CN112911298A - 一种基于边界效应的hevc视频双压缩检测方法及系统 - Google Patents

Abstract

本发明提供了一种基于边界效应的HEVC视频双压缩检测方法及系统，涉及数字视频双压缩检测技术领域，该方法包括：步骤1：将待检测的HEVC视频进行解码，解码过程中以CTU为单位提取I帧中的DCT系数；步骤2：对于每个CTU，计算变换单元TU边界处的相邻两行/列之间的DCT系数的边界效应度量；步骤3：对于待检测HEVC视频的所有I帧中的CTU进行同样的相关性度量，求取CTU均值，构建HEVC视频的特征序列；步骤4：将HEVC视频的特征序输入已经训练完成的支持向量机中，获得分类结果。本发明能够对两次压缩所使用的量化参数不一致的双压缩HEVC视频有很好的检测性能，并对视频的画面内容有较好的鲁棒性。

Description

一种基于边界效应的HEVC视频双压缩检测方法及系统

技术领域

本发明涉及数字视频双压缩检测技术领域，具体地，涉及一种基于边界效应的HEVC视频双压缩检测方法及系统。

背景技术

现代社会，得益于计算机技术和通信技术的发展，数字视频在人们的生活中扮演了重要的角色。然而，越来越多的图片与视频编辑软件也应运而生。Adobe Photoshop、Adobe Premier和会声会影等用户友好的软件使得一些对于图片、视频编解码原理没有了解的用户也可以轻易地进行编辑。一些不法分子可能会因为博人眼球，通过修改视频来夸大、捏造事实，造成不良的社会影响。通常，为了节约存储和传输的成本，数字视频都是原始YUV帧序列经过一次压缩、去除了冗余信息之后得到的。不法分子不论是想帧内还是帧间篡改一个视频，都需要将视频解压缩得到原始的YUV序列，在帧级别进行改变，然后再重新压缩得到新的视频。检验一个数字视频是否经历了双次压缩是视频取证，尤其是被动取证的一个重要议题。

现有的数字视频双压缩检测方法根据两次压缩所采用的GOP大小结构是否相同，通常可以分为两类：GOP对齐和GOP不对齐。针对GOP不对齐的情况，目前的检测方法一般判断一段待检测的视频中，IP帧(在单压缩的视频中是I帧，在经历了重压缩之后变成了P帧)是否存在。如果一个视频片段检测出了IP帧，那么该片段就可以视为经历了双次压缩。在与本发明相关的GOP对齐的双压缩检测方法方面，检测方法有多种，有依据压缩过程导致的视频质量下降机制进行检测、依据视频固有参数如DCT系数、分块模式的变化进行检测，等方法。

公开号为CN106331730A的中国发明专利，公开了一种H.264视频同量化因子双重压缩检测方法。该方法得到视频的I帧中所有宏块的帧内预测宏块模式，再使用相同的量化因子进行K次重复的解码和编码，并计算相邻压缩版本视频间平均每个I帧内帧内宏块模式变化的宏块数量Cn，将K次得到的Cn除以对应视频单帧内宏块的总数量，并将结果组合成K维特征向量，训练分类器，用于检测视频是否经过同量化因子的双重压缩。

公开号为CN104837028A的中国发明专利，公开了一种视频同比特率双重压缩检测方法。该方法首先对视频进行预处理，提取视频各帧的首位数字概率分布函数，并与Benford近似对数定律拟合后得到12维特征，训练分类器，用于检测视频同比特率双重压缩。

上述的专利均是针对GOP一致时且其他编码参数如QP或比特率均一致的双压缩检测情形，目前，针对不同QP下的HEVC视频双压缩检测的相关专利依旧是空白。

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边界效应的HEVC视频双压缩检测方法及系统，考虑到频域下的DCT系数在不同的TU边界处的边界效应，并且创新性地使用了共生矩阵的方式来衡量这种边界效应。通过计算水平和竖直两个方向的共生矩阵，提取得到特征向量，在不同QP情形下的HEVC视频双压缩检测场景下有较好的性能。

