CN115776569A - 基于Skipped宏块的运动矢量域视频隐写分析方法 - Google Patents

Abstract

本发明公开一种基于Skipped宏块的运动矢量域视频隐写分析方法，包括：Skipped宏块的第一类特征的提取：采用重压缩校准方法设计获取Skipped宏块的预测运动矢量回复特征；Skipped宏块的第二类特征的提取：采用重压缩校准方法设计获取所述Skipped宏块的状态转移概率特征；特征合并：合并所述Skipped宏块的预测运动矢量回复特征及状态转移概率特征，获取所述Skipped宏块的综合视频隐写分析特征。本发明的基于Skipped宏块的运动矢量域视频隐写分析方法通过重压缩校准对Skipped宏块进行预测运动矢量回复特征及状态转移概率特征的提取并合并，以提高隐写分析的正确检测率。

Description

基于Skipped宏块的运动矢量域视频隐写分析方法

技术领域

本发明涉及信息安全技术领域，尤其涉及一种基于Skipped宏块的运动矢量域视频隐写分析方法。

背景技术

视频隐写分析技术是隐写技术的敌对方，它的主要目的是通过统计分析方法来判断视频媒体中是否含有秘密信息。具体而言，基于运动矢量的视频隐写分析的基本流程是首先对视频压缩码流进行解码，从解码参数中提取出与运动矢量修改相关的统计特征，然后利用分类器进行训练，最后对检测对象进行分类并得到判别结果。由于视频编码的复杂性，基于运动矢量的视频隐写会导致原始码流不同类型的编码参数发生扰动，因此可以从不同的角度提取视频隐写分析特征。按照特征提取的出发点，基于运动矢量的视频隐写分析可以分成五类：第一类是基于运动矢量时空统计特性的方法，这是因为运动矢量之间存在类似于图像中像素和/或DCT系数之间的强相关性；第二类是基于运动矢量校准的方法，因为对隐写视频校准后运动矢量具有恢复到原始运动矢量的趋势，从而为隐写分析提供依据；第三类是基于运动矢量局部最优性的方法，由于运动矢量是一个率失真意义下的局部最优输出过程，因此隐写操作很可能会破坏这种局部最优性；第四类是基于宏块中子块的运动矢量通常具有非一致性而设计的隐写分析算法，是目前性能最好的方法，能同时检测基于帧间预测模式和运动矢量域的隐写方法；第五类是基于卷积神经网络的基于Skipped宏块的运动矢量域视频隐写分析方法，目前处于研究起步阶段。

从上述隐写分析研究现状可知，由于运动矢量域隐写以运动矢量为载体，因此所有运动矢量域隐写分析算法都是直接在运动矢量上提取特征，但是却忽略了视频压缩编码过程是一个相互紧密联系的过程，对运动矢量的修改不仅会对它本身的统计特性造成扰动，也可能会导致其他编码参数统计特征的异常。在正常的视频压缩编码过程中，以H.264/AVC标准中帧间编码的P帧为例，P帧中主要有P宏块和P-Skip宏块。宏块可根据不同的宏块划分方式划分为P-Skip宏块以及不同尺寸的P宏块。其中，每个P宏块包含一组运动矢量(水平分量和垂直分量)，用于指向最优参考块。P-Skip宏块不直接包含运动矢量，其最优参考块由预测运动矢量决定。编码器根据P-Skip块邻域三个已编码宏块的运动矢量来计算其预测运动矢量MVP。运动矢量域隐写操作会直接修改P宏块的运动矢量，从而导致P宏块的运动矢量统计特征产生变化，这也是目前所有基于运动矢量域视频隐写分析特征提取的出发点。尽管P-Skip宏块没有直接用于隐写嵌入的运动矢量，但是其预测运动矢量由其领域的三个已编码宏块的运动矢量决定。如果P-Skip宏块的邻域的已编码宏块在隐写过程中受到了扰动，则其预测运动矢量也有可能被动修改，从而P-Skip宏块所对应的最佳匹配块将从最优变为非最优。

