CN113395583B - 水印检测方法、装置、计算机设备及存储介质 - Google Patents
水印检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113395583B CN113395583B CN202011051424.2A CN202011051424A CN113395583B CN 113395583 B CN113395583 B CN 113395583B CN 202011051424 A CN202011051424 A CN 202011051424A CN 113395583 B CN113395583 B CN 113395583B
- Authority
- CN
- China
- Prior art keywords
- video
- video frame
- target
- frame
- original
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
- H04N21/44004—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving video buffer management, e.g. video decoder buffer or video display buffer
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
- H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
- H04N21/44029—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display for generating different versions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
- H04N21/835—Generation of protective data, e.g. certificates
- H04N21/8358—Generation of protective data, e.g. certificates involving watermark
Abstract
本申请实施例公开了一种水印检测方法、装置、计算机设备及存储介质,属于计算机技术领域。该方法包括:确定目标视频及目标视频对应的原始视频,目标视频是对原始视频进行处理后得到的视频;对目标视频和原始视频进行对比处理,得到从目标视频变换到原始视频的目标变换参数;根据目标变换参数,对目标视频进行变换处理,得到目标视频对应的还原视频;对还原视频进行水印检测,得到还原视频中的水印信息。由于目标视频是对原始视频进行处理后的视频,因此将目标视频作为参考,根据从该目标视频变换到原始视频的变换参数,对目标视频进行还原,能够同步还原水印信息,从而对还原后的视频进行水印检测,提高了水印检测的准确率。
Description
技术领域
本申请实施例涉及计算机技术领域,特别涉及一种水印检测方法、装置、计算机设备及存储介质。
背景技术
数字水印技术是指将水印信息嵌入到数据中的技术,是实现防伪溯源以及版权保护的有效办法。例如,在发布视频前,在视频中嵌入发布者的水印信息,以表明发布者的身份,从而能够防止该视频被盗用。
相关技术中,通常是在视频的频域嵌入水印信息,但是若后续对该视频进行裁剪或者旋转等处理,该视频对应的频域也会相应地发生变化,可能会导致水印信息丢失,因此水印检测的准确率较低。
发明内容
本申请实施例提供了一种水印检测方法、装置、计算机设备及存储介质,可以提高水印检测的准确率。所述技术方案如下:
一方面,提供了一种水印检测方法,所述方法包括:
确定目标视频及所述目标视频对应的原始视频,所述目标视频是对所述原始视频进行处理后得到的视频;
对所述目标视频和所述原始视频进行对比处理,得到从所述目标视频变换到所述原始视频的目标变换参数;
根据所述目标变换参数,对所述目标视频进行变换处理,得到所述目标视频对应的还原视频;
对所述还原视频进行水印检测,得到所述还原视频中的水印信息。
可选地,所述对所述目标视频进行特征提取,得到目标视频特征,包括:
对所述目标视频中的多个第一视频帧进行特征提取,得到第一帧特征;
将获取的多个第一帧特征进行合并处理,得到所述目标视频特征。
可选地,所述对所述目标视频中的多个第一视频帧进行特征提取,得到第一帧特征,包括:
在所述多个第一视频帧中,选取具有关键帧标记的第一视频帧;
对所述具有关键帧标记的第一视频帧进行特征提取,得到第一帧特征。
可选地,所述方法还包括:
对多个模板视频的模板视频特征进行分类处理,得到多个模板特征集合;
创建每个模板特征集合的类别标签。
可选地,所述将与所述目标视频帧的相似度最高的第二视频帧,确定为所述目标视频帧匹配的原始视频帧,包括:
将与所述目标视频帧的相似度最高、且所述相似度大于第一阈值的第二视频帧,确定为所述目标视频帧匹配的原始视频帧。
可选地,所述根据所述目标视频帧的第一帧特征和多个第二帧特征,确定所述目标视频帧与多个第二视频帧之间的相似度,包括:
每隔第二播放时长,从所述第二视频帧中选取一个参考视频帧;
根据目标视频帧的第一帧特征和多个第二帧特征,确定所述目标视频帧与每个参考视频帧之间的相似度。
可选地,所述根据相互匹配的目标视频帧和原始视频帧,确定至少三组关键点对,包括:
获取所述目标视频帧中的多个第一关键点对应的第一关键点特征,以及所述原始视频帧中的多个第二关键点对应的第二关键点特征;
分别确定任一第一关键点特征与任一第二关键点特征之间的相似度;
按照所述相似度由高到低的顺序,依次选取所述至少三组关键点对。
另一方面,提供了一种水印检测装置,所述装置包括:
视频确定模块,用于确定目标视频及所述目标视频对应的原始视频,所述目标视频是对所述原始视频进行处理后得到的视频;
对比处理模块,用于对所述目标视频和所述原始视频进行对比处理,得到从所述目标视频变换到所述原始视频的目标变换参数;
变换处理模块,用于根据所述目标变换参数,对所述目标视频进行变换处理,得到所述目标视频对应的还原视频;
水印检测模块,用于对所述还原视频进行水印检测,得到所述还原视频中的水印信息。
可选地,所述视频确定模块,包括:
特征提取单元,用于对所述目标视频进行特征提取,得到目标视频特征;
特征查询单元,用于查询所述目标视频特征匹配的原始视频特征;
视频确定单元,用于确定所述原始视频特征所属的所述原始视频。
可选地,所述特征提取单元,用于:
对所述目标视频中的多个第一视频帧进行特征提取,得到第一帧特征;
将获取的多个第一帧特征进行合并处理,得到所述目标视频特征。
可选地,所述特征提取单元,用于:
在所述多个第一视频帧中,选取具有关键帧标记的第一视频帧;
对所述具有关键帧标记的第一视频帧进行特征提取,得到第一帧特征。
可选地,所述特征查询单元,用于:
查询所述目标视频特征所属的类别标签;
确定所述类别标签对应的模板特征集合,所述模板特征集合包括至少一个模板视频特征;
在所述至少一个模板视频特征中,确定所述目标视频特征匹配的所述原始视频特征。
可选地,所述装置还包括:
分类处理模块,用于对多个模板视频的模板视频特征进行分类处理,得到多个模板特征集合;
标签创建模块,用于创建每个模板特征集合的类别标签。
可选地,所述对比处理模块,包括:
视频帧确定单元,用于确定所述目标视频中的目标视频帧和所述原始视频中的原始视频帧,所述目标视频帧与所述原始视频帧匹配;
对比处理单元,用于对所述目标视频帧和所述原始视频帧进行对比处理,得到从所述目标视频变换到所述原始视频的目标变换参数。
可选地,所述视频帧确定单元,用于:
获取所述目标视频中每个第一视频帧的第一帧特征,以及所述原始视频中每个第二视频帧的第二帧特征;
在所述第一视频帧中选取所述目标视频帧,在所述第二视频帧中选取所述原始视频帧,所述目标视频帧的第一帧特征与所述原始视频帧的第二帧特征匹配。
可选地,所述视频帧确定单元,用于:
将任一第一视频帧确定为所述目标视频帧;
根据所述目标视频帧的第一帧特征和多个第二帧特征,确定所述目标视频帧与多个第二视频帧之间的相似度;
将与所述目标视频帧的相似度最高的第二视频帧,确定为所述目标视频帧匹配的原始视频帧。
可选地,所述视频帧确定单元,用于:
将与所述目标视频帧的相似度最高、且所述相似度大于第一阈值的第二视频帧,确定为所述目标视频帧匹配的原始视频帧。
可选地,所述视频帧确定单元,用于:
在所述多个第二视频帧中,确定与所述目标视频帧的相似度最高的第三视频帧;
在所述原始视频中的第二视频帧中,确定与所述第三视频帧之间的播放间隔小于第一播放时长的多个第四视频帧;
根据所述目标视频帧的第一帧特征和所述多个第四视频帧的第二帧特征,确定所述目标视频帧与每个第四视频帧之间的相似度;
在所述第三视频帧和所述多个第四视频帧中,将与所述目标视频帧的相似度最高的视频帧,确定为所述目标视频帧匹配的原始视频帧。
可选地,所述视频帧确定单元,用于:
每隔第二播放时长,从所述第二视频帧中选取一个参考视频帧;
根据所述目标视频帧的第一帧特征和多个第二帧特征,确定所述目标视频帧与每个参考视频帧之间的相似度。
可选地,所述对比处理单元,用于:
根据相互匹配的目标视频帧和原始视频帧,确定至少三组关键点对,每组关键点对包括所述目标视频帧中的一个目标关键点和所述原始视频帧中与所述目标关键点匹配的原始关键点;
根据所述至少三组关键点对中每个关键点的坐标,确定从所述目标视频帧变换到所述原始视频帧的第一变换参数;
根据确定的第一变换参数,确定从所述目标视频变换到所述原始视频的目标变换参数。
可选地,所述对比处理单元,用于:
获取所述目标视频帧中的多个第一关键点对应的第一关键点特征,以及所述原始视频帧中的多个第二关键点对应的第二关键点特征;
分别确定任一第一关键点特征与任一第二关键点特征之间的相似度;
按照所述相似度由高到低的顺序,依次选取所述至少三组关键点对。
可选地,所述对比处理单元,用于:
根据所述至少三组关键点对中每个关键点的坐标,确定所述目标视频帧变换到所述原始视频帧的多个第二变换参数;
根据所述多个第二变换参数,确定均值变换参数;
