CN113965659A - 基于网络对网络的训练hevc视频隐写分析方法、系统 - Google Patents
基于网络对网络的训练hevc视频隐写分析方法、系统 Download PDFInfo
- Publication number
- CN113965659A CN113965659A CN202111223918.9A CN202111223918A CN113965659A CN 113965659 A CN113965659 A CN 113965659A CN 202111223918 A CN202111223918 A CN 202111223918A CN 113965659 A CN113965659 A CN 113965659A
- Authority
- CN
- China
- Prior art keywords
- network
- video
- training
- steganalysis
- module
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
- H04N1/32347—Reversible embedding, i.e. lossless, invertible, erasable, removable or distorsion-free embedding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供了一种基于网络对网络的训练HEVC视频隐写分析方法、系统,首先搭建由多个卷积神经网络组成的端到端HEVC视频信息隐藏模型网络框架;然后收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息;控制载体视频帧和秘密信息的融合比例,将样本输入设计好的网络中完成对隐写网络的训练。最后,保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练。将固定嵌入率的待检测视频输入至相应训练好的隐写分析网络中,隐写分析网络输出是否经过隐写的结果。本方法填补了利用网络对网络的训练来做HEVC视频隐写分析的专利短缺。
Description
技术领域
本发明涉及HEVC视频隐写分析的技术领域,具体地,涉及基于网络对网络的训练HEVC视频隐写分析方法、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。
随着深度学习网络在计算机视觉领域的成功应用,它在各个领域持续升温,近两三年(始于2018年),在基于深度学习实现图像的端到端信息隐藏研究中,包括Stanford、MIT等顶级院校都有相关研究。端到端的含义是指可以将载体和隐藏信息通过网络模型实现融合进而直接输出带有隐藏信息的载体,从而摆脱传统的信息隐藏对具备本领域专业知识的要求。受此影响,但载体又不局限于图像,视频有着比图像更丰富的嵌入冗余和编码特征,研究以视频为载体,训练端到端抗压缩的视频隐写网络,进而用隐写网络训练隐写分析网络,此外,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,中国专利公开号为CN107330845A的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,公开日为2017年11月7日。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。该方法相比于传统手工设计的隐写特征集能取得更高的检测正确率。与本专利的差异性在于该专利CN107330845A只针对数字图像领域,而对本专利涉及到的视频领域无效。
在公告号为CN103258123A的专利文献中公开了一种基于隐写分析系统盲性的隐写分析方法。本方法为:1)构造隐写模式的概率分布模型;所述概率分布模型包括多种隐写模式及其出现概率;2)选取一组原文样本集,并分别使用概率分布模型中的每种隐写模式对一原文样本集进行隐写,生成相应的隐文样本集;3)对于每一待测评的隐写分析系统,根据每一隐写模式的隐文样本集及其相应原文样本集计算该隐写分析系统对相应隐写模式的分析正确率;然后根据隐写模式的出现概率对各隐写模式的分析正确率进行加权平均,得到该隐写分析系统的盲性值;4)选取盲性值最高的隐写分析系统对待分析的隐文进行隐写分析。
中国专利公开号为CN107040786A的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。该专利创造性的对空域和时域运动相关性特征进行自适应选择,有效的提高了隐写分析检测率。与本专利的差异性在于该专利CN107040786A局限于手工选取特征的范畴,只能针对单一的隐写嵌入域,而本专利使用的是基于网络对网络的训练的方法,不需要人工提取特征,而且在理论上对多种不同隐写嵌入域的算法都有检测效果。因此,需要提出一种技术方案以改善上述技术问题。
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网络对网络的训练HEVC视频隐写分析方法、系统。
根据本发明提供的一种基于网络对网络的训练HEVC视频隐写分析方法,所述方法包括如下步骤:
步骤S1:搭建由多个卷积神经网络组成的端到端HEVC视频信息隐藏模型网络框架,包括隐写视频生成部分、隐藏信息提取部分、判别网络部分,对于判别网络部分,基于生成对抗网络设计的思路,判别载体视频帧和隐写视频帧;
步骤S2:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,载体视频帧是具有特定分辨率大小的像素矩阵,秘密信息M是具有一定长度L的0,1比特,将载体和秘密信息的融合作为网络的输入,并划分为训练集和验证集;
步骤S3:控制载体视频帧和秘密信息的融合比例,将样本输入设计好的网络中完成对隐写网络的训练,得到自动生成在一定嵌入率下重建视频质量高、提取信息准确率高、抗检测的隐写视频的隐写网络;
步骤S4:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练;
步骤S5:将固定嵌入率的待检测视频送入到步骤S4中训练好的隐写分析网络中,输出是否经过隐写的结果。
