CN111563531A - 视频篡改检测方法、系统、存储介质、计算机程序、终端 - Google Patents
视频篡改检测方法、系统、存储介质、计算机程序、终端 Download PDFInfo
- Publication number
- CN111563531A CN111563531A CN202010257725.4A CN202010257725A CN111563531A CN 111563531 A CN111563531 A CN 111563531A CN 202010257725 A CN202010257725 A CN 202010257725A CN 111563531 A CN111563531 A CN 111563531A
- Authority
- CN
- China
- Prior art keywords
- video
- algorithm
- key frame
- frame
- detection method
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N2017/008—Diagnosis, testing or measuring for television systems or their details for television teletext
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于信息安全技术领域,公开了一种视频篡改检测方法、系统、存储介质、计算机程序、终端,利用三帧差分法对视频关键帧进行提取;对得到的关键帧进行DCT变换以降低高维视频数据和去噪处理,得到包含绝大多数信号能量的子图;通过ORB算法对子图进行特征提取;通过汉明距离比较待检测视频与原始视频之间的相似度。本发明用统计的方法对提出的方法的检测性能进行评估,利用SIFT算法、ORB算法以及本发明算法对测试视频一关键帧进行特征提取,统计其平均特征点数、平均耗时、平均存储空间。本发明实例对关键帧提取的特征点数远远少于SIFT算法提取的特征点数,比ORB算法提取的特征点数少40%。
Description
技术领域
本发明属于信息安全技术领域,尤其涉及一种视频篡改检测方法、系统、存储介质、计算机程序、终端。
背景技术
目前,由于网络技术和视频监控系统的高速发展,监控视频数据量呈现爆发式增长,监控视频时刻保障着人们生活的安全,其内容的真实性也愈发重要。因此,保证监控视频内容的真实性和有效性,是非常必要的。视频篡改检测方法主要分为两种:视频主动取证技术、视频被动取证技术。视频主动取证技术主要以视频水印和数字签名为主,视频水印是将一些标识信息嵌入在宿主视频中,且不影响宿主视频的原始信息。视频被动取证技术是指不需要在宿主视频中嵌入任何特定信息,利用视频成像过程中的固有属性或在视频编辑过程中留下的信号处理痕迹,对其完整性和真实性进行验证。视频主动取证技术主要分为两大类:视频水印和数字签名。视频水印技术是指将不易感知的信号嵌入在视频中,它能够建立版权认证以及辨识视频所有者,对视频的真实性和完整性进行验证,是实现监控视频真实性和合法性认证的有效技术手段。数字签名是指从视频图像中提取几何视觉特征、边缘特征等不变特征值,将其编码后与原始视频结合在一起传输,通过比对数字签名里的特征值与待检测视频图像提取的特征值,从而对视频的原始完整性进行验证。根据视频水印嵌入位置的不同可分为:空间域视频水印、变换域视频水印。视频篡改被动检测技术与视频篡改主动检测技术不同,它不需要有关视频的任何预嵌入信息。视频篡改被动检测技术主要研究有:基于噪声模式的篡改检测、基于像素相关性的篡改检测、基于视频内容特征的篡改检测、基于抽象统计特征的篡改检测。由于视频编辑处理软件工具的先进,以及视频编码压缩过程中引入噪声,因此,基于噪声模式的篡改检测和基于像素相关性的篡改检测已经较难取得很好的篡改检测效果。基于视频内容特征的篡改检测和基于抽象统计特征的篡改检测,从视频内容和视频抽象统计角度进行特征异常分析,已经取得较好的篡改检测效果。
目前针对图像篡改的被动检测,已经有许多学者公开发表了较多研究成果,然而针对视频篡改被动检测的研究最近几年才刚刚起步。而且现有的算法效率比较低,不能达到监控视频实时伪造检测的目的。算法效率低下得主要原因是:通常情况下视频得数据量都特别大,采集视频得设备质量不等,而且采集视频时很容易受到外部条件得影响,给视频处理带来比较大得难度。
通过上述分析,现有技术存在的问题及缺陷为:目前针对图像篡改的被动检测方法现有算法效率比较低,不能达到监控视频实时伪造检测的目的。
解决以上问题及缺陷的难度为:视频数据得数据量都特别大,对算法得性能要求很高;视频伪造检测得准确率要求比较高;视频伪造检测过程得存储空间占用较多等等。
解决以上问题及缺陷的意义为:由于网络技术和视频监控系统的高速发展,监控视频数据量呈现爆发式增长,监控视频时刻保障着人们生活的安全,其内容的真实性也愈发重要。因此,保证监控视频内容的真实性和有效性,是非常必要的。我国的刑事侦查以及国家的司法公正都有着前所未有的意义。
