CN117557947B - 一种基于均方误差的静态场景视频真伪鉴定方法及装置 - Google Patents
一种基于均方误差的静态场景视频真伪鉴定方法及装置 Download PDFInfo
- Publication number
- CN117557947B CN117557947B CN202410039344.7A CN202410039344A CN117557947B CN 117557947 B CN117557947 B CN 117557947B CN 202410039344 A CN202410039344 A CN 202410039344A CN 117557947 B CN117557947 B CN 117557947B
- Authority
- CN
- China
- Prior art keywords
- video
- mean square
- square error
- static scene
- scene video
- 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
- 230000003068 static effect Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 13
- 230000000007 visual effect Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Television Systems (AREA)
Abstract
本发明公开一种基于均方误差的静态场景视频真伪鉴定方法及装置，涉及静态场景视频真伪鉴定技术领域，首先，使用解码器对一段视频流进行解码，得到连续多帧的视频流图像。然后，检测者选择一个需要检测的静态视频画面矩形区域，通常是视频中的背景区域，并从多帧的视频流图像画面中都截取该区域，得到同等尺寸的连续多帧的局部画面。计算相邻两帧的像素点数值的残差，得到一组残差图像，并计算残差图像的均方误差。再将上一步骤中的局部画面图像顺序置乱后，按照同样方法再次计算相邻的残差图像，并计算残差图像的均方误差。最后，查看根据这两种方法计算出的均方误差相差数值是否超过既定阈值，超过则判定为真实视频，否则判定为伪造视频。
Description
技术领域
本发明涉及静态场景视频真伪鉴定技术领域，尤其是涉及一种基于均方误差的静态场景视频真伪鉴定方法及装置。
背景技术
近年来，随着数字图像的广泛应用，在视频的可信度和内容的保护方面提出了越来越高的要求。
随着AIGC技术的发展，视频制作技术变得越来越先进，但同时也带来了伪造视频的泛滥。伪造视频是指通过技术手段对原始视频进行篡改、合成或重制，以达到误导观众、传播虚假信息、诈骗等目的。这些伪造视频可能涉及经济、社会等各个领域，对人们的生活和社会秩序造成严重影响。针对伪造视频的检测具有重要意义。现有的伪造视频的检测很多基于声学或光学一致性完成，往往需要结合动态的目标进行检验。运动目标一般会引入较大的信号噪声，影响检测效果。
因此亟需设计一种针对静态背景视频合成检测方法，提升对于利用图片或AIGC生成的静态伪造视频画面的检测效果。
发明内容
为了解决传统视频真伪检测技术对于静态背景视频合成检测效果较差的技术问题，本发明提供一种基于均方误差的静态场景视频真伪鉴定方法及装置。采用如下的技术方案：
一种基于均方误差的静态场景视频真伪鉴定方法，包括以下步骤：
步骤1，解码视频帧，对待检测静态场景视频流进行解码得到多帧视频流画面；
步骤2，截取像素矩阵，对步骤1的多帧视频流画面分别截取同一局部区域画面，并分别截取局部区域画面的像素构造矩阵；
步骤3，计算相邻均方误差，分别按照多帧局部区域画面的像素构造矩阵计算相邻图像的像素残差，计算所有像素残差的平方均值，平方均值即为相邻均方误差；
步骤4，计算随机均方误差，将步骤3计算平方均值的顺序随机置乱，并按照置乱的顺序，采用与步骤3的相同方法计算相邻亮度矩阵的残差平方均值，即为随机均方误差；
步骤5，真伪判定，设定真伪判断阈值，将步骤3中所得相邻均方误差和随机均方误差求差值绝对值，并与真伪判断阈值进行比较，若差值绝对值小于真伪判断阈值，则判断待检测静态场景视频是伪造视频，反之则判断待检测静态场景视频是真实拍摄视频。