在所述多个第二变换参数中,选取与所述均值变换参数之间的相似度大于第二阈值的多个第二变换参数;
继续确定选取的多个第二变换参数对应的均值变换参数,直至所述选取的多个第二变换参数与对应的均值变换参数之间的相似度均大于所述第二阈值,则将当前确定的均值变换参数确定为所述第一变换参数。
可选地,所述还原视频包括多个还原视频帧,所述变换处理模块,包括:
视频帧变换单元,用于根据所述目标变换参数,对所述目标视频中的每个第一视频帧进行变换处理,得到所述每个第一视频帧对应的还原视频帧;
所述水印检测模块,包括:
视频帧检测单元,用于对任一还原视频帧进行水印检测,得到所述还原视频帧中的水印信息。
可选地,所述视频帧变换单元,用于:
根据所述第一视频帧和所述原始视频中与所述第一视频帧匹配的第二视频帧,确定所述第二视频帧中被裁剪掉的视频帧区域;
基于所述第一视频帧,将所述被裁剪掉的视频帧区域进行填充;
根据所述目标变换参数,对所述填充后的第一视频帧进行变换处理,得到所述还原视频帧。
可选地,所述视频帧检测单元,用于:
获取所述还原视频帧的多个频域系数,每个频域系数对应一个频段;
在所述多个频域系数中,确定水印信息所在的频段对应的目标频域系数;
对所述目标频域系数进行转换处理,得到所述水印信息。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行以实现如上述方面所述的水印检测方法中所执行的操作。
另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行以实现如上述方面所述的水印检测方法中所执行的操作。
另一方面,提供了一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机程序代码,所述计算机程序代码存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取所述计算机程序代码,处理器执行所述计算机程序代码,使得所述计算机设备实现如上述方面所述的水印检测方法中所执行的操作。
本申请实施例提供了一种有参考的水印检测方法,由于目标视频是对原始视频进行处理后的视频,因此将目标视频作为参考,根据从该目标视频变换到原始视频的变换参数,来对目标视频进行还原,能够同步还原水印信息,从而对还原后的视频进行水印检测,相比于直接对目标视频进行水印检测,提高了水印检测的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请实施例的一些实施例,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是本申请实施例提供的一种水印检测系统的架构图。
图2是本申请实施例提供的一种水印检测方法的流程图。
图3是本申请实施例提供的另一种水印检测方法的流程图。
图4是本申请实施例提供的一种视频帧的示意图。
图5是本申请实施例提供的一种匹配视频帧的示意图。
图6是本申请实施例提供的一种还原视频帧的示意图。
图7是本申请实施例提供的一种水印检测装置的结构示意图。
图8是本申请实施例提供的另一种水印检测装置的结构示意图。
图9是本申请实施例提供的一种终端的结构示意图。
图10是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念,但除非特别说明,这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说,在不脱离本申请的范围的情况下,可以将第一视频帧称为第二视频帧,且类似地,可将第二视频帧称为第一视频帧。
其中,至少一个是指一个或者一个以上,例如,至少一个模板视频特征可以是一个模板视频特征、两个模板视频特征、三个模板视频特征等任一大于等于一的整数个模板视频特征。多个是指两个或者两个以上,例如,多个视频帧可以是两个视频帧、三个视频帧等任一大于等于二的整数个视频帧。每个是指至少一个中的每一个,例如,每个视频帧是指多个视频帧中的每一个视频帧,若多个视频帧为3个视频帧,则每个视频帧是指3个视频帧中的每一个视频帧。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术包括自然语言处理技术和机器学习。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition,光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D(3-Dimension,三维)技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
以下将基于人工智能技术和计算机视觉技术,对本申请实施例提供的水印检测方法进行说明。
本申请实施例提供了一种水印检测方法,执行主体为计算机设备,如终端或者服务器。其中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能电视、智能手表等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
图1是本申请实施例提供的一种水印检测系统的架构图,参见图1,该水印检测系统中包括视频检索模块101和水印检测模块102。视频检索模块101用于检索待检测的目标视频对应的原始视频。水印检测模块102用于检测水印。
其中,视频检索模块101中包括特征提取子模块111和索引子模块121,该特征提取子模块111用于提取目标视频的特征,该索引子模块121用于根据提取的特征检索原始视频。其中,水印检测模块102中包括视频还原子模块112和水印检测子模块122,视频还原子模块112用于根据原始视频对目标视频进行还原,水印检测子模块122用于对还原出的视频进行水印检测。
例如,目标视频为盗版视频103,通过特征提取子模块111对盗版视频103进行特征提取,通过索引子模块121对提取的特征进行检索,得到该盗版视频103对应的版权视频104。通过视频还原子模块112,根据版权视频104对盗版视频103进行还原,然后通过水印检测子模块122对还原出的视频进行水印检测。
本申请实施例提供的水印检测方法,可应用于进行水印检测的任一场景下,例如版权保护的场景中。在发布的正版视频A中,嵌入有发布者的水印信息。若后续在盗用者对该正版视频A进行压缩、编码以及裁剪等处理,得到盗版视频B,由于盗版视频B是对正版视频进行处理后的视频,因此该盗版视频中的水印信息可能已丢失。则采用本申请实施例提供的方法,先根据正版视频A对盗版视频B进行还原处理得到还原视频C,来同步还原水印信息,再通过对还原视频C进行水印检测来获取水印信息,从而达到版权保护的目的。
图2是本申请实施例提供的一种水印检测方法的流程图。本申请实施例的执行主体为计算机设备,参见图2,该方法包括:
201、计算机设备确定目标视频及目标视频对应的原始视频。
原始视频中包括水印信息,对原始视频进行处理之后得到目标视频,例如,对原始视频进行模糊、缩放、转码、压缩、加入噪声或者裁剪等处理,得到该目标视频。
本申请实施例中,该目标视频为待检测水印的视频。但是,由于目标视频为对原始视频进行处理后得到的视频,因此,该目标视频中的水印信息可能已经丢失,或者水印信息的位置已经发生变化,导致难以直接从目标视频中检测出水印信息。因此计算机设备获取到待检测的目标视频,先确定该目标视频对应的原始视频。
202、计算机设备对目标视频和原始视频进行对比处理,得到从目标视频变换到原始视频的目标变换参数。
由于目标视频是对原始视频进行处理后得到的视频,因此,通过对目标视频和原始视频进行对比处理,从而根据目标视频与原始视频之间的相似度和差异,得到从目标视频变换到该原始视频的目标变换参数。
203、计算机设备根据目标变换参数,对目标视频进行变换处理,得到目标视频对应的还原视频。
由于目标变换参数是从目标视频变换到原始视频的变换参数,因此根据该目标变换参数,对目标视频进行变换处理,得到目标视频对应的还原视频,相当于对处理后得到的目标视频进行了还原,还原成与处理前的原始视频相似的视频。因此该还原视频与原始视频的相似度大于目标视频与原始视频的相似度。
204、计算机设备对还原视频进行水印检测,得到还原视频中的水印信息。
由于还原视频与原始视频的相似度大于目标视频与原始视频的相似度,因此还原视频中的水印信息与原始视频中的水印信息一致的可能性,大于目标视频中的水印信息与原始视频中的水印信息一致的可能性,也即是在还原视频的同时,同步还原了水印信息。因此,对还原视频进行水印检测的准确率,大于直接对目标视频进行水印检测的准确率。则计算机设备对该还原视频进行水印检测,得到还原视频中的水印信息,由于还原视频是目标视频还原后的视频,因此对还原视频进行水印检测,也即是间接完成了对目标视频进行水印检测。
本申请实施例提供的方法,由于目标视频是对原始视频进行处理后的视频,因此将目标视频作为参考,根据从该目标视频变换到原始视频的变换参数,来对目标视频进行还原,能够同步还原水印信息,从而对还原后的视频进行水印检测,相比于直接对目标视频进行水印检测,提高了水印检测的准确率。
图3是本申请实施例提供的一种水印检测方法的流程图。本申请实施例的执行主体为计算机设备,参见图3,该方法包括:
301、计算机设备对目标视频进行特征提取,得到目标视频特征。
本申请实施例中涉及目标视频和原始视频,该目标视频为待检测水印的视频,且该待检测的目标视频为对原始视频进行处理之后得到的视频。例如,对原始视频进行模糊、缩放、转码、压缩、加入噪声或者裁剪等处理,得到该目标视频。
例如,如图4所示,对原始视频401进行模糊处理,得到模糊后的目标视频402;对原始视频401进行噪声添加处理,得到添加噪声后的目标视频403;对原始视频401进行旋转处理,得到旋转后的目标视频404;对原始视频401进行裁剪处理,得到裁剪后的目标视频405。