发明内容

本发明所要解决的技术问题是提供一种基于Skipped宏块的运动矢量域视频隐写分析方法以提高视频隐写分析的正确检测率。

为解决上述技术问题，本发明的目的是通过以下技术方案实现的：提供一种基于Skipped宏块的运动矢量域视频隐写分析方法，包括：Skipped宏块的第一类特征的提取：采用重压缩校准方法设计获取Skipped宏块的预测运动矢量回复特征；Skipped宏块的第二类特征的提取：采用重压缩校准方法设计获取所述Skipped宏块的状态转移概率特征；特征合并：合并所述Skipped宏块的预测运动矢量回复特征及状态转移概率特征，获取所述Skipped宏块的综合视频隐写分析特征。

本发明的有益技术效果在于：本发明基于Skipped宏块的运动矢量域视频隐写分析方法通过重压缩校准对Skipped宏块进行预测运动矢量回复特征及状态转移概率特征的提取，并将提取的两类特征进行合并，获得Skipped宏块的综合视频隐写分析特征，以提高综合检测能力，从而提高隐写分析的正确检测率，而且，基于Skipped宏块进行分析提取，对不同的隐写算法不敏感，使得提取获得的对应的综合视频隐写分析特征具有更强的适应性，检测性能好，且受到重压缩校准的编码参数影响较小。

附图说明

为了更清楚地说明本发明实施例技术方案，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为本发明实施例提供的基于Skipped宏块的运动矢量域视频隐写分析方法的流程示意图；

图2为本发明实施例提供的基于Skipped宏块的运动矢量域视频隐写分析方法的第一子流程示意图；

图3为本发明实施例提供的基于Skipped宏块的运动矢量域视频隐写分析方法的第二流程示意图；

图4为载体视频和隐写视频中P-Skip宏块在重压缩校准后预测运动矢量差分算子的统计分布图；

图5为重压缩校准后为P-Skip块的宏块在视频码流中的宏块划分方式的分布示意图；

图6为本发明实施例提供的基于Skipped宏块的运动矢量域视频隐写分析方法与AoSO、NPELO和MVC隐写分析方法分别针对三种不同隐写方法在不同压缩质量因子的正确提取率的实验对比结果示意图；

图7为本发明实施例提供的基于Skipped宏块的运动矢量域视频隐写分析方法采用不同于视频码流所用的压缩质量因子进行重压缩校准的实验结果示意图。

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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1所示，图1为本发明实施例提供的一种基于Skipped宏块的运动矢量域视频隐写分析方法的流程示意图，包括以下步骤：

步骤S11、Skipped宏块的第一类特征的提取：采用重压缩校准方法设计获取Skipped宏块的预测运动矢量回复特征；

步骤S12、Skipped宏块的第二类特征的提取：采用重压缩校准方法设计获取所述Skipped宏块的状态转移概率特征；

步骤S13、特征合并：合并所述Skipped宏块的预测运动矢量回复特征及状态转移概率特征，获取所述Skipped宏块的综合视频隐写分析特征。

其中，Skipped宏块可为帧间编码的P帧中P-Skip宏块，所述重压缩校准方法的校准思想来源于JPEG图像隐写分析，是指JPEG图片经过重压缩校准后其编码参数能在一定程度上回复到原始状态。对隐写后视频利用相同的参数进行重压缩校准后，其运动矢量将会表现出回复到原始值的性质。所述基于Skipped宏块的运动矢量域视频隐写分析方法通过重压缩校准对Skipped宏块进行预测运动矢量回复特征及状态转移概率特征的提取，并将提取的两类特征进行合并，获得Skipped宏块的综合视频隐写分析特征，以提高综合检测能力，从而提高隐写分析的正确检测率，而且，基于Skipped宏块进行分析提取，对不同的隐写算法不敏感，使得提取获得的对应的综合视频隐写分析特征具有更强的适应性，检测性能好，且受到重压缩校准的编码参数影响较小。

结合图2，具体地，所述步骤S11和步骤S12中的所述重压缩校准方法具体包括以下步骤：

步骤S101、视频码流解码：对视频码流进行解码，获取解码后的空域YUV文件；其中，视频码流的标准可为H.264/AVC，YUV文件是一种图片文件，由Y、U和V三种部分组成，Y表示亮度，U和V均表示颜色的色度。