根据本发明提供的一种基于边界效应的HEVC视频双压缩检测方法及系统，所述方案如下：

第一方面，提供了一种基于边界效应的HEVC视频双压缩检测方法及系统，所述方法包括：

步骤1：将待检测的HEVC视频进行解码，解码过程中以CTU为单位提取I帧中的DCT系数；

步骤2：对于每个CTU，计算变换单元TU边界处的相邻两行/列之间的DCT系数的边界效应度量；

步骤3：对于待检测HEVC视频的所有I帧中的CTU进行同样的相关性度量，求取CTU均值，构建HEVC视频的特征序列；

步骤4：将HEVC视频的特征序输入已经训练完成的支持向量机中，获得分类结果。

优选的，所述步骤1包括：

步骤1-1：将输入的HEVC视频进行解码为帧序列，提取出这些帧中的I帧的DCT系数；

步骤1-2：将步骤1-1中提取的I帧中的DCT系数按照大小为64×64的CTU为单位进行提取。

优选的，所述步骤2包括：

步骤2-1：对于步骤1-2中提取的大小为64×64的CTU，计算第4k列与第4k+1列DCT系数之间的统计特征，作为一个CTU对应的DCT系数水平方向边界特征，其中，k＝1，2，3，…，15；具体地：

步骤2-1-1：对于上述相邻的第4k列与第4k+1列DCT系数，取其绝对值，计算其水平方向、间隔为1的共生矩阵，DCT系数的范围取0、1、2、3、4这五个整数值，得到一个25维的特征向量，其中的每个元素如式(1)所示：

步骤2-2：对于步骤1-2中提取的大小为64×64的CTU，计算第4k行与第4k+1行DCT系数之间的统计特征，作为一个CTU对应的DCT系数竖直方向边界特征，其中，k＝1，2，3，…，15；具体地：

步骤2-2-1：对于上述相邻的第4k列与第4k+1列DCT系数，取其绝对值，计算其竖直方向、间隔为1的共生矩阵，DCT系数的范围取0、1、2、3、4这五个整数值，得到一个25维特征向量，其中的每个元素如式(2)所示：

优选的，所述步骤3包括：

步骤3-1：对于步骤1-2中提取的T个大小为64×64的CTU，重复步骤2中的计算过程，分别得到待检测HEVC视频对应的水平方向和竖直方向的25维特征向量，具体地：

步骤3-1-1：对于这T个CTU，重复步骤2-1中的计算过程，得到T个25维的水平方向的25维特征向量，对25维特征向量求平均值，得到待检测HEVC视频对应的25维水平方向特征向量，如式(3)所示：

步骤3-1-2：对于这T个CTU，重复步骤2-2中的计算过程，得到T个25维的竖直方向的25维特征向量，对25维特征向量求平均值，得到待检测HEVC视频对应的25维竖直方向特征向量，如式(4)所示：

步骤3-2：将步骤3-1中得到的两个方向的25维特征向量进行拼接，得到一个50维的HEVC视频的总特征向量。

优选的，所述步骤4包括：

步骤4-1：选取原始YUV序列，使用量化参数QP1进行一次压缩后得到单压缩的HEVC视频作为数据集中的正样本；

将单压缩视频解码，使用量化参数QP2(QP2≠QP1)重新压缩，得到对应的双压缩HEVC视频作为数据集中的负样本；

步骤4-2：构造支持向量机作为分类器，该分类器的核函数采用径向基RBF函数，该分类器的超参数C和gamma使用网格搜索的方式得到最优值，并采用五折交叉验证的方式进行验证；

步骤4-3：使用步骤3中的计算方式，计算步骤4-1中的数据集中的HEVC视频对应的50维特征向量，将这些50维特征向量输入步骤4-2所述的支持向量机进行训练，得到训练好的分类器；

