CN110009621A - 一种篡改视频检测方法、装置、设备及可读存储介质 - Google Patents
一种篡改视频检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110009621A CN110009621A CN201910265193.6A CN201910265193A CN110009621A CN 110009621 A CN110009621 A CN 110009621A CN 201910265193 A CN201910265193 A CN 201910265193A CN 110009621 A CN110009621 A CN 110009621A
- Authority
- CN
- China
- Prior art keywords
- video
- frame
- picture frame
- target video
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 105
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000003475 lamination Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种篡改视频检测方法,包括:获取待检测的目标视频;利用预设的视频检测模型对目标视频进行检测,得到目标视频中的每个图像帧的检测结果;视频检测模型包括:卷积自动编码器和卷积自动解码器;根据目标视频中的每个图像帧的检测结果判断目标视频中是否存在篡改图像帧;若是,则将目标视频标记为篡改视频。该方法提供的包括有卷积自动编码器和卷积自动解码器的视频检测模型能够在实现数据降维的同时,保留重要的视频特征,从而提高了检测效率和检测结果的准确性。相应地,本发明公开的一种篡改视频检测装置、设备及可读存储介质,也同样具有上述技术效果。
Description
技术领域
本发明涉及图像处理技术领域,更具体地说,涉及一种篡改视频检测方法、装置、设备及可读存储介质。
背景技术
随着视频图像处理技术的不断发展,各类视频编辑软件不断涌现,这些视频编辑软件使得视频编辑变得方便、高效,且具有高质量编辑效果。但是,这也使得视频信息的安全性和版权受到了威胁,一些不法人员很可能利用视频编辑软件篡改别人的视频,并从中牟取利益;再者,在司法审查中,需要对视频证据进行技术鉴定;因此篡改视频的检测技术必不可少。
在现有技术中,对篡改视频进行检测的技术一般包括:卷积神经网络检测法和传统光流法。其中,卷积神经网络检测法在利用池化层对视频特征进行采样时,虽然能够提高检测效率,但会丢失一些视频特征,从而会降低检测结果的准确率;传统光流法需要计算相邻图像帧之间运动信息和相邻图像帧的光流变化率,会提高计算复杂度,从而导致检测效率降低。
因此,如何提高篡改视频的检测效率和准确率,是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种篡改视频检测方法、装置、设备及可读存储介质,以提高篡改视频的检测效率和准确率。
为实现上述目的,本发明提供了如下技术方案:
一种篡改视频检测方法,包括:
获取待检测的目标视频;
利用预设的视频检测模型对所述目标视频进行检测,得到所述目标视频中的每个图像帧的检测结果;所述视频检测模型包括:卷积自动编码器和卷积自动解码器;
根据所述目标视频中的每个图像帧的检测结果判断所述目标视频中是否存在篡改图像帧;
若是,则将所述目标视频标记为篡改视频。
优选地,所述将所述目标视频标记为篡改视频之后,还包括:
对所述目标视频中的篡改图像帧进行标记。
优选地,所述利用预设的视频检测模型对所述目标视频进行检测之前,还包括:
将所述目标视频划分为图像帧,得到图像帧序列,并将所述图像帧序列转换为灰度图像帧序列;
利用帧间差分法对所述灰度图像帧序列进行处理,得到灰度差分序列,并将所述灰度差分序列作为所述目标视频。
优选地,所述利用预设的视频检测模型对所述目标视频进行检测,得到所述目标视频中的每个图像帧的检测结果,包括:
利用所述视频检测模型中的卷积自动编码器对所述目标视频中的每个图像帧进行编码,得到每个图像帧的编码结果;
利用所述视频检测模型中的卷积自动解码器对每个图像帧的编码结果进行解码,得到每个图像帧的编码结果对应的解码结果;
分别计算每个图像帧的编码结果对应的解码结果的重构误差;
分别判断每个图像帧的编码结果对应的解码结果的重构误差是否大于预设的阈值;
若是,则确定当前图像帧为篡改图像帧;
若否,则确定当前图像帧为未篡改图像帧。
优选地,所述分别计算每个图像帧的编码结果对应的解码结果的重构误差,包括:
利用重构误差计算公式分别计算每个图像帧的编码结果对应的解码结果的重构误差;
所述重构误差计算公式为:
e(t)=∑(x,y)||I(x,y,t)-fw(I(x,y,t))||2