步骤S102、编码参数提取：提取视频码流的编码参数信息，编码参数信息包括帧数、分辨率、GOP结构、压缩质量因子(QP)、码率、宏块划分方式和运动矢量。在对视频码流进行解码过程中，提取编码参数信息，此时的编码参数信息为初始编码获得视频码流时的参数信息。

步骤S103、重新编码：利用编码器根据提取获得的编码参数信息对解码后获得的空域YUV文件进行重新编码，获取二次压缩码流。

步骤S104、二次压缩码流解码：对二次压缩码流进行解码，获取二次压缩码流的编码参数信息中的宏块划分方式和运动矢量。其中，在对视频码流进行解码过程中，提取编码参数信息，此时的编码参数信息为重新编码获得二次压缩码流时的参数信息。

步骤S105、视频隐写分析特征提取：根据视频码流的编码参数信息及二次压缩码流的编码参数信息中的宏块划分方式和运动矢量进行分析，提取视频隐写分析特征。提取获得的视频隐写分析特征为可有效区分载体视频和隐写视频的特征，以达到检测隐写行为的目的。其中，对于P帧，在H.264/AVC标准中，一个宏块被编码成P-Skip宏块需要满足以下条件：

最优运动补偿宏块的尺寸大小为16×16；参考帧必须是前一帧；运动矢量和预测运动矢量相同；以及，像素残差变换后宏块为全零块。

结合图3，具体地，所述步骤S105中的提取视频隐写分析特征的步骤具体为：

步骤S1051、设置连续的若干P帧作为一个特征提取窗口以分别对视频码流和二次压缩码流进行分组；

步骤S1052、提取对应分组的视频码流和二次压缩码流中的视频隐写分析特征。

优选地，所述步骤S1051具体为：

采用不重叠的连续的若干P帧作为一个特征提取窗口分别对视频码流和二次压缩码流进行分组，获得多个视频码流提取组和多个二次压缩码流提取组，所述视频码流提取组和所述二次压缩码流提取组一一对应。

具体地，当设计获取Skipped宏块的预测运动矢量回复特征时，所述步骤S1052为：

在所述二次压缩码流提取组中搜寻对应的所述视频码流提取组中的重压缩校准前后宏块划分方式不变的Skipped宏块，并提取搜寻到的Skipped宏块的预测运动矢量回复特征。

其中，Skipped宏块的预测运动矢量回复特征为5维特征，Skipped宏块的状态转移概率特征为6维特征，合并后获得的Skipped宏块的综合视频隐写分析特征为11维特征。图4展示了载体视频和隐写视频中P-Skip宏块在重压缩校准后预测运动矢量差分算子的统计分布，且只统计那些原始视频中为P-Skip宏块并且在校准视频中也是P-Skip宏块的宏块。如图4所示，横坐标为P-Skip宏块重压缩校准前后的预测运动矢量差分算子的值，纵坐标为该预测运动矢量差分算子的值在所有P-Skip宏块中出现的经验概率，载体视频(Cover)中P-Skip宏块重压缩校准前后的预测运动矢量差分算子主要为0，在压缩质量因子(QP)为25时占85％，在压缩质量因子(QP)为35时占83.1％，而重压缩校准前后的预测运动矢量差分算子的值超过2的P-Skip宏块很少，则可通过重压缩校准能有效准确恢复出P-Skip宏块的预测运动矢量。其次，无论压缩质量因子(QP)为25还是35，相较于载体视频(Cover)，隐写视频(Stego)中重压缩校准前后的预测运动矢量差分算子的值为0的P-Skip宏块的概率有明显下降，而重压缩校准前后的预测运动矢量差分算子的值为1的P-Skip宏块的概率有明显提升，重压缩校准前后的预测运动矢量差分算子的值大于1的P-Skip宏块的概率也有一定程度的提升。

具体地，设置视频码流中有多个P-Skip宏块在重压缩校准前后宏块划分方式不变，即设置视频码流中有多个在重压缩校准前后均为Skipped宏块的宏块，则Skipped宏块的预测运动矢量回复特征可采用公式(1)表示：