步骤4-4：使用步骤3中的计算方式，计算待检测HEVC视频的特征向量，输入步骤4-3中训练好的支持向量机分类器，得到分类判定结果。

第二方面，提供了一种基于边界效应的HEVC视频双压缩检测系统，所述系统包括：

模块M1：将待检测的HEVC视频进行解码，解码过程中以CTU为单位提取I帧中的DCT系数；

模块M2：对于每个CTU，计算变换单元TU边界处的相邻两行/列之间的DCT系数的边界效应度量；

模块M3：对于待检测HEVC视频的所有I帧中的CTU进行同样的相关性度量，求取CTU均值，构建HEVC视频的特征序列；

模块M4：将HEVC视频的特征序输入已经训练完成的支持向量机中，获得分类结果。

优选的，所述模块M1包括：

模块M1-1：将输入的HEVC视频进行解码为帧序列，提取出这些帧中的I帧的DCT系数；

模块M1-2：将模块M1-1中提取的I帧中的DCT系数按照大小为64×64的CTU为单位进行提取。

优选的，所述模块M2包括：

模块M2-1：对于模块M1-2中提取的大小为64×64的CTU，计算第4k列与第4k+1列DCT系数之间的统计特征，作为一个CTU对应的DCT系数水平方向边界特征，其中，k＝1，2，3，…，15；具体地：

模块M2-1-1：对于上述相邻的第4k列与第4k+1列DCT系数，取其绝对值，计算其水平方向、间隔为1的共生矩阵，DCT系数的范围取0、1、2、3、4这五个整数值，得到一个25维的特征向量，其中的每个元素如式(1)所示：

模块M2-2：对于模块M1-2中提取的大小为64×64的CTU，计算第4k行与第4k+1行DCT系数之间的统计特征，作为一个CTU对应的DCT系数竖直方向边界特征，其中，k＝1，2，3，…，15；具体地：

模块M2-2-1：对于上述相邻的第4k列与第4k+1列DCT系数，取其绝对值，计算其竖直方向、间隔为1的共生矩阵，DCT系数的范围取0、1、2、3、4这五个整数值，得到一个25维特征向量，其中的每个元素如式(2)所示：

优选的，所述模块M3包括：

模块M3-1：对于模块M1-2中提取的T个大小为64×64的CTU，重复模块M2中的计算过程，分别得到待检测HEVC视频对应的水平方向和竖直方向的25维特征向量，具体地：

模块M3-1-1：对于这T个CTU，重复模块M2-1中的计算过程，得到T个25维的水平方向的25维特征向量，对25维特征向量求平均值，得到待检测HEVC视频对应的25维水平方向特征向量，如式(3)所示：

模块M3-1-2：对于这T个CTU，重复模块M2-2中的计算过程，得到T个25维的竖直方向的25维特征向量，对25维特征向量求平均值，得到待检测HEVC视频对应的25维竖直方向特征向量，如式(4)所示：

模块M3-2：将模块M3-1中得到的两个方向的25维特征向量进行拼接，得到一个50维的HEVC视频的总特征向量。

优选的，所述模块M4包括：

模块M4-1：选取原始YUV序列，使用量化参数QP1进行一次压缩后得到单压缩的HEVC视频作为数据集中的正样本；

将单压缩视频解码，使用量化参数QP2(QP2≠QP1)重新压缩，得到对应的双压缩HEVC视频作为数据集中的负样本；

模块M4-2：构造支持向量机作为分类器，该分类器的核函数采用径向基RBF函数，该分类器的超参数C和gamma使用网格搜索的方式得到最优值，并采用五折交叉验证的方式进行验证；

模块M4-3：使用模块M3中的计算方式，计算模块M4-1中的数据集中的HEVC视频对应的50维特征向量，将这些50维特征向量输入模块M4-2所述的支持向量机进行训练，得到训练好的分类器；