其中,s(t)表示所述重构误差,e(t)表示卷积自动解码器输出的解码结果与原始图像帧的损失值;I(x,y,t)表示原始目标视频在第t帧坐标(x,y)处的像素值,fw(I(x,y,t))表示卷积自动解码器输出的第t帧图像坐标(x,y)处的像素值。
优选地,当所述目标视频中不存在篡改图像帧时,还包括:
将所述目标视频标记为未篡改视频。
一种篡改视频检测装置,包括:
获取模块,用于获取待检测的目标视频;
检测模块,用于利用预设的视频检测模型对所述目标视频进行检测,得到所述目标视频中的每个图像帧的检测结果;所述视频检测模型包括:卷积自动编码器和卷积自动解码器;
判断模块,用于根据所述目标视频中的每个图像帧的检测结果判断所述目标视频中是否存在篡改图像帧;
标记模块,用于当所述目标视频中存在篡改图像帧时,将所述目标视频标记为篡改视频。
优选地,所述检测模块包括:
编码单元,用于利用所述视频检测模型中的卷积自动编码器对所述目标视频中的每个图像帧进行编码,得到每个图像帧的编码结果;
解码单元,用于利用所述视频检测模型中的卷积自动解码器对每个图像帧的编码结果进行解码,得到每个图像帧的编码结果对应的解码结果;
计算单元,用于分别计算每个图像帧的编码结果对应的解码结果的重构误差;
判断单元,用于分别判断每个图像帧的编码结果对应的解码结果的重构误差是否大于预设的阈值;
第一确定单元,用于当图像帧的编码结果对应的解码结果的重构误差大于预设的阈值时,确定当前图像帧为篡改图像帧;
第二确定单元,用于当图像帧的编码结果对应的解码结果的重构误差不大于预设的阈值时,确定当前图像帧为未篡改图像帧。
一种篡改视频检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任意一项所述的篡改视频检测方法的步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的篡改视频检测方法的步骤。
通过以上方案可知,本发明提供了一种篡改视频检测方法,包括:获取待检测的目标视频;利用预设的视频检测模型对目标视频进行检测,得到目标视频中的每个图像帧的检测结果;视频检测模型包括:卷积自动编码器和卷积自动解码器;根据目标视频中的每个图像帧的检测结果判断目标视频中是否存在篡改图像帧;若是,则将目标视频标记为篡改视频。
可见,所述方法利用包括有卷积自动编码器和卷积自动解码器的视频检测模型对待检测的目标视频进行检测,由于自动编码器能够挖掘视频中的潜在特征,且潜在特征是视频本质上的隐式特征,其能准确反映视频特征,因此本发明提供的视频检测模型能够保留重要的视频特征;同时自动编码器能够实现特征降维。因此本发明提供的视频检测模型能够在实现数据降维的同时,保留重要的视频特征,从而缩短了检测时间,提高了检测效率和检测结果的准确性;同时视频检测模型可以输出每个图像帧的检测结果,即:视频检测模型可以准确地确定篡改视频中的哪些图像帧被篡改,能够为视频的恢复提供可靠依据。
相应地,本发明实施例提供的一种篡改视频检测装置、设备及可读存储介质,也同样具有上述技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种篡改视频检测方法流程图;
图2为本发明实施例公开的另一种篡改视频检测方法流程图;
图3为本发明实施例公开的一种篡改视频检测装置示意图;
图4为本发明实施例公开的一种篡改视频检测设备示意图;
图5为本发明实施例公开的一种卷积自动编码器结构示意图;
图6为本发明实施例公开的一种卷积自动解码器结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种篡改视频检测方法、装置、设备及可读存储介质,以提高篡改视频的检测效率和准确率。
参见图1,本发明实施例提供的一种篡改视频检测方法,包括:
S101、获取待检测的目标视频;
需要说明的是,获取目标视频的方式可以为:通过软件接口从数据库中获取,通过硬件接口从存储介质中获取,或接收视频发送端通过网络线路发送的目标视频等。
S102、利用预设的视频检测模型对目标视频进行检测,得到目标视频中的每个图像帧的检测结果;视频检测模型包括:卷积自动编码器和卷积自动解码器;
需要说明的是,卷积自动编码器即为将卷积运算运用到自动编码器中而得到的编码器,即Convolutional Auto-encoders,因此卷积自动编码器可简称为CAE;卷积自动解码器即为将卷积运算运用到自动解码器中而得到的解码器。图像帧即为一帧图像,也就是说,将目标视频拆分为一帧一帧的图像,检测每帧图像是否被篡改,从而输出每帧图像的检测结果,即每个图像帧的检测结果。
其中,由于本实施例能够得到目标视频中的每个图像帧的检测结果,因此可以精准地确定篡改视频中的被篡改图像帧,能够为视频恢复提供帮助。
S103、根据目标视频中的每个图像帧的检测结果判断目标视频中是否存在篡改图像帧;若是,则执行S104;若否,则执行S105;
S104、将目标视频标记为篡改视频;
S105、将目标视频标记为未篡改视频。
具体的,若目标视频中存在篡改图像帧,则认为目标视频为篡改视频;若目标视频中不存在篡改图像帧,则认为目标视频为未篡改视频。
