量因子，并进行对比判定，以剔除非篡改区域。
5.根据权利要求4所述的一种视频前景删除篡改的检测方法，其特征在于：步骤S3具体包括以下步骤：
步骤S31：假设待测视频为V，Vt表示视频中的第t帧，被篡改的帧序列为第h帧到第k帧，使用AVIBE算法对Vh,Vh+1,...,Vk进行处理，依次得到二值图像VBh,VBh+1,...,VBk；按照下式构造二值图像IBresult：
IBresult＝VBh|VBh+1|...|VBk-1|VBk；
式中，符号|表示二值图像对应像素位置的或运算；为了使所获得图像更明显，对IBresult做三次图像形态学膨胀操作；经过上述处理后，在IBresult中出现多个白色连通区域，即可疑篡改区域，将每个白色连通区域的像素位置存储在PS中，PSi表示IBresult中第i个白色连通区域的位置；
步骤S32：步骤S31所得到的IBresult图像中包含了每个篡改帧的篡改痕迹，同时也包含了误检测区域，使用能量因子对这些误检测区域进行剔除，从而确定最终篡改区域。
6.根据权利要求5所述的一种视频前景删除篡改的检测方法，其特征在于：步骤S32具体包括以下步骤：
步骤S321：根据IBresult中每个白色连通区域的位置，按照下式计算所有未篡改帧中每个对应区域的能量因子
式中，B表示视频帧的高低频能量的比值，H表示视频帧的视频熵；
步骤S322：以同样方式计算所有篡改帧中每个对应区域的能量因子
步骤S322：如果与满足则判定IBresult中第i个白色连通区域为篡改区域；否则该连通区域将作为误检测区域被剔除；其中c的值为0.7。
7.根据权利要求1所述的一种视频前景删除篡改的检测方法，其特征在于：步骤S4具体为：经过步骤S3剔除后的白色连通区域对应的像素位置即为被测视频的篡改区域。
8.根据权利要求1所述的一种视频前景删除篡改的检测方法，其特征在于：步骤S5具体为：将所确定的篡改区域所对应的像素位置，标注到被测视频中，并输出检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910010709.2A CN109660814B (zh) | 2019-01-07 | 2019-01-07 | 一种视频前景删除篡改的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910010709.2A CN109660814B (zh) | 2019-01-07 | 2019-01-07 | 一种视频前景删除篡改的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109660814A true CN109660814A (zh) | 2019-04-19 |
| CN109660814B CN109660814B (zh) | 2021-04-27 |
Family
ID=66118892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910010709.2A Active CN109660814B (zh) | 2019-01-07 | 2019-01-07 | 一种视频前景删除篡改的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109660814B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111361A (zh) * | 2019-04-22 | 2019-08-09 | 湖北工业大学 | 一种基于多阈值自优化背景建模的运动目标检测方法 |
| CN112333452A (zh) * | 2020-10-19 | 2021-02-05 | 杭州电子科技大学 | 一种基于深度学习的视频对象移除篡改时空域定位方法 |
| WO2022062343A1 (zh) * | 2020-09-28 | 2022-03-31 | 苏州科达科技股份有限公司 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102857831A (zh) * | 2012-08-01 | 2013-01-02 | 合肥工业大学 | H.264视频完整性认证方法 |
| CN103561274A (zh) * | 2013-11-19 | 2014-02-05 | 福建师范大学 | 静止摄像头拍摄的运动目标被移除视频时域篡改检测方法 |
| CN103561271A (zh) * | 2013-11-19 | 2014-02-05 | 福建师范大学 | 静止摄像头拍摄的运动目标被移除视频空域篡改检测方法 |
| CN103559718A (zh) * | 2013-11-19 | 2014-02-05 | 福建师范大学 | 基于稀疏表示的过完备字典训练的视频篡改检测方法 |
-
2019
- 2019-01-07 CN CN201910010709.2A patent/CN109660814B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102857831A (zh) * | 2012-08-01 | 2013-01-02 | 合肥工业大学 | H.264视频完整性认证方法 |
| CN103561274A (zh) * | 2013-11-19 | 2014-02-05 | 福建师范大学 | 静止摄像头拍摄的运动目标被移除视频时域篡改检测方法 |
| CN103561271A (zh) * | 2013-11-19 | 2014-02-05 | 福建师范大学 | 静止摄像头拍摄的运动目标被移除视频空域篡改检测方法 |
| CN103559718A (zh) * | 2013-11-19 | 2014-02-05 | 福建师范大学 | 基于稀疏表示的过完备字典训练的视频篡改检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIANMEI YANG: "Using similarity analysis to detect frame duplication forgery in videos", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