其中，B_i表示中第i个在重压缩校准前后宏块划分方式不变的Skipped宏块，n表示在重压缩校准前后宏块划分方式不变的Skipped宏块的总数，diff表示Skipped宏块重压缩校准前后的预测运动矢量差分算子，以描述Skipped宏块重压缩校准前后预测运动矢量的变化程度，diff_Bi表示第i个在重压缩校准前后宏块划分方式不变的Skipped宏块重压缩校准前后的预测运动矢量的差分算子，f₁(·)表示Skipped宏块的预测运动矢量回复特征，k₁表示Skipped宏块的预测运动矢量回复特征的维度序号，又Skipped宏块的预测运动矢量回复特征的维度数为5，则Skipped宏块的预测运动矢量回复特征的维度序号的取值可为0至4中的任一自然数，Skipped宏块重压缩校准前后的预测运动矢量差分算子的值可与该Skipped宏块的预测运动矢量回复特征的维度序号一一对应，Pr(·)表示概率函数，Pr(diff＝k₁)表示Skipped宏块重压缩校准前后的预测运动矢量差分算子的值(diff)与该Skipped宏块的预测运动矢量回复特征的维度序号的值(k₁)相等的概率，

表示重压缩校准前后宏块划分方式不变的Skipped宏块的预测运动矢量差分布函数，当第i个在重压缩校准前后宏块划分方式不变的Skipped宏块重压缩校准前后的预测运动矢量的差分算子的值(diff_Bi)与该Skipped宏块的预测运动矢量回复特征的维度序号的值(k₁)相等时，则

的取值为1，否则，

取值为0。

具体地，差分算子可采用公式(2)计算获得：

diff＝|h-h′|+|v-v′| (2)

其中，diff表示Skipped宏块重压缩校准前后的预测运动矢量差分算子，h为Skipped宏块重压缩校准前的运动矢量的水平分量，h′为Skipped宏块重压缩校准后的运动矢量的水平分量，v为Skipped宏块重压缩校准前的运动矢量的垂直分量，v′为Skipped宏块重压缩校准后的运动矢量的垂直分量。

具体地，当设计获取Skipped宏块的状态转移概率特征时，所述步骤S1052为：

在所述视频码流提取组中搜寻对应的所述二次压缩码流提取组中的重压缩校准前后宏块划分方式不变的Skipped宏块，提取搜寻到的Skipped宏块的状态转移概率特征。

其中，图5展示了重压缩校准后为P-Skip块的宏块在视频码流中的宏块划分方式的分布，如图5所示，在压缩质量因子(QP)为25时，对于载体视频(Cover)，二次压缩码流中为P-Skip宏块的宏块在视频码流中的宏块划分方式主要是P-Skip宏块和16×16的P宏块，对应的比例分别为68.4％和21.4％，而对于隐写视频(Stego)，二次压缩码流中为P-Skip宏块的宏块在视频码流中的宏块划分方式主要也是P-Skip宏块和16×16的P宏块，但其对应的比例分别为42.7％和43.3％，则经过重压缩校准后更少的P-Skip宏块和更多的16×16的P宏块的宏块被编码器编码为P-Skip宏块。压缩质量因子(QP)为35时情形与压缩质量因子(QP)为25时类似，不再赘述。

具体地，设置二次压缩码流中的Skipped宏块在视频码流中的宏块划分方式的集合为Partition，Partition＝{P-Skip，16×16，16×8，8×16，8×8，else}，设置二次压缩码流中Skipped宏块的数目为m个，则Skipped宏块的状态转移概率特征可采用公式(3)表示：