通过采用上述技术方案，规避了现有常规视频真伪鉴定算法中存在的运动目标信号对视频真伪鉴定的干扰作用，充分挖掘静态画面区域对真伪鉴定的贡献作用，分析视频静态场景中帧画面内容的抖动，并建立一个量化模型加以区分真伪视频在静态区域画面抖动的差异性，相比机器学习等方法具有速度快、泛化性更好的优点。
可选的，步骤1的具体方法是：使用解码器对一段待检测静态场景视频流进行解码，得到连续n帧的视频流画面，分别记为。
通过采用上述技术方案，得到连续n帧的视频流画面为后续的像素矩阵截取提供有效初始数据。
可选的，步骤2的具体方法是：从连续n帧的视频流画面中分别截取同一设定局部区域画面，得到同等尺寸的连续n帧的局部区域画面，分别取局部区域画面的像素构造矩阵，分别记为/>。
可选的，局部区域画面是矩形区域，且局部区域画面的选取避开动态区域。
通过采用上述技术方案，具体检测时，需要选择一个静态视频画面矩形局部区域画面，局部区域画面通常是视频中的背景画面，并从多帧的视频流画面中都截取该区域，得到同等尺寸的连续n帧的局部画面，取画面的像素构造矩阵，记为，虽然是静态视频画面的真伪检测，但是实际上还是会存在时间流等动态区域，该裁剪过程可以有效去除视频中动态的画面，仅仅保留纯静态的画面内容，便于后续进行静态画面是否存在伪造判定。
可选的，步骤3的具体方法是：
分别对步骤2中获得的局部区域画面的像素构造矩阵计算相邻图像的像素残差，可得到n-1个残差矩阵：
；
计算所有残差的平方均值，即为相邻均方误差，计算公式如下：
；
其中N为残差矩阵中元素的个数，为矩阵对应元素乘法。
通过采用上述技术方案，该步骤计算的相邻均方误差可以有效衡量相邻两个视频帧在像素层面的抖动情况。
可选的，步骤4的具体方法是：
将的顺序随机置乱得到/>，计算相邻亮度矩阵的残差，可得到n-1个残差矩阵如下：
；
计算所有残差的平方均值，即为随机均方误差Dr，计算公式如下：
；
其中N为残差矩阵中元素的个数，为矩阵对应元素乘法。
通过采用上述技术方案，该步骤计算的随机均方误差Dr可以有效衡量任意间隔的两个视频帧在像素层面的抖动情况。
可选的，步骤5的具体方法是：设定真伪判断阈值T，将步骤3中所得均方误差数值Ds与步骤4中所得随机均方误差数值Dr求差值绝对值，并与阈值T进行比较，小于阈值T时判断待检测静态场景视频是伪造视频，反之则判断待检测静态场景视频是真实拍摄视频。
通过采用上述技术方案，均方误差数值Ds与步骤4中所得随机均方误差数值Dr的差值绝对值当小于阈值T时，表明视频静态画面相邻帧的像素差异和随机两帧像素差异相似，视频帧的重复性很高，可判定为计算机合成的伪造视频；
反之，说明视频帧随着时间累积，画面可能呈现较大的像素起伏，可判定为摄像头实际拍摄成像的真实拍摄视频。
可选的，一种基于均方误差的静态场景视频真伪鉴定装置，包括数据录入模块、存储器、视觉处理芯片和处理器，所述数据录入模块与存储器通信连接，用于向存储器录入待检测静态场景视频流，所述存储器预装有根据基于均方误差的静态场景视频真伪鉴定方法设计的静态场景视频真伪鉴定程序，视觉处理芯片和处理器和分别与存储器通信连接，视觉处理芯片调用存储器的待检测静态场景视频流执行解码视频帧和截取像素矩阵的视觉处理步骤，所述处理器与视觉处理芯片通信连接，基于视觉处理芯片的分析处理结果，运行静态场景视频真伪鉴定程序得出静态场景视频真伪鉴定结果。
可选的，还包括显示器，所述显示器与处理器通信连接，用于显示静态场景视频真伪鉴定程序的判断结果。
通过采用上述技术方案，可以实现对待检测静态场景视频流的输入后的自动分析检测，自动输出检测结果，并进行显示。
综上所述，本发明包括以下至少有益技术效果：
本发明能提供一种基于均方误差的静态场景视频真伪鉴定方法及装置，能高效的对静态场景视频进行真伪鉴定，规避了现有常规视频真伪鉴定算法中存在的运动目标信号对视频真伪鉴定的干扰作用，充分挖掘静态画面区域对真伪鉴定的贡献作用，分析视频静态场景中帧画面内容的抖动，并建立一个量化模型加以区分真伪视频在静态区域画面抖动的差异性，相比机器学习等方法具有速度快、泛化性更好的优点。
附图说明
图1是本发明一种基于均方误差的静态场景视频真伪鉴定方法的流程示意图；
