CN112804533B - 基于分块信息掩膜的hevc视频隐写分析网络方法及系统 - Google Patents

Abstract

本发明提供了一种基于分块信息掩膜的HEVC视频隐写分析网络方法及系统，涉及HEVC视频隐写分析技术领域，该方法包括：步骤S1：搭建由多层卷积层和多个隐写分析残差块串联形成的卷积神经网络识别框架；步骤S2：收集待检测视频序列，将待检测视频序列生成训练所需的数据库样本，并划分为训练集和测试集；步骤S3：用数据库样本对卷积神经网络进行训练；步骤S4：将待检测视频输入至卷积神经网络识别框架中，生成图片信息以及分块信息的双通道输入样本；步骤S5：将双通道输入样本送入到步骤S3中训练好的卷积神经网络中，输出是否经过隐写的结果。本发明能够克服分析性能低以及手工设计特征复杂的缺陷，填补利用深度学习网络来做HEVC视频隐写分析的专利短缺。

Description

基于分块信息掩膜的HEVC视频隐写分析网络方法及系统

技术领域

本发明涉及HEVC视频隐写分析技术领域，具体地，涉及一种基于分块信息掩膜的HEVC视频隐写分析网络方法及系统。

背景技术

随着互联网技术的飞速发展，视频正在逐渐取代文字和图像成为信息传输的主要载体。在给人们带来方便的同时，也为信息安全工作提出了新的挑战。信息隐藏技术通过将隐秘信息嵌入到视频文件中，利用公用网络就可以进行非法通信，逃过网安人员的监控。视频隐写分析是信息安全领域非常重要的研究方向之一，所谓隐写分析就是指采用一定的方法对采用了隐写算法嵌入了隐秘信息的视频进行检测的技术。目前现代隐写技术主要在嵌入隐秘信息时综合考虑鲁棒性、嵌入容量和不可感知性这三点因素，因此对于载密视频来说，无论在主观视觉质量上还是原始载体统计特性上，与原始视频都是非常接近的。所以隐写分析方法的设计，通过从视频中提取到区分度高的统计特征，从而能够捕获隐写时所留下的痕迹。

在传统的H.264以及更旧的编码标准中，隐写分析方法研究已经相当完善，而对于最新的HEVC视频编码标准，这方面的研究就显得捉襟见肘。由于HEVC在编解码方面的良好表现以及对更高清视频的支持，其正在逐渐取代H.264，得到越来越普遍的应用。因此，研究基于HEVC标准的视频隐写分析算法显得相当的迫切，也具有重要的研究意义和应用价值。

近年来，基于大数据驱动深层深度神经网络学习的深度学习方法，已被广泛应用于计算机视觉、自然语言处理、音视频识别等领域并取得了很好的效果。卷积神经网络时近年来深度学习领域中最为常见的模型之一，该模型能够从输入中自动学习到有效的高维特征表达。但是由于隐写分析任务和机器视觉领域有着很大的差异，因此将卷积神经网络用于隐写分析还需要根据隐写分析的特点设计网络和输入数据的组成方式。

目前来说，视频隐写分析方法主要有两大类，第一类是专用型的隐写分析算法，这些算法都是先假设嵌入域是已知的，针对的都是单一隐写嵌入域。第二类是通用型的隐写分析算法，通用型的隐写分析算法可以针对多个嵌入域的隐写算法。

经过对现有视频隐写分析技术的检索发现，公开号为CN107330845A的中国发明专利记载了一种基于卷积神经网络的数字图像隐写分析方法，该专利设计了一种基于卷积神经网络的数字图像隐写分析方法，首先构建由多层卷积层串联形成的卷积神经网络；然后对第一层卷积层采用高通滤波器对其卷积核进行初始化，然后采用截断线性单元激活函数作为卷积层的激活函数，最后将数字图像输入至卷积神经网络，输出是否经过隐写的结果。该专利的应用只针对数字图像领域，而不能够运用在视频领域，整体分析性能低。