其中，C_j表示二次压缩码流中第j个Skipped宏块，m表示二次压缩码流中Skipped宏块的总数，k₂表示Skipped宏块的状态转移概率特征的维度序号，又Skipped宏块的综合视频隐写分析特征的维度总数为11，是Skipped宏块的预测运动矢量回复特征的维度数和Skipped宏块的状态转移概率特征的维度数的总和，则Skipped宏块的综合视频隐写分析特征的维度序号的取值可为0至10中的任一自然数，Skipped宏块的状态转移概率特征的维度数为6，则Skipped宏块的状态转移概率特征的维度序号的取值可为5至10中的任一自然数，f₂(·)表示Skipped宏块的状态转移概率特征，partition(k₂-5)表示二次压缩码流中的Skipped宏块在视频码流中的宏块划分方式，k₂-5表示集合Partition中的元素的索引号，则partition(0)对应的二次压缩码流中的Skipped宏块在视频码流中的宏块划分方式则为集合Partition中的第一个元素对应的宏块划分方式，在本实施例中为P-Skip，以此类推；Pr(·)表示概率函数，Pr(partition(k₂-5))表示二次压缩码流中的Skipped宏块在视频码流中的宏块划分方式的概率，φ(x,y)表示判断宏块的宏块划分方式的函数，x表示宏块，y表示宏块划分方式，当宏块x的宏块划分方式与宏块划分方式y相等时，则宏块x采用了宏块划分方式y，φ(x,y)取值为1，否则，宏块x并非采用了宏块划分方式y，φ(x,y)取值为0。则当k₂＝5时，Skipped宏块的状态转移概率特征为二次压缩码流中的Skipped宏块在视频码流中也为Skipped宏块的概率。Skipped宏块的状态转移概率特征为6维特征，分别对应二次压缩码流中的Skipped宏块在视频码流中为P-Skip宏块、16×16的P宏块、16×8的P宏块、8×16的P宏块、8×8的P宏块和其他尺寸的P宏块的概率。

具体地，以下表格展示了本发明的基于Skipped宏块的运动矢量域视频隐写分析方法针对三种不同隐写算法在不同压缩质量因子(QP)和不同嵌入容量下的正确检测率，如该表格所示，在极低的嵌入容量(0.05bpnsmv)下，所述基于Skipped宏块的运动矢量域视频隐写分析方法针对三种隐写算法的正确检测率平均为72.83％、74.88％、69.48％。这是一个相对较高的检测率，表明了所述基于Skipped宏块的运动矢量域视频隐写分析方法在低嵌入容量下具有较好的性能。随着嵌入容量的增大，尽管正确检测率也所有提高，但是提高的幅度不是很大。这是因为通常P帧中P-Skip宏块的出现是呈聚集性的，一旦其中一个或多个宏块的预测运动矢量受到扰动，其他的宏块也将大概率被扰动。而随着嵌入容量的提高，尽管受到扰动的运动矢量增多，但是P-Skip宏块受到扰动的概率并没有明显的增大。其次，Skipped宏块的预测运动矢量回复特征及状态转移概率特征特征对不同的隐写算法的检测率差异不大。主要是因为不同的隐写算法在不同的拥有运动矢量的宏块(子块)进行消息嵌入，但是Skipped宏块的预测运动矢量回复特征及状态转移概率特征均没有直接在这些有运动矢量的宏块上提取特征，而是基于间接的Skipped宏块(即P-Skip宏块)的预测运动矢量提取特征，因此对不同的隐写算法不敏感。这也表明Skipped宏块的预测运动矢量回复特征及状态转移概率特征具有更强的适应性。最后，对于不同的压缩率，在压缩质量因子(QP)为25时Skipped宏块的预测运动矢量回复特征及状态转移概率特征的正确检测率相比压缩质量因子(QP)为15和35时要高。这是因为在压缩质量因子(QP)为15时，宏块划分较细，较少的宏块被划分为P-Skip宏块，因此，能够用于Skipped宏块的预测运动矢量回复特征及状态转移概率特征提取的P-Skip宏块较少。而在压缩质量因子(QP)为35时，视频压缩率较大，P帧中很大一部分宏块被划分为P-Skip宏块，而普通P宏块的数量很少，因而用于隐写的运动矢量载体数量也较少，在相同的相对嵌入容量下，运动矢量受到的隐写扰动要小，因此，隐写检测性能相比压缩质量因子(QP)为25时反而有所降低。