图2是本发明一种基于均方误差的静态场景视频真伪鉴定装置的各部件连接示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明实施例公开一种基于均方误差的静态场景视频真伪鉴定方法及装置。
参照图1和图2，一种基于均方误差的静态场景视频真伪鉴定方法，包括以下步骤：
步骤1，解码视频帧，对待检测静态场景视频流进行解码得到多帧视频流画面；
步骤2，截取像素矩阵，对步骤1的多帧视频流画面分别截取同一局部区域画面，并分别截取局部区域画面的像素构造矩阵；
步骤3，计算相邻均方误差，分别按照多帧局部区域画面的像素构造矩阵计算相邻图像的像素残差，计算所有像素残差的平方均值，平方均值即为相邻均方误差；
步骤4，计算随机均方误差，将步骤3计算平方均值的顺序随机置乱，并按照置乱的顺序，采用与步骤3的相同方法计算相邻亮度矩阵的残差平方均值，即为随机均方误差；
步骤5，真伪判定，设定真伪判断阈值，将步骤3中所得相邻均方误差和随机均方误差求差值绝对值，并与真伪判断阈值进行比较，若差值绝对值小于真伪判断阈值，则判断待检测静态场景视频是伪造视频，反之则判断待检测静态场景视频是真实拍摄视频。
本方案规避了现有常规视频真伪鉴定算法中存在的运动目标信号对视频真伪鉴定的干扰作用，充分挖掘静态画面区域对真伪鉴定的贡献作用，分析视频静态场景中帧画面内容的抖动，并建立一个量化模型加以区分真伪视频在静态区域画面抖动的差异性，相比机器学习等方法具有速度快、泛化性更好的优点。
步骤1的具体方法是：使用解码器对一段待检测静态场景视频流进行解码，得到连续n帧的视频流画面，分别记为。
通过采用上述技术方案，得到连续n帧的视频流画面为后续的像素矩阵截取提供有效初始数据。
步骤2的具体方法是：从连续n帧的视频流画面中分别截取同一设定局部区域画面，得到同等尺寸的连续n帧的局部区域画面，分别取局部区域画面的像素构造矩阵，分别记为/>。
局部区域画面是矩形区域，且局部区域画面的选取避开动态区域。
具体检测时，需要选择一个静态视频画面矩形局部区域画面，局部区域画面通常是视频中的背景画面，并从多帧的视频流画面中都截取该区域，得到同等尺寸的连续n帧的局部画面，取画面的像素构造矩阵，记为，虽然是静态视频画面的真伪检测，但是实际上还是会存在时间流等动态区域，该裁剪过程可以有效去除视频中动态的画面，仅仅保留纯静态的画面内容，便于后续进行静态画面是否存在伪造判定。
步骤3的具体方法是：
分别对步骤2中获得的局部区域画面的像素构造矩阵计算相邻图像的像素残差，可得到n-1个残差矩阵：
；
计算所有残差的平方均值，即为相邻均方误差，计算公式如下：
；
其中N为残差矩阵中元素的个数，为矩阵对应元素乘法。
该步骤计算的相邻均方误差可以有效衡量相邻两个视频帧在像素层面的抖动情况。
步骤4的具体方法是：
将的顺序随机置乱得到/>，计算相邻亮度矩阵的残差，可得到n-1个残差矩阵如下：
；
计算所有残差的平方均值，即为随机均方误差Dr，计算公式如下：
；
其中N为残差矩阵中元素的个数，为矩阵对应元素乘法。
该步骤计算的随机均方误差Dr可以有效衡量任意间隔的两个视频帧在像素层面的抖动情况。
步骤5的具体方法是：设定真伪判断阈值T，将步骤3中所得均方误差数值Ds与步骤4中所得随机均方误差数值Dr求差值绝对值，并与阈值T进行比较，小于阈值T时判断待检测静态场景视频是伪造视频，反之则判断待检测静态场景视频是真实拍摄视频。
均方误差数值Ds与步骤4中所得随机均方误差数值Dr的差值绝对值当小于阈值T时，表明视频静态画面相邻帧的像素差异和随机两帧像素差异相似，视频帧的重复性很高，可判定为计算机合成的伪造视频；
反之，说明视频帧随着时间累积，画面可能呈现较大的像素起伏，可判定为摄像头实际拍摄成像的真实拍摄视频。
一种基于均方误差的静态场景视频真伪鉴定装置，包括数据录入模块、存储器、视觉处理芯片和处理器，所述数据录入模块与存储器通信连接，用于向存储器录入待检测静态场景视频流，所述存储器预装有根据基于均方误差的静态场景视频真伪鉴定方法设计的静态场景视频真伪鉴定程序，视觉处理芯片和处理器和分别与存储器通信连接，视觉处理芯片调用存储器的待检测静态场景视频流执行解码视频帧和截取像素矩阵的视觉处理步骤，所述处理器与视觉处理芯片通信连接，基于视觉处理芯片的分析处理结果，运行静态场景视频真伪鉴定程序得出静态场景视频真伪鉴定结果。