其中,原始视频中嵌入有水印信息。例如,对原始视频的视频帧进行频域变换,在频域的视频帧中加入水印信息,且可将水印信息嵌入至不同的频段。将水印信息嵌入较高的频段中,水印信息不容易被人眼察觉到;将水印信息嵌入至较低的频段中,由于较低频段的能量较高,因此水印信息不容易被破坏。可选地,在频域的视频帧中添加水印信息,包括离散余弦变换域(DCT,Discrete Cosine Transform)、离散傅立叶变换域(DFT,DiscreteFourier Transform)和离散小波变换域(DWT,Discrete Wavelet Transform)等方法。可选地,计算机设备采用数字水印技术将数字水印嵌入原始视频中。数字水印技术是将一段特定的数字水印嵌入到视频中,然后通过对应的检测方式检测出嵌入的数字水印,该数字水印包括可见水印和隐藏水印。
但是,由于目标视频为对原始视频进行处理后得到的视频,因此,该目标视频中的水印信息可能已经丢失,或者水印信息的位置已经发生变化,导致难以直接从目标视频中检测出水印信息。因此计算机设备获取到待检测的目标视频,先通过目标视频的视频特征确定该目标视频对应的原始视频。
当计算机设备获取到待检测的目标视频,对该目标视频进行特征提取,得到目标视频特征,该目标视频特征用于表示目标视频的特征。
在一种可能实现方式中,计算机设备对目标视频中的多个第一视频帧进行特征提取,得到第一帧特征;将获取的多个第一帧特征进行合并处理,得到目标视频特征。
计算机设备对目标视频进行帧提取,得到目标视频中的多个第一视频帧,对每个第一视频帧进行特征提取,得到每个第一视频帧的第一帧特征,从而得到多个第一视频帧。计算机设备对多个第一视频帧进行合并处理,得到合并后的目标视频特征。其中,帧特征是帧维度的特征,用于表示视频帧的特征,视频特征是视频维度的特征,用于表示视频的特征。可选地,本申请实施例中提取的目标视频特征,不仅用于表示目标视频的特征,还用于指示该目标视频,将该目标视频与其他视频进行区分,例如该目标视频特征为目标视频的VF(Video Fingerprint,视频指纹)。
可选地,计算机设备在多个第一视频帧中,选取具有关键帧标记的第一视频帧,对具有关键帧标记的第一视频帧进行特征提取,得到第一帧特征,而无需对每个第一视频帧均进行特征提取。其中,具有关键帧标记的第一视频帧,即为关键帧,关键帧是指视频中的角色或者物体在运动或变化中的关键动作所处的视频帧。例如,目标视频中包括I帧、P帧和B帧,I帧是指帧内编码帧,通过视频解压算法解压I帧,能够得到完整的视频画面。P帧是指前向预测编码在帧,P帧需要参考前面一个I帧或者P帧来解码,才能得到完整的视频画面。B帧是指双向预测内插编码帧,B帧需要参考前一个I帧或者P帧,以及后一个P帧来解码,才能得到完整的视频画面。其中,I帧即为关键帧。
可选地,计算机设备调用特征提取网络,对第一视频帧进行特征提取,得到第一视频帧的第一帧特征。可选地,该特征提取网络为深度神经网络,例如,该特征提取网络为GoogleNet(一种神经网络),且移除了GoogleNet中的inception_4a/output(深度网络层),在保证性能的同时能够减少计算量。同时,移除了GoogleNet中的Relu(Rectified LinearUnit, 线性整流函数)层,并增加归一化层,来保证提取的特征的区分度。可选地,特征提取网络所提取的第一帧特征为32维的帧特征。
302、计算机设备查询目标视频特征匹配的原始视频特征,确定原始视频特征所属的原始视频。
当计算机设备获取到目标视频的目标视频特征,则查询与目标视频特征匹配的原始视频特征。其中,原始视频特征与目标视频特征匹配是指在已存储的视频特征中,该原始视频特征与目标视频特征的差异最小,相似度最高。因此该原始视频特征所属的视频与目标视频的相似度最高,因此原始视频特征所属的视频即为该目标视频对应的原始视频。
在一种可能实现方式中,计算机设备的数据库中存储有多个视频和每个视频的视频特征,计算机设备在数据库中查询该目标视频特征匹配的原始视频特征,并在数据库中获取该原始视频特征所属的原始视频。
在一种可能实现方式中,在查询原始视频之前,计算机设备对数据库中的多个模板视频的模板视频特征进行分类处理,得到多个模板特征集合,每个模板特征集合中包括至少一个视频特征。并创建每个模板特征集合的类别标签,也即是每个类别标签对应模板特征集合中的至少一个视频特征,从而实现对视频特征进行数据分桶,后续可查询视频特征所属的类别标签,相当于构建了倒排索引。可选地,该类别标签可以看作为特征集合所创建的码本,特征集合中的视频特征即为该码本对应的码。
可选地,计算机设备采用k-means算法(K-means Clustering Algorithm,K均值聚类算法)对视频特征进行聚类。计算机设备在多个视频特征中随机选取K个视频特征作为初始的类中心特征;获取其他任一视频特征到每个类中心特征的相似度,并将该视频特征分到与该视频特征的相似度最大的类中心特征中所在的模板特征集合;根据每个模板特征集合中当前的至少一个视频特征,重新确定每个模板特征集合中的类中心特征,并重复上述步骤进行迭代,直至迭代次数达到设置的目标迭代次数,或者类中心特征不再发生变化,则停止迭代,从而得到聚类后的多个模板特征集合。因此,与其他模板特征集合中的视频特征相比,同一模板特征集合中的多个视频特征之间的相似度较高。
则该步骤302,由以下步骤代替:计算机设备查询目标视频特征所属的类别标签,确定该类别标签对应的模板特征集合,该模板特征集合包括至少一个模板视频特征。计算机设备在至少一个模板视频特征中,确定该目标视频特征匹配的原始视频特征。由于计算机设备无需从存储的所有视频特征中,一一进行查询,才能确定目标视频特征匹配的原始视频特征,而是先确定目标视频特征所属的类别标签下的至少一个模板视频特征,初步完成近似搜索,然后再从该至少一个模板视频特征中,确定该目标视频特征匹配的原始视频特征,有效减少了搜索量,能够加快视频特征之间的匹配速度。
上述步骤301-302中,采用了视频指纹技术来确定目标视频对应的原始视频。其中,视频指纹技术通过提取视频的特征作为该视频的指纹,从而根据视频的指纹进行检索和排重。
通过执行上述步骤301-302,计算机设备确定了目标视频及目标视频对应的原始视频。本申请实施例仅以根据视频特征查询目标视频对应的原始视频为例,来说明确定原始视频的过程,除此之外,计算机设备还可以采用其他方式,确定目标视频对应的原始视频。
由于目标视频为对原始视频进行处理后得到的视频,因此与原始视频相比,该目标视频的帧率、播放时长以及帧数等可能已经发生变换,导致目标视频中的视频帧与原始视频中的视频帧无法一一对应,则需要对目标视频与原始视频进行帧位对齐,将目标视频中的视频帧与原始视频中的视频帧进行匹配,以便执行后续的操作。其中计算机设备通过执行下述步骤303-304,实现确定目标视频中的目标视频帧和原始视频中的原始视频帧,该目标视频帧与原始视频帧匹配,从而完成目标视频与原始视频的帧位对齐。
303、计算机设备获取目标视频中每个第一视频帧的第一帧特征,以及原始视频中每个第二视频帧的第二帧特征。
计算机设备确定目标视频和原始视频之后,获取目标视频中的每个第一视频帧,以及原始视频中的每个第二视频帧。计算机设备对每个第一视频帧和每个第二视频帧进行特征提取,得到每个第一视频帧的第一帧特征,以及每个第二视频帧的第二帧特征。
在一种可能实现方式中,该步骤303中,计算机设备对第一视频帧和第二视频帧进行特征提取,得到的第一帧特征和第二帧特征为视频帧对应的局部特征。其中,局部特征是指视频帧中的多个关键点的关键点特征,由多个关键点特征构成视频帧的局部特征。例如,视频中的关键点为视频帧中的人物或者物体的轮廓点等。可选地,该局部特征为SURF特征(Speeded Up Robust Features,加速稳健特征),SURF特征具有缩放、旋转以及仿射变换的不变性,因此采用SURF特征能够提高获取的目标视频帧和原始视频帧的准确性,使得目标视频帧和原始视频帧的匹配度更高。
需要说明的是,若在上述步骤301中已经提取每个第一视频帧的第一帧特征,则在步骤303中无需再次对第一视频帧执行特征提取的操作,直接获取步骤301中提取的第一帧特征即可。或者,若在上述步骤301中获取的第一帧特征为用于指示视频帧的全局特征,在该步骤303中获取的第一帧特征为用于进行视频帧匹配的局部特征,则在步骤301和303中,分别执行对第一视频帧的特征提取操作,且两次提取的第一帧特征并不相同。
304、计算机设备在第一视频帧中选取目标视频帧,在第二视频帧中选取原始视频帧。
当计算机设备获取到每个第一视频帧的第一帧特征和每个第二视频帧的第二帧特征,则根据多个第一帧特征和多个第二帧特征的匹配情况,在第一视频帧中选取多个目标视频帧,组成目标视频帧序列,在第二视频帧中选取多个原始视频帧,组成原始视频帧序列,且目标视频帧序列中目标视频帧的个数与原始视频帧序列中原始视频帧的个数相同,以使目标视频帧序列中的目标视频帧的第一帧特征,与原始视频帧序列中的原始视频帧的第二帧特征匹配。本申请实施例中第一帧特征与第二帧特征匹配是指,第一帧特征与第二帧特征相同。
例如,目标视频帧序列中包括按播放顺序排列的目标视频帧1、目标视频帧2和目标视频帧3,原始视频帧序列中包括按播放顺序排列的原始视频帧4、原始视频帧5和原始视频帧6。则目标视频帧1的第一帧特征与原始视频帧4的第二帧特征匹配,目标视频帧2的第一帧特征与原始视频帧5的第二帧特征匹配,目标视频帧3的第一帧特征与原始视频帧6的第二帧特征匹配。
在一种可能实现方式中,计算机设备将任一第一视频帧确定为目标视频帧,根据该目标视频帧的第一帧特征和多个第二帧特征,确定该目标视频帧与多个第二视频帧之间的相似度,将与目标视频帧的相似度最高的第二视频帧,确定为该目标视频帧匹配的原始视频帧。
计算机设备将目标视频中的每个第一视频帧,均作为目标视频帧,然后从第二视频帧中,选取与目标视频帧匹配的原始视频帧。其中,对于任一第一视频帧,计算机设备将该第一视频帧确定为目标视频帧,计算机设备将与该目标视频帧的相似度最高的第二视频帧,确定为与该目标视频帧匹配的原始视频帧,从而确定了一组相互匹配的目标视频帧和原始视频帧。计算机设备对任一第一视频帧均执行上述操作,从而确定多组相互匹配的目标视频帧和原始视频帧。
可选地,目标视频帧的第一帧特征中包括目标视频帧中的多个关键点的关键点特征,第二视频帧的第二帧特征中包括第二视频帧中的多个关键点的关键点特征。则确定相似度的过程包括:计算机设备根据关键点特征,确定目标视频帧中每个关键点与第二视频帧中每个关键点之间的相似度,并确定相似度大于第三阈值的关键点的个数所占的比例,将确定的比例作为目标视频帧与第二视频帧之间的相似度。