参阅图6，图6展示了本发明的基于Skipped宏块的运动矢量域视频隐写分析方法与AoSO、NPELO和MVC隐写分析方法分别针对三种不同隐写方法在不同压缩质量因子(QP)的正确提取率的实验对比结果，其中，所述基于Skipped宏块的运动矢量域视频隐写分析方法记为Proposed SMCF。如图6所示，图(a)与图(b)的压缩质量因子(QP)不同，总体上，所述基于Skipped宏块的运动矢量域视频隐写分析方法在不同的条件下都明显优于AoSO和NPELO，这表明所述基于Skipped宏块的运动矢量域视频隐写分析方法具有较好的适应性和较好的检测性能。随着嵌入容量的增大，AoSO、NPELO和MVC三种隐写分析方法的正确检测率的提升率都优于所述基于Skipped宏块的运动矢量域视频隐写分析方法。这是因为用于对比的三种方法都是直接在运动矢量域提取特征，随着嵌入容量的增大，隐写操作给运动矢量带来的扰动也增大，从而在大容量下更容易被检测。在低嵌入容量(即为0.05、0.1和0.2bpnsmv)时所述基于Skipped宏块的运动矢量域视频隐写分析方法检测效果优于MVC，但在高嵌入容量(即为为0.3和0.4bpnsmv)时，所述基于Skipped宏块的运动矢量域视频隐写分析方法的检测效果等于或低于MVC。如图6所示，当嵌入容量低于0.3bpnsmv时，所述基于Skipped宏块的运动矢量域视频隐写分析方法的正确检测率均优于MVC；但是，当嵌入容量在0.3bpnsmv和0.4bpnsmv之间时，MVC优于所述基于Skipped宏块的运动矢量域视频隐写分析方法。这是因为当嵌入容量较大时，MVC能够较好地检测到MVPLO算法中对于块内运动矢量一致性的扰动。四种隐写分析方法在压缩质量因子(QP)为35时的检测率都稍微低于压缩质量因子(QP)为25时的检测率，但是所述基于Skipped宏块的运动矢量域视频隐写分析方法的特征降低的幅度较小。这是因为在较大压缩质量因子时(即压缩质量因子为35)，宏块大部分被划分为P-Skip宏块，普通的P宏块的数量很少，因而用于隐写的运动矢量载体数量也较少。因此，在相同的相对嵌入容量下，运动矢量受到的扰动也要小。则对于AoSO、NPELO、MVC等直接在运动矢量域提取信息的特征的隐写分析方法，在高质量因子下的正确检测率会降低。而本发明的基于Skipped宏块的运动矢量域视频隐写分析方法由于不直接针对运动矢量提取特征，因此受压缩因子的变化的影响要小。

具体地，以下表格展示了本发明的基于Skipped宏块的运动矢量域视频隐写分析方法的由宏块的预测运动矢量回复特征及状态转移概率特征合并获得的Skipped宏块的综合视频隐写分析特征(记为SMCF特征)与单独的Skipped宏块的预测运动矢量回复特征(记为SMCF-part1特征)及单独的Skipped宏块的状态转移概率特征(记为SMCF-part2特征)对PCAMV隐写算法的检测性能影响的实验结果，如表格所示，根据实验结果的数据可知，Skipped宏块的综合视频隐写分析特征的检测性能均优于与其子集的Skipped宏块的预测运动矢量回复特征及Skipped宏块的状态转移概率特征，表明Skipped宏块的预测运动矢量回复特征和状态转移概率特征之间不存在明显的冲突，并且两者相结合能有效提高综合检测能力，在压缩质量因子(QP)为25时，Skipped宏块的预测运动矢量回复特征和状态转移概率特征的检测能力分别平均比Skipped宏块的综合视频隐写分析特征低15％和5％，说明Skipped宏块的状态转移概率特征占据更重要的作用，则说明隐写操作对Skipped宏块的状态产生的影响大于隐写操作对Skipped宏块的预测运动矢量产生的影响。

参阅图7，图7展示了采用不同于视频码流所用的压缩质量因子进行重压缩校准的实验结果，其中，隐写算法为PCAMV隐写算法，如图7所示，实验中原始的载体视频和隐写视频的压缩质量因子(QP)为25，重压缩校准时，设置压缩质量因子(QP)为25以及与25相近的22和28，当重压缩校准的压缩质量因子(QP)与原始的载体视频和隐写视频的压缩质量因子(QP)相同时，所述Skipped宏块的综合视频隐写分析特征的检测性能最高，而尽管当重压缩校准的压缩质量因子(QP)与原始的载体视频和隐写视频的压缩质量因子(QP)不同时，由于所述Skipped宏块的综合视频隐写分析特征主要是根据Skipped宏块的预测运动矢量回复特征及状态转移概率特征合并获得，虽然压缩质量因子(QP)对Skipped宏块的数量产生影响，压缩质量因子(QP)越大则Skipped宏块的数量越多，但是压缩质量因子(QP)对Skipped宏块的分布产生影响较小，则即使压缩质量因子(QP)有一定程度的失配而使得Skipped宏块的综合视频隐写分析特征的检测性能有所降低，但是降低幅度较小，Skipped宏块的综合视频隐写分析特征仍能保持一定的适用性。