可见,本实施例提供了一种篡改视频检测方法,所述方法利用包括有卷积自动编码器和卷积自动解码器的视频检测模型对待检测的目标视频进行检测,由于自动编码器能够挖掘视频中的潜在特征,且潜在特征是视频本质上的隐式特征,其能准确反映视频特征,因此本发明提供的视频检测模型能够保留重要的视频特征;同时自动编码器能够实现特征降维。因此本发明提供的视频检测模型能够在实现数据降维的同时,保留重要的视频特征,从而缩短了检测时间,提高了检测效率和检测结果的准确性;同时视频检测模型可以输出每个图像帧的检测结果,即:视频检测模型可以准确地确定篡改视频中的哪些图像帧被篡改,能够为视频的恢复提供可靠依据。
本发明实施例公开了另一种篡改视频检测方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。
参见图2,本发明实施例提供的另一种篡改视频检测方法,包括:
S201、获取待检测的目标视频;
S202、利用视频检测模型中的卷积自动编码器对目标视频中的每个图像帧进行编码,得到每个图像帧的编码结果;
S203、利用视频检测模型中的卷积自动解码器对每个图像帧的编码结果进行解码,得到每个图像帧的编码结果对应的解码结果;
S204、分别计算每个图像帧的编码结果对应的解码结果的重构误差;
S205、分别判断每个图像帧的编码结果对应的解码结果的重构误差是否大于预设的阈值;若是,则执行S206;若否,则执行S207;
S206、确定当前图像帧为篡改图像帧,并执行S208;
S207、确定当前图像帧为未篡改图像帧,并执行S208;
优选地,分别计算每个图像帧的编码结果对应的解码结果的重构误差,包括:利用重构误差计算公式分别计算每个图像帧的编码结果对应的解码结果的重构误差;
重构误差计算公式为:
e(t)=∑(x,y)||I(x,y,t)-fw(I(x,y,t))||2
其中,s(t)表示重构误差,e(t)表示卷积自动解码器输出的解码结果与原始图像帧的损失值;I(x,y,t)表示原始目标视频在第t帧坐标(x,y)处的像素值,fw(I(x,y,t))表示卷积自动解码器输出的第t帧图像坐标(x,y)处的像素值。
具体的,原始图像帧即为输入卷积自动编码器的图像帧。卷积自动编码器能够尽可能保持输入与输出一致,具有输出与输入相近、无监督快速提取的优点。将原始图像帧作为输入,经过卷积自动编码器处理后,输出原始图像帧的编码信号,实现数据降维。自动解码器能够将原始图像帧的编码信号进行解码,得到解码信号,此解码信号即为图像帧的编码结果对应的解码结果,因此重构误差即为卷积自动解码器输出的图像帧的编码结果对应的解码结果与原始图像帧相比所具有的差别。
当解码结果与原始图像帧的差别大于预设的阈值时,可以认为解码结果与原始图像帧不同,即表明原始图像帧被篡改;当解码结果与原始图像帧的差别不大于预设的阈值时,可以认为解码结果与原始图像帧相同,即表明原始图像帧未被篡改。
S208、根据目标视频中的每个图像帧的检测结果判断目标视频中是否存在篡改图像帧;若是,则执行S209;若否,则执行S210;
S209、将目标视频标记为篡改视频;
S210、将目标视频标记为未篡改视频。
可见,本实施例提供了一种篡改视频检测方法,所述方法利用包括有卷积自动编码器和卷积自动解码器的视频检测模型对待检测的目标视频进行检测,由于自动编码器能够挖掘视频中的潜在特征,且潜在特征是视频本质上的隐式特征,其能准确反映视频特征,因此本发明提供的视频检测模型能够保留重要的视频特征;同时自动编码器能够实现特征降维。因此本发明提供的视频检测模型能够在实现数据降维的同时,保留重要的视频特征,从而缩短了检测时间,提高了检测效率和检测结果的准确性;同时视频检测模型可以输出每个图像帧的检测结果,即:视频检测模型可以准确地确定篡改视频中的哪些图像帧被篡改,能够为视频的恢复提供可靠依据。
基于上述任意实施例,需要说明的是,将目标视频标记为篡改视频之后,还包括:对目标视频中的篡改图像帧进行标记。
其中,利用预设的视频检测模型对目标视频进行检测之前,还包括:
将目标视频划分为图像帧,得到图像帧序列,并将图像帧序列转换为灰度图像帧序列;
利用帧间差分法对灰度图像帧序列进行处理,得到灰度差分序列,并将灰度差分序列作为目标视频。
若一个视频共100帧,那么可划分为100个图像帧,便可得到图像帧序列Y={X1、X2...Xi}。为了降低计算量和计算复杂度,可以将图像帧序列转换为灰度图像帧序列,其中,图像尺寸可设定为:720×720。
所谓灰度,就是指纯白、纯黑以及两者中的一系列从黑到白的过渡色。在RGB彩色模型中,灰度色的R=G=B。将RGB彩色图像转为灰度图像,是通过计算每一个RGB像素的等效灰度或者亮度值L来实现的。转换的原则是:保证最终的灰色图像和最初的彩色图像主观上有相同的亮度。在最简单的情况下,L可以取RGB三分量的加权平均值,则L=Avg(R,G,B)=(R+G+B)/3。
帧间差分法是常用的运动目标检测和分割方法之一,基本原理是在图像序列相邻两帧间采用基于像素的时间差分来提取出图像中的运动区域。若场景中出现异常目标行动时,相邻两帧之间会出现较为明显的差别,其数学公式描述如下:
D(x,y)=|I(t)-I(t-1)|
其中D(x,y)为连续两帧图像之间的差分图像,I(t)为t时刻的图像,I(t-1)为t-1时刻的图像。
经过帧间差分法处理后得到的灰度差分序列可代表目标视频。也就是说,在将目标视频输入视频检测模型之前,需要对目标视频进行预处理,预处理包括:拆分处理,灰度处理和帧间差分处理。
下面对本发明实施例提供的一种篡改视频检测装置进行介绍,下文描述的一种篡改视频检测装置与上文描述的一种篡改视频检测方法可以相互参照。
参见图3,本发明实施例提供的一种篡改视频检测装置,包括:
获取模块301,用于获取待检测的目标视频;
检测模块302,用于利用预设的视频检测模型对目标视频进行检测,得到目标视频中的每个图像帧的检测结果;视频检测模型包括:卷积自动编码器和卷积自动解码器;
判断模块303,用于根据目标视频中的每个图像帧的检测结果判断目标视频中是否存在篡改图像帧;
标记模块304,用于当目标视频中存在篡改图像帧时,将目标视频标记为篡改视频。
其中,检测模块包括:
编码单元,用于利用视频检测模型中的卷积自动编码器对目标视频中的每个图像帧进行编码,得到每个图像帧的编码结果;
解码单元,用于利用视频检测模型中的卷积自动解码器对每个图像帧的编码结果进行解码,得到每个图像帧的编码结果对应的解码结果;
计算单元,用于分别计算每个图像帧的编码结果对应的解码结果的重构误差;
判断单元,用于分别判断每个图像帧的编码结果对应的解码结果的重构误差是否大于预设的阈值;
第一确定单元,用于当图像帧的编码结果对应的解码结果的重构误差大于预设的阈值时,确定当前图像帧为篡改图像帧;
第二确定单元,用于当图像帧的编码结果对应的解码结果的重构误差不大于预设的阈值时,确定当前图像帧为未篡改图像帧。
其中,所述计算单元具体用于:
利用重构误差计算公式分别计算每个图像帧的编码结果对应的解码结果的重构误差;
重构误差计算公式为:
e(t)=∑(x,y)||I(x,y,t)-fw(I(x,y,t))||2
其中,s(t)表示重构误差,e(t)表示卷积自动解码器输出的解码结果与原始图像帧的损失值;I(x,y,t)表示原始目标视频在第t帧坐标(x,y)处的像素值,fw(I(x,y,t))表示卷积自动解码器输出的第t帧图像坐标(x,y)处的像素值。
其中,还包括:
篡改图像帧标记模块,用于对目标视频中的篡改图像帧进行标记。
其中,还包括:
转换模块,用于将目标视频划分为图像帧,得到图像帧序列,并将图像帧序列转换为灰度图像帧序列;
差分处理模块,用于利用帧间差分法对灰度图像帧序列进行处理,得到灰度差分序列,并将灰度差分序列作为目标视频。
其中,还包括:
未篡改视频标记模块,用于将目标视频标记为未篡改视频。
可见,本实施例提供了一种篡改视频检测装置,包括:获取模块、检测模块、判断模块以及标记模块。首先由获取模块获取待检测的目标视频;然后检测模块利用预设的视频检测模型对目标视频进行检测,得到目标视频中的每个图像帧的检测结果;视频检测模型包括:卷积自动编码器和卷积自动解码器;进而判断模块根据目标视频中的每个图像帧的检测结果判断目标视频中是否存在篡改图像帧;最后标记模块当目标视频中存在篡改图像帧时,将目标视频标记为篡改视频。如此各个模块之间分工合作,各司其职,从而缩短了检测时间,提高了检测效率和检测结果的准确性。
下面对本发明实施例提供的一种篡改视频检测设备进行介绍,下文描述的一种篡改视频检测设备与上文描述的一种篡改视频检测方法及装置可以相互参照。
参见图4,本发明实施例提供的一种篡改视频检测设备,包括:
存储器41,用于存储计算机程序;
处理器42,用于执行所述计算机程序时实现上述任意实施例所述的篡改视频检测方法的步骤。
下面对本发明实施例提供的一种可读存储介质进行介绍,下文描述的一种可读存储介质与上文描述的一种篡改视频检测方法、装置及设备可以相互参照。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意实施例所述的篡改视频检测方法的步骤。
本发明提供的视频检测模型的训练过程具体为:
1、获取100个原始视频作为原始视频数据集和与之对应的100个篡改视频作为篡改视频数据集,将原始视频数据集作为训练数据,将篡改视频数据集作为测试数据。
2、对所有视频数据进行预处理,预处理包括:拆分处理,灰度处理和帧间差分处理。
具体为:对于每个视频数据,将视频划分为图像帧,得到图像帧序列,并将图像帧序列转换为灰度图像帧序列;利用帧间差分法对灰度图像帧序列进行处理,得到灰度差分序列。如此可得到所有视频数据的灰度差分序列。
3、利用图像步幅法增强数据集。
具体为:提取每个视频数据的灰度差分序列,将其调整为720×720的分辨率。
若灰度差分序列的长度为10,那么跳过不同的步幅便可获得以下帧序列。例如:步幅1序列由帧{1,2,3,4,5,6,7,8,9,10}组成;步幅2序列由帧{1,3,5,7,9,11,13,15,17,19}组成;步幅3序列由帧{1,4,7,10,13,16,19,22,25,28}组成。随着步幅的增加,不仅可以增强数据集,还可以捕获数据的长期依赖性。