可选地,确定相似度的过程包括:计算机设备根据目标视频帧的第一帧特征和每个第二帧特征,确定目标视频帧与每个第二视频帧之间的相似度。也即是,计算机设备会确定每个第一视频帧与每个第二视频帧之间的相似度。
可选地,确定相似度的过程包括:计算机设备每隔第二播放时长,从第二视频帧中选取一个参考视频帧,根据目标视频帧的第一帧特征和多个第二帧特征,确定目标视频帧与每个参考视频帧之间的相似度。也即是,计算机设备会先在第二视频帧中选取多个参考视频帧,然后仅确定每个第一视频帧与每个参考视频帧之间的相似度,而无需确定每个第一视频帧与每个第二视频帧之间的相似度。其中,该第二播放时长可由计算机设备默认设置,或者由检测人员人工设置,例如,该第二播放时长为1秒或者2秒等。
可选地,选取目标视频帧和原始视频帧的过程包括:计算机设备确定第一视频帧与多个第二视频帧之间的相似度之后,在该多个第二视频帧中,将与第一视频帧的相似度最高、且相似度大于第一阈值的第二视频帧,确定为原始视频帧,将该第一视频帧确定为原始视频帧匹配的目标视频帧。
其中,计算机设备可先在第一视频帧对应的多个相似度中选取大于第一阈值的相似度,然后在大于第一阈值的相似度中,选取最高的相似度,从而选取该相似度对应的第二视频帧。若第一视频帧对应的多个相似度中,没有大于第一阈值的相似度,则计算机设备不再选取与该第一视频帧匹配的第二视频帧,且该第一视频帧也不会作为目标视频帧,也即是摒弃该第一视频帧。
或者,计算机设备可先在第一视频帧对应的多个相似度中,选取最高的相似度,若该相似度大于第一阈值,则将该第一视频帧作为目标视频帧,将该相似度对应的第二视频帧作为与该目标视频帧匹配的原始视频帧。若该相似度不大于第一阈值,则不再将该第一视频帧作为目标视频帧。
可选地,选取原始视频帧的过程包括:计算机设备在多个第二视频帧中,确定与目标视频帧的相似度最高的第三视频帧,在原始视频中的第二视频帧中,确定与第三视频帧之间的播放间隔小于第一播放时长的多个第四视频帧,根据目标视频帧的第一帧特征和多个第四视频帧的第二帧特征,确定目标视频帧与每个第四视频帧之间的相似度,在第三视频帧和多个第四视频帧中,将与目标视频帧的相似度最高的视频帧,确定为目标视频帧匹配的原始视频帧。
其中,该步骤中的多个第二视频帧,仅是原始视频中的全部第二视频帧的一部分,因此在多个第二视频帧中确定的与目标视频帧的相似度最高的第三视频帧,并不一定是全部第二视频帧中与目标视频帧的相似度最高的视频帧。而由于在原始视频中,连续播放的多个第二视频帧的相似度较高,因此,在第三视频帧与目标视频帧相似度最高的情况下,与该第三视频帧之间的播放间隔小于第一播放时长的多个第四视频帧中,可能存在比第三视频帧的相似度更高的视频帧。为了保证获取的匹配视频帧的准确性,计算机设备在第三视频帧和多个第四视频帧中,将与目标视频帧的相似度最高的视频帧,确定为目标视频帧匹配的原始视频帧。
其中,该第一播放时长可由计算机设备默认设置,或者由检测人员人工设置,例如,该第一播放时长为1秒或者2秒等。可选地,该第一播放时长与上述第二播放时长相同。
在一种可能实现方式中,计算机设备每隔第二播放时长,从第二视频帧中选取一个参考视频帧,根据目标视频帧的第一帧特征和多个第二帧特征,确定目标视频帧与每个参考视频帧之间的相似度。计算机设备在多个参考视频帧中,确定与目标视频帧的相似度最高的第三视频帧,在原始视频中的第二视频帧中,确定与第三视频帧之间的播放间隔小于第一播放时长的多个第四视频帧,根据目标视频帧的第一帧特征和多个第四视频帧的第二帧特征,确定目标视频帧与每个第四视频帧之间的相似度,在第三视频帧和多个第四视频帧中,将与目标视频帧的相似度最高的视频帧,确定为目标视频帧匹配的原始视频帧。
也即是,为了提升帧位对齐的效率及准确率,本申请采用二次匹配的方式进行匹配。第一次匹配中,计算机设备先以第二播放时长为步长,将目标视频帧与参考视频帧进行匹配,得到粗略匹配的第三视频帧。第二次匹配中,计算机设备在第三视频帧的基础上,逐帧确定多个第四视频帧,从而在第三视频帧和第四视频帧中,将与目标视频帧相似度最高的视频帧,确定为目标视频帧匹配的原始视频帧。无需将每个第二视频帧均与目标视频帧进行匹配,因此可以提高匹配速度。
图5是本申请实施例提供的一种匹配视频帧的示意图,参见图5,在对目标视频帧501进行第一次匹配时,计算机设备每隔1秒,在第二视频帧中确定一个参考视频帧,得到参考视频帧502、参考视频帧503和参考视频帧504,其中参考视频帧502、参考视频帧503和参考视频帧504之间还包括多个第二视频帧,图5中用省略号代替。计算机设备分别确定目标视频帧501与参考视频帧502、参考视频帧503和参考视频帧504之间的相似度,并选取相似度最高的参考视频帧504,完成第一次匹配。在对目标视频帧501进行第二次匹配时,计算机设备在第二视频帧中,确定与参考视频帧504之间的播放时长小于1秒的参考视频帧505和参考视频帧506,并分别确定目标视频帧501与参考视频帧505和参考视频帧506之间的相似度,在参考视频帧504、参考视频帧505和参考视频帧506中,选取与目标视频帧501相似度最高的参考视频帧505,完成第二次匹配。从而将目标视频帧501和参考视频帧505作为相互匹配的目标视频帧和原始视频帧。
需要说明的是,本申请实施例仅说明了将任一第一视频帧,确定为目标视频帧,选取与该目标视频帧匹配的第二视频帧,从而确定目标视频帧和原始视频帧的过程。或者,计算机设备还可以将任一第二视频帧,确定为原始视频帧,选取与该原始视频帧匹配的第一视频帧,从而确定目标视频帧和原始视频帧,本申请实施例对此不做限定。
305、计算机设备根据相互匹配的目标视频帧和原始视频帧,确定至少三组关键点对。
由于两个视频帧中,非共线的三组匹配点可唯一确定两个视频帧之间的变换参数,因此计算机设备确定相互匹配的目标视频帧和原始视频帧之后,在目标视频帧和原始视频帧中,确定至少三组关键点对,每组关键点对包括目标视频帧中的一个目标关键点和原始视频帧中与目标关键点匹配的原始关键点。
在一种可能实现方式中,计算机设备获取目标视频帧中的多个第一关键点对应的第一关键点特征,以及原始视频帧中的多个第二关键点对应的第二关键点特征,分别确定任一第一关键点特征与任一第二关键点特征之间的相似度,按照每组关键点对之间的相似度由高到低的顺序,依次选取至少三组关键点对,从而得到相互匹配的关键点对。
可选地,计算机设备上述步骤304中,确定目标视频帧与原始视频帧之间的相似度时,已获取目标视频帧中的任一第一关键点特征与任一第二关键点之间的相似度,则该步骤305中,无需再次执行获取关键点特征之间的相似度的操作,直接获取第一关键点特征与第二关键点特征之间的相似度。
306、计算机设备根据至少三组关键点对中每个关键点的坐标,确定从目标视频帧变换到原始视频帧的第一变换参数。
计算机设备确定至少三组关键点对之后,获取每个目标关键点在目标视频帧中的坐标,以及每个原始关键点在原始视频帧中的坐标,然后根据每个关键点的坐标,确定从目标视频帧变换到原始视频帧的第一变换参数。
在一种可能实现方式中,由于三组关键点对可唯一确定两个视频帧之间的变换参数,则计算机设备根据三组关键点对中每个关键点的坐标,确定从目标视频帧变换到原始视频帧的第一变换参数。
可选地,第一变换参数为变换矩阵,则计算机设备根据下述公式获取该变换矩阵:
其中,为原始视频帧中的原始关键点的横坐标和纵坐标,/>为原始关键点匹配的目标关键点的横坐标和纵坐标。/>为变换矩阵中的缩放系数,/>为变换矩阵中的旋转系数,/>为变换矩阵中的平移系数。三组关键点对可唯一确定一个变换矩阵。
在一种可能实现方式中,计算机设备获取的关键点对的个数大于三组。则计算机设备根据多个关键点对中每个关键点的坐标,确定目标视频帧变换到原始视频帧的多个第二变换参数,根据多个第二变换参数,确定均值变换参数,在多个第二变换参数中,选取与均值变换参数之间的相似度大于第二阈值的多个第二变换参数,继续确定选取的多个第二变换参数对应的均值变换参数,直至选取的多个第二变换参数与对应的均值变换参数之间的相似度均大于第二阈值,则将当前确定的均值变换参数确定为第一变换参数。
首先,若关键点对的个数大于三组,则计算机设备每次在多组关键点对中随机选取三组关键点对,根据随机选取的三组关键点对,确定一个第二变换参数,然后继续随机选取三组关键点对,再确定一个第二变换参数,重复执行多次确定第二变换参数的操作,即可确定多个第二变换参数。其中,重复次数可由计算机设备设置。例如关键点对的个数为10组,则计算机设备可将重复次数设置为6次或者7次等。
然后,计算机设备对多个第二变换参数进行均值处理,得到均值变换参数,并确定每个第二变换参数与该均值变换参数之间的相似度,从该多个第二变换参数中,选取与均值变换参数之间的相似度大于第二阈值的多个第二变换参数,继续确定选取的多个第二变换参数对应的均值变换参数,重复执行多次获取均值变换参数的操作,直至当前选取的多个第二变换参数与对应的均值变换参数之间的相似度均大于第二阈值,则将当前确定的均值变换参数确定为第一变换参数。
通过对多组关键点对进行迭代处理来获取第一变换参数,能够有效避免由于关键点对存在误差,导致第一变换参数的误差较大的情况,提高了获取的第一变换参数的准确率。可选地,计算机设备采用RANCSC算法(Random Sample Consensus,随机抽样一致算法)对多组关键点对进行迭代处理来获取变换参数。
需要说明的是,上述步骤305-306中,仅说明了获取一组相互匹配的目标视频帧和原始视频帧之间的第一变换参数的过程。本申请实施例中,计算机设备对确定的多组相互匹配的目标视频帧和原始视频帧,均执行步骤305-306的操作,得到多个第一变换参数。
307、计算机设备根据确定的第一变换参数,确定从目标视频变换到原始视频的目标变换参数。
计算机设备确定多个第一变换参数之后,根据该多个第一变换参数,确定从目标视频变换到原始视频的目标变换参数。可选地,该目标变换参数是从目标视频变换到原始视频的仿射变换参数。
可选地,计算机设备对多个第一变换参数进行均值处理,得到该目标变换参数。可选地,计算机设备对多个第一变换参数进行去除异常值之后,再进行均值处理,得到该目标变换参数。其中,对多个第一变换参数进行去除异常值是指,将多个第一变换参数中,与其他第一变换参数的差异最大的第一变换参数去除。