而公开号为CN107040786A的中国发明专利记载了一种基于时空域特征自适应选择的HEVC视频隐写分析方法。该专利首先解码视频，对P帧提取编码单元划分、运动矢量等压缩域信息，然后生成运动矢量扫描脸，利用共生频率提取空域运动矢量相关性特征，根据HEVC中的运动矢量预测信息分别计算时域相关性特征和空域相关性特征，并自适应选择作为最终分类特征，最后训练与分类识别。但专利仅局限于手工选取特征的范畴，只能针对单一的隐写嵌入域。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于分块信息掩膜的HEVC视频隐写分析网络方法及系统，用以克服分析性能低或者是手工设计特征复杂的技术缺陷。

根据本发明提供的一种基于分块信息掩膜的HEVC视频隐写分析网络方法及系统，所述方案如下：

第一方面，提供了一种基于分块信息掩膜的HEVC视频隐写分析网络方法，所述方法包括：

搭建由多层卷积层和多个隐写分析残差块串联形成的卷积神经网络识别框架，包括残差计算部分、特征提取部分和分类部分；

其中，残差计算部分，采用高通滤波器对其卷积层中的卷积核进行初始化；

收集待检测视频序列，将待检测视频序列生成训练所需的数据库样本，数据库样本由解码出的视频帧图片和生成的分块信息掩膜组成的双通道图片输入，并划分为训练集和测试集；

用数据库样本对卷积神经网络进行训练，得到用于判别输入样本是否经过隐写的卷积神经网络；

将待检测视频输入至卷积神经网络识别框架中，所述卷积神经网络识别框架会自动对待检测视频进行解码和视频帧的提取，生成图片信息以及分块信息的双通道输入样本；

将所述双通道输入样本送入到训练好的卷积神经网络中，输出是否经过隐写的结果。

优选的，残差计算部分中卷积层中的卷积核初始化用到的高通滤波器，包括以下几类：

一阶：K1＝[-1 1]

二阶：K2＝[1 -2 1]

三阶：K3＝[1 -3 3 -1]

SQUARE3x3：

EDGE3x3：

其中，具体的高通滤波器个数和参数根据实际应用来设置；

优选的，卷积神经网络模型特征提取包括多层卷积层、多层池化层以及多个隐写分析残差块，具体的层数和残差块个数依据实际情况选取，隐写分析残差块模型结构，定义如下：

y＝H(x,w_h)+x

其中x为残差块输入，y为残差块输出，H(x，w_h)为经过两层卷积层的输出。

优选的，数据库样本由解码出的视频帧图片和生成的分块信息组成的双通道图片输入：

数据库样本包括两部分，一部分是将视频通过HM解码器解码出的视频帧，另一部分是解码过程中记录下来的分块信息，生成的分块结构二值图片；

将上述两部分组合起来，得到双通道图片输入，生成的数据库图片按照8：2的比例分为训练集和测试集；

将训练集和测试集的数据库图片作为输入数据，载密与否作为标签，未载密标签为‘0’，载密标签为‘1’。

优选的，设定用于优化卷积神经网络参数的损失函数：

卷积神经网络需先设定用于二分类的损失函数，采用交叉熵损失优化，其损失函数定义为，

卷积神经网络根据不同的优化目标，设定不同的损失函数；

优化器采用的优化算法包括SGD、AdaGrad、AdaDelta或Adam；

训练过程中采用批量标准化操作，具体的批量大小和迭代次数根据实际应用和数据库大小来设定。

优选的，所述输出是否经过隐写的结果包括：

将待检测视频处理后得到的输入送入卷积神经网络中；

得到输出结果后，结果为‘0’代表视频未经过嵌密隐写，结果为‘1’代表视频经过隐写嵌入信息。

第二方面，提供了一种基于分块信息掩膜的HEVC视频隐写分析网络系统，所述系统包括：

模块M1：搭建由多层卷积层和多个隐写分析残差块串联形成的卷积神经网络识别框架，包括残差计算部分、特征提取部分和分类部分；

其中，残差计算部分，采用高通滤波器对其卷积层中的卷积核进行初始化；

模块M2：收集待检测视频序列，将待检测视频序列生成训练所需的数据库样本，数据库样本由解码出的视频帧图片和生成的分块信息掩膜组成的双通道图片输入，并划分为训练集和测试集；