优选地,所述步骤S1包括如下步骤:
步骤S1.1:隐写视频生成部分中的编码网络卷积层参数设置如下:
数据处理:批归一化;
激活函数:线性整流函数;
卷积核:3×3核函数;
步长:1;
填充像素:1;
通道数:64;
输出:64×H×W隐写视频帧;
步骤S1.2:在步骤S1.1中生成的隐写视频帧作为压缩网络的输入,得到隐写视频重构帧,压缩网络卷积层参数设置如下:
数据处理:批归一化;
卷积核:1×1核函数;
步长:1;
通道数:C;
输出:C×H×W隐写视频重构帧。
优选地,所述步骤S2包括如下步骤:
步骤S2.1:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,将载体和秘密信息的融合作为网络的输入;
步骤S2.2:载体视频帧是具有特定分辨率大小的像素矩阵,卷积神经网络先对其进行卷积,参数设置如下:
数据处理:批归一化;
激活函数:线性整流函数;
卷积核:3×3核函数;
步长:1;
填充像素:1;
通道数:64;
输出:64×H×W特征;
步骤S2.3:秘密信息M是具有一定长度L的0,1比特,将秘密信息在空间上复制H×W次形成L×H×W的三维矩阵;
步骤S2.4:将步骤S2.2输出的64×H×W和步骤S2.3输出的L×H×W在第三维进行一个拼接;具体的特征大小根据实际视频分辨率来设置;生成的数据集按照10:1的比例分为训练集和验证集。
优选地,所述步骤S3包括如下步骤:
步骤S3.1:设定训练隐写网络的约束一,控制载体视频帧和秘密信息比例,控制嵌入率,分别设定为0.1bbp,0.2bbp,0.5bbp;
步骤S3.2:设定训练隐写网络的约束二,用于提升隐写信息的提取准确率,损失函数loss1,秘密信息和提取秘密信息之间的二范数,采用交叉熵损失优化,定义为:
对n分类的损失函数,xclass表示编入的分类输出,xj表示对每一分类的输出,LCE表示损失函数;网络根据不同的优化目标,设定不同的损失函数。
步骤S3.3:设定训练隐写网络的约束三,用于提升视频帧视觉质量,损失函数loss2,载体视频帧和隐写视频重构帧之间的二范数,采用均方误差MSE优化,定义如下:
其中M是样本数量,N是维度,f函数的输出是数据真实值,f′函数的输出是数据预测值;网络根据不同的优化目标,设定不同的损失函数。
步骤S3.4:设定训练隐写网络的约束四,用于提升视觉质量,判别网络部分损失函数loss3应用生成对抗网络loss,判别载体视频帧和隐写视频帧。
优选地,所述步骤S4包括如下步骤:
步骤S4.1:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练;
步骤S4.2: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根据实际应用和数据库大小来设定。
优选地,所述步骤S5包括如下步骤:
步骤S5.1:将固定嵌入率的待检测视频送入到步骤S4中训练好的隐写分析网络中;
步骤S5.2:得到输出结果,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。
本发明还提供一种基于网络对网络的训练HEVC视频隐写分析系统,所述系统包括如下模块:
模块M1:搭建由多个卷积神经网络组成的端到端HEVC视频信息隐藏模型网络框架,包括隐写视频生成部分、隐藏信息提取部分、判别网络部分,对于判别网络部分,基于生成对抗网络设计的思路,判别载体视频帧和隐写视频帧;
模块M2:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,载体视频帧是具有特定分辨率大小的像素矩阵,秘密信息M是具有一定长度L的0,1比特,将载体和秘密信息的融合作为网络的输入,并划分为训练集和验证集;
模块M3:控制载体视频帧和秘密信息的融合比例,将样本输入设计好的网络中完成对隐写网络的训练,得到自动生成在一定嵌入率下重建视频质量高、提取信息准确率高、抗检测的隐写视频的隐写网络;
模块M4:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练;
模块M5:将固定嵌入率的待检测视频送入到模块M4中训练好的隐写分析网络中,输出是否经过隐写的结果。
优选地,所述模块M1包括如下模块:
模块M1.1:隐写视频生成部分中的编码网络卷积层参数设置如下:
数据处理:批归一化;
激活函数:线性整流函数;
卷积核:3×3核函数;
步长:1;
填充像素:1;
通道数:64;
输出:64×H×W隐写视频帧;
模块M1.2:在模块M1.1中生成的隐写视频帧作为压缩网络的输入,得到隐写视频重构帧,压缩网络卷积层参数设置如下:
数据处理:批归一化;
卷积核:1×1核函数;
步长:1;
通道数:C;
输出:C×H×W隐写视频重构帧;
所述模块M2包括如下模块:
模块M2.1:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,将载体和秘密信息的融合作为网络的输入;
模块M2.2:载体视频帧是具有特定分辨率大小的像素矩阵,卷积神经网络先对其进行卷积,参数设置如下:
数据处理:批归一化;
激活函数:线性整流函数;
卷积核:3×3核函数;
步长:1;
填充像素:1;
通道数:64;
输出:64×H×W特征;
模块M2.3:秘密信息M是具有一定长度L的0,1比特,将秘密信息在空间上复制H×W次形成L×H×W的三维矩阵;
模块M2.4:将模块M2.2输出的64×H×W和模块M2.3输出的L×H×W在第三维进行一个拼接;具体的特征大小根据实际视频分辨率来设置;生成的数据集按照10:1的比例分为训练集和验证集。
优选地,所述模块M3包括如下模块:
模块M3.1:设定训练隐写网络的约束一,控制载体视频帧和秘密信息比例,控制嵌入率,分别设定为0.1bbp,0.2bbp,0.5bbp;
模块M3.2:设定训练隐写网络的约束二,用于提升隐写信息的提取准确率,损失函数loss1,秘密信息和提取秘密信息之间的二范数,采用交叉熵损失优化,定义为:
对n分类的损失函数,xclass表示编入的分类输出,xj表示对每一分类的输出,LCE表示损失函数;网络根据不同的优化目标,设定不同的损失函数;
模块M3.3:设定训练隐写网络的约束三,用于提升视频帧视觉质量,损失函数loss2,载体视频帧和隐写视频重构帧之间的二范数,采用均方误差MSE优化,定义如下:
其中M是样本数量,N是维度,f函数的输出是数据真实值,f′函数的输出是数据预测值;网络根据不同的优化目标,设定不同的损失函数;
模块M3.4:设定训练隐写网络的约束四,用于提升视觉质量,判别网络部分损失函数loss3应用生成对抗网络loss,判别载体视频帧和隐写视频帧;
所述模块M4包括如下模块:
模块M4.1:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练;
模块M4.2: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根据实际应用和数据库大小来设定。
优选地,所述模块M5包括如下模块:
模块M5.1:将固定嵌入率的待检测视频送入到模块M4中训练好的隐写分析网络中;
模块M5.2:得到输出结果,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、本发明提供的基于网络对网络的训练HEVC视频隐写分析方法,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,从而判断视频中是否存在隐秘信息;
2、本发明针对的是固定嵌入率下端到端隐写网络生成的隐写视频检测,根据基于深度学习网络进行端到端的视频信息隐藏特点,在训练隐写网络时引入判别网络部分,采用四个约束,使得隐写网络学习的参数保证信息提取准确率、信息容量和视觉质量,再替换掉判别网络,训练隐写分析网络,实现网络对网络的训练,从而使得隐写分析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,数据处理算法、卷积层数量、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为本发明基于网络对网络的训练HEVC视频隐写分析方法的整体框架图;
图2为载体和秘密信息融合输入示意图;
图3为隐写视频生成示意图;
图4为隐藏信息提取示意图;
图5为判别网络示意图;
图6为卷积操作示意图;
图7为池化操作示意图。
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。
本发明为解决现有HEVC视频隐写分析技术提供的方法在进行隐写分析时存在的分析性能低或者是手工设计特征复杂的技术缺陷,提供了一种基于网络对网络的训练HEVC视频隐写分析方法、系统。
本发明包括如下步骤:
步骤S1:搭建由多个卷积神经网络组成的端到端HEVC视频信息隐藏模型网络框架,包括隐写视频生成部分、隐藏信息提取部分、判别网络部分,对于判别网络部分,基于生成对抗网络设计的思路,来判别载体视频帧和隐写视频帧,进而提高编码网络生成隐写视频帧的可靠性,确保隐写视频帧的以假乱真。
步骤S1.1:隐写视频生成部分中的编码网络卷积层参数设置如下:数据处理:批归一化(batch normalization);激活函数:线性整流函数(Rectified Linear Unit,ReLU);卷积核:3×3核函数(Kernels);步长:1(stride);填充像素:1(padding);通道数:64(channel);输出:64×H×W隐写视频帧。具体的参数可以根据实际应用来设置。
步骤S1.2:在步骤S1.1中生成的隐写视频帧作为压缩网络的输入,得到隐写视频重构帧,压缩网络卷积层参数设置如下:数据处理:批归一化(batch normalization);卷积核:1×1核函数(Kernels);步长:1(stride);通道数:C(channel);输出:C×H×W隐写视频重构帧。具体的参数可以根据实际应用来设置。
步骤S2:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,载体视频帧是具有特定分辨率大小的像素矩阵,秘密信息M是具有一定长度L的0、1比特,将载体和秘密信息的融合作为网络的输入,并划分为训练集和验证集。步骤S2.1:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,将载体和秘密信息的融合作为网络的输入。步骤S2.2:载体视频帧是具有特定分辨率大小的像素矩阵,卷积神经网络先对其进行卷积,参数设置如下:数据处理:批归一化(batch normalization);激活函数:线性整流函数(Rectified Linear Unit,ReLU);卷积核:3×3核函数(Kernels);步长:1(stride);填充像素:1(padding);通道数:64(channel);输出:64×H×W特征。具体的参数可以根据实际应用来设置。
步骤S2.3:秘密信息M是具有一定长度L的0、1比特,将秘密信息在空间上复制H×W次形成L×H×W的三维矩阵。步骤S2.4:将步骤S2.2输出的64×H×W和步骤S2.3输出的L×H×W在第三维进行一个拼接,以供后续对其进行特征提取。具体的特征大小可以根据实际视频分辨率来设置。生成的数据集按照10:1的比例分为训练集和验证集。
隐写视频生成部分中是将载体和秘密信息的融合作为网络的输入,其中载体视频帧是具有特定分辨率大小,假设C×H×W,其中C是通道数的像素矩阵,而秘密信息M是具有一定长度L的0、1比特,卷积神经网络善于处理前者,先对前者进行卷积,得到大小为64×H×W的特征,同时将秘密信息在空间上复制H×W次形成L×H×W的三维矩阵,这时将64×H×W和L×H×W在第三维进行一个拼接,以供后续对其进行特征提取。具体的特征大小可以根据实际视频分辨率来设置。
数据集的选择和处理方式是从MSCOCO训练集中随机选择1万张,验证集中随机选择1千张分别作为训练集和验证集,由于压缩视频格式是YUV格式,而网络不能将YUV格式的视频帧作为输入,且训练过程中并没有用真实的HEVC压缩,因此数据集在训练过程中网络可以模拟HEVC帧内压缩,而测试时在压缩前后分别通过RGB2YUV和YUV2RGB函数保证整个流程的进行。实验证明,视频帧格式的转换,对最终的信息提取率和视频帧视觉质量影响不大。
步骤S3:控制载体视频帧和秘密信息的融合比例,将样本输入设计好的网络中完成对隐写网络的训练,得到可自动生成在一定嵌入率下重建视频质量高、提取信息准确率高、抗检测的隐写视频的隐写网络。步骤S3.1:设定训练隐写网络的约束一,控制载体视频帧和秘密信息比例,进而控制嵌入率,分别设定为0.1bbp,0.2bbp,0.5bbp。