其中,通过执行上述步骤305-307,实现了对目标视频帧和原始视频帧进行对比处理,得到从目标视频变换到原始视频的目标变换参数,从而实现了对目标视频和原始视频进行对比处理,得到从目标视频变换到原始视频的目标变换参数。除此之外,还可以采用其他方式来得到从目标视频变换到原始视频的目标变换参数。
308、计算机设备根据目标变换参数,对目标视频进行变换处理,得到目标视频对应的还原视频。
由于目标变换参数是从目标视频变换到原始视频的变换参数,因此根据该目标变换参数,对目标视频进行变换处理,得到目标视频对应的还原视频,相当于对处理后得到的目标视频进行了还原,还原成与处理前的原始视频相似的视频。
在一种可能实现方式中,还原视频包括多个还原视频帧。则计算机设备得到还原视频的过程包括:根据目标变换参数,对目标视频中的每个第一视频帧进行变换处理,得到每个第一视频帧对应的还原视频帧。
可选地,计算机设备根据目标变换参数,对第一视频帧中的每个点的坐标进行变换处理,得到该点在还原视频帧中的坐标,从而将第一视频帧中的每个点映射到还原视频帧中,得到该还原视频帧。
可选地,计算机设备根据第一视频帧和原始视频中与第一视频帧匹配的第二视频帧,确定第二视频帧中被裁剪掉的视频帧区域;基于第一视频帧,将被裁剪掉的视频帧区域进行填充,根据目标变换参数,对填充后的第一视频帧进行变换处理,得到还原视频帧。
由于目标视频是对原始视频进行处理后得到的视频,相应地,目标视频中的第一视频帧是对原始视频中的第二视频帧进行处理后得到的视频,该第二视频帧是指原始视频中与第一视频帧匹配的视频帧。且在第一视频帧是对第二视频帧进行裁剪处理后得到的视频帧的情况下,视频帧的尺寸已经发生变换,则仅根据目标变换参数来还原第一视频帧,误差会较大。因此计算机设备根据第一视频帧和第二视频帧,确定第二视频帧中被裁剪掉的视频帧区域,基于第一视频帧,将被裁剪掉的视频帧区域进行填充,然后再对填充后的第一视频帧进行还原。可选地,计算机设备将被裁剪掉的视频帧区域进行0值填充,也即是将视频帧区域的像素值设置为0,或者采用其他方式进行填充,本申请实施例对此不做限定。
图6是本申请实施例提供的一种还原视频帧的示意图,参见图6,第一视频帧601与第二视频帧602匹配,计算机设备根据第一视频帧601和第二视频帧602,确定第二视频帧602中被裁剪的视频帧区域,则在第一视频帧601的基础上,将被裁剪的视频帧区域的像素值填充为0,得到填充后的第一视频帧603。
309、计算机设备对还原视频进行水印检测,得到还原视频中的水印信息。
由于还原视频与原始视频的相似度大于目标视频与原始视频的相似度,因此还原视频中的水印信息与原始视频中的水印信息一致的可能性,大于目标视频中的水印信息与原始视频中的水印信息一致的可能性。因此,对还原视频进行水印检测的准确率,大于直接对目标视频进行水印检测的准确率。则计算机设备对该还原视频进行水印检测,得到还原视频中的水印信息,从而间接完成对目标视频的水印检测。
本申请实施例中,将水印信息嵌入原始视频的频域,能够有效抵抗编码、模糊、缩放、转码、帧率改变等处理,而对于裁剪或者旋转等破坏水印信息的几何处理,由于采用有参考的数字水印技术(RDW,Reference Digital Watermark),将原始视频作为参考,对待检测的目标视频进行还原,利用原始视频对目标视频进行还原,能够保留水印信息的同步性,从而通过特定频域的检测方式检测出水印信息,因此也具有很好的鲁棒性。
为了验证本申请实施例提供的水印检测方法的可行性,对某一视频进行不同类型的处理,得到多个处理后的视频,采用本申请实施例提供的方法,分别对多个处理后的视频进行水印检测,检测结果如下表1所示。由表1可知,对于破坏水印信息的几何处理方式,如裁剪处理,在将视频进行还原后,仍然有49%的检出率,因此足以准确地检测出视频中的水印信息。
表1
在一种可能实现方式中,还原视频包括多个还原视频帧。则计算机设备对任一还原视频帧进行水印检测,得到还原视频帧中的水印信息。
可选地,计算机设备获取还原视频帧的多个频域系数,每个频域系数对应一个频段,在多个频域系数中,确定水印信息所在的频段对应的目标频域系数,对目标频域系数进行转换处理,得到水印信息。
例如,原始视频是采用离散小波变换法来嵌入水印信息的。则计算机设备将还原视频帧转换为YUV(一种颜色编码方法)格式,Y表示明亮度,U表示色度,V表示浓度。计算机设备获取Y分量,将Y分量转换为频域数据,获取频域数据中的多个频域系数,将该多个频域系数转换为一维的系数向量,该频域数据为离散小波变换域的数据。计算机设备确定原始视频中嵌入水印信息的频段以及该水印信息对应的正交编码库,在系数向量中获取该频段的频域系数,采用该正交编码库对获取的频域系数进行逆CDMA(Code Division MultipleAccess,码分多址)处理,从而将频域系数转换为二进制编码信息,该二进制编码信息即为提取出来的水印信息。
本申请实施例提供了一种有参考的水印检测方法,由于目标视频是对原始视频进行处理后的视频,因此将目标视频作为参考,根据从该目标视频变换到原始视频的变换参数,来对目标视频进行还原,能够同步还原水印信息,从而对还原后的视频进行水印检测,相比于直接对目标视频进行水印检测,提高了水印检测的准确率。
并且,先确定目标视频特征所属的类别标签对应的模板特征集合,初步完成近似搜索,然后再从模板特征集合中,确定该目标视频特征匹配的原始视频特征,无需从所有视频特征中一一查询,有效减少了搜索量,能够加快视频特征之间的匹配速度。
并且,采用二次匹配的方式来确定相互匹配的目标视频帧和原始视频帧,无需将每个第二视频帧均与每个第一视频帧进行匹配,在提升了帧位对齐的效率同时,还保证了帧位对齐的准确率。
并且,通过对多组关键点对进行迭代处理来获取第一变换参数,能够有效避免由于关键点对存在误差,导致第一变换参数的误差较大的情况,提高了第一变换参数的准确率。
并且,对多个第一变换参数进行去除异常值之后,再进行均值处理得到该目标变换参数,能够有效避免由于第一变换参数存在误差,导致目标变换参数的误差较大的情况,提高了目标变换参数的准确率。
图7是本申请实施例提供的一种水印检测装置的结构示意图。参见图7,该装置包括:
视频确定模块701,用于确定目标视频及目标视频对应的原始视频,目标视频是对原始视频进行处理后得到的视频;
对比处理模块702,用于对目标视频和原始视频进行对比处理,得到从目标视频变换到原始视频的目标变换参数;
变换处理模块703,用于根据目标变换参数,对目标视频进行变换处理,得到目标视频对应的还原视频;
水印检测模块704,用于对还原视频进行水印检测,得到还原视频中的水印信息。
可选地,参见图8,视频确定模块701,包括:
特征提取单元7011,用于对目标视频进行特征提取,得到目标视频特征;
特征查询单元7012,用于查询目标视频特征匹配的原始视频特征;
视频确定单元7013,用于确定原始视频特征所属的原始视频。
可选地,参见图8,特征提取单元7011,用于:
对目标视频中的多个第一视频帧进行特征提取,得到第一帧特征;
将获取的多个第一帧特征进行合并处理,得到目标视频特征。
可选地,参见图8,特征提取单元7011,用于:
在多个第一视频帧中,选取具有关键帧标记的第一视频帧;
对具有关键帧标记的第一视频帧进行特征提取,得到第一帧特征。
可选地,参见图8,特征查询单元7012,用于:
查询目标视频特征所属的类别标签;
确定类别标签对应的模板特征集合,模板特征集合包括至少一个模板视频特征;
在至少一个模板视频特征中,确定目标视频特征匹配的原始视频特征。
可选地,参见图8,装置还包括:
分类处理模块705,用于对多个模板视频的模板视频特征进行分类处理,得到多个模板特征集合;
标签创建模块706,用于创建每个模板特征集合的类别标签。
可选地,参见图8,对比处理模块702,包括:
视频帧确定单元7021,用于确定目标视频中的目标视频帧和原始视频中的原始视频帧,目标视频帧与原始视频帧匹配;
对比处理单元7022,用于对目标视频帧和原始视频帧进行对比处理,得到从目标视频变换到原始视频的目标变换参数。
可选地,参见图8,视频帧确定单元7021,用于:
获取目标视频中每个第一视频帧的第一帧特征,以及原始视频中每个第二视频帧的第二帧特征;
在第一视频帧中选取目标视频帧,在第二视频帧中选取原始视频帧,目标视频帧的第一帧特征与原始视频帧的第二帧特征匹配。
可选地,参见图8,视频帧确定单元7021,用于:
将任一第一视频帧确定为所述目标视频帧;
根据目标视频帧的第一帧特征和多个第二帧特征,确定目标视频帧与多个第二视频帧之间的相似度;
将与目标视频帧的相似度最高的第二视频帧,确定为目标视频帧匹配的原始视频帧。
可选地,参见图8,视频帧确定单元7021,用于:
将与目标视频帧的相似度最高、且相似度大于第一阈值的第二视频帧,确定为目标视频帧匹配的原始视频帧。
可选地,参见图8,视频帧确定单元7021,用于:
在多个第二视频帧中,确定与目标视频帧的相似度最高的第三视频帧;
在原始视频中的第二视频帧中,确定与第三视频帧之间的播放间隔小于第一播放时长的多个第四视频帧;
根据目标视频帧的第一帧特征和多个第四视频帧的第二帧特征,确定目标视频帧与每个第四视频帧之间的相似度;
在第三视频帧和多个第四视频帧中,将与目标视频帧的相似度最高的视频帧,确定为目标视频帧匹配的原始视频帧。
可选地,参见图8,视频帧确定单元7021,用于:
每隔第二播放时长,从第二视频帧中选取一个参考视频帧;
根据目标视频帧的第一帧特征和多个第二帧特征,确定目标视频帧与每个参考视频帧之间的相似度。
可选地,参见图8,对比处理单元7022,用于:
根据相互匹配的目标视频帧和原始视频帧,确定至少三组关键点对,每组关键点对包括目标视频帧中的一个目标关键点和原始视频帧中与目标关键点匹配的原始关键点;
根据至少三组关键点对中每个关键点的坐标,确定从目标视频帧变换到原始视频帧的第一变换参数;
根据确定的第一变换参数,确定从目标视频变换到原始视频的目标变换参数。
可选地,参见图8,对比处理单元7022,用于:
获取目标视频帧中的多个第一关键点对应的第一关键点特征,以及原始视频帧中的多个第二关键点对应的第二关键点特征;
分别确定任一第一关键点特征与任一第二关键点特征之间的相似度;
按照相似度由高到低的顺序,依次选取至少三组关键点对。