发明内容
针对现有技术存在的问题,本发明提供了一种视频篡改检测方法、系统、存储介质、计算机程序、终端。
本发明是这样实现的,一种视频篡改检测方法,所述视频篡改检测方法包括:
第一步,利用三帧差分法对视频关键帧进行提取;
第二步,对得到的关键帧进行DCT变换以降低高维视频数据和去噪处理,得到包含绝大多数信号能量的子图;
第三步,通过ORB算法对子图进行特征提取;
第四步,通过汉明距离比较待检测视频与原始视频之间的相似度。汉明码是两个等长字符串之间的汉明距离是两个字符串对应位置的不同字符的个数。通过以下操作来获取相似度的bf=cv2.BFMatcher(cv2.NORM_HAMMING),参数cv2.NORM_HAMMING是汉明距离。bf该操作是通过业内通用的框架中的工具函数获得的。
进一步,所述第一步还包括:输入监控视频,读取用户输入的监控视频;关键帧获取。
进一步,所述第一步还包括:在读取视频后,利用三帧差分法将相邻的三帧图像作为一组进行相邻两帧图像的两两差分,将当前帧与上一帧进行差分运算,下一帧再与当前帧做差分运算,对两个差分结果进行与操作,最后通过设定的阈值进行划分,提取出关键帧。
进一步,所述第二步包括:离散余弦DCT变换对确定的关键帧进行离散余弦变换,经过DCT变换后,图像数据的绝大多数空域信号的能量都集中在低频区域,通过舍弃高频系数部分降维,其低频区域被认为是关键帧的近似。
进一步,所述第三步包括:对关键帧的低频子图使用ORB算法提取特征,分为oFAST特征检测和rBRIEF描述子;
(1)通过FAST算法对关键帧上的特征点进行粗提取,利用非极大值抑制方法去除局部较密集特征点,使用灰度质心方法确定特征点的方向;
(2)通过steeredBRIEF方法改进旋转不变性,利用rBRIEF方法解决描述子的区分性,得到具有旋转不变性的二进制串描述符rBRIEF。
进一步,得到的rBRIEF是一个二进制串描述符,采用的是多重探测局部敏感哈希搜索算法,根据汉明距离进行匹配,建立一个降序排列的查询描述符,寻找相邻的桶,只需要更少量的表和更小的桶检测到更多的匹配点;设定阈值,检测到最相邻点;
采用PROSAC算法剔除误匹配点,将测试集中的样本进行排序以筛选出合适的样本,对匹配模型进行估计,建立一个二维平面进行随机点拟合,把平面内的样本点分为两个部分,设定距离阈值并选取最佳内点,拟合出最合适的直线。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤:
第一步,利用三帧差分法对视频关键帧进行提取;
第二步,对得到的关键帧进行DCT变换以降低高维视频数据和去噪处理,得到包含绝大多数信号能量的子图;
第三步,通过ORB算法对子图进行特征提取;
第四步,通过汉明距离比较待检测视频与原始视频之间的相似度。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的视频篡改检测方法。
本发明的另一目的在于提供一种实施所述视频篡改检测方法的视频篡改检测系统,所述视频篡改检测系统包括:
视频关键帧提取模块,用于利用三帧差分法对视频关键帧进行提取;
信号能量子图获取模块,用于对得到的关键帧进行DCT变换以降低高维视频数据和去噪处理,得到包含绝大多数信号能量的子图;
子图特征提取模块,用于通过ORB算法对子图进行特征提取;
视频相似度比较模块,用于通过汉明距离比较待检测视频与原始视频之间的相似度。
本发明的另一目的在于提供一种终端,所述终端搭载所述的视频篡改检测系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:根据监控视频具有海量视频数据和实时性的特点,现有的算法的性能和准确率无法满足当前社会的需求。能实现了对高维视频数据的降维和去噪处理,解决常见的时间和空间篡改的视频篡改检测问题。
本发明用统计的方法对提出的方法的检测性能进行评估,利用SIFT算法、ORB算法以及本发明算法对测试视频一关键帧进行特征提取,统计其平均特征点数、平均耗时、平均存储空间。本发明实例对关键帧提取的特征点数远远少于SIFT算法提取的特征点数,比ORB算法提取的特征点数少40%。本发明实例提取特征速度在三种算法中是最快的,提取的特征点所需空间也是最少的。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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是本发明实施例提供的视频篡改检测方法流程图。
图2是本发明实施例提供的视频篡改检测系统的结构示意图;
图中:1、视频关键帧提取模块;2、信号能量子图获取模块;3、子图特征提取模块;4、视频相似度比较模块。
图3是本发明实施例提供的视频篡改检测方法实现流程图。
图4是本发明实施例提供的三帧差分法示意图。
图5是本发明实施例提供的ORB算法匹配两张图像示意图。