步骤S3.2:设定训练隐写网络的约束二,用于提升隐写信息的提取准确率,损失函数loss1,秘密信息和提取秘密信息之间的二范数,采用交叉熵损失优化,定义为:
对n分类的损失函数,xclass表示编入的分类输出,xj表示对每一分类的输出,LCE表示损失函数。网络根据不同的优化目标,设定不同的损失函数。
步骤S3.3:设定训练隐写网络的约束三,用于提升视频帧视觉质量,损失函数loss2,载体视频帧和隐写视频重构帧之间的二范数,采用均方误差MSE优化,定义如下:
其中M是样本数量,N是维度,f函数的输出是数据真实值,f′函数的输出是数据预测值。网络根据不同的优化目标,设定不同的损失函数。
步骤S3.4:设定训练隐写网络的约束四,用于提升视觉质量,判别网络部分损失函数loss3应用生成对抗网络loss,来判别载体视频帧和隐写视频帧,提高编码网络生成隐写视频帧的可靠性,确保隐写视频帧的以假乱真。
步骤S4:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练。步骤S4.1:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练。步骤S4.2: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。
在步骤S3和步骤S4中训练网络时,载体视频帧通过编码网络得到的隐写视频帧需要经过压缩网络再送入解码网络进行信息提取,由于是端到端网络,需要保证解码网络的梯度可以反向传播到编码网络。结合HEVC编码原理是将当前视频帧基于CU块进行编码以减少空间冗余,主要设计无损的变换过程和有损的量化过程,采用一个模拟变换和量化的网络来进行训练,这样就解决了解码网络梯度无法反向传播到编码网络的问题。综上,训练时采用模拟HEVC变换和量化的网络,测试时采用真实的压缩网络。
本方法针对的是最新的视频编码标准,HEVC(High Efficiency Video Coding),检测的也是基于HEVC编码的视频。
步骤S5:将固定嵌入率的待检测视频送入到步骤S4中训练好的隐写分析网络中,输出是否经过隐写的结果。步骤S5.1:将固定嵌入率的待检测视频送入到步骤4中训练好的隐写分析网络中。步骤S5.2:得到输出结果,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。
本发明还提供一种基于网络对网络的训练HEVC视频隐写分析系统,包括如下模块:模块M1:搭建由多个卷积神经网络组成的端到端HEVC视频信息隐藏模型网络框架,包括隐写视频生成部分、隐藏信息提取部分、判别网络部分,对于判别网络部分,基于生成对抗网络设计的思路,判别载体视频帧和隐写视频帧;模块M1.1:隐写视频生成部分中的编码网络卷积层参数设置如下:数据处理:批归一化;激活函数:线性整流函数;卷积核:3×3核函数;步长:1;填充像素:1;通道数:64;输出:64×H×W隐写视频帧;模块M1.2:在模块M1.1中生成的隐写视频帧作为压缩网络的输入,得到隐写视频重构帧,压缩网络卷积层参数设置如下:数据处理:批归一化;卷积核:1×1核函数;步长:1;通道数:C;输出:C×H×W隐写视频重构帧。
模块M2:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,载体视频帧是具有特定分辨率大小的像素矩阵,秘密信息M是具有一定长度L的0,1比特,将载体和秘密信息的融合作为网络的输入,并划分为训练集和验证集;模块M2.1:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,将载体和秘密信息的融合作为网络的输入;模块M2.2:载体视频帧是具有特定分辨率大小的像素矩阵,卷积神经网络先对其进行卷积,参数设置如下:数据处理:批归一化;激活函数:线性整流函数;卷积核:3×3核函数;步长:1;填充像素:1;通道数:64;输出:64×H×W特征;模块M2.3:秘密信息M是具有一定长度L的0,1比特,将秘密信息在空间上复制H×W次形成L×H×W的三维矩阵;模块M2.4:将模块M2.2输出的64×H×W和模块M2.3输出的L×H×W在第三维进行一个拼接;具体的特征大小根据实际视频分辨率来设置;生成的数据集按照10:1的比例分为训练集和验证集。
模块M3:控制载体视频帧和秘密信息的融合比例,将样本输入设计好的网络中完成对隐写网络的训练,得到自动生成在一定嵌入率下重建视频质量高、提取信息准确率高、抗检测的隐写视频的隐写网络;模块M3.1:设定训练隐写网络的约束一,控制载体视频帧和秘密信息比例,控制嵌入率,分别设定为0.1bbp,0.2bbp,0.5bbp;模块M3.2:设定训练隐写网络的约束二,用于提升隐写信息的提取准确率,损失函数loss 1,秘密信息和提取秘密信息之间的二范数,采用交叉熵损失优化,定义为:
对n分类的损失函数,xclass表示编入的分类输出,xj表示对每一分类的输出,LCE表示损失函数;网络根据不同的优化目标,设定不同的损失函数。模块M3.3:设定训练隐写网络的约束三,用于提升视频帧视觉质量,损失函数loss2,载体视频帧和隐写视频重构帧之间的二范数,采用均方误差MSE优化,定义如下:
其中M是样本数量,N是维度,f函数的输出是数据真实值,f′函数的输出是数据预测值;网络根据不同的优化目标,设定不同的损失函数。模块M3.4:设定训练隐写网络的约束四,用于提升视觉质量,判别网络部分损失函数loss3应用生成对抗网络loss,判别载体视频帧和隐写视频帧;
模块M4:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练;模块M4.1:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练;模块M4.2: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根据实际应用和数据库大小来设定。