4、对所有原始视频数据的每个图像帧和所有篡改视频数据的每个图像帧进行标记。
具体为:将所有原始视频数据的每个图像帧标记为正常,将所有篡改视频数据的每个图像帧按照是否被篡改标记为正常或异常。
5、构建视频检测模型,视频检测模型包括卷积自动编码器和卷积自动解码器。
其中,卷积自动编码器包括三个图像卷积层和两个池化层,具体请参见图5。
具体的,卷积自动编码器包括:
第一层图像卷积层(conv1):卷积核大小为3×3,步长为3,经过卷积后,输出的图像大小由原来的720×720变为240×240特征图(Feature Map)的数量为256;
第二层池化层(pool1):卷积核大小为2×2,步长为2,经过卷积后,输出的图像大小由原来的240×240变为120×120特征图的数量为256;
第三层图像卷积层(conv2):卷积核大小为3×3,步长为3,经过卷积后,输出的图像大小由原来的120×120变为40×40特征图的数量为128;
第四层池化层(pool2):卷积核大小为2×2,步长为2,经过卷积后,输出的图像大小由原来的40×40变为20×20特征图的数量为128;
第五层图像卷积层(conv3):卷积核大小为2×2,步长为2,经过卷积后,输出的图像大小由原来的20×20变为10×10特征图的数量为64;
卷积自动解码器包括三个反卷积层和两个反池化层,具体请参见图6。
具体的,卷积自动解码器包括:
第一层图像反卷积层(Deconv1):卷积核大小为2×2,步长为2,经过卷积后,输出的图像大小由原来的10×10变为20×20特征图的数量为64;
第二层反池化层(Unpool1):卷积核大小为2×2,步长为2,经过卷积后,输出的图像大小由原来的20×20变为40×40特征图的数量为64;
第三层图像反卷积层(Deconv2):卷积核大小为3×3,步长为3,经过卷积后,输出的图像大小由原来的40×40变为120×120特征图的数量为128;
第四层反池化层(Unpool2):卷积核大小为2×2,步长为2,经过卷积后,输出的图像大小由原来的120×120变为240×240特征图的数量为128;
第五层图像反卷积层(Deconv3):卷积核大小为3×3,步长为3,经过卷积后,输出的图像大小由原来的240×240变为720×720特征图的数量为256。
6、设定重构误差的理想值,将训练集输入步骤5构建的视频检测模型,对视频检测模型进行训练。
视频检测模型中的卷积自动编码器对原始视频数据中的每个图像帧进行编码,得到每个图像帧的编码结果;视频检测模型中的卷积自动解码器对每个图像帧的编码结果进行解码,得到每个图像帧的编码结果对应的解码结果;进而计算解码结果与当前原始图像帧的损失,并进一步根据损失计算重构误差,
重构误差计算公式为:
e(t)=∑(x,y)||I(x,y,t)-fw(I(x,y,t))||2
其中,s(t)表示重构误差,e(t)表示卷积自动解码器输出的解码结果与原始图像帧的损失值;I(x,y,t)表示原始目标视频在第t帧坐标(x,y)处的像素值,fw(I(x,y,t))表示卷积自动解码器输出的第t帧图像坐标(x,y)处的像素值。
将计算得到的重构误差与设定的重构误差理想值进行对比;当计算得到的重构误差大于设定的重构误差理想值时,更新当前视频检测模型的模型参数,并重新对原始视频数据进行检测;当计算得到的重构误差不大于设定的重构误差理想值时,停止训练,将当前视频检测模型作为视频检测测试模型。其中,模型参数的更新可参考现有技术,故本说明书在此不再赘述。
7、对视频检测测试模型进行测试。
将由100个篡改视频数据组成的测试数据输入视频检测测试模型,输出这100个篡改视频中的每个图像帧的检测结果。将模型输出的每个图像帧的检测结果与步骤4中的标记进行对比,计算视频检测测试模型的准确率。
准确率计算公式为:
其中,Accuracy为视频检测测试模型的检测准确率;TP为被视频检测测试模型判定为正常的正常图像帧,即判断为真的准确率;TN为被视频检测测试模型判定为异常的异常图像帧,即判断为假的准确率;FP为被视频检测测试模型判定为正常的异常图像帧,即误报率;FN为被视频检测测试模型判定为异常的正常图像帧,即漏报率。
当视频检测测试模型的检测准确率达到预设的准确率阈值时,认为视频检测测试模型训练完成,可用于实际,即将视频检测测试模型作为视频检测模型。当视频检测测试模型的检测准确率未达到预设的准确率阈值时,认为视频检测测试模型还需要继续训练,则通过步骤6继续训练。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种篡改视频检测方法,其特征在于,包括:
获取待检测的目标视频;
利用预设的视频检测模型对所述目标视频进行检测,得到所述目标视频中的每个图像帧的检测结果;所述视频检测模型包括:卷积自动编码器和卷积自动解码器;
根据所述目标视频中的每个图像帧的检测结果判断所述目标视频中是否存在篡改图像帧;
若是,则将所述目标视频标记为篡改视频。