具体地，以下表格展示了不同压缩质量因子(QP)下单个视频序列分别提取四种不同视频隐写分析特征所需要的平均时间，其中，时间单位为秒，视频序列的格式为CIF，且该视频序列为240帧，AoSO特征、NPELO特征、MVC特征和SMCF特征(Skipped宏块的综合视频隐写分析特征)的纬度分别为18、36、12和11。如表格所示，性能最高的是MVC特征，这是因为该特征主要是提取宏块或子块内的运动矢量并计算其相关性即可。其次，AoSO特征和NPELO特征的计算复杂性较为接近，但明显高于MVC特征。这是因为AoSO和NPELO都需要遍历运动矢量的邻域值来计算其局部最优性。所述基于Skipped宏块的运动矢量域视频隐写分析方法的时间复杂度最高，这是因为所述基于Skipped宏块的运动矢量域视频隐写分析方法是基于重压缩校准实现的，运行时间主要集中在两次视频解码操作和一次视频重压缩校准操作。此外，AoSO特征、NPELO特征和MVC特征随着压缩质量因子(QP)的增大，其性能越高。这是因为压缩质量因子(QP)越大，码流中的运动矢量越小，需要处理的数据量也越小。但是SMCF特征(Skipped宏块的综合视频隐写分析特征)在不同的压缩质量因子(QP)下性能区别不是很明显，这是因为它不直接从宏块或子块的运动矢量中提取特征。

综上所述，本发明的基于Skipped宏块的运动矢量域视频隐写分析方法通过重压缩校准对Skipped宏块进行预测运动矢量回复特征及状态转移概率特征的提取，并将提取的两类特征进行合并，获得Skipped宏块的综合视频隐写分析特征，以提高综合检测能力，从而提高隐写分析的正确检测率，而且，基于Skipped宏块进行分析提取，对不同的隐写算法不敏感，使得提取获得的对应的综合视频隐写分析特征具有更强的适应性，检测性能好，且受到重压缩校准的编码参数影响较小。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于Skipped宏块的运动矢量域视频隐写分析方法，其特征在于，包括：

Skipped宏块的第一类特征的提取：采用重压缩校准方法设计获取Skipped宏块的预测运动矢量回复特征；

Skipped宏块的第二类特征的提取：采用重压缩校准方法设计获取所述Skipped宏块的状态转移概率特征；

特征合并：合并所述Skipped宏块的预测运动矢量回复特征及状态转移概率特征，获取所述Skipped宏块的综合视频隐写分析特征。

2.根据权利要求1所述的基于Skipped宏块的运动矢量域视频隐写分析方法，其特征在于，所述Skipped宏块的第一类特征的提取和所述Skipped宏块的第二类特征的提取中的所述重压缩校准方法具体包括以下步骤：

视频码流解码：对视频码流进行解码，获取解码后的空域YUV文件；

编码参数提取：提取视频码流的编码参数信息，编码参数信息包括帧数、分辨率、GOP结构、压缩质量因子(QP)、码率、宏块划分方式和运动矢量；

重新编码：利用编码器根据提取获得的编码参数信息对解码后获得的空域YUV文件进行重新编码，获取二次压缩码流；

二次压缩码流解码：对二次压缩码流进行解码，获取二次压缩码流的编码参数信息中的宏块划分方式和运动矢量；

视频隐写分析特征提取：根据视频码流的编码参数信息及二次压缩码流的编码参数信息中的宏块划分方式和运动矢量进行分析，提取视频隐写分析特征。

3.根据权利要求2所述的基于Skipped宏块的运动矢量域视频隐写分析方法，其特征在于，所述视频隐写分析特征提取中的所述提取视频隐写分析特征的步骤具体为：

设置连续的若干P帧作为一个特征提取窗口以分别对视频码流和二次压缩码流进行分组；

提取对应分组的视频码流和二次压缩码流中的视频隐写分析特征。

4.根据权利要求3所述的基于Skipped宏块的运动矢量域视频隐写分析方法，其特征在于，所述设置连续的若干P帧作为一个特征提取窗口以分别对视频码流和二次压缩码流进行分组的步骤具体为：