模块M4-4：使用模块M3中的计算方式，计算待检测HEVC视频的特征向量，输入模块M4-3中训练好的支持向量机分类器，得到分类判定结果。

与现有技术相比，本发明具有如下的有益效果：

1、本发明综合考虑频域下的DCT系数在不同的TU边界处的边界效应，创新性地使用了共生矩阵的方式来衡量这种边界效应，具有很好的效果；

2、通过计算水平和竖直两个方向的共生矩阵，提取得到特征向量，在不同QP情形下的HEVC视频双压缩检测场景下有较好的性能。

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为本发明整体流程图；

图2为一个CTU中计算水平方向共生矩阵的相关列示意图；

图3为一个CTU中计算竖直方向共生矩阵的相关行示意图；

图4为支持向量机的参数设置及说明示意图。

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，还可以做出若干变化和改进。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边界效应的HEVC视频双压缩检测方法，参照图1所示，首先，将待检测的HEVC视频进行解码，解码过程中以CTU为单位提取I帧中的DCT系数。具体如下：将输入的HEVC视频进行解码为帧序列，解码过程中以CTU为单位提取I帧中的DCT系数，再将提取的I帧中的DCT系数按照大小为64×64的CTU为单位进行提取。

参照图2所示，对于每个CTU，计算变换单元TU边界处的相邻两行/列之间的DCT系数的边界效应度量。对于提取出的大小为64×64的CTU，计算第4k列与第4k+1列DCT系数之间的统计特征，作为一个CTU对应的DCT系数水平方向边界特征，其中，k＝1，2，3，…，15；具体地：

对于相邻的第4k列与第4k+1列DCT系数，取其绝对值，计算其水平方向、间隔为1的共生矩阵，DCT系数的范围取0、1、2、3、4这五个整数值，可以得到一个25维的特征向量，其中的每个元素如式(1)所示：

进一步地，参照图3所示，对于已提取的大小为64×64的CTU，计算第4k行与第4k+1行DCT系数之间的统计特征，作为一个CTU对应的DCT系数竖直方向边界特征，其中，k＝1，2，3，…，15；具体地：

对于上述相邻的第4k列与第4k+1列DCT系数，取其绝对值，计算其竖直方向、间隔为1的共生矩阵，DCT系数的范围取0、1、2、3、4这五个整数值，可以得到一个25维特征向量，其中的每个元素如式(2)所示：

参照图2和图3所示，对于待检测HEVC视频的所有I帧中的CTU进行同样的相关性度量，求取CTU均值，构建HEVC视频的特征序列。对于已提取的T个大小为64×64的CTU，重复上述的计算过程，分别得到待检测HEVC视频对应的水平方向和竖直方向的25维特征向量，具体地：

对于这T个CTU，重复上述计算过程，得到T个25维的水平方向的25维特征向量，对25维特征向量求平均值，可以得到待检测HEVC视频对应的25维水平方向特征向量，如式(3)所示：

对于这T个CTU，重复上述计算过程，得到T个25维的竖直方向的25维特征向量，对25维特征向量求平均值，可以得到待检测HEVC视频对应的25维竖直方向特征向量，如式(4)所示：

将计算得到的两个方向的25维特征向量进行拼接，得到一个50维的HEVC视频的总特征向量。

将HEVC视频的特征序输入已经训练完成的支持向量机中，获得分类结果。选取原始YUV序列，使用量化参数QP1进行一次压缩后得到单压缩的HEVC视频作为数据集中的正样本。将单压缩HEVC视频解码，使用量化参数QP2(QP2≠QP1)重新压缩，得到对应的双压缩HEVC视频作为数据集中的负样本。

随后，构造支持向量机作为分类器，其参数及说明如图4所示，该分类器的核函数采用径向基RBF函数，该分类器的超参数C和gamma使用网格搜索的方式得到最优值，并采用五折交叉验证的方式进行验证。

使用前述的计算方式，计算数据集中的HEVC视频对应的50维特征向量，将这些50维特征向量输入上述的支持向量机进行训练，得到训练好的分类器。使用前述的计算方式，计算待检测HEVC视频的特征向量，输入上述中训练好的支持向量机分类器，得到分类判定结果。

本发明实施例提供了一种基于边界效应的HEVC视频双压缩检测方法，综合考虑了频域下的DCT系数在不同的TU边界处的边界效应，创新性地使用了共生矩阵的方式来衡量这种边界效应，具有很好的效果，并通过计算水平和竖直两个方向的共生矩阵，提取得到特征向量，在不同QP情形下的HEVC视频双压缩检测场景下有较好的性能。