可选地,参见图8,对比处理单元7022,用于:
根据至少三组关键点对中每个关键点的坐标,确定目标视频帧变换到原始视频帧的多个第二变换参数;
根据多个第二变换参数,确定均值变换参数;
在多个第二变换参数中,选取与均值变换参数之间的相似度大于第二阈值的多个第二变换参数;
继续确定选取的多个第二变换参数对应的均值变换参数,直至选取的多个第二变换参数与对应的均值变换参数之间的相似度均大于第二阈值,则将当前确定的均值变换参数确定为第一变换参数。
可选地,参见图8,还原视频包括多个还原视频帧,变换处理模块703,包括:
视频帧变换单元7031,用于根据目标变换参数,对目标视频中的每个第一视频帧进行变换处理,得到每个第一视频帧对应的还原视频帧;
水印检测模块704,包括:
视频帧检测单元7041,用于对任一还原视频帧进行水印检测,得到还原视频帧中的水印信息。
可选地,参见图8,视频帧变换单元7031,用于:
根据第一视频帧和原始视频中与第一视频帧匹配的第二视频帧,确定第二视频帧中被裁剪掉的视频帧区域;
基于第一视频帧,将被裁剪掉的视频帧区域进行填充;
根据目标变换参数,对填充后的第一视频帧进行变换处理,得到还原视频帧。
可选地,参见图8,视频帧检测单元7041,用于:
获取还原视频帧的多个频域系数,每个频域系数对应一个频段;
在多个频域系数中,确定水印信息所在的频段对应的目标频域系数;
对目标频域系数进行转换处理,得到水印信息。
需要说明的是:上述实施例提供的水印检测装置在检测水印时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的水印检测装置与水印检测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例提供的水印检测装置,由于目标视频是对原始视频进行处理后的视频,因此将目标视频作为参考,根据从该目标视频变换到原始视频的变换参数,来对目标视频进行还原,能够同步还原水印信息,从而对还原后的视频进行水印检测,相比于直接对目标视频进行水印检测,提高了水印检测的准确率。
图9示出了本申请一个示例性实施例提供的终端900的结构示意图。终端900可以用于执行上述水印检测方法中计算机设备所执行的步骤。
终端900包括有:处理器901和存储器902。
处理器901可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器901可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(FieldProgrammable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器901也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器901可以集成有GPU(Graphics Processing Unit,图像处理的交互器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器901还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器902可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器902还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器902中的非暂态的计算机可读存储介质用于存储至少一条程序代码,该至少一条程序代码用于被处理器901所具有以实现本申请中方法实施例提供的水印检测方法。
在一些实施例中,终端900还可选包括有:外围设备接口903和至少一个外围设备。处理器901、存储器902和外围设备接口903之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口903相连。可选地,外围设备包括:射频电路904、显示屏905、摄像头组件906、音频电路907和电源909中的至少一种。
外围设备接口903可被用于将I/O(Input /Output,输入/输出)相关的至少一个外围设备连接到处理器901和存储器902。在一些实施例中,处理器901、存储器902和外围设备接口903被集成在同一芯片或电路板上;在一些其他实施例中,处理器901、存储器902和外围设备接口903中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路904用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路904通过电磁信号与通信网络以及其他通信设备进行通信。射频电路904将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路904包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路904可以通过至少一种无线通信协议来与其它设备进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路904还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏905用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏905是触摸显示屏时,显示屏905还具有采集在显示屏905的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器901进行处理。此时,显示屏905还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏905可以为一个,设置在终端900的前面板;在另一些实施例中,显示屏905可以为至少两个,分别设置在终端900的不同表面或呈折叠设计;在另一些实施例中,显示屏905可以是柔性显示屏,设置在终端900的弯曲表面上或折叠面上。甚至,显示屏905还可以设置成非矩形的不规则图形,也即异形屏。显示屏905可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件906用于采集图像或视频。可选地,摄像头组件906包括前置摄像头和后置摄像头。前置摄像头设置在终端900的前面板,后置摄像头设置在终端900的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件906还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路907可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器901进行处理,或者输入至射频电路904以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端900的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器901或射频电路904的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路907还可以包括耳机插孔。
电源909用于为终端900中的各个组件进行供电。电源909可以是交流电、直流电、一次性电池或可充电电池。当电源909包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端900还包括有一个或多个传感器910。该一个或多个传感器910包括但不限于:加速度传感器911、陀螺仪传感器912、压力传感器913、光学传感器915以及接近传感器916。
加速度传感器911可以检测以终端900建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器911可以用于检测重力加速度在三个坐标轴上的分量。处理器901可以根据加速度传感器911采集的重力加速度信号,控制显示屏905以横向视图或纵向视图进行用户界面的显示。加速度传感器911还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器912可以检测终端900的机体方向及转动角度,陀螺仪传感器912可以与加速度传感器911协同采集用户对终端900的3D动作。处理器901根据陀螺仪传感器912采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器913可以设置在终端900的侧边框和/或显示屏905的下层。当压力传感器913设置在终端900的侧边框时,可以检测用户对终端900的握持信号,由处理器901根据压力传感器913采集的握持信号进行左右手识别或快捷操作。当压力传感器913设置在显示屏905的下层时,由处理器901根据用户对显示屏905的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
光学传感器915用于采集环境光强度。在一个实施例中,处理器901可以根据光学传感器915采集的环境光强度,控制显示屏905的显示亮度。具体地,当环境光强度较高时,调高显示屏905的显示亮度;当环境光强度较低时,调低显示屏905的显示亮度。在另一个实施例中,处理器901还可以根据光学传感器915采集的环境光强度,动态调整摄像头组件906的拍摄参数。
接近传感器916,也称距离传感器,设置在终端900的前面板。接近传感器916用于采集用户与终端900的正面之间的距离。在一个实施例中,当接近传感器916检测到用户与终端900的正面之间的距离逐渐变小时,由处理器901控制显示屏905从亮屏状态切换为息屏状态;当接近传感器916检测到用户与终端900的正面之间的距离逐渐变大时,由处理器901控制显示屏905从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图9中示出的结构并不构成对终端900的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图10是本申请实施例提供的一种服务器的结构示意图,该服务器1000可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central ProcessingUnits,CPU)1001和一个或一个以上的存储器1002,其中,所述存储器1002中存储有至少一条程序代码,所述至少一条程序代码由所述处理器1001加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