模块M5:将固定嵌入率的待检测视频送入到模块M4中训练好的隐写分析网络中,输出是否经过隐写的结果。模块M5.1:将固定嵌入率的待检测视频送入到模块M4中训练好的隐写分析网络中;模块M5.2:得到输出结果,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。
参照图1和图2,本实施例提供了基于网络对网络的训练HEVC视频隐写分析方法。包含网络模型结构、训练方式等方面。
参照图3和图4,隐写网络由隐写视频生成部分、隐藏信息提取部分和判别网络部分组成,每一部分由多个串联起来的卷积层组成,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。
参照图5和图6,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,ReLU表示整流线性单元,Rectified Linear Unit,其函数定义如下:
f(x)=max(0,x)
其中x作为输入,得到的f(x)为激活函数,可以看出激活函数是保留所有大于0的数值,并将所有非正值映射为0。
池化操作的过程如图7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(Fn-1(x)*Wn+Bn))
其中用Fn(x)来代表第n层的输出特征图,F0(x)是输入数据;Wn表示卷积核,Bnn表示偏差,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,Fn-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,就可以得到所需的隐写网络。如图1所示,就是本发明中提出的用于训练HEVC视频隐写分析网络的隐写网络结构。在训练隐写网络时设置四个约束。控制载体视频帧和秘密信息比例,进而控制嵌入率,同时,采用三个损失函数,其中loss1用于提升隐写信息的提取准确率,采用交叉熵损失优化,定义为:
对n分类的损失函数,xclass表示编入的分类输出,xj表示对每一分类的输出,LCE表示损失函数。网络根据不同的优化目标,设定不同的损失函数。
loss2用于提升视频帧视觉质量,采用均方误差MSE优化,定义如下:
其中M是样本数量,N是维度,f函数的输出是数据真实值,f′函数的输出是数据预测值。网络根据不同的优化目标,设定不同的损失函数。
应用生成对抗网络引入的loss3有助于视觉质量的提升。在控制载体视频帧和秘密信息比例下,基于以上三个loss共同训练,调整相应loss的权重参数,使得整个网络学习的参数保证信息提取准确率的前提下,适当增加信息容量和确保视觉质量。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。
训练好隐写网络后,保持参数不变,替换掉判别网络,训练隐写分析网络,实现网络对网络的训练,从而使得隐写分析网络在检测固定嵌入率下端到端隐写网络生成的隐写视频的准确率上有了很大的提高。
本实施例选择了目前HEVC视频领域Yang等人提出的最新的视频隐写算法来生成数据集,作为本文提出的基于网络对网络的训练的视频隐写分析方法的检测目标。实验结果表明对Yang等人算法的检测准确率较高。
通过本实施例测试结果表明,本发明提出的基于网络对网络的训练HEVC视频隐写分析方法,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利用网络对网络的训练来做HEVC视频隐写分析的短缺,具有很强的商用价值。
本发明提供的基于网络对网络的训练HEVC视频隐写分析方法,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,从而判断视频中是否存在隐秘信息。
本发明针对的是固定嵌入率下端到端隐写网络生成的隐写视频检测,根据基于深度学习网络进行端到端的视频信息隐藏特点,在训练隐写网络时引入判别网络部分,采用四个约束,使得隐写网络学习的参数保证信息提取准确率、信息容量和视觉质量,再替换掉判别网络,训练隐写分析网络,实现网络对网络的训练,从而使得隐写分析网络在检测的准确率上有了很大的提高。
本发明设计的方法没有严格限制网络的层数和具体结构,数据处理算法、卷积层数量、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。
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)
1.一种基于网络对网络的训练HEVC视频隐写分析方法,其特征在于,所述方法包括如下步骤:
步骤S1:搭建由多个卷积神经网络组成的端到端HEVC视频信息隐藏模型网络框架,包括隐写视频生成部分、隐藏信息提取部分、判别网络部分,对于判别网络部分,基于生成对抗网络设计的思路,判别载体视频帧和隐写视频帧;
步骤S2:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,载体视频帧是具有特定分辨率大小的像素矩阵,秘密信息M是具有一定长度L的0,1比特,将载体和秘密信息的融合作为网络的输入,并划分为训练集和验证集;
步骤S3:控制载体视频帧和秘密信息的融合比例,将样本输入设计好的网络中完成对隐写网络的训练,得到自动生成在一定嵌入率下重建视频质量高、提取信息准确率高、抗检测的隐写视频的隐写网络;
步骤S4:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练;
步骤S5:将固定嵌入率的待检测视频送入到步骤S4中训练好的隐写分析网络中,输出是否经过隐写的结果。
2.根据权利要求1所述的基于网络对网络的训练HEVC视频隐写分析方法,其特征在于,所述步骤S1包括如下步骤:
步骤S1.1:隐写视频生成部分中的编码网络卷积层参数设置如下:
数据处理:批归一化;
激活函数:线性整流函数;
卷积核:3×3核函数;
步长:1;
填充像素:1;
通道数:64;
输出:64×H×W隐写视频帧;
步骤S1.2:在步骤S1.1中生成的隐写视频帧作为压缩网络的输入,得到隐写视频重构帧,压缩网络卷积层参数设置如下:
数据处理:批归一化;
卷积核:1×1核函数;
步长:1;
通道数:C;
输出:C×H×W隐写视频重构帧。
3.根据权利要求1所述的基于网络对网络的训练HEVC视频隐写分析方法,其特征在于,所述步骤S2包括如下步骤:
步骤S2.1:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,将载体和秘密信息的融合作为网络的输入;
步骤S2.2:载体视频帧是具有特定分辨率大小的像素矩阵,卷积神经网络先对其进行卷积,参数设置如下:
数据处理:批归一化;
激活函数:线性整流函数;
卷积核:3×3核函数;
步长:1;
填充像素:1;
通道数:64;
输出:64×H×W特征;
步骤S2.3:秘密信息M是具有一定长度L的0,1比特,将秘密信息在空间上复制H×W次形成L×H×W的三维矩阵;
步骤S2.4:将步骤S2.2输出的64×H×W和步骤S2.3输出的L×H×W在第三维进行一个拼接;具体的特征大小根据实际视频分辨率来设置;生成的数据集按照10:1的比例分为训练集和验证集。
4.根据权利要求1所述的基于网络对网络的训练HEVC视频隐写分析方法,其特征在于,所述步骤S3包括如下步骤:
步骤S3.1:设定训练隐写网络的约束一,控制载体视频帧和秘密信息比例,控制嵌入率,分别设定为0.1bbp,0.2bbp,0.5bbp;
步骤S3.2:设定训练隐写网络的约束二,用于提升隐写信息的提取准确率,损失函数loss1,秘密信息和提取秘密信息之间的二范数,采用交叉熵损失优化,定义为:
对n分类的损失函数,xclass表示编入的分类输出,xj表示对每一分类的输出,LCE表示损失函数;网络根据不同的优化目标,设定不同的损失函数。
步骤S3.3:设定训练隐写网络的约束三,用于提升视频帧视觉质量,损失函数loss2,载体视频帧和隐写视频重构帧之间的二范数,采用均方误差MSE优化,定义如下:
其中M是样本数量,N是维度,f函数的输出是数据真实值,f′函数的输出是数据预测值;网络根据不同的优化目标,设定不同的损失函数。
步骤S3.4:设定训练隐写网络的约束四,用于提升视觉质量,判别网络部分损失函数loss3应用生成对抗网络loss,判别载体视频帧和隐写视频帧。
5.根据权利要求1所述的基于网络对网络的训练HEVC视频隐写分析方法,其特征在于,所述步骤S4包括如下步骤:
步骤S4.1:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练;
步骤S4.2: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根据实际应用和数据库大小来设定。
6.根据权利要求1所述的基于网络对网络的训练HEVC视频隐写分析方法,其特征在于,所述步骤S5包括如下步骤:
步骤S5.1:将固定嵌入率的待检测视频送入到步骤S4中训练好的隐写分析网络中;
步骤S5.2:得到输出结果,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。
7.一种基于网络对网络的训练HEVC视频隐写分析系统,其特征在于,所述系统包括如下模块:
模块M1:搭建由多个卷积神经网络组成的端到端HEVC视频信息隐藏模型网络框架,包括隐写视频生成部分、隐藏信息提取部分、判别网络部分,对于判别网络部分,基于生成对抗网络设计的思路,判别载体视频帧和隐写视频帧;
模块M2:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,载体视频帧是具有特定分辨率大小的像素矩阵,秘密信息M是具有一定长度L的0,1比特,将载体和秘密信息的融合作为网络的输入,并划分为训练集和验证集;
模块M3:控制载体视频帧和秘密信息的融合比例,将样本输入设计好的网络中完成对隐写网络的训练,得到自动生成在一定嵌入率下重建视频质量高、提取信息准确率高、抗检测的隐写视频的隐写网络;
模块M4:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练;
模块M5:将固定嵌入率的待检测视频送入到模块M4中训练好的隐写分析网络中,输出是否经过隐写的结果。
8.根据权利要求7所述的基于网络对网络的训练HEVC视频隐写分析系统,其特征在于,所述模块M1包括如下模块:
模块M1.1:隐写视频生成部分中的编码网络卷积层参数设置如下:
数据处理:批归一化;
激活函数:线性整流函数;
卷积核:3×3核函数;
步长:1;
填充像素:1;
通道数:64;
输出:64×H×W隐写视频帧;
模块M1.2:在模块M1.1中生成的隐写视频帧作为压缩网络的输入,得到隐写视频重构帧,压缩网络卷积层参数设置如下:
数据处理:批归一化;
卷积核:1×1核函数;
步长:1;
通道数:C;
输出:C×H×W隐写视频重构帧;
所述模块M2包括如下模块:
模块M2.1:收集视频序列,生成训练隐写网络所需的数据库样本和秘密信息,将载体和秘密信息的融合作为网络的输入;
模块M2.2:载体视频帧是具有特定分辨率大小的像素矩阵,卷积神经网络先对其进行卷积,参数设置如下:
数据处理:批归一化;
激活函数:线性整流函数;
卷积核:3×3核函数;
步长:1;
填充像素:1;
通道数:64;
输出:64×H×W特征;
模块M2.3:秘密信息M是具有一定长度L的0,1比特,将秘密信息在空间上复制H×W次形成L×H×W的三维矩阵;
模块M2.4:将模块M2.2输出的64×H×W和模块M2.3输出的L×H×W在第三维进行一个拼接;具体的特征大小根据实际视频分辨率来设置;生成的数据集按照10:1的比例分为训练集和验证集。
9.根据权利要求7所述的基于网络对网络的训练HEVC视频隐写分析系统,其特征在于,所述模块M3包括如下模块:
模块M3.1:设定训练隐写网络的约束一,控制载体视频帧和秘密信息比例,控制嵌入率,分别设定为0.1bbp,0.2bbp,0.5bbp;
模块M3.2:设定训练隐写网络的约束二,用于提升隐写信息的提取准确率,损失函数loss1,秘密信息和提取秘密信息之间的二范数,采用交叉熵损失优化,定义为:
对n分类的损失函数,xclass表示编入的分类输出,xj表示对每一分类的输出,LCE表示损失函数;网络根据不同的优化目标,设定不同的损失函数;
模块M3.3:设定训练隐写网络的约束三,用于提升视频帧视觉质量,损失函数loss2,载体视频帧和隐写视频重构帧之间的二范数,采用均方误差MSE优化,定义如下:
其中M是样本数量,N是维度,f函数的输出是数据真实值,f′函数的输出是数据预测值;网络根据不同的优化目标,设定不同的损失函数;
模块M3.4:设定训练隐写网络的约束四,用于提升视觉质量,判别网络部分损失函数loss3应用生成对抗网络loss,判别载体视频帧和隐写视频帧;
所述模块M4包括如下模块:
模块M4.1:保持网络参数不变,用隐写分析网络替换判别网络,在不同嵌入率下完成隐写网络对隐写分析网络的训练;
模块M4.2: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根据实际应用和数据库大小来设定。
10.根据权利要求7所述的基于网络对网络的训练HEVC视频隐写分析系统,其特征在于,所述模块M5包括如下模块:
模块M5.1:将固定嵌入率的待检测视频送入到模块M4中训练好的隐写分析网络中;
模块M5.2:得到输出结果,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111223918.9A CN113965659B (zh) | 2021-10-18 | 2021-10-18 | 基于网络对网络的训练hevc视频隐写分析方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111223918.9A CN113965659B (zh) | 2021-10-18 | 2021-10-18 | 基于网络对网络的训练hevc视频隐写分析方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113965659A true CN113965659A (zh) | 2022-01-21 |
CN113965659B CN113965659B (zh) | 2022-07-26 |
Family
ID=79465188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111223918.9A Active CN113965659B (zh) | 2021-10-18 | 2021-10-18 | 基于网络对网络的训练hevc视频隐写分析方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113965659B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116156072A (zh) * | 2023-02-08 | 2023-05-23 | 马上消费金融股份有限公司 | 隐写图像生成方法、隐写信息提取方法及相关装置 |
CN117132671A (zh) * | 2023-10-27 | 2023-11-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于深度自适应隐写网络的多任务隐写方法、系统及介质 |
CN117292696A (zh) * | 2023-10-08 | 2023-12-26 | 合肥工业大学 | 端到端音频隐写方法、系统、存储介质及电子设备 |
CN117962620A (zh) * | 2024-03-28 | 2024-05-03 | 光克(上海)工业自动化科技有限公司 | 一种新能源车辆动力电池充电安全监测预警方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130279566A1 (en) * | 2012-04-20 | 2013-10-24 | Technische Universitat Berlin | System, components and method for parametric motion vector prediction for hybrid video coding |
CN106060556A (zh) * | 2016-06-24 | 2016-10-26 | 宁波大学 | 一种针对hevc预测模式隐写的检测方法 |
CN111263165A (zh) * | 2019-12-27 | 2020-06-09 | 郑州师范学院 | 一种hevc视频隐写信息的嵌入方法及提取方法 |
US10701394B1 (en) * | 2016-11-10 | 2020-06-30 | Twitter, Inc. | Real-time video super-resolution with spatio-temporal networks and motion compensation |
WO2021051369A1 (en) * | 2019-09-20 | 2021-03-25 | Intel Corporation | Convolutional neural network loop filter based on classifier |
CN112804533A (zh) * | 2021-02-08 | 2021-05-14 | 上海交通大学 | 基于分块信息掩膜的hevc视频隐写分析网络方法及系统 |
CN113077377A (zh) * | 2021-05-13 | 2021-07-06 | 海南大学 | 一种基于生成对抗网络的彩色图像隐写方法 |
-
2021
- 2021-10-18 CN CN202111223918.9A patent/CN113965659B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130279566A1 (en) * | 2012-04-20 | 2013-10-24 | Technische Universitat Berlin | System, components and method for parametric motion vector prediction for hybrid video coding |
CN106060556A (zh) * | 2016-06-24 | 2016-10-26 | 宁波大学 | 一种针对hevc预测模式隐写的检测方法 |
US10701394B1 (en) * | 2016-11-10 | 2020-06-30 | Twitter, Inc. | Real-time video super-resolution with spatio-temporal networks and motion compensation |