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)

1.一种基于边界效应的HEVC视频双压缩检测方法，其特征在于，所述方法包括：

步骤1：将待检测的HEVC视频进行解码，解码过程中以CTU为单位提取I帧中的DCT系数；

步骤2：对于每个CTU，计算变换单元TU边界处的相邻两行/列之间的DCT系数的边界效应度量；

步骤3：对于待检测HEVC视频的所有I帧中的CTU进行同样的相关性度量，求取CTU均值，构建HEVC视频的特征序列；

步骤4：将HEVC视频的特征序输入已经训练完成的支持向量机中，获得分类结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：

步骤1-1：将输入的HEVC视频进行解码为帧序列，提取出这些帧中的I帧的DCT系数；

步骤1-2：将步骤1-1中提取的I帧中的DCT系数按照大小为64×64的CTU为单位进行提取。

3.根据权利要求2所述的方法，其特征在于，所述步骤2包括：

步骤2-1：对于步骤1-2中提取的大小为64×64的CTU，计算第4k列与第4k+1列DCT系数之间的统计特征，作为一个CTU对应的DCT系数水平方向边界特征，其中，k＝1，2，3，…，15；具体地：

步骤2-1-1：对于上述相邻的第4k列与第4k+1列DCT系数，取其绝对值，计算其水平方向、间隔为1的共生矩阵，DCT系数的范围取0、1、2、3、4这五个整数值，得到一个25维的特征向量，其中的每个元素如式(1)所示：

步骤2-2：对于步骤1-2中提取的大小为64×64的CTU，计算第4k行与第4k+1行DCT系数之间的统计特征，作为一个CTU对应的DCT系数竖直方向边界特征，其中，k＝1，2，3，…，15；具体地：

步骤2-2-1：对于上述相邻的第4k列与第4k+1列DCT系数，取其绝对值，计算其竖直方向、间隔为1的共生矩阵，DCT系数的范围取0、1、2、3、4这五个整数值，得到一个25维特征向量，其中的每个元素如式(2)所示：

4.根据权利要求3所述的方法，其特征在于，所述步骤3包括：

步骤3-1：对于步骤1-2中提取的T个大小为64×64的CTU，重复步骤2中的计算过程，分别得到待检测HEVC视频对应的水平方向和竖直方向的25维特征向量，具体地：

步骤3-1-1：对于这T个CTU，重复步骤2-1中的计算过程，得到T个25维的水平方向的25维特征向量，对25维特征向量求平均值，可以得到待检测HEVC视频对应的25维水平方向特征向量，如式(3)所示：

步骤3-1-2：对于这T个CTU，重复步骤2-2中的计算过程，得到T个25维的竖直方向的25维特征向量，对25维特征向量求平均值，可以得到待检测HEVC视频对应的25维竖直方向特征向量，如式(4)所示：

步骤3-2：将步骤3-1中得到的两个方向的25维特征向量进行拼接，得到一个50维的HEVC视频的总特征向量。

5.根据权利要求4所述的方法，其特征在于，所述步骤4包括：

步骤4-1：选取原始YUV序列，使用量化参数QP1进行一次压缩后得到单压缩的HEVC视频作为数据集中的正样本；

将单压缩HEVC视频解码，使用量化参数QP2(QP2≠QP1)重新压缩，得到对应的双压缩HEVC视频作为数据集中的负样本；

步骤4-2：构造支持向量机作为分类器，该分类器的核函数采用径向基RBF函数，该分类器的超参数C和gamma使用网格搜索的方式得到最优值，并采用五折交叉验证的方式进行验证；

步骤4-3：使用步骤3中的计算方式，计算步骤4-1中的数据集中的HEVC视频对应的50维特征向量，将这些50维特征向量输入步骤4-2所述的支持向量机进行训练，得到训练好的分类器；