服务器1000可以用于执行上述水印检测方法中计算机设备所执行的步骤。
本申请实施例还提供了一种计算机设备,该计算机设备包括处理器和存储器,存储器中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行,以实现上述实施例的水印检测方法中所执行的操作。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行,以实现上述实施例的水印检测方法中所执行的操作。
本申请实施例还提供了一种计算机程序产品或计算机程序,计算机程序产品或计算机程序包括计算机程序代码,计算机程序代码存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取计算机程序代码,处理器执行计算机程序代码,使得计算机设备实现如上述实施例的水印检测方法中所执行的操作。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请实施例的可选实施例,并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (20)
1.一种水印检测方法,其特征在于,所述方法包括:
确定目标视频及所述目标视频对应的原始视频,所述目标视频是对所述原始视频进行处理后得到的视频;
确定所述目标视频中的目标视频帧和所述原始视频中的原始视频帧,所述目标视频帧与所述原始视频帧匹配;
根据相互匹配的目标视频帧和原始视频帧,确定至少三组关键点对,根据所述至少三组关键点对中每个关键点的坐标,确定所述目标视频帧变换到所述原始视频帧的多个第二变换参数;每组关键点对包括所述目标视频帧中的一个目标关键点和所述原始视频帧中与所述目标关键点匹配的原始关键点;
根据所述多个第二变换参数,确定均值变换参数,在所述多个第二变换参数中,选取与所述均值变换参数之间的相似度大于第二阈值的多个第二变换参数,继续确定选取的多个第二变换参数对应的均值变换参数,直至所述选取的多个第二变换参数与对应的均值变换参数之间的相似度均大于所述第二阈值,则将当前确定的均值变换参数确定为第一变换参数,根据确定的第一变换参数,确定从所述目标视频变换到所述原始视频的目标变换参数;
根据所述目标变换参数,对所述目标视频进行变换处理,得到所述目标视频对应的还原视频;
对所述还原视频进行水印检测,得到所述还原视频中的水印信息。
2.根据权利要求1所述的方法,其特征在于,所述确定目标视频及所述目标视频对应的原始视频,包括:
对所述目标视频进行特征提取,得到目标视频特征;
查询所述目标视频特征匹配的原始视频特征;
确定所述原始视频特征所属的所述原始视频。
3.根据权利要求2所述的方法,其特征在于,所述查询所述目标视频特征匹配的原始视频特征,包括:
查询所述目标视频特征所属的类别标签;
确定所述类别标签对应的模板特征集合,所述模板特征集合包括至少一个模板视频特征;
在所述至少一个模板视频特征中,确定所述目标视频特征匹配的所述原始视频特征。
4.根据权利要求1所述的方法,其特征在于,所述确定所述目标视频中的目标视频帧和所述原始视频中的原始视频帧,包括:
获取所述目标视频中每个第一视频帧的第一帧特征,以及所述原始视频中每个第二视频帧的第二帧特征;
在所述第一视频帧中选取所述目标视频帧,在所述第二视频帧中选取所述原始视频帧,所述目标视频帧的第一帧特征与所述原始视频帧的第二帧特征匹配。
5.根据权利要求4所述的方法,其特征在于,所述在所述第一视频帧中选取所述目标视频帧,在所述第二视频帧中选取所述原始视频帧,包括:
将任一第一视频帧确定为所述目标视频帧;
根据所述目标视频帧的第一帧特征和多个第二帧特征,确定所述目标视频帧与多个第二视频帧之间的相似度;
将与所述目标视频帧的相似度最高的第二视频帧,确定为所述目标视频帧匹配的原始视频帧。
6.根据权利要求5所述的方法,其特征在于,所述将与所述目标视频帧的相似度最高的第二视频帧,确定为所述目标视频帧匹配的原始视频帧,包括:
在所述多个第二视频帧中,确定与所述目标视频帧的相似度最高的第三视频帧;
在所述原始视频中的第二视频帧中,确定与所述第三视频帧之间的播放间隔小于第一播放时长的多个第四视频帧;
根据所述目标视频帧的第一帧特征和所述多个第四视频帧的第二帧特征,确定所述目标视频帧与每个第四视频帧之间的相似度;
在所述第三视频帧和所述多个第四视频帧中,将与所述目标视频帧的相似度最高的视频帧,确定为所述目标视频帧匹配的原始视频帧。
7.根据权利要求1所述的方法,其特征在于,所述还原视频包括多个还原视频帧,所述根据所述目标变换参数,对所述目标视频进行变换处理,得到所述目标视频对应的还原视频,包括:
根据所述目标变换参数,对所述目标视频中的每个第一视频帧进行变换处理,得到所述每个第一视频帧对应的还原视频帧;
所述对所述还原视频进行水印检测,得到所述还原视频中的水印信息,包括:
对任一还原视频帧进行水印检测,得到所述还原视频帧中的水印信息。
8.根据权利要求7所述的方法,其特征在于,所述根据所述目标变换参数,对所述目标视频中的每个第一视频帧进行变换处理,得到所述每个第一视频帧对应的还原视频帧,包括:
根据所述第一视频帧和所述原始视频中与所述第一视频帧匹配的第二视频帧,确定所述第二视频帧中被裁剪掉的视频帧区域;
基于所述第一视频帧,将所述被裁剪掉的视频帧区域进行填充;
根据所述目标变换参数,对所述填充后的第一视频帧进行变换处理,得到所述还原视频帧。
9.根据权利要求7所述的方法,其特征在于,所述对任一还原视频帧进行水印检测,得到所述还原视频帧中的水印信息,包括:
获取所述还原视频帧的多个频域系数,每个频域系数对应一个频段;
在所述多个频域系数中,确定水印信息所在的频段对应的目标频域系数;
对所述目标频域系数进行转换处理,得到所述水印信息。
10.一种水印检测装置,其特征在于,所述装置包括:
视频确定模块,用于确定目标视频及所述目标视频对应的原始视频,所述目标视频是对所述原始视频进行处理后得到的视频;
对比处理模块,用于确定所述目标视频中的目标视频帧和所述原始视频中的原始视频帧,所述目标视频帧与所述原始视频帧匹配;
所述对比处理模块,还用于根据相互匹配的目标视频帧和原始视频帧,确定至少三组关键点对,根据所述至少三组关键点对中每个关键点的坐标,确定所述目标视频帧变换到所述原始视频帧的多个第二变换参数;每组关键点对包括所述目标视频帧中的一个目标关键点和所述原始视频帧中与所述目标关键点匹配的原始关键点;
所述对比处理模块,还用于根据所述多个第二变换参数,确定均值变换参数,在所述多个第二变换参数中,选取与所述均值变换参数之间的相似度大于第二阈值的多个第二变换参数,继续确定选取的多个第二变换参数对应的均值变换参数,直至所述选取的多个第二变换参数与对应的均值变换参数之间的相似度均大于所述第二阈值,则将当前确定的均值变换参数确定为第一变换参数,根据确定的第一变换参数,确定从所述目标视频变换到所述原始视频的目标变换参数;
变换处理模块,用于根据所述目标变换参数,对所述目标视频进行变换处理,得到所述目标视频对应的还原视频;
水印检测模块,用于对所述还原视频进行水印检测,得到所述还原视频中的水印信息。
11.根据权利要求10所述的装置,其特征在于,所述视频确定模块,包括:
特征提取单元,用于对所述目标视频进行特征提取,得到目标视频特征;
特征查询单元,用于查询所述目标视频特征匹配的原始视频特征;
视频确定单元,用于确定所述原始视频特征所属的所述原始视频。
12.根据权利要求11所述的装置,其特征在于,所述特征查询单元,用于:
查询所述目标视频特征所属的类别标签;
确定所述类别标签对应的模板特征集合,所述模板特征集合包括至少一个模板视频特征;
在所述至少一个模板视频特征中,确定所述目标视频特征匹配的所述原始视频特征。
13.根据权利要求10所述的装置,其特征在于,所述对比处理模块,包括:
视频帧确定单元,用于获取所述目标视频中每个第一视频帧的第一帧特征,以及所述原始视频中每个第二视频帧的第二帧特征;
所述视频帧确定单元,还用于在所述第一视频帧中选取所述目标视频帧,在所述第二视频帧中选取所述原始视频帧,所述目标视频帧的第一帧特征与所述原始视频帧的第二帧特征匹配。
14.根据权利要求13所述的装置,其特征在于,所述视频帧确定单元,用于:
将任一第一视频帧确定为所述目标视频帧;
根据所述目标视频帧的第一帧特征和多个第二帧特征,确定所述目标视频帧与多个第二视频帧之间的相似度;
将与所述目标视频帧的相似度最高的第二视频帧,确定为所述目标视频帧匹配的原始视频帧。
15.根据权利要求14所述的装置,其特征在于,所述视频帧确定单元,用于:
在所述多个第二视频帧中,确定与所述目标视频帧的相似度最高的第三视频帧;
在所述原始视频中的第二视频帧中,确定与所述第三视频帧之间的播放间隔小于第一播放时长的多个第四视频帧;
根据所述目标视频帧的第一帧特征和所述多个第四视频帧的第二帧特征,确定所述目标视频帧与每个第四视频帧之间的相似度;
在所述第三视频帧和所述多个第四视频帧中,将与所述目标视频帧的相似度最高的视频帧,确定为所述目标视频帧匹配的原始视频帧。
16.根据权利要求10所述的装置,其特征在于,所述还原视频包括多个还原视频帧,所述变换处理模块,包括:
视频帧变换单元,用于根据所述目标变换参数,对所述目标视频中的每个第一视频帧进行变换处理,得到所述每个第一视频帧对应的还原视频帧;
所述水印检测模块,包括:
视频帧检测单元,用于对任一还原视频帧进行水印检测,得到所述还原视频帧中的水印信息。
17.根据权利要求16所述的装置,其特征在于,所述视频帧变换单元,用于:
根据所述第一视频帧和所述原始视频中与所述第一视频帧匹配的第二视频帧,确定所述第二视频帧中被裁剪掉的视频帧区域;