采用不重叠的连续的若干P帧作为一个特征提取窗口分别对视频码流和二次压缩码流进行分组，获得多个视频码流提取组和多个二次压缩码流提取组，所述视频码流提取组和所述二次压缩码流提取组一一对应。

5.根据权利要求4所述的基于Skipped宏块的运动矢量域视频隐写分析方法，其特征在于，当设计获取Skipped宏块的预测运动矢量回复特征时，所述提取对应分组的视频码流和二次压缩码流中的视频隐写分析特征的步骤具体为：

在所述二次压缩码流提取组中搜寻对应的所述视频码流提取组中的重压缩校准前后宏块划分方式不变的Skipped宏块，并提取搜寻到的Skipped宏块的预测运动矢量回复特征。

6.根据权利要求5所述的基于Skipped宏块的运动矢量域视频隐写分析方法，其特征在于，所述Skipped宏块的预测运动矢量回复特征采用以下公式表示：

其中，B_i表示中第i个在重压缩校准前后宏块划分方式不变的Skipped宏块，n表示在重压缩校准前后宏块划分方式不变的Skipped宏块的总数，diff表示Skipped宏块重压缩校准前后的预测运动矢量差分算子，diff_Bi表示第i个在重压缩校准前后宏块划分方式不变的Skipped宏块重压缩校准前后的预测运动矢量的差分算子，f₁(·)表示Skipped宏块的预测运动矢量回复特征，k₁表示Skipped宏块的预测运动矢量回复特征的维度序号，Skipped宏块的预测运动矢量回复特征的维度序号的取值为0至4中的任一自然数，Pr(·)表示概率函数，Pr(diff＝k₁)表示Skipped宏块重压缩校准前后的预测运动矢量差分算子的值与该Skipped宏块的预测运动矢量回复特征的维度序号的值相等的概率，

表示重压缩校准前后宏块划分方式不变的Skipped宏块的预测运动矢量差分布函数，当第i个在重压缩校准前后宏块划分方式不变的Skipped宏块重压缩校准前后的预测运动矢量的差分算子的值与该Skipped宏块的预测运动矢量回复特征的维度序号的值相等时，则

的取值为1，否则，

取值为0。

7.根据权利要求4所述的基于Skipped宏块的运动矢量域视频隐写分析方法，其特征在于，当设计获取Skipped宏块的状态转移概率特征时，所述提取对应分组的视频码流和二次压缩码流中的视频隐写分析特征的步骤具体为：

在所述视频码流提取组中搜寻对应的所述二次压缩码流提取组中的重压缩校准前后宏块划分方式不变的Skipped宏块，提取搜寻到的Skipped宏块的状态转移概率特征。

8.根据权利要求7所述的基于Skipped宏块的运动矢量域视频隐写分析方法，其特征在于，所述Skipped宏块的状态转移概率特征采用以下公式表示：

其中，C_j表示二次压缩码流中第j个Skipped宏块，m表示二次压缩码流中Skipped宏块的总数，k₂表示Skipped宏块的状态转移概率特征的维度序号，Skipped宏块的状态转移概率特征的维度序号的取值为5至10中的任一自然数，f₂(·)表示Skipped宏块的状态转移概率特征，partition(k₂-5)表示二次压缩码流中的Skipped宏块在视频码流中的宏块划分方式，k₂-5表示集合Partition中的元素的索引号，则partition(0)对应的二次压缩码流中的Skipped宏块在视频码流中的宏块划分方式则为集合Partition中的第一个元素对应的宏块划分方式，以此类推；Pr(·)表示概率函数，Pr(partition(k₂-5))表示二次压缩码流中的Skipped宏块在视频码流中的宏块划分方式的概率，φ(x,y)表示判断宏块的宏块划分方式的函数，x表示宏块，y表示宏块划分方式，当宏块x的宏块划分方式与宏块划分方式y相等时，则宏块x采用了宏块划分方式y，φ(x,y)取值为1，否则，宏块x并非采用了宏块划分方式y，φ(x,y)取值为0。

Images