还包括显示器，所述显示器与处理器通信连接，用于显示静态场景视频真伪鉴定程序的判断结果。
可以实现对待检测静态场景视频流的输入后的自动分析检测，自动输出检测结果，并进行显示。
具体实施例，这里以一段监控视频画面为例进行说明：
解码视频帧：使用解码器对一段640×480视频流进行解码，得到连续5帧的视频流画面，记为；
截取亮度矩阵：选择一个不包括顶部区域动态区域的640×440画面内容，顶部区域动态区域的画面内容为动态的计时器区域；
得到同等尺寸的连续5帧的640×440的局部区域画面。
这里取画面的亮度像素构造矩阵，也还可以取其他颜色分量，即亮度矩阵，记为；
计算相邻均方误差：计算相邻亮度矩阵的残差，可得到4个640×440残差图像，即残差矩阵；
计算所有残差的平方的均值，即为相邻均方误差Ds。该过程可以表示如下：
；
这里的N为残差矩阵中元素的个数，即640×440，为矩阵对应元素乘法。
计算随机均方误差：
将的顺序随机置乱得到/>，与步骤3的方法相同，计算相邻亮度矩阵的残差，可得到4个640×440残差图像，即残差矩阵/>。
；
这里的N为残差矩阵中元素的个数，即640×440，为矩阵对应元素乘法。
真伪判定：选取阈值为3，将步骤3中所得顺序均方误差数值Ds与步骤4中所得随机均方误差数值Dr求差值绝对值即，并与阈值3进行比较。由于差值3.76其小于阈值3，判定该视频为摄像头实际拍摄成像视频。
以上均为本发明的较佳实施例，并非以此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (7)
1.一种基于均方误差的静态场景视频真伪鉴定方法，其特征在于：包括以下步骤：
步骤1，解码视频帧，对待检测静态场景视频流进行解码得到多帧视频流画面；
步骤2，截取像素矩阵，对步骤1的多帧视频流画面分别截取同一局部区域画面，并分别截取局部区域画面的亮度像素构造矩阵；
步骤3，计算相邻均方误差，分别按照多帧局部区域画面的像素构造矩阵计算相邻图像的像素残差，计算所有像素残差的平方均值，平方均值即为相邻均方误差；
步骤4，计算随机均方误差，将步骤3计算平方均值的顺序随机置乱，并按照置乱的顺序，采用与步骤3的相同方法计算相邻亮度矩阵的残差平方均值，即为随机均方误差；
步骤5，真伪判定，设定真伪判断阈值，将步骤3中所得相邻均方误差和随机均方误差求差值绝对值，并与真伪判断阈值进行比较，若差值绝对值小于真伪判断阈值，则判断待检测静态场景视频是伪造视频，反之则判断待检测静态场景视频是真实拍摄视频；
步骤3的具体方法是：
分别对步骤2中获得的局部区域画面的像素构造矩阵计算相邻图像的像素残差，可得到n-1个残差矩阵：
；
计算所有残差的平方均值，即为相邻均方误差，计算公式如下：
；
其中n为残差矩阵中元素的个数，*为矩阵对应元素乘法；
步骤4的具体方法是：
将的顺序随机置乱得到/>，计算相邻亮度矩阵的残差，可得到n-1个残差矩阵如下：
；
计算所有残差的平方均值，即为随机均方误差Dr，计算公式如下：
；
其中n为残差矩阵中元素的个数，*为矩阵对应元素乘法。
2.根据权利要求1所述的一种基于均方误差的静态场景视频真伪鉴定方法，其特征在于：步骤1的具体方法是：使用解码器对一段待检测静态场景视频流进行解码，得到连续n帧的视频流画面，分别记为。
3.根据权利要求2所述的一种基于均方误差的静态场景视频真伪鉴定方法，其特征在于，步骤2的具体方法是：从连续n帧的视频流画面中分别截取同一设定局部区域画面，得到同等尺寸的连续n帧的局部区域画面，分别取局部区域画面的像素构造矩阵，分别记为/>。
4.根据权利要求3所述的一种基于均方误差的静态场景视频真伪鉴定方法，其特征在于，局部区域画面是矩形区域，且局部区域画面的选取避开动态区域。
5.根据权利要求4所述的一种基于均方误差的静态场景视频真伪鉴定方法，步骤5的具体方法是：设定真伪判断阈值T，将步骤3中所得均方误差数值Ds与步骤4中所得随机均方误差数值Dr求差值绝对值，并与阈值T进行比较，小于阈值T时判断待检测静态场景视频是伪造视频，反之则判断待检测静态场景视频是真实拍摄视频。