图6是本发明实施例提供的ORB特征提取算法流程图。
图7是本发明实施例提供的监控视频样本示意图;
图中:(a)监控视频样本1;(b)监控视频样本2;(c)监控视频样本3;(d)监控视频样本4。
图8是本发明实施例提供的测试视频一原始关键帧示意图;
图中:(a)篡改前第32关键帧;(b)篡改前第33关键帧;(c)篡改前第34关键帧;(d)篡改前第35关键帧;
图9是本发明实施例提供的测试视频一伪造关键帧示意图;
图中:(a)篡改后第32关键帧;(b)篡改后第33关键帧;(c)篡改后第34关键帧;(d)篡改后第35关键帧;
图10是本发明实施例提供的测试视频二原始关键帧示意图;
图中:(a)篡改前第14关键帧;(b)篡改前第15关键帧;(c)篡改前第16关键帧;(d)篡改前第17关键帧;
图11是本发明实施例提供的测试视频二伪造关键帧示意图;
图中:(a)篡改后第14关键帧;(b)篡改后第15关键帧;(c)篡改后第16关键帧;(d)篡改后第17关键帧。
图12是本发明实施例提供的第三个测试视频原始关键帧示意图;
图中:(a)篡改前第1关键帧;(b)篡改前第2关键帧;(c)篡改前第3关键帧;(d)篡改前第4关键帧。
图13是本发明实施例提供的第三个测试视频伪造关键帧示意图;
图中:(a)篡改后第1关键帧;(b)篡改后第2关键帧;(c)篡改后第3关键帧;(d)篡改后第4关键帧。
图14是本发明实施例提供的测试视频一相似度对比示意图。
图15是本发明实施例提供的测试视频一耗时对比示意图。
图16是本发明实施例提供的测试视频二相似度对比示意图。
图17是本发明实施例提供的测试视频二耗时对比示意图。
图18是本发明实施例提供的测试视频三相似度对比示意图。
图19是本发明实施例提供的测试视频三耗时对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
DCT:离散余弦变换(Discrete Cosine Transform)。
SIFT:尺度不变特征变换(Scale Invariant Feature Transform,)。
BRIEF:二进制鲁棒独立的基本特征(Binary Robust Independent ElementaryFeatures)。
rBRIEF:经过旋转优化的BRIEF算法(rotation-aware BRIEF)。
FAST:加速段试验的特征点算法(features from accelerated segmenttest)。
oFAST:快速Fast算法(Oriented FAST)。
ORB(Oriented FAST and Rotation BRIEF)。
DCT Discrete Cosine Transform离散余弦变换。
kNN k-NearestNeighbor k最邻近分类算法。
ORB Oriented FAST and Rotated BRIEF快速特征点提取和描述。
PROSAC Progressive Sampling Consensus渐进采样一致性算法。
针对现有技术存在的问题,本发明提供了一种视频篡改检测方法、系统、存储介质、计算机程序、终端,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的视频篡改检测方法包括以下步骤:
S101:利用三帧差分法对视频关键帧进行提取;
S102:对得到的关键帧进行DCT变换以降低高维视频数据和去噪处理,得到包含绝大多数信号能量的子图;
S103:通过ORB算法对子图进行特征提取;
S104:通过汉明距离比较待检测视频与原始视频之间的相似度。
如图2所示,本发明提供的视频篡改检测系统包括:
视频关键帧提取模块1,用于利用三帧差分法对视频关键帧进行提取;
信号能量子图获取模块2,用于对得到的关键帧进行DCT变换以降低高维视频数据和去噪处理,得到包含绝大多数信号能量的子图;
子图特征提取模块3,用于通过ORB算法对子图进行特征提取;
视频相似度比较模块4,用于通过汉明距离比较待检测视频与原始视频之间的相似度。
下面结合附图对本发明的技术方案作进一步的描述。
如图3所示,本发明提供的视频篡改检测方法包括以下步骤:
步骤一,输入监控视频。读取用户输入的监控视频。
步骤二,关键帧获取。在读取视频后,利用三帧差分法将相邻的三帧图像作为一组进行相邻两帧图像的两两差分,即将当前帧与上一帧进行差分运算,下一帧再与当前帧做差分运算,然后对两个差分结果进行“与”操作,最后通过设定的阈值进行划分,提取出关键帧。三帧差分法流程如图4所示。
步骤三,离散余弦变换(DCT变换)。对步骤二确定的关键帧进行离散余弦变换,由于DCT变换具有能量集中特性,所以经过DCT变换后,图像数据的绝大多数空域信号的能量都集中在低频区域,通过舍弃高频系数部分达到降维作用,其低频区域可以被认为是关键帧的近似。
步骤四,特征提取与描述。对关键帧的低频子图使用ORB算法提取特征,分为两个步骤:oFAST特征检测和rBRIEF描述子。第一步,通过FAST算法对关键帧上的特征点进行粗提取,利用非极大值抑制方法去除局部较密集特征点,最后使用灰度质心方法确定特征点的方向,orb算法图像匹配如图5;第二步,通过steered BRIEF方法改进旋转不变性,利用rBRIEF方法解决描述子的区分性,最后得到具有旋转不变性的二进制串描述符rBRIEF。算法流程如图6所示。
步骤五,匹配相似点。由步骤四得到的rBRIEF是一个二进制串描述符,该方法的k最近邻算法(k-NearestNeighbor,kNN)采用的是多重探测局部敏感哈希(LocalitySensitive Hashing,LSH)搜索算法,根据汉明距离进行匹配。多重探测局部敏感哈希算法是基础传统的LSH算法进行改进和优化而来,建立一个降序排列的查询描述符,寻找相邻的桶,只需要更少量的表和更小的桶就可以检测到更多的匹配点,从而节省了内存。最后设定阈值,检测到最相邻点,达到篡改检测的目的。
步骤六,采用PROSAC算法剔除误匹配点。由于采用RANSAC算法剔除误匹配特征点存在迭代次数不稳定、效率低、鲁棒性差等问题,本发明引入渐进采样一致性算法(Progressive Sampling Consensus,PROSAC)来消除迭代次数不稳定问题。首先将测试集中的样本进行排序以筛选出合适的样本,接着对匹配模型进行估计,该方法在减少模型迭代次数的情况下可以保证模型高正确率。建立一个二维平面进行随机点拟合,首先把平面内的样本点分为两个部分,设定距离阈值并选取最佳内点,最后拟合出最合适的直线。
其中PROSAC匹配算法步骤如下:
下面结合实验对本发明的技术效果作详细的描述。
为了验证提出的基于DCT系数和ORB特征(以下简称DCT_ORB算法)的视频篡改检测算法性能,开展以下实验。算法运行环境为:Windows 10操作系统、Intel i5-4300CPU、8.00GB内存、2.50GHz。采用PyCharm2019.3集成开发环境进行仿真,选用了四个不同品牌及型号的视频监控设备产生的监控视频进行测试。篡改视频是通过原始视频进行帧间添加、复制、删除和帧内对象添加、复制、删除等操作而完成。帧间添加、复制、删除操作由AdobePremiere Pro CC 2018完成,单帧图像对象添加、复制、删除操作由Adobe PhotoshopCC2017完成。通过DCT_ORB算法进行检测分析,所有被篡改的视频都可以被检测到发生篡改操作。然后将DCT_ORB算法与SIFT算法和ORB算法进行对比。
实验主要分为两个部分:第一部分是阐述监控视频的攻击细节,主要从帧间篡改和帧内篡改入手;第二个部分是对实验结果的分析。
1、监控视频攻击细节
实验第一部分,选取不同品牌及型号的视频监控设备所产生的监控视频,共有4个,监控视频样本详细信息如表1所示,如图7(a)-图7(d)所示。
表1监控视频详细信息
(1)帧间复制攻击
测试视频一是静止背景下的室外运动场景,分辨率为1280×720,将原始视频中包含快递电动车运动目标的第32-35关键帧删除,从没有包含快递电动车运动目标的其他帧处进行复制,然后粘贴到第32-35关键帧处,并修改监控视频时间和原始时间一致。原始视频第32-35关键帧如图8(a)-图8(d)所示,与原始视频帧对应的伪造视频帧如图9(a)-图9(d)所示。
(2)帧间插入攻击
测试视频二是静止背景下室内运动目标场景,分辨率为1920×1080,将原始监控视频第14-17关键帧进行删除,某特定人物运动目标在其他时间段的监控视频中出现,将其复制并插入到本视频序列中,使其“提前”出现在该监控视频段中,并修改插入帧的显示时间与原始视频显示时间一致。原始视频第14-17关键帧如图10(a)-图10(d)所示,与原始视频帧对应的伪造视频帧如图11(a)-图11(d)所示。
(3)帧内对象添加/删除攻击
第三个测试视频是静止背景下的室内场景,分辨率为1280×960,将原始视频第1和第2关键帧中的某物体(手提式灭火器)通过技术手段进行去除,第3关键帧中的手提式灭火器去除后添加特定人物对象,第4关键帧中的手提式灭火器不去除的情况下添加特定人物对象,原始视频第1-4关键帧如图12(a)-图12(d)所示,与原始视频帧对应的伪造视频帧如图13(a)-图13(d)所示。
2、实验结果
为了展现该算法的优势,将提出算法与SIFT算法和ORB算法进行比较,使用这三种方法分别检测上述攻击操作。
(1)帧间复制攻击实验结果对比
利用SIFT算法、ORB算法和DCT_ORB算法分别对测试视频一的原始关键帧和伪造关键帧检测上述攻击操作,对于静止背景下的室外运动场景,三种算法均能有效检测出伪造攻击,并且DCT_ORB算法对伪造更加敏感,相似度检测低于其他两种算法,其相似度对比如图14所示。对原始关键帧和伪造关键帧进行特征提取并进行相似度检测,其耗时对比如图15所示,从图中可以发现DCT_ORB算法在耗时方面远远低于SIFT算法,比ORB算法快40%。
(2)帧间插入攻击实验结果对比
利用SIFT算法、ORB算法和DCT_ORB算法对测试视频二的原始关键帧和伪造关键帧进行检测分析,在相似度方面,DCT_ORB算法比其他两种算法更加敏感,与SIFT算法接近,与ORB算法相比更具有优势,如图16所示。在耗时方面,对原始关键帧和伪造关键帧提取特征,SIFT算法在7000ms左右,远高于ORB算法和DCT_ORB算法,而DCT_ORB算法耗时比ORB算法低40%左右,如图17所示。
(3)帧内添加/删除攻击实验结果对比
利用SIFT算法、ORB算法和DCT_ORB算法对测试视频三的原始关键帧和伪造关键帧进行检测分析,在相似度方面,SIFT算法和ORB算法在0.76-0.86之间,DCT_ORB算法在0.35-0.60之间,这三种算法都能有效的检测出伪造攻击,如图18所示。在耗时方面,对原始关键帧和伪造关键帧提取特征,SIFT算法在2700ms左右,ORB算法在310ms左右,DCT_ORB算法在220ms左右,DCT_ORB算法耗时比ORB算法低40%左右,如图19所示。
(4)测试视频实验结果统计与分析
用统计的方法对提出的方法的检测性能进行评估,利用SIFT算法、ORB算法以及本文算法对测试视频一关键帧(分辨率为1280×720)进行特征提取,统计其平均特征点数、平均耗时、平均存储空间。本文算法对关键帧提取的特征点数远远少于SIFT算法提取的特征点数,比ORB算法提取的特征点数少40%,本文算法提取特征速度在三种算法中是最快的,提取的特征点所需空间也是最少的,实验结果如表2所示。
表2实验结果对比
算法 | 平均特征点数/个 | 平均耗时/ms | 平均存储空间/KB |
SIFT算法 | 4251 | 3300 | 2154 |
ORB算法 | 1241 | 310 | 38.9 |
DCT_ORB算法 | 746 | 190 | 23.4 |
经实验发现,对于具有静止背景下的监控视频场景,DCT_ORB算法能有效的检测出帧间或帧内伪造攻击,并且能够保持较高的准确率和召回率。结果显示DCT_ORB算法在提取视频特征时间开销方面远远低于SIFT算法,与ORB算法相比提取速度提高了40%,深入分析,可以发现DCT_ORB算法计算中提取的特征点数比ORB算法减少了40%,这个优势使得DCT_ORB算法能够更快的提取完视频特征,性能得到了提升。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种视频篡改检测方法,其特征在于,所述视频篡改检测方法包括:
第一步,利用三帧差分法对视频关键帧进行提取;
第二步,对得到的关键帧进行DCT变换以降低高维视频数据和去噪处理,得到包含绝大多数信号能量的子图;
第三步,通过ORB算法对子图进行特征提取;
第四步,通过汉明距离比较待检测视频与原始视频之间的相似度。
2.如权利要求1所述的视频篡改检测方法,其特征在于,所述第一步还包括:输入监控视频,读取用户输入的监控视频;关键帧获取。
3.如权利要求1所述的视频篡改检测方法,其特征在于,所述第一步还包括:在读取视频后,利用三帧差分法将相邻的三帧图像作为一组进行相邻两帧图像的两两差分,将当前帧与上一帧进行差分运算,下一帧再与当前帧做差分运算,对两个差分结果进行与操作,最后通过设定的阈值进行划分,提取出关键帧。
4.如权利要求1所述的视频篡改检测方法,其特征在于,所述第二步包括:离散余弦DCT变换对确定的关键帧进行离散余弦变换,经过DCT变换后,图像数据的绝大多数空域信号的能量都集中在低频区域,通过舍弃高频系数部分降维,其低频区域被认为是关键帧的近似。
5.如权利要求1所述的视频篡改检测方法,其特征在于,所述第三步包括:对关键帧的低频子图使用ORB算法提取特征,分为oFAST特征检测和rBRIEF描述子;
(1)通过FAST算法对关键帧上的特征点进行粗提取,利用非极大值抑制方法去除局部较密集特征点,使用灰度质心方法确定特征点的方向;
(2)通过steered BRIEF方法改进旋转不变性,利用rBRIEF方法解决描述子的区分性,得到具有旋转不变性的二进制串描述符rBRIEF。
6.如权利要求5所述的视频篡改检测方法,其特征在于,得到的rBRIEF是一个二进制串描述符,采用的是多重探测局部敏感哈希搜索算法,根据汉明距离进行匹配,建立一个降序排列的查询描述符,寻找相邻的桶,只需要更少量的表和更小的桶检测到更多的匹配点;设定阈值,检测到最相邻点;
采用PROSAC算法剔除误匹配点,将测试集中的样本进行排序以筛选出合适的样本,对匹配模型进行估计,建立一个二维平面进行随机点拟合,把平面内的样本点分为两个部分,设定距离阈值并选取最佳内点,拟合出最合适的直线。
7.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤:
第一步,利用三帧差分法对视频关键帧进行提取;
第二步,对得到的关键帧进行DCT变换以降低高维视频数据和去噪处理,得到包含绝大多数信号能量的子图;
第三步,通过ORB算法对子图进行特征提取;
第四步,通过汉明距离比较待检测视频与原始视频之间的相似度。