2.根据权利要求1所述的篡改视频检测方法,其特征在于,所述将所述目标视频标记为篡改视频之后,还包括:
对所述目标视频中的篡改图像帧进行标记。
3.根据权利要求2所述的篡改视频检测方法,其特征在于,所述利用预设的视频检测模型对所述目标视频进行检测之前,还包括:
将所述目标视频划分为图像帧,得到图像帧序列,并将所述图像帧序列转换为灰度图像帧序列;
利用帧间差分法对所述灰度图像帧序列进行处理,得到灰度差分序列,并将所述灰度差分序列作为所述目标视频。
4.根据权利要求1-3任意一项所述的篡改视频检测方法,其特征在于,所述利用预设的视频检测模型对所述目标视频进行检测,得到所述目标视频中的每个图像帧的检测结果,包括:
利用所述视频检测模型中的卷积自动编码器对所述目标视频中的每个图像帧进行编码,得到每个图像帧的编码结果;
利用所述视频检测模型中的卷积自动解码器对每个图像帧的编码结果进行解码,得到每个图像帧的编码结果对应的解码结果;
分别计算每个图像帧的编码结果对应的解码结果的重构误差;
分别判断每个图像帧的编码结果对应的解码结果的重构误差是否大于预设的阈值;
若是,则确定当前图像帧为篡改图像帧;
若否,则确定当前图像帧为未篡改图像帧。
5.根据权利要求4所述的篡改视频检测方法,其特征在于,所述分别计算每个图像帧的编码结果对应的解码结果的重构误差,包括:
利用重构误差计算公式分别计算每个图像帧的编码结果对应的解码结果的重构误差;
所述重构误差计算公式为:
e(t)=∑(x,y)||I(x,y,t)-fw(I(x,y,t))||2
其中,s(t)表示所述重构误差,e(t)表示卷积自动解码器输出的解码结果与原始图像帧的损失值;I(x,y,t)表示原始目标视频在第t帧坐标(x,y)处的像素值,fw(I(x,y,t))表示卷积自动解码器输出的第t帧图像坐标(x,y)处的像素值。
6.根据权利要求1所述的篡改视频检测方法,其特征在于,当所述目标视频中不存在篡改图像帧时,还包括:
将所述目标视频标记为未篡改视频。
7.一种篡改视频检测装置,其特征在于,包括:
获取模块,用于获取待检测的目标视频;
检测模块,用于利用预设的视频检测模型对所述目标视频进行检测,得到所述目标视频中的每个图像帧的检测结果;所述视频检测模型包括:卷积自动编码器和卷积自动解码器;
判断模块,用于根据所述目标视频中的每个图像帧的检测结果判断所述目标视频中是否存在篡改图像帧;
标记模块,用于当所述目标视频中存在篡改图像帧时,将所述目标视频标记为篡改视频。
8.根据权利要求7所述的篡改视频检测装置,其特征在于,所述检测模块包括:
编码单元,用于利用所述视频检测模型中的卷积自动编码器对所述目标视频中的每个图像帧进行编码,得到每个图像帧的编码结果;
解码单元,用于利用所述视频检测模型中的卷积自动解码器对每个图像帧的编码结果进行解码,得到每个图像帧的编码结果对应的解码结果;
计算单元,用于分别计算每个图像帧的编码结果对应的解码结果的重构误差;
判断单元,用于分别判断每个图像帧的编码结果对应的解码结果的重构误差是否大于预设的阈值;
第一确定单元,用于当图像帧的编码结果对应的解码结果的重构误差大于预设的阈值时,确定当前图像帧为篡改图像帧;
第二确定单元,用于当图像帧的编码结果对应的解码结果的重构误差不大于预设的阈值时,确定当前图像帧为未篡改图像帧。
9.一种篡改视频检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-6任意一项所述的篡改视频检测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述的篡改视频检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910265193.6A CN110009621B (zh) | 2019-04-02 | 2019-04-02 | 一种篡改视频检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910265193.6A CN110009621B (zh) | 2019-04-02 | 2019-04-02 | 一种篡改视频检测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009621A true CN110009621A (zh) | 2019-07-12 |
CN110009621B CN110009621B (zh) | 2023-11-07 |
Family
ID=67169633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910265193.6A Active CN110009621B (zh) | 2019-04-02 | 2019-04-02 | 一种篡改视频检测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009621B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458838A (zh) * | 2019-08-23 | 2019-11-15 | 讯飞智元信息科技有限公司 | 一种故障类型的检测方法、装置、存储介质及设备 |