6.一种基于均方误差的静态场景视频真伪鉴定装置，其特征在于：包括数据录入模块、存储器、视觉处理芯片和处理器，所述数据录入模块与存储器通信连接，用于向存储器录入待检测静态场景视频流，所述存储器预装有根据权利要求5所述的方法设计的静态场景视频真伪鉴定程序，视觉处理芯片和处理器和分别与存储器通信连接，视觉处理芯片调用存储器的待检测静态场景视频流执行解码视频帧和截取像素矩阵的视觉处理步骤，所述处理器与视觉处理芯片通信连接，基于视觉处理芯片的分析处理结果，运行静态场景视频真伪鉴定程序得出静态场景视频真伪鉴定结果。
7.根据权利要求6所述的一种基于均方误差的静态场景视频真伪鉴定装置，其特征在于：还包括显示器，所述显示器与处理器通信连接，用于显示静态场景视频真伪鉴定程序的判断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410039344.7A CN117557947B (zh) | 2024-01-11 | 2024-01-11 | 一种基于均方误差的静态场景视频真伪鉴定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410039344.7A CN117557947B (zh) | 2024-01-11 | 2024-01-11 | 一种基于均方误差的静态场景视频真伪鉴定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557947A CN117557947A (zh) | 2024-02-13 |
| CN117557947B true CN117557947B (zh) | 2024-04-12 |
Family
ID=89815136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410039344.7A Active CN117557947B (zh) | 2024-01-11 | 2024-01-11 | 一种基于均方误差的静态场景视频真伪鉴定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557947B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113903073A (zh) * | 2021-11-23 | 2022-01-07 | 山东省人工智能研究院 | 一种基于局部增强transformer的假视频检测方法 |
| CN113989713A (zh) * | 2021-10-28 | 2022-01-28 | 杭州中科睿鉴科技有限公司 | 基于视频帧序预测的深度伪造检测方法 |
| CN114311023A (zh) * | 2020-09-29 | 2022-04-12 | 中国科学院沈阳自动化研究所 | 一种基于服务机器人视觉功能检测方法 |
| CN114550268A (zh) * | 2022-03-01 | 2022-05-27 | 北京赛思信安技术股份有限公司 | 一种利用时空特征的深度伪造视频检测方法 |
| KR20230030907A (ko) * | 2021-08-26 | 2023-03-07 | 세종대학교산학협력단 | 가짜 영상 탐지 방법 및 이를 수행하기 위한 장치 |
-
2024
- 2024-01-11 CN CN202410039344.7A patent/CN117557947B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114311023A (zh) * | 2020-09-29 | 2022-04-12 | 中国科学院沈阳自动化研究所 | 一种基于服务机器人视觉功能检测方法 |
| KR20230030907A (ko) * | 2021-08-26 | 2023-03-07 | 세종대학교산학협력단 | 가짜 영상 탐지 방법 및 이를 수행하기 위한 장치 |
| CN113989713A (zh) * | 2021-10-28 | 2022-01-28 | 杭州中科