基于所述第一视频帧,将所述被裁剪掉的视频帧区域进行填充;
根据所述目标变换参数,对所述填充后的第一视频帧进行变换处理,得到所述还原视频帧。
18.根据权利要求16所述的装置,其特征在于,所述视频帧检测单元,用于:
获取所述还原视频帧的多个频域系数,每个频域系数对应一个频段;
在所述多个频域系数中,确定水印信息所在的频段对应的目标频域系数;
对所述目标频域系数进行转换处理,得到所述水印信息。
19.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如权利要求1至9任一项所述的水印检测方法中所执行的操作。
20.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现如权利要求1至9任一项所述的水印检测方法中所执行的操作。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011051424.2A CN113395583B (zh) | 2020-09-29 | 2020-09-29 | 水印检测方法、装置、计算机设备及存储介质 |
PCT/CN2021/118055 WO2022068569A1 (zh) | 2020-09-29 | 2021-09-13 | 水印检测方法、装置、计算机设备及存储介质 |
US17/963,844 US20230043154A1 (en) | 2020-09-29 | 2022-10-11 | Restoring a video for improved watermark detection |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011051424.2A CN113395583B (zh) | 2020-09-29 | 2020-09-29 | 水印检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113395583A CN113395583A (zh) | 2021-09-14 |
CN113395583B true CN113395583B (zh) | 2023-06-27 |
Family
ID=77616493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011051424.2A Active CN113395583B (zh) | 2020-09-29 | 2020-09-29 | 水印检测方法、装置、计算机设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230043154A1 (zh) |
CN (1) | CN113395583B (zh) |
WO (1) | WO2022068569A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115243073A (zh) * | 2022-07-22 | 2022-10-25 | 腾讯科技(深圳)有限公司 | 一种视频处理方法、装置、设备及存储介质 |
CN117253196B (zh) * | 2023-11-17 | 2024-02-02 | 本溪钢铁(集团)信息自动化有限责任公司 | 钢铁行业中基于视频的安全风险监控方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1971613A (zh) * | 2005-11-22 | 2007-05-30 | 北京华旗数码影像技术研究院有限责任公司 | 一种比特流鲁棒数字图像水印嵌入和检测方法及装置 |
WO2008084457A2 (en) * | 2007-01-12 | 2008-07-17 | Civolution Bv | Video watermarking |
CN101635843A (zh) * | 2008-07-23 | 2010-01-27 | 北京大学 | 一种基于帧间变化特征的视纹提取、查找比对方法及系统 |
CN107995500A (zh) * | 2017-10-27 | 2018-05-04 | 北京达佳互联信息技术有限公司 | 视频水印识别方法、装置及终端 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6360000B1 (en) * | 1998-11-09 | 2002-03-19 | David C. Collier | Method and apparatus for watermark detection for specific scales and arbitrary shifts |
CN107911753B (zh) * | 2017-11-28 | 2021-01-22 | 百度在线网络技术(北京)有限公司 | 用于在视频中添加数字水印的方法和装置 |
CN111191591A (zh) * | 2019-12-30 | 2020-05-22 | 广州市百果园网络科技有限公司 | 一种水印检测、视频处理方法和相关设备 |
-
2020
- 2020-09-29 CN CN202011051424.2A patent/CN113395583B/zh active Active
-
2021
- 2021-09-13 WO PCT/CN2021/118055 patent/WO2022068569A1/zh active Application Filing
-
2022
- 2022-10-11 US US17/963,844 patent/US20230043154A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1971613A (zh) * | 2005-11-22 | 2007-05-30 | 北京华旗数码影像技术研究院有限责任公司 | 一种比特流鲁棒数字图像水印嵌入和检测方法及装置 |
WO2008084457A2 (en) * | 2007-01-12 | 2008-07-17 | Civolution Bv | Video watermarking |
CN101635843A (zh) * | 2008-07-23 | 2010-01-27 | 北京大学 | 一种基于帧间变化特征的视纹提取、查找比对方法及系统 |
CN107995500A (zh) * | 2017-10-27 | 2018-05-04 | 北京达佳互联信息技术有限公司 | 视频水印识别方法、装置及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113395583A (zh) | 2021-09-14 |
US20230043154A1 (en) | 2023-02-09 |
WO2022068569A1 (zh) | 2022-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086709B (zh) | 特征提取模型训练方法、装置及存储介质 | |
CN110163048B (zh) | 手部关键点的识别模型训练方法、识别方法及设备 | |
CN110807361B (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN111476783B (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
CN113395542B (zh) | 基于人工智能的视频生成方法、装置、计算机设备及介质 | |
CN112598686B (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN111491187B (zh) | 视频的推荐方法、装置、设备及存储介质 | |
CN113395583B (zh) | 水印检测方法、装置、计算机设备及存储介质 | |
CN113610750A (zh) | 对象识别方法、装置、计算机设备及存储介质 | |
CN114332530A (zh) | 图像分类方法、装置、计算机设备及存储介质 | |
CN110942046B (zh) | 图像检索方法、装置、设备及存储介质 | |
CN110991457B (zh) | 二维码处理方法、装置、电子设备及存储介质 | |
CN114550070A (zh) | 视频片段的识别方法、装置、设备以及存储介质 | |
CN111507094B (zh) | 基于深度学习的文本处理模型训练方法、装置及设备 | |
CN116048244B (zh) | 一种注视点估计方法及相关设备 | |
CN114359225A (zh) | 图像检测方法、装置、计算机设备及存储介质 | |
CN114283299A (zh) | 图像聚类方法、装置、计算机设备及存储介质 | |
CN110135329B (zh) | 从视频中提取姿势的方法、装置、设备及存储介质 | |
CN113763931B (zh) | 波形特征提取方法、装置、计算机设备及存储介质 | |
CN113569822B (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN113361376B (zh) | 获取视频封面的方法、装置、计算机设备及可读存储介质 | |
CN115129932A (zh) | 视频片段的确定方法、装置、设备及存储介质 | |
CN114462580A (zh) | 文本识别模型的训练方法、文本识别方法、装置和设备 | |
CN114419517A (zh) | 视频帧处理方法、装置、计算机设备及存储介质 | |
CN113705292A (zh) | 时序动作检测方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40053162 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |