CN115190333A - 一种基于云计算的直播视频加密传输方法 - Google Patents
一种基于云计算的直播视频加密传输方法 Download PDFInfo
- Publication number
- CN115190333A CN115190333A CN202210899467.9A CN202210899467A CN115190333A CN 115190333 A CN115190333 A CN 115190333A CN 202210899467 A CN202210899467 A CN 202210899467A CN 115190333 A CN115190333 A CN 115190333A
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- layer
- layering
- gaussian
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000005540 biological transmission Effects 0.000 title claims abstract description 21
- 230000000739 chaotic effect Effects 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims description 16
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 13
- 238000010606 normalization Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/2347—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving video stream encryption
-
- 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明涉及移动通信技术领域,提出了一种基于云计算的直播视频加密传输方法,包括:获取直播过程中设定帧图像;得到设定帧图像中每一帧图像和其相邻帧图像的结构相似性;得到每一类图像区间;得到图像区间中的代表帧图像;获取代表帧图像的最佳分层数;得到图像区间中每一帧图像的所有层拉普拉斯图像和最高层高斯图像;得到每层拉普拉斯图像和最高层高斯图像的加密密钥;对每层拉普拉斯图像和最高层高斯图像进行混沌序列加密,完成对图像的加密。本发明对图像进行分层加密,具有更高的安全性。
Description
技术领域
本发明涉及移动通信技术领域,具体涉及一种基于云计算的直播视频加密传输方法。
背景技术
视频加密是指对视频原始数据进行保护,防止用户提取出视频的原始数据。对于直播视频的加密,主要是为了提供给视频的指定用户观看,防止未经授权的人随意观看。
在本发明中,针对直播视频的连续性进行分析,对视频进行逐帧加密。一般视频的逐帧加密为使用同一加密方法对不同帧图像进行同一方法同一尺度的加密,加密方法不具有针对性,同时加密方法简单,加密方式固定单一,导致被非法破解的可能性较高。
因此,在本发明中,利用图像金字塔对图像进行分层,根据分层图像的信息与加密分层时间的关系确定最佳的分层数,同时对结构相似的连续帧图像使用同一分层数。然后利用Logistic混沌序列加密方法,根据一帧图像中每一层图像的特点,确定加密密钥。利用本发明中的加密方法,首先根据分层图像的信息量以及分层时间的关系,确定最佳分层数,减少不必要的分层,减少运算数据的冗余。其次,对结构相似的连续帧图像使用同一分层数,减少运算时间。最后,根据图像金字塔的分层图像进行分层加密,实现多重加密。
发明内容
本发明提供一种基于云计算的直播视频加密传输方法,以解决现有的安全性较低的问题。
本发明的一种基于云计算的直播视频加密传输方法,采用如下技术方案,包括:
获取直播过程中设定帧图像;
通过设定帧图像中每一帧图像和其相邻帧图像中所有像素点的像素值得到设定帧图像中每一帧图像和其相邻帧图像的结构相似性;
利用每一帧图像和其相邻帧图像的结构相似性对设定帧图像进行分类,得到每一类图像区间;
计算每一类图像区间中每一帧图像和其它所有帧图像的相关性,在得到的所有相关性中选取最大相关性对应的一帧图像作为该类图像区间中的代表帧图像;
对每一类图像区间中的代表帧图像同时进行多次的拉普拉斯和高斯分层,且每次分层的层数不相同,利用每一次拉普拉斯分层后每层图像在进行加密时所需的加密时间和每一次高斯分层后最高层高斯图像的信息熵计算每次分层的分层效果,获取分层效果中的最大值所对应的分层后的层数作为该类图像区间中代表帧图像的最佳分层数;
利用每一类图像区间中代表帧图像的最佳分层数对该类图像区间中所有帧图像进行拉普拉斯和高斯分层,得到每一类图像区间中每一帧图像的所有层拉普拉斯图像和最高层高斯图像;
根据每一帧图像经过分层后每层拉普拉斯图像和最高层高斯图像的信息熵以及其中边缘像素点的个数、所有像素点的个数得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的加密密钥;
利用每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的加密密钥和设定的固定密钥分别对分层后的每层拉普拉斯图像和最高层高斯图像进行混沌序列加密,完成对该帧图像的加密,将加密后的图像传输到云端进行保存。
进一步的,所述的一种基于云计算的直播视频加密传输方法,利用每一帧图像和其相邻帧图像的结构相似性对设定帧图像进行分类的方法为:
若每一帧图像和其相邻帧图像的结构相似性大于结构相似性阈值,判断该帧图像和其相邻帧图像属于同一类图像区间;否则,判断该帧图像和其相邻帧图像不属于同一类图像区间。
进一步的,所述的一种基于云计算的直播视频加密传输方法,每一帧图像和其相邻帧图像的结构相似性的表达式为:
式中,α(h1,h2)表示第h1帧图像和第h2帧图像的结构相似性,第h1帧图像和第h2帧图像为相邻帧图像,Q1表示第h1帧图像中所有像素点的像素平均值,Q2表示第h2帧图像中所有像素点的像素平均值,W12表示第h1帧图像和第h2帧图像中像素点的像素值的协方差,表示第h1帧图像中所有像素点的像素值的方差,表示第h2帧图像中所有像素点的像素值的方差,O1表示第一维稳常数,O1表示第二维稳常数。
进一步的,所述的一种基于云计算的直播视频加密传输方法,每次分层的分层效果的表达式为:
式中,P(N)表示每一类图像区间中的代表帧图像每次分层的分层效果,H(GN)表示每一类图像区间中的代表帧图像每次分层后最高层高斯图像的信息熵,tl表示每一类图像区间中代表帧图像每次分层的分层加密时间;
每一类图像区间中代表帧图像每次分层的分层加密时间的表达式为:
式中,j表示每一类图像区间中代表帧图像分层后的第j层图像,N表示每一类图像区间中代表帧图像的分层数,tj表示每一类图像区间中代表帧图像分层后的第j层拉普拉斯图像的混沌序列加密时间,T表示每一类图像区间中代表帧图像的分层时间。
进一步的,所述的一种基于云计算的直播视频加密传输方法,得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的加密密钥的方法为:
根据每一帧图像经过分层后每层拉普拉斯图像和最高层高斯图像的信息熵以及其中边缘像素点的个数、所有像素点的个数得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的边缘加权熵;
对每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的边缘加权熵进行归一化处理得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的加密密钥。
进一步的,所述的一种基于云计算的直播视频加密传输方法,得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的边缘加权熵的方法为:
计算每一帧图像分层后每层拉普拉斯图像和最高层高斯图像中边缘像素点的个数和所有像素点的个数的比值;计算该比值与每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的信息熵的乘积,该乘积即为每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的边缘加权熵。
进一步的,所述的一种基于云计算的直播视频加密传输方法,每一类图像区间中每一帧图像和其它所有帧图像的相关性的表达式为:
式中,CONε′表示每一类图像区间中第ε′帧图像和其它所有帧图像的相关性,ε表示每一类图像区间中除第ε′帧图像以外的第ε帧图像,Hε表示每一类图像区间中除第ε′帧图像以外的第ε帧图像的信息熵,nu表示每一类图像区间中除第ε′帧图像以外的图像帧数,Hε′表示每一类图像区间中第ε′帧图像的信息熵。
本发明的有益效果是:本发明首先对结构相似的连续帧图像使用同一分层数,减少运算时间。其次,根据分层图像的信息量以及分层时间的关系,确定最佳分层数,减少不必要的分层,减少运算数据的冗余。最后,根据图像金字塔的分层图像进行分层加密,实现多重加密。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于云计算的直播视频加密传输方法的实施例的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明的一种基于云计算的直播视频加密传输方法的实施例,如图1所示,包括:
101、获取直播过程中设定帧图像。
对于直播视频的加密,在本实施例中对直播视频进行逐帧加密,即对每一帧直播图像分别处理,根据图像加密方法对每一帧图像进行加密,最终实现直播视频的加密。
首先获取设定帧图像。
本实施例中对每一帧直播图像进行分层加密,具体地,获取每一帧直播图像的多层拉普拉斯图像和高斯图像,接下来确定分层数。
对于图像金字塔的分层中,由原始图像不断地进行下采样,产生新的分层,随着层数的增加,分层图像不断地变小,直至大小为1个像素。所以,在加密前,需要确定有效的分层图像,确定图像金字塔的层数N。
图像金字塔的层数N的确定方法具体如下:
102、通过设定帧图像中每一帧图像和其相邻帧图像中所有像素点的像素值得到设定帧图像中每一帧图像和其相邻帧图像的结构相似性。
首先对图像分区间,对于直播视频进行分帧加密时,由于视频的连续帧图像具有相似性,所以,根据连续帧图像的相似性对设定帧直播图像进行分区间加密,连续相似帧图像进行相同的分层方式,然后进行加密。
对于图像的相似性一般使用图像的结构相似性表示,如下式所示:
式中,α(h1,h2)表示第h1帧图像和第h2帧图像的结构相似性,第h1帧图像和第h2帧图像为相邻帧图像,Q1表示第h1帧图像中所有像素点的像素平均值,Q2表示第h2帧图像中所有像素点的像素平均值,W12表示第h1帧图像和第h2帧图像中像素点的像素值的协方差,表示第h1帧图像中所有像素点的像素值的方差,表示第h2帧图像中所有像素点的像素值的方差,O1表示第一维稳常数,O1表示第二维稳常数。
其中,O1=(0.01L1)2,O2=(0.03L2)2,L1表示第H1帧图像中的最大像素值,L2表示第H2帧图像中的最大像素值。
103、利用每一帧图像和其相邻帧图像的结构相似性对设定帧图像进行分类,得到每一类图像区间。
从第一帧图像开始,计算每一帧图像和其相邻帧图像的结构相似性,通过该结构相似性和相似性阈值α0的大小判断每一帧图像和其相邻帧图像是否为同一分层区间,若每一帧图像和其相邻帧图像的结构相似性大于相似性阈值α0时,判断当前帧图像和其相邻帧图像为同一类图像区间。若当前帧图像和其相邻帧图像的结构相似性小于或等于相似性阈值α0时,判断当前帧图像和其相邻帧图像不在同一类图像区间;接下来按照同样的方法判断当前帧图像的相邻帧直播图像与其相邻图像的结构相似性。若连续若干帧图像中每两个连续帧图像在同一类图像区间,则这连续若干帧图像为同一类图像区间。
至此,将设定连续帧图像分成不同类图像区间。
例如,为了方便说明,假设存在5帧图像,若第一帧图像和第二帧图像的结构相似性大于相似性阈值α0时,判断第一帧图像和第二帧图像在同一类图像区间;若第二帧图像和第三帧图像的结构相似性大于相似性阈值α0时,判断第二帧图像和第三帧图像在同一类图像区间,所以第一帧图像、第二帧图像和第三帧图像在同一类图像区间;若第三帧图像和第四帧图像的结构相似性小于或等于相似性阈值α0时,判断第四帧图像和第三帧图像不在同一类图像区间,接下来判断第四帧图像和第五帧图像的结构相似性,若第四帧图像和第五帧图像的结构相似性大于相似性阈值α0时,判断第四帧图像和第五帧图像在同一类图像区间。综上,共得到两类图像区间,第一类图像区间由第一帧图像、第二帧图像和第三帧图像组成,第二类图像区间由第四帧图像和第五帧图像组成。
104、计算每一类图像区间中每一帧图像和其它所有帧图像的相关性,在得到的所有相关性中选取最大相关性对应的一帧图像作为该类图像区间中的代表帧图像。
对于获得的同一类图像区间内的连续帧图像,首先根据图像之间的相关性,选择最大相关性的图像作为该区间的图像分层方式的依据,即根据该图像确定该类图像区间中所有帧图像的金字塔分层数。对于同一类图像区间中图像之间的相关性通过对应图像的信息熵的相关性进行表示。
相关性的表达式如下:
式中,CONε′表示每一类图像区间中第ε′帧图像和其它所有帧图像的相关性,ε表示每一类图像区间中除第ε′帧图像以外的第ε帧图像,Hε表示每一类图像区间中除第ε′帧图像以外的第ε图像的信息熵,nu表示每一类图像区间中除第ε′帧图像以外的图像帧数,Hε′表示每一类图像区间中第ε′帧图像的信息熵。
具体为:计算每一类图像区间中每一帧图像与其它所有帧图像的相关性,在得到的所有相关性中选取最大值所对应的一帧图像作为该类图像区间的代表帧图像,根据该代表帧图像确定图像金字塔的分层数。
105、对每一类图像区间中的代表帧图像同时进行多次的拉普拉斯和高斯分层,且每次分层的层数不相同,利用每一次拉普拉斯分层后每层图像在进行加密时所需的加密时间和每一次高斯分层后最高层高斯图像的信息熵计算每次分层的分层效果,获取分层效果中的最大值所对应的分层后的层数作为该类图像区间中代表帧图像的最佳分层数。
上述步骤确定了每一分层区间中的代表帧图像,接着计算代表帧图像的最佳分层数,具体如下:
对于图像金字塔的层数的确定,主要依据最高层的图像信息量以及图像信息的加密关系。每进行一次分层,包括一次拉普拉斯和一次高斯分层,需要的分层时间为T,第j层拉普拉斯图像进行加密,所需要的时间为tj,随着层数的增加,拉普拉斯图像变小,所需要的加密时间变短,此时构建一个递减函数,表示第j层普拉斯图像进行加密所需时间,表达式如下:
tj={tj-1*e-j|j>1}
式中,tj表示每一类图像区间中代表帧图像分层后的第j层拉普拉斯图像的混沌序列加密时间,tj-1表示第j-1层拉普拉斯图像进行混沌序列加密所需要的时间,j表示每一类图像区间中代表帧图像分层后的第j层图像,其中,根据第1层拉普拉斯图像即原始图像的大小获得第1层拉普拉斯图像进行加密所需要的时间t1,所述原始图像的大小是原始图像中像素点的个数,原始图像即代表帧图像。
式中,tl表示每一类图像区间中代表帧图像分为N层的分层加密时间,N表示每一类图像区间中代表帧图像的分层数,T表示每一类图像区间中代表帧图像的分层时间,包括一次拉普拉斯分层和一次高斯分层所需要的分层时间。
在对图像进行金字塔分层时,高斯分层表示图像的原有信息,所以,对于分层后的图像的信息量的判断主要依据最高层的高斯层图像进行。对于每次分层获得的高斯层图像的信息熵表示为:
式中,H(Gj)表示每一类图像区间中的代表帧图像每次分层后第j层高斯图像的信息熵,i表示第j层高斯图像中的灰度值i,M表示第j层高斯图像中的最大灰度值,P(Fi)表示第j层高斯图像中灰度值为i的像素点的频率。
通过上述信息熵公式得到每一类图像区间中的代表帧图像每次分层后最高层即第N层高斯图像的信息熵H(GN)。
对于高斯图像的加密,信息熵越大,加密的复杂程度越大。所以,对于图像进行金字塔分层加密时,金字塔分层的分层效果P(N)为:
式中,P(N)表示每一类图像区间中的代表帧图像每次分层的分层效果。
图像分层越多,H(GN)越小,P(N)越大,更利于加密;同时分层越多,tl越大,P(N)越小,越不利于加密。所以,根据金字塔分层加密的分层效果P(j)确定最佳的分层数。当P(j)值为最大值时,分层效果最佳,此时获得最佳的分层数N。
106、利用每一类图像区间中代表帧图像的最佳分层数对该类图像区间中所有帧图像进行拉普拉斯和高斯分层,得到每一类图像区间中每一帧图像的所有层拉普拉斯图像和最高层高斯图像。
至此获取了代表帧图像的最佳分层数,将代表帧图像的最佳分层数作为同一类图像区间中所有帧图像的分层数。
图像金字塔是同一图像不同分辨率的子图集合,对于图像金字塔中的图像分层,是通过原图像不断地向下降低采样而产生的,即由高分辨率的图像产生低分辨率的近似图像,该过程也是由大尺寸图像得到小尺寸图像的过程。
从原始图像开始,进行下采样获得高一层级的图像,一般下采样方法选用高斯滤波器。然后重复下采样,直到满足设置的下采样终止条件,获得所有层级的图像信息。经过上述处理后,原始图像与各次向下采样所得到的图像共同构成了高斯金字塔。
在进行图像金字塔分析时,高层级的图像通过上采样获得低层级的图像,但是在对图像向上采样时,在每个像素的右侧、下方分别插入零值列和零值行,得到一个偶数行、偶数列都是零值的新图像,其中偶数行、偶数列为新增的行、列。用向下采样时所使用的高斯滤波器对新图像进行滤波,得到向上采样的图像,为了确保像素值的区间在向上采样后与原始图像保持一致,需要将高斯滤波器的系数乘以4。
一幅图像在经过向下采样后,再对其进行向上采样,是无法恢复为原始图像的。对此,我们也用程序进行了验证。向上采样并不是向下采样的逆运算。这很明显,因为向下采样时在使用高斯滤波器处理后还要抛弃偶数行,偶数列,不可避免的要丢失一些信息。
为了向上采样能够恢复具有较高分辨率的原始图像,就要获取在采样过程中所丢失的信息,这些丢失的信息就构成了拉普拉斯金字塔。
拉普拉斯金字塔第j层的数学定义为:
Lj=Gj-UP(Gj+1)*δ5×5
式中,Lj表示第j层拉普拉斯图像,即表示拉普拉斯金字塔中的第j层图像,Gj表示第j层高斯图像,即表示高斯金字塔中的第j层图像,UP()表示上采样,符号*表示卷积,δ5×5表示5×5的高斯卷积核,Gj+1表示第j+1层高斯图像。上述公式即表示拉普拉斯金字塔中的第j层,等于“高斯金字塔中的第j层”与“高斯金字塔中的第j+1层的向上采样结果”之差。
所以,通过拉普拉斯层以及高一层的高斯层图像可以复原低一层的高斯图像,表达式如下:
Gj=Lj+pyrUP(Gj+1)
式中,pyrUP(Gj+1)表示将第j+1层高斯图像上采样放大后的高斯图像。
所以,对图像进行金字塔处理,可分别获得N张高斯分层图像和N张拉普拉斯分层图像。已知图像的信息是由高斯分层图像进行表达的,所以,对于原始图像认为是高斯分层的第1层,然后不断地进行上采样和下采样获得金字塔的所有高斯层和拉普拉斯层图像。
根据图像复原的关系,确定低一层的高斯图像可以根据拉普拉斯层和高一层的高斯图像获得,由此可以得出结论,第1层的高斯图像可以由最高层的高斯图像以及通过不断地和每一层拉普拉斯图像进行运算获得。所以,对于图像的加密,可以直接对最高层的高斯层和所有的拉普拉斯层图像进行加密,从而达到对原图像的加密效果,同时,可以根据每一层的特点,进行差异性的加密,达到多重加密的效果。
通过确定的分层数,对每一帧图像进行金字塔处理,获得每一帧图像的所有层拉普拉斯图像和最高层高斯图像。
107、根据每一帧图像经过分层后每层拉普拉斯图像和最高层高斯图像的信息熵以及其中边缘像素点的个数、所有像素点的个数得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的加密密钥。
对每一帧图像进行金字塔分层处理后,对所需分层进行加密,本实施例中采用Logistic混沌序列进行加密。混沌系统具有十分优越的伪随机性,这样的随机性能够有效地对图像进行破坏,使得通过非法手段获取图像时无法解释这张图。而这样的随机性对于图像的加密者是完全可再恢复的。同时出色的初值敏感性能防止绝大多数的暴力破解,遍历性和随机性能有效地预防差分攻击和统计学攻击。Logistic混沌序列加密主要是通过Logistic函数产生混沌序列进行加密。
Logistic混沌序列加密时根据以下函数:
X(k+1)=u*X(k)*[1-X(k)],k=0,1,…,n
当迭代n次后,我们就得到了X(1)、X(2)、…,X(n)这n个值,这就是一个混沌序列,它是一维的暂且称作序列A,也就是我们想要得到的序列。根据Logistic函数的特点,已知函数X(k)(k=0,1,2,…,n)的取值是在(0,1)之间的。此时将一维序列A归一化到(0,255)之间得到序列B。
要得到加密后的图像,需先确定u和X(0)。
Logistic中产生的混沌序列最大的特性就是对初始值敏感,同时Logistic的函数表达式中含有的位置参数u也需要给定值。所以u,X(0)为解密密钥。根据现有的Logistic函数的特点,X(0)的范围为:
0<X(0)<1
u的范围为:
3.5699456...<u<=4
本实施例中X(0)由实施者根据X(0)的取值范围进行自行设定,而u的获取方法为:
根据图像金字塔分层分析确定分层数N,即获得N个拉普拉斯分层图像和N个高斯分层图像。需要加密的图像为N个拉普拉斯分层图像和最高层的高斯分层图像GN。
加密方法为Logistic混沌序列加密,根据前文分析,当前的加密密钥为u,X(0),对于一帧图像进行分层加密,需对N+1张分层图像加密,即N个拉普拉斯分层图像和最高层的高斯分层图像GN,从而将一帧图像分为多个图像进行加密。
此时根据N+1张待加密图像的特征,确定u的值。
对于待加密的N张拉普拉斯分层图像,根据图像中的像素点确定图像的边缘加权熵:
式中,Bj表示第j层拉普拉斯图像中边缘像素点的个数,BLj表示第j层拉普拉斯图像中所有像素点的个数,Hj表示第j层拉普拉斯图像的信息熵,Qj表示第j层拉普拉斯图像的边缘加权熵。
所述第j层拉普拉斯图像的信息熵Hj的计算方法与每一类图像区间中的代表帧图像每次分层后第j层高斯图像的信息熵的计算方法相同。
同理,按照计算第j层拉普拉斯图像的边缘加权熵的方法,计算最高层的高斯图像GN的边缘加权熵QG。
至此,获得每个待加密图像的边缘加权熵。
对于待加密图像的加密密钥u,根据待加密图像的边缘加权熵确定。因为3.5699456...<u<=4,所以,对所有待加密图像的边缘加权熵进行(3.5699456...,4]区间的归一化处理,并将归一化处理后的边缘加权熵作为各待加密图像的加密密钥u。
108、利用每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的加密密钥和设定的固定密钥分别对分层后的每层拉普拉斯图像和最高层高斯图像进行混沌序列加密,完成对该帧图像的加密,将加密后的图像传输到云端进行保存。
通过待加密图像的特征获得加密密钥u,同时给定固定密钥X(0),完成对待加密图像的加密。
具体加密过程为:对于一幅M*F大小的待加密图像P,我们需要产生一个同样大小的矩阵来对其进行加密。只需要通过Logistic函数迭代M*F次得到序列A,再进行归一化转成序列B,此时序列B是一维的,将其转化成M*F的二维矩阵C。因此,用P与C进行异或,便可得到一幅新的图像,称作FP,如此便完成了一次图像加密,加密后的图像为FP。
式中,表示异或,P表示加密前的图像,C表示Logistic混沌序列在(0,255)的归一化序列,FP表示加密后的图像。对于图像金字塔的每一层图像进行加密时,需要根据每一层图像的大小,分别进行Logistic运算,分别对应各自的混沌序列,从而分别进行加密。
对于直播视频进行分帧加密,并根据图像金字塔对每帧图像进行分层处理,每一层的图像分别使用不同的加密密钥,实行多重加密,增加了加密的可靠性。同时,对于加密后的视频上传云端进行保存。
本发明的有益效果是:本发明首先对结构相似的连续帧图像使用同一分层数,减少运算时间。其次,根据分层图像的信息量以及分层时间的关系,确定最佳分层数,减少不必要的分层,减少运算数据的冗余。最后,根据图像金字塔的分层图像进行分层加密,实现多重加密。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于云计算的直播视频加密传输方法,其特征在于,包括:
获取直播过程中设定帧图像;
通过设定帧图像中每一帧图像和其相邻帧图像中所有像素点的像素值得到设定帧图像中每一帧图像和其相邻帧图像的结构相似性;
利用每一帧图像和其相邻帧图像的结构相似性对设定帧图像进行分类,得到每一类图像区间;
计算每一类图像区间中每一帧图像和其它所有帧图像的相关性,在得到的所有相关性中选取最大相关性对应的一帧图像作为该类图像区间中的代表帧图像;
对每一类图像区间中的代表帧图像同时进行多次的拉普拉斯和高斯分层,且每次分层的层数不相同,利用每一次拉普拉斯分层后每层图像在进行加密时所需的加密时间和每一次高斯分层后最高层高斯图像的信息熵计算每次分层的分层效果,获取分层效果中的最大值所对应的分层后的层数作为该类图像区间中代表帧图像的最佳分层数;
利用每一类图像区间中代表帧图像的最佳分层数对该类图像区间中所有帧图像进行拉普拉斯和高斯分层,得到每一类图像区间中每一帧图像的所有层拉普拉斯图像和最高层高斯图像;
根据每一帧图像经过分层后每层拉普拉斯图像和最高层高斯图像的信息熵以及其中边缘像素点的个数、所有像素点的个数得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的加密密钥;
利用每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的加密密钥和设定的固定密钥分别对分层后的每层拉普拉斯图像和最高层高斯图像进行混沌序列加密,完成对该帧图像的加密,将加密后的图像传输到云端进行保存。
2.根据权利要求1所述的一种基于云计算的直播视频加密传输方法,其特征在于,利用每一帧图像和其相邻帧图像的结构相似性对设定帧图像进行分类的方法为:
若每一帧图像和其相邻帧图像的结构相似性大于结构相似性阈值,判断该帧图像和其相邻帧图像属于同一类图像区间;否则,判断该帧图像和其相邻帧图像不属于同一类图像区间。
5.根据权利要求1所述的一种基于云计算的直播视频加密传输方法,其特征在于,得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的加密密钥的方法为:
根据每一帧图像经过分层后每层拉普拉斯图像和最高层高斯图像的信息熵以及其中边缘像素点的个数、所有像素点的个数得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的边缘加权熵;
对每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的边缘加权熵进行归一化处理得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的加密密钥。
6.根据权利要求5所述的一种基于云计算的直播视频加密传输方法,其特征在于,得到每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的边缘加权熵的方法为:计算每一帧图像分层后每层拉普拉斯图像和最高层高斯图像中边缘像素点的个数和所有像素点的个数的比值;计算该比值与每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的信息熵的乘积,该乘积即为每一帧图像分层后每层拉普拉斯图像和最高层高斯图像的边缘加权熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899467.9A CN115190333B (zh) | 2022-07-28 | 2022-07-28 | 一种基于云计算的直播视频加密传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899467.9A CN115190333B (zh) | 2022-07-28 | 2022-07-28 | 一种基于云计算的直播视频加密传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115190333A true CN115190333A (zh) | 2022-10-14 |
CN115190333B CN115190333B (zh) | 2023-06-09 |
Family
ID=83520558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210899467.9A Active CN115190333B (zh) | 2022-07-28 | 2022-07-28 | 一种基于云计算的直播视频加密传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115190333B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115941855A (zh) * | 2023-03-10 | 2023-04-07 | 聊城市洛溪信息科技有限公司 | 一种社交图像数据的安全存储方法 |
CN116467730A (zh) * | 2023-06-16 | 2023-07-21 | 北京东联世纪科技股份有限公司 | 一种基于cim架构的智慧园区数字化运维管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002041398A (ja) * | 2000-07-21 | 2002-02-08 | Kowa Co | 情報配信システム及びその方法 |
US20200106990A1 (en) * | 2018-09-28 | 2020-04-02 | Axis Ab | Content security for a video stream |
CN111327900A (zh) * | 2020-01-21 | 2020-06-23 | 河南大学 | 基于压缩感知和变形耦合映像格子的彩色图像加密方法 |
CN112218161A (zh) * | 2019-07-09 | 2021-01-12 | 中国移动通信有限公司研究院 | 一种视频加密方法、装置及设备 |
US20210152530A1 (en) * | 2020-12-22 | 2021-05-20 | Praveen Prasad Nair | Tiered access to regions of interest in video frames |
-
2022
- 2022-07-28 CN CN202210899467.9A patent/CN115190333B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002041398A (ja) * | 2000-07-21 | 2002-02-08 | Kowa Co | 情報配信システム及びその方法 |
US20200106990A1 (en) * | 2018-09-28 | 2020-04-02 | Axis Ab | Content security for a video stream |
CN112218161A (zh) * | 2019-07-09 | 2021-01-12 | 中国移动通信有限公司研究院 | 一种视频加密方法、装置及设备 |
CN111327900A (zh) * | 2020-01-21 | 2020-06-23 | 河南大学 | 基于压缩感知和变形耦合映像格子的彩色图像加密方法 |
US20210152530A1 (en) * | 2020-12-22 | 2021-05-20 | Praveen Prasad Nair | Tiered access to regions of interest in video frames |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115941855A (zh) * | 2023-03-10 | 2023-04-07 | 聊城市洛溪信息科技有限公司 | 一种社交图像数据的安全存储方法 |
CN115941855B (zh) * | 2023-03-10 | 2023-06-09 | 聊城市洛溪信息科技有限公司 | 一种社交图像数据的安全存储方法 |
CN116467730A (zh) * | 2023-06-16 | 2023-07-21 | 北京东联世纪科技股份有限公司 | 一种基于cim架构的智慧园区数字化运维管理系统 |
CN116467730B (zh) * | 2023-06-16 | 2023-08-15 | 北京东联世纪科技股份有限公司 | 一种基于cim架构的智慧园区数字化运维管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115190333B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115190333B (zh) | 一种基于云计算的直播视频加密传输方法 | |
Al-Dmour et al. | A steganography embedding method based on edge identification and XOR coding | |
Emad et al. | A secure image steganography algorithm based on least significant bit and integer wavelet transform | |
Ali et al. | Differential evolution algorithm for the selection of optimal scaling factors in image watermarking | |
Bhatnagar et al. | Biometrics inspired watermarking based on a fractional dual tree complex wavelet transform | |
Jayashree et al. | A Robust Image Watermarking Scheme Using Z-Transform, Discrete Wavelet Transform and Bidiagonal Singular Value Decomposition. | |
Subhedar et al. | Curvelet transform and cover selection for secure steganography | |
Zaidan et al. | Novel multi-cover steganography using remote sensing image and general recursion neural cryptosystem | |
CN111050022B (zh) | 一种高安全性图像传输系统及方法 | |
Bhatnagar | A new facet in robust digital watermarking framework | |
Favorskaya et al. | Perceptually tuned watermarking using non-subsampled shearlet transform | |
Belferdi et al. | A Bayer pattern-based fragile watermarking scheme for color image tamper detection and restoration | |
Bhatnagar et al. | A new aspect in robust digital watermarking | |
CN115378574A (zh) | 一种轻量级动态图像数据加密方法及系统 | |
Prabakaran et al. | Dual transform based steganography using wavelet families and statistical methods | |
Wang et al. | Payload location for JPEG image steganography based on co-frequency sub-image filtering | |
Radharani et al. | Multiple watermarking scheme for image authentication and copyright protection using wavelet based texture properties and visual cryptography | |
Zebbiche et al. | An efficient watermarking technique for the protection of fingerprint images | |
Gao et al. | A secure lossless recovery for medical images based on image encoding and data self-embedding | |
Dharwadkar et al. | Watermarking scheme for color images using wavelet transform based texture properties and secret sharing | |
Kumar et al. | Digital image steganography based on combination of DCT and DWT | |
Gavini et al. | Lossless watermarking technique for copyright protection of high resolution images | |
US20080208948A1 (en) | Methods and apparatus for using boolean derivatives to process data | |
Ravi et al. | Forensic analysis of linear and nonlinear image filtering using quantization noise | |
CN115802005B (zh) | 用于居民住宅的安防监控视频存储方法 |
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 |