WO2021051369A1 (en) * | 2019-09-20 | 2021-03-25 | Intel Corporation | Convolutional neural network loop filter based on classifier |
CN111263165A (zh) * | 2019-12-27 | 2020-06-09 | 郑州师范学院 | 一种hevc视频隐写信息的嵌入方法及提取方法 |
CN112804533A (zh) * | 2021-02-08 | 2021-05-14 | 上海交通大学 | 基于分块信息掩膜的hevc视频隐写分析网络方法及系统 |
CN113077377A (zh) * | 2021-05-13 | 2021-07-06 | 海南大学 | 一种基于生成对抗网络的彩色图像隐写方法 |
Non-Patent Citations (2)
Title |
---|
XINGHAO JIANG等: "Detection of Double Compressed HEVC Videos Using GOP-Based PU Type Statistics", 《 IEEE ACCESS ( VOLUME: 7) 》 * |
黄雄波等: "针对视频运动向量隐写的深度神经网络检测方法", 《华南理工大学学报(自然科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116156072A (zh) * | 2023-02-08 | 2023-05-23 | 马上消费金融股份有限公司 | 隐写图像生成方法、隐写信息提取方法及相关装置 |
CN117292696A (zh) * | 2023-10-08 | 2023-12-26 | 合肥工业大学 | 端到端音频隐写方法、系统、存储介质及电子设备 |
CN117292696B (zh) * | 2023-10-08 | 2024-03-12 | 合肥工业大学 | 端到端音频隐写方法、系统、存储介质及电子设备 |
CN117132671A (zh) * | 2023-10-27 | 2023-11-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于深度自适应隐写网络的多任务隐写方法、系统及介质 |
CN117132671B (zh) * | 2023-10-27 | 2024-02-23 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于深度自适应隐写网络的多任务隐写方法、系统及介质 |
CN117962620A (zh) * | 2024-03-28 | 2024-05-03 | 光克(上海)工业自动化科技有限公司 | 一种新能源车辆动力电池充电安全监测预警方法及系统 |
CN117962620B (zh) * | 2024-03-28 | 2024-05-28 | 光克(上海)工业自动化科技有限公司 | 一种新能源车辆动力电池充电安全监测预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113965659B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113965659B (zh) | 基于网络对网络的训练hevc视频隐写分析方法、系统 | |
CN109118467B (zh) | 基于生成对抗网络的红外与可见光图像融合方法 | |
CN110309732B (zh) | 基于骨架视频的行为识别方法 | |
CN110933429B (zh) | 基于深度神经网络的视频压缩感知与重构方法和装置 | |
CN113688723A (zh) | 一种基于改进YOLOv5的红外图像行人目标检测方法 | |
CN110363770B (zh) | 一种边缘引导式红外语义分割模型的训练方法及装置 | |
CN110490082A (zh) | 一种有效融合神经网络特征的道路场景语义分割方法 | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
CN111626245A (zh) | 一种基于视频关键帧的人体行为识别方法 | |
CN106960415A (zh) | 一种基于像素递归超分辨率模型恢复图像的方法 | |
CN113065496A (zh) | 神经网络机器翻译模型训练方法、机器翻译方法和装置 | |
CN116205962A (zh) | 基于完整上下文信息的单目深度估计方法及系统 | |
CN116703885A (zh) | 一种基于Swin Transformer的表面缺陷检测方法及系统 | |
CN116091288A (zh) | 一种基于扩散模型的图像隐写方法 | |
CN117541668A (zh) | 虚拟角色的生成方法、装置、设备及存储介质 | |
Athar et al. | Degraded reference image quality assessment | |
CN117522674A (zh) | 一种联合局部和全局信息的图像重建系统及方法 | |
CN112804533B (zh) | 基于分块信息掩膜的hevc视频隐写分析网络方法及系统 | |
CN116957921A (zh) | 图像渲染方法、装置、设备及存储介质 | |
CN116912727A (zh) | 一种基于时空特征增强网络的视频人体行为识别方法 | |
CN116523985A (zh) | 一种结构和纹理特征引导的双编码器图像修复方法 | |
CN116597503A (zh) | 一种基于时空特征的课堂行为检测方法 | |
CN116309171A (zh) | 一种输电线路监控图像增强方法和装置 | |
CN113949880B (zh) | 一种极低码率人机协同图像编码训练方法及编解码方法 | |
CN109166118A (zh) | 织物表面属性检测方法、装置及计算机设备 |
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 |