模块M3：用数据库样本对卷积神经网络进行训练，得到用于判别输入样本是否经过隐写的卷积神经网络；

模块M4：将待检测视频输入至卷积神经网络识别框架中，所述卷积神经网络识别框架会自动对待检测视频进行解码和视频帧的提取，生成图片信息以及分块信息的双通道输入样本；

模块M5：将所述双通道输入样本送入到模块M3中训练好的卷积神经网络中，输出是否经过隐写的结果。

优选的，所述模块M1包括：

残差计算部分中卷积层中的卷积核初始化用到的高通滤波器，包括以下几类：

一阶：K1＝[-1 1]

二阶：K2＝[1 -2 1]

三阶：K3＝[1 -3 3 -1]

SQUARE3x3：

EDGE3x3：

其中，具体的高通滤波器个数和参数根据实际应用来设置；

在模块M1中所构建的卷积神经网络模型特征提取包括多层卷积层、多层池化层以及多个隐写分析残差块，具体的层数和残差块个数依据实际情况选取，隐写分析残差块模型结构，定义如下：

y＝H(x,w_h)+x

其中x为残差块输入，y为残差块输出，H(x，w_h)为经过两层卷积层的输出。

优选的，所述模块M2中的数据库样本由解码出的视频帧图片和生成的分块信息组成的双通道图片输入：

数据库样本包括两部分，一部分是将视频通过HM解码器解码出的视频帧，另一部分是解码过程中记录下来的分块信息，生成的分块结构二值图片；

将上述两部分组合起来，得到双通道图片输入，生成的数据库图片按照8：2的比例分为训练集和测试集；

将训练集和测试集的数据库图片作为输入数据，载密与否作为标签，未载密标签为‘0’，载密标签为‘1’。

优选的，所述模块M3包括：

设定用于优化卷积神经网络参数的损失函数：

卷积神经网络需先设定用于二分类的损失函数，采用交叉熵损失优化，其损失函数定义为，

卷积神经网络根据不同的优化目标，设定不同的损失函数；

优化器采用的优化算法包括SGD、AdaGrad、AdaDelta或Adam；

训练过程中采用批量标准化操作，具体的批量大小和迭代次数根据实际应用和数据库大小来设定。

优选的，所述模块M5包括：

将待检测视频处理后得到的输入送入卷积神经网络中；

得到输出结果后，结果为‘0’代表视频未经过嵌密隐写，结果为‘1’代表视频经过隐写嵌入信息。

与现有技术相比，本发明具有如下的有益效果：

1、本发明是基于端到端的网络模型，相较于传统方法，无需进行复杂特征的设计，输入待检测视频经过模型后能够直接被贴上隐写与否的标签，从而判断待检测视频中是否存在隐秘信息；

2、根据所检测的视频隐写方法的特性，根据HEVC视频编码特点，设计出了分块信息结构作为关键性的辅助输入数据，从而使得卷积神经网络在检测的准确率上有了很大的提高；

3、本发明设计的方法没有严格限制网络的层数和具体结构，高通滤波器的选择、卷积层数量、残差块个数、激活函数、损失函数和优化算法都可以依据实际情况选取，更具有灵活性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明基于分块信息掩膜的HEVC视频隐写分析网络方法的整体框架图；

图2为卷积操作示意图；

图3为池化操作示意图；

图4为隐写分析残差块的结构示意图；

图5为提取到的分块结构信息掩膜示意图；

图6为提取到的分块结构信息掩膜示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出多种变化和改进。这些都属于本发明的保护范围。

本发明实施例提供了一种基于分块信息掩膜的HEVC视频隐写分析网络方法，如图1所示，包含网络模型结构、输入输出等方面，卷积神经网络由多个串联起来的卷积层以及多个隐写分析残差块组成，后一层的输入是前一层的输出；每个卷积层包含以下三个基本操作：卷积操作、非线性激活操作和池化操作。

卷积操作的过程如图2所示，对输入的数据采用一个预先定义大小的卷积核进行卷积，便能够得到对应的特征图，另外预定义的卷积核个数对应着得到的特征图个数。

非线性激活操作，是对于卷积得到的特征图，使用非线性激活函数对其做一个非线性的映射。可以使用但不限定使用sigmod、TanH、ReLU激活函数等。例如采用常用的激活函数为ReLU(整流线性单元，Rectified Linear Unit)，其函数定义如下：

f(x)＝max(0,x)

也就是保留所有大于0的数值，并将所有负值映射为0。

池化操作的过程如图3所示，常见的池化包括平均值池化、最大值池化等。平均值池化就是将池化窗口内所有值的平均数作为输出，最大值池化取出窗口中的最大值作为输出。

卷积操作、非线性激活操作和池化操作是构成一个卷积层的常用三部分，这样的卷积过程，用Fⁿ(X)来代表第n层的输出特征图，其中卷积核和偏差分别用Wⁿ和Bⁿ表示

Fⁿ(x)＝pooling(fⁿ(F^n-1(x)*Wⁿ+Bⁿ))

其中F⁰(X)＝X是输入数据，fⁿ()是非线性激活函数操作，施加在卷积操作的输出后，pooling()表示池化操作，F^n-1(X)来代表第n层的输出特征图。

经过巧妙的设计，将多个卷积层组合，就可以得到所需的卷积神经网络。如图1所示，就是本发明中提出的用于HEVC视频隐写分析的卷积神经网络结构。包括残差计算部分、特征提取部分和分类部分。残差计算部分是经过特殊设计的卷积核初始化方式，采用有效的高通滤波器，可使用但不限于以下几类：

一阶：K1＝[-1 1]

二阶：K2＝[1 -2 1]

三阶：K3＝[1 -3 3 -1]

SQUARE3x3：

EDGE3x3：

其中，具体的高通滤波器个数和参数可以根据实际应用来设置。

所构建的卷积神经网络模型特征提取包括多层卷积层、多层池化层以及多个隐写分析残差块组成，隐写分析残差块的结构如图4所示。残差块有助于去除图像信息中无关的图像内容对隐写分析效果带来的干扰。具体的层数和残差块个数依据实际情况选取，隐写分析残差块模型结构如图5和图6所示，定义如下：

y＝H(x,w_h)+x

其中x为残差块输入，y为残差块输出，H(x，w_h)为经过两层卷积层的输出。

收集待检测视频序列，将待检测视频序列生成训练所需的数据库样本，数据库样本由解码出的视频帧图片和生成的分块信息掩膜组成的双通道图片输入，并划分为训练集和测试集。

具体地，数据库样本包括两部分，一部分是将视频通过HM解码器解码出的视频帧，另一部分是解码过程中记录下来的分块信息，生成的分块结构二值图片，将两部分组合起来，得到双通道图片输入，生成的数据库图片按照8：2的比例分为训练集和测试集。输入部分中有经过特殊设计的图像分块结构信息，该输入信息可以大大的提高网络的检测准确率。将训练集和测试集的数据库图片作为输入数据，载密与否作为标签，未载密标签为‘0’，载密标签为‘1’。

用数据库样本对卷积神经网络进行训练，得到用于判别输入样本是否经过隐写的卷积神经网络。

设定用于优化卷积神经网络参数的损失函数，卷积神经网络需先设定用于二分类的损失函数，例如可采用交叉熵损失(Cross Entropy loss，CELoss)优化，其损失函数定义为，

不限定网络采用的具体损失函数，网络可根据不同的优化目标，设定不同的损失函数。

优化器可采用但不限定采用SGD、AdaGrad、AdaDelta、Adam等优化算法。假设网络采用AdaDelta算法，初始学习率设为0.1，则算法更新参数过程如下为：

步骤S3-3：训练过程中可以采用批量标准化操作，假设批量大小设为32，则训练迭代次数可以设为100次。具体的批量大小和迭代次数可根据实际应用和数据库大小来设定。

将待检测视频输入至卷积神经网络识别框架中，卷积神经网络识别框架会自动对待检测视频进行解码和视频帧的提取，生成图片信息以及分块信息的双通道输入样本，将所述双通道输入样本送入到训练好的卷积神经网络中，输出是否经过隐写的结果：将待检测视频处理后得到的输入送入卷积神经网络中，得到输出结果后，结果为‘0’代表视频未经过嵌密隐写，结果为‘1’代表视频经过隐写嵌入信息。

本发明实施例提供了一种基于分块信息掩膜的HEVC视频隐写分析网络方法，选择了目前HEVC视频领域Yang等人提出的最新的视频隐写算法(YANG Y,LI Z,XIE W,etal.High capacity and multilevel information hiding algorithm based on pupartition modes for HEVC videos[J].Multimedia Tools and Applications,2019,78(7):8423-8446)来生成数据集，作为本文提出的卷积神经网络的检测目标,实验结果表明对Yang等人算法的检测准确率可以达到90.84％。

通过本实施例测试结果表明，本发明提出的基于分块信息掩膜的HEVC视频隐写分析网络方法，在具有网络设计简单，无需复杂手工特征的选择的基础上，填补了视频隐写分析领域用深度学习网络来做HEVC视频隐写分析的短缺，具有很强的商用价值。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于分块信息掩膜的HEVC视频隐写分析网络方法，其特征在于，所述方法包括：

步骤S1：搭建由多层卷积层和多个隐写分析残差块串联形成的卷积神经网络识别框架，包括残差计算部分、特征提取部分和分类部分；

其中，残差计算部分，采用高通滤波器对卷积层中的卷积核进行初始化；

步骤S2：收集待检测视频序列，将待检测视频序列生成训练所需的数据库样本，数据库样本由解码出的视频帧图片和生成的分块信息掩膜组成的双通道图片输入，并划分为训练集和测试集；

步骤S3：用数据库样本对卷积神经网络进行训练，得到用于判别输入样本是否经过隐写的卷积神经网络；

步骤S4：将待检测视频输入至卷积神经网络识别框架中，所述卷积神经网络识别框架会自动对待检测视频进行解码和视频帧的提取，生成图片信息以及分块信息的双通道输入样本；

步骤S5：将所述双通道输入样本送入到步骤S3中训练好的卷积神经网络中，输出是否经过隐写的结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：

步骤S1-1：残差计算部分中卷积层中的卷积核初始化用到的高通滤波器，包括以下几类：

一阶：K1＝[-1 1]

二阶：K2＝[1 -2 1]

三阶：K3＝[1 -3 3 -1]

SQUARE3x3：

EDGE3x3：

其中，具体的高通滤波器个数和参数根据实际应用来设置；

步骤S1-2：在步骤S1中所构建的卷积神经网络模型特征提取包括多层卷积层、多层池化层以及多个隐写分析残差块，具体的层数和残差块个数依据实际情况选取，隐写分析残差块模型结构，定义如下：

y＝H(x,w_h)+x

其中x为残差块输入，y为残差块输出，H(x，w_h)为经过两层卷积层的输出。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2中的数据库样本由解码出的视频帧图片和生成的分块信息组成的双通道图片输入：

步骤S2-1：数据库样本包括两部分，一部分是将视频通过HM解码器解码出的视频帧，另一部分是解码过程中记录下来的分块信息；

步骤S2-2：将上述两部分组合起来，得到双通道图片输入，生成的数据库图片按照8：2的比例分为训练集和测试集；

步骤S2-3：将训练集和测试集的数据库图片作为输入数据，载密与否作为标签，未载密标签为‘0’，载密标签为‘1’。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：设定用于优化卷积神经网络参数的损失函数：

步骤S3-1：卷积神经网络需先设定用于二分类的损失函数，采用交叉熵损失优化，其损失函数定义为，

卷积神经网络根据不同的优化目标，设定不同的损失函数；

步骤S3-2：优化器采用的优化算法包括SGD、AdaGrad、AdaDelta或Adam；

步骤S3-3：训练过程中采用批量标准化操作，具体的批量大小和迭代次数根据实际应用和数据库大小来设定。

5.根据权利要求1所述的方法，其特征在于，所述步骤S5包括：

步骤S5-1：将待检测视频处理后得到的输入送入卷积神经网络中；

步骤S5-2：得到输出结果后，结果为‘0’代表视频未经过嵌密隐写，结果为‘1’代表视频经过隐写嵌入信息。

6.一种基于分块信息掩膜的HEVC视频隐写分析网络系统，其特征在于，所述系统包括：

模块M1：搭建由多层卷积层和多个隐写分析残差块串联形成的卷积神经网络识别框架，包括残差计算部分、特征提取部分和分类部分；

其中，残差计算部分，采用高通滤波器对其卷积层中的卷积核进行初始化；

模块M2：收集待检测视频序列，将待检测视频序列生成训练所需的数据库样本，数据库样本由解码出的视频帧图片和生成的分块信息掩膜组成的双通道图片输入，并划分为训练集和测试集；

模块M3：用数据库样本对卷积神经网络进行训练，得到用于判别输入样本是否经过隐写的卷积神经网络；

模块M4：将待检测视频输入至卷积神经网络识别框架中，所述卷积神经网络识别框架会自动对待检测视频进行解码和视频帧的提取，生成图片信息以及分块信息的双通道输入样本；

模块M5：将所述双通道输入样本送入到模块M3中训练好的卷积神经网络中，输出是否经过隐写的结果。

7.根据权利要求6所述的系统，其特征在于，所述模块M1包括：

残差计算部分中卷积层中的卷积核初始化用到的高通滤波器，包括以下几类：

一阶：K1＝[-1 1]

二阶：K2＝[1 -2 1]

三阶：K3＝[1 -3 3 -1]

SQUARE3x3：

EDGE3x3：

其中，具体的高通滤波器个数和参数根据实际应用来设置；

在模块M1中所构建的卷积神经网络模型特征提取包括多层卷积层、多层池化层以及多个隐写分析残差块，具体的层数和残差块个数依据实际情况选取，隐写分析残差块模型结构，定义如下：

y＝H(x,w_h)+x

其中x为残差块输入，y为残差块输出，H(x，w_h)为经过两层卷积层的输出。

8.根据权利要求6所述的系统，其特征在于，所述模块M2中的数据库样本由解码出的视频帧图片和生成的分块信息组成的双通道图片输入：

数据库样本包括两部分，一部分是将视频通过HM解码器解码出的视频帧，另一部分是解码过程中记录下来的分块信息；

将上述两部分组合起来，得到双通道图片输入，生成的数据库图片按照8：2的比例分为训练集和测试集；

将训练集和测试集的数据库图片作为输入数据，载密与否作为标签，未载密标签为‘0’，载密标签为‘1’。

9.根据权利要求6所述的系统，其特征在于，所述模块M3包括：

设定用于优化卷积神经网络参数的损失函数：

卷积神经网络需先设定用于二分类的损失函数，采用交叉熵损失优化，其损失函数定义为，

卷积神经网络根据不同的优化目标，设定不同的损失函数；

优化器采用的优化算法包括SGD、AdaGrad、AdaDelta或Adam；

训练过程中采用批量标准化操作，具体的批量大小和迭代次数根据实际应用和数据库大小来设定。

10.根据权利要求6所述的系统，其特征在于，所述模块M5包括：

将待检测视频处理后得到的输入送入卷积神经网络中；

得到输出结果后，结果为‘0’代表视频未经过嵌密隐写，结果为‘1’代表视频经过隐写嵌入信息。

Images