8.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~6任意一项所述的视频篡改检测方法。
9.一种实施权利要求1~6任意一项所述视频篡改检测方法的视频篡改检测系统,其特征在于,所述视频篡改检测系统包括:
视频关键帧提取模块,用于利用三帧差分法对视频关键帧进行提取;
信号能量子图获取模块,用于对得到的关键帧进行DCT变换以降低高维视频数据和去噪处理,得到包含绝大多数信号能量的子图;
子图特征提取模块,用于通过ORB算法对子图进行特征提取;
视频相似度比较模块,用于通过汉明距离比较待检测视频与原始视频之间的相似度。
10.一种终端,其特征在于,所述终端搭载权利要求9所述的视频篡改检测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010257725.4A CN111563531A (zh) | 2020-04-03 | 2020-04-03 | 视频篡改检测方法、系统、存储介质、计算机程序、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010257725.4A CN111563531A (zh) | 2020-04-03 | 2020-04-03 | 视频篡改检测方法、系统、存储介质、计算机程序、终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563531A true CN111563531A (zh) | 2020-08-21 |
Family
ID=72070416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010257725.4A Pending CN111563531A (zh) | 2020-04-03 | 2020-04-03 | 视频篡改检测方法、系统、存储介质、计算机程序、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563531A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651319A (zh) * | 2020-12-21 | 2021-04-13 | 科大讯飞股份有限公司 | 一种视频检测方法、装置、电子设备及存储介质 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000465A1 (zh) * | 2015-07-01 | 2017-01-05 | 中国矿业大学 | 矿井无线分布式视频编码中的关键帧实时选取方法 |
CN110084781A (zh) * | 2019-03-22 | 2019-08-02 | 西安电子科技大学 | 基于特征点的监控视频篡改检测的被动取证方法及系统 |
CN110599486A (zh) * | 2019-09-20 | 2019-12-20 | 福州大学 | 一种视频抄袭的检测方法及系统 |
-
2020
- 2020-04-03 CN CN202010257725.4A patent/CN111563531A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000465A1 (zh) * | 2015-07-01 | 2017-01-05 | 中国矿业大学 | 矿井无线分布式视频编码中的关键帧实时选取方法 |
CN110084781A (zh) * | 2019-03-22 | 2019-08-02 | 西安电子科技大学 | 基于特征点的监控视频篡改检测的被动取证方法及系统 |
CN110599486A (zh) * | 2019-09-20 | 2019-12-20 | 福州大学 | 一种视频抄袭的检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
徐子锋等: "基于ORB+PROSAC误匹配剔除算法的视觉SLAM研究", 《软件工程》 * |
郑继明等: "运用DWT和ORB的图像篡改检测方法", 《计算机工程与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651319A (zh) * | 2020-12-21 | 2021-04-13 | 科大讯飞股份有限公司 | 一种视频检测方法、装置、电子设备及存储介质 |
CN112651319B (zh) * | 2020-12-21 | 2023-12-05 | 科大讯飞股份有限公司 | 一种视频检测方法、装置、电子设备及存储介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soni et al. | CMFD: a detailed review of block based and key feature based techniques in image copy‐move forgery detection | |