CN111212291A (zh) * | 2020-01-14 | 2020-05-29 | 广东工业大学 | 基于dfl-cnn网络的视频帧内对象移除篡改检测方法 |
CN112926623A (zh) * | 2021-01-22 | 2021-06-08 | 北京有竹居网络技术有限公司 | 识别合成视频的方法、装置、介质及电子设备 |
CN113158818A (zh) * | 2021-03-29 | 2021-07-23 | 青岛海尔科技有限公司 | 用于识别伪造视频的方法、装置和设备 |
CN117113439A (zh) * | 2023-10-23 | 2023-11-24 | 深圳市烽航实业有限公司 | 一种行车记录仪数据安全防篡改存储方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103581688A (zh) * | 2012-08-02 | 2014-02-12 | 北京大学 | 一种视频图像的编码和解码方法及装置 |
US20160132985A1 (en) * | 2014-06-10 | 2016-05-12 | Sam Houston State University | Rich feature mining to combat anti-forensics and detect jpeg down-recompression and inpainting forgery on the same quantization |
CN106454384A (zh) * | 2015-08-04 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 视频帧插入和帧删除检测方法 |
CN106846303A (zh) * | 2016-12-30 | 2017-06-13 | 平安科技(深圳)有限公司 | 图像篡改检测方法及装置 |
CN108271026A (zh) * | 2016-12-30 | 2018-07-10 | 上海寒武纪信息科技有限公司 | 压缩/解压缩的装置和系统、芯片、电子装置 |
CN109191444A (zh) * | 2018-08-29 | 2019-01-11 | 广东工业大学 | 基于深度残差网络的视频区域移除篡改检测方法及装置 |
-
2019
- 2019-04-02 CN CN201910265193.6A patent/CN110009621B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103581688A (zh) * | 2012-08-02 | 2014-02-12 | 北京大学 | 一种视频图像的编码和解码方法及装置 |
US20160132985A1 (en) * | 2014-06-10 | 2016-05-12 | Sam Houston State University | Rich feature mining to combat anti-forensics and detect jpeg down-recompression and inpainting forgery on the same quantization |
CN106454384A (zh) * | 2015-08-04 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 视频帧插入和帧删除检测方法 |
CN106846303A (zh) * | 2016-12-30 | 2017-06-13 | 平安科技(深圳)有限公司 | 图像篡改检测方法及装置 |
CN108271026A (zh) * | 2016-12-30 | 2018-07-10 | 上海寒武纪信息科技有限公司 | 压缩/解压缩的装置和系统、芯片、电子装置 |
CN109191444A (zh) * | 2018-08-29 | 2019-01-11 | 广东工业大学 | 基于深度残差网络的视频区域移除篡改检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
XIAODONG GU: ""A New Approach to Image Authentication Using Local Image Icon of Unit-linking PCNN"", IEEE, pages 1036 - 1041 * |
尹立国: ""基于深度学习的图像拼接篡改取证"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 1 - 54 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458838A (zh) * | 2019-08-23 | 2019-11-15 | 讯飞智元信息科技有限公司 | 一种故障类型的检测方法、装置、存储介质及设备 |
CN111212291A (zh) * | 2020-01-14 | 2020-05-29 | 广东工业大学 | 基于dfl-cnn网络的视频帧内对象移除篡改检测方法 |
CN112926623A (zh) * | 2021-01-22 | 2021-06-08 | 北京有竹居网络技术有限公司 | 识别合成视频的方法、装置、介质及电子设备 |
CN112926623B (zh) * | 2021-01-22 | 2024-01-26 | 北京有竹居网络技术有限公司 | 识别合成视频的方法、装置、介质及电子设备 |
CN113158818A (zh) * | 2021-03-29 | 2021-07-23 | 青岛海尔科技有限公司 | 用于识别伪造视频的方法、装置和设备 |
CN117113439A (zh) * | 2023-10-23 | 2023-11-24 | 深圳市烽航实业有限公司 | 一种行车记录仪数据安全防篡改存储方法及系统 |
CN117113439B (zh) * | 2023-10-23 | 2024-02-06 | 深圳市烽航实业有限公司 | 一种行车记录仪数据安全防篡改存储方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110009621B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009621A (zh) | 一种篡改视频检测方法、装置、设备及可读存储介质 | |
CN110163246A (zh) | 基于卷积神经网络的单目光场图像无监督深度估计方法 | |
CN110418139B (zh) | 一种视频超分辨修复方法、装置、设备及存储介质 | |
CN109214999A (zh) | 一种视频字幕的消除方法及装置 | |
CN110807396B (zh) | 基于光照方向一致性的换脸视频篡改检测方法及系统 | |
CN104751485B (zh) | 一种基于gpu自适应的前景提取方法 | |
CN114581432B (zh) | 一种基于深度学习的舌象仪舌象分割方法 | |
CN106060486A (zh) | 一种基于DirectShow技术的智能视频监控系统 | |
CN103096117B (zh) | 视频噪声检测方法及装置 | |
CN116563693A (zh) | 基于轻量级注意力机制的水下图像色彩复原方法 | |
CN112560734B (zh) | 基于深度学习的重获取视频检测方法、系统、设备及介质 | |
Ljubičić et al. | SSIMS-Flow: Image velocimetry workbench for open-channel flow rate estimation | |
CN117372876A (zh) | 一种多任务遥感影像道路损毁评估方法及系统 | |
CN115272923B (zh) | 一种基于大数据平台的智能识别方法和系统 | |
CN116523985A (zh) | 一种结构和纹理特征引导的双编码器图像修复方法 | |
CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
CN113627342B (zh) | 视频深度特征提取优化的方法、系统、设备及存储介质 | |
CN116980549A (zh) | 视频帧处理方法、装置、计算机设备和存储介质 | |
CN112233032B (zh) | 一种高动态范围图像鬼影消除的方法 | |
CN104469361B (zh) | 一种具有运动自适应性的视频删帧取证方法 | |
CN114339203A (zh) | 相机性能检测方法、设备和存储介质 | |
Wu et al. | Deep learning‐based super‐resolution with feature coordinators preservation for vision‐based measurement | |
CN112529815A (zh) | 一种雨后真实图像中雨滴去除方法及系统 | |
Wang et al. | Color image-spliced localization based on quaternion principal component analysis and quaternion skewness | |
de Torres et al. | An efficient approach to automatic generation of time-lapse video sequences |
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 |