| LICHAO SU: "A Fast Forgery Detection Algorithm Based on Exponential-Fourier Moments for Video Region Duplication", 《IEEE TRANSACTIONS ON MULTIMEDIA》 * |
| LICHAO SU: "A video forgery detection algorithm based on compressive sensing", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
| OLIVIER BARNICH: "ViBe: A Universal Background Subtraction Algorithm for Video Sequences", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 刘雨青: "基于时空域能量可疑度的视频篡改检测与篡改区域定位", 《南京大学学报（自然科学）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111361A (zh) * | 2019-04-22 | 2019-08-09 | 湖北工业大学 | 一种基于多阈值自优化背景建模的运动目标检测方法 |
| CN110111361B (zh) * | 2019-04-22 | 2021-05-18 | 湖北工业大学 | 一种基于多阈值自优化背景建模的运动目标检测方法 |
| WO2022062343A1 (zh) * | 2020-09-28 | 2022-03-31 | 苏州科达科技股份有限公司 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
| CN112333452A (zh) * | 2020-10-19 | 2021-02-05 | 杭州电子科技大学 | 一种基于深度学习的视频对象移除篡改时空域定位方法 |
| CN112333452B (zh) * | 2020-10-19 | 2023-02-03 | 杭州电子科技大学 | 一种基于深度学习的视频对象移除篡改时空域定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109660814B (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107527337B (zh) | 一种基于深度学习的视频对象移除篡改检测方法 | |
| CN106412619B (zh) | 一种基于hsv颜色直方图和dct感知哈希的镜头边界检测方法 | |
| CN104156731B (zh) | 基于人工神经网络的车牌识别系统与方法 | |
| CN109660814A (zh) | 一种视频前景删除篡改的检测方法 | |
| CN108921068A (zh) | 一种基于深度神经网络的汽车外观自动定损方法及系统 | |
| CN109191444A (zh) | 基于深度残差网络的视频区域移除篡改检测方法及装置 | |
| CN106530271B (zh) | 一种红外图像显著性检测方法 | |
| CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
| CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
| CN110347870A (zh) | 基于视觉显著性检测与层次聚类法的视频摘要化生成方法 | |
| CN108537143B (zh) | 一种基于重点区域特征比对的人脸识别方法与系统 | |
| CN108876756A (zh) | 图像相似性的度量方法和装置 | |
| CN104143077B (zh) | 基于图像的行人目标检索方法和系统 | |
| CN104318537B (zh) | 大雨场景视频数据中雨滴的检测和去除方法及系统 | |
| CN101493939A (zh) | 基于小波域同态滤波的检测伪造图像的方法 | |
| CN108052931A (zh) | 一种车牌识别结果融合方法及装置 | |
| CN107679469A (zh) | 一种基于深度学习的非极大值抑制方法 | |
| CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
| CN112489055A (zh) | 融合亮度-时序特征的卫星视频动态车辆目标提取方法 | |
| CN109711375A (zh) | 一种信号灯的识别方法及装置 | |
| TW201032180A (en) | Method and device for keeping image background by multiple gauss models | |
| CN109509151A (zh) | 图像及视频拼接方法、计算机可读存储介质及计算机设备 | |
| CN113989683A (zh) | 一种综合同步轨道序列光学影像时空信息的船舶检测方法 | |
| CN111967345A (zh) | 一种实时判定摄像头遮挡状态的方法 | |
| CN110503092B (zh) | 基于领域适应的改进ssd监控视频目标检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231107 Address after: 350000 room 306, building 20, zone a, Fuzhou Software Park, No. 89, software Avenue, Tongpan Road, Gulou District, Fuzhou City, Fujian Province Patentee after: FUJIAN GAOTU INFORMATION TECHNOLOGY Co.,Ltd. Address before: No.2 Xueyuan Road, Fuzhou University Town, Shangjie Town, Minhou County, Fuzhou City, Fujian Province Patentee before: FUZHOU University |
|
| TR01 | Transfer of patent right |