Kang et al. | Identifying tampered regions using singular value decomposition in digital image forensics | |
Al-Qershi et al. | Passive detection of copy-move forgery in digital images: State-of-the-art | |
Monga et al. | Perceptual image hashing via feature points: performance evaluation and tradeoffs | |
Ardizzone et al. | Copy-move forgery detection via texture description | |
Wang et al. | Image forensic signature for content authenticity analysis | |
Wang et al. | A DWT-DCT based passive forensics method for copy-move attacks | |
CN110457996B (zh) | 基于vgg-11卷积神经网络的视频运动对象篡改取证方法 | |
Alamro et al. | Copy-move forgery detection using integrated DWT and SURF | |
Zheng et al. | Near-duplicate image detection in a visually salient riemannian space | |
CN111563531A (zh) | 视频篡改检测方法、系统、存储介质、计算机程序、终端 | |
Siddiqi et al. | Image splicing-based forgery detection using discrete wavelet transform and edge weighted local binary patterns | |
Muzaffer et al. | A fast and effective digital image copy move forgery detection with binarized SIFT | |
CN114036467A (zh) | 一种基于区块链的短视频版权保护方法 | |
Emam et al. | A robust detection algorithm for image Copy-Move forgery in smooth regions | |
Chen et al. | Image splicing forgery detection using simplified generalized noise model | |
Singh et al. | Copy move forgery detection on digital images | |
Davarzani et al. | Image authentication using LBP-based perceptual image hashing | |
Sari et al. | The effect of error level analysis on the image forgery detection using deep learning | |
Verma et al. | Survey on image copy-move forgery detection | |
Guan et al. | An effective image steganalysis method based on neighborhood information of pixels | |
Du et al. | Image hashing for tamper detection with multiview embedding and perceptual saliency | |
Sheng et al. | Robust algorithm for detection of copy-move forgery in digital images based on ridgelet transform | |
Kale et al. | Copy Move Forgery Detection-A Robust Technique | |
Yu et al. | Image robust hashing based on DCT sign |
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 |