步骤4-4：使用步骤3中的计算方式，计算待检测HEVC视频的特征向量，输入步骤4-3中训练好的支持向量机分类器，得到分类判定结果。

6.一种基于边界效应的HEVC视频双压缩检测系统，其特征在于，所述系统包括：

模块M1：将待检测的HEVC视频进行解码，解码过程中以CTU为单位提取I帧中的DCT系数；

模块M2：对于每个CTU，计算变换单元TU边界处的相邻两行/列之间的DCT系数的边界效应度量；

模块M3：对于待检测HEVC视频的所有I帧中的CTU进行同样的相关性度量，求取CTU均值，构建HEVC视频的特征序列；

模块M4：将HEVC视频的特征序输入已经训练完成的支持向量机中，获得分类结果。

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：

模块M1-1：将输入的HEVC视频进行解码为帧序列，提取出这些帧中的I帧的DCT系数；

模块M1-2：将模块M1-1中提取的I帧中的DCT系数按照大小为64×64的CTU为单位进行提取。

8.根据权利要求6所述的系统，其特征在于，所述模块M2包括：

模块M2-1：对于模块M1-2中提取的大小为64×64的CTU，计算第4k列与第4k+1列DCT系数之间的统计特征，作为一个CTU对应的DCT系数水平方向边界特征，其中，k＝1，2，3，…，15；具体地：

模块M2-1-1：对于上述相邻的第4k列与第4k+1列DCT系数，取其绝对值，计算其水平方向、间隔为1的共生矩阵，DCT系数的范围取0、1、2、3、4这五个整数值，得到一个25维的特征向量，其中的每个元素如式(1)所示：

模块M2-2：对于模块M1-2中提取的大小为64×64的CTU，计算第4k行与第4k+1行DCT系数之间的统计特征，作为一个CTU对应的DCT系数竖直方向边界特征，其中，k＝1，2，3，…，15；具体地：

模块M2-2-1：对于上述相邻的第4k列与第4k+1列DCT系数，取其绝对值，计算其竖直方向、间隔为1的共生矩阵，DCT系数的范围取0、1、2、3、4这五个整数值，得到一个25维特征向量，其中的每个元素如式(2)所示：

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：

模块M3-1：对于模块M1-2中提取的T个大小为64×64的CTU，重复模块M2中的计算过程，分别得到待检测HEVC视频对应的水平方向和竖直方向的25维特征向量，具体地：

模块M3-1-1：对于这T个CTU，重复模块M2-1中的计算过程，得到T个25维的水平方向的25维特征向量，对25维特征向量求平均值，得到待检测HEVC视频对应的25维水平方向特征向量，如式(3)所示：

模块M3-1-2：对于这T个CTU，重复模块M2-2中的计算过程，得到T个25维的竖直方向的25维特征向量，对25维特征向量求平均值，得到待检测HEVC视频对应的25维竖直方向特征向量，如式(4)所示：

模块M3-2：将模块M3-1中得到的两个方向的25维特征向量进行拼接，得到一个50维的HEVC视频的总特征向量。

10.根据权利要求6所述的系统，其特征在于，所述模块M4包括：

模块M4-1：选取原始YUV序列，使用量化参数QP1进行一次压缩后得到单压缩的HEVC视频作为数据集中的正样本；

将单压缩HEVC视频解码，使用量化参数QP2(QP2≠QP1)重新压缩，得到对应的双压缩HEVC视频作为数据集中的负样本；

模块M4-2：构造支持向量机作为分类器，该分类器的核函数采用径向基RBF函数，该分类器的超参数C和gamma使用网格搜索的方式得到最优值，并采用五折交叉验证的方式进行验证；

模块M4-3：使用模块M3中的计算方式，计算模块M4-1中的数据集中的HEVC视频对应的50维特征向量，将这些50维特征向量输入模块M4-2所述的支持向量机进行训练，得到训练好的分类器；

模块M4-4：使用模块M3中的计算方式，计算待检测HEVC视频的特征向量，输入模块M4-3中训练好的支持向量机分类器，得到分类判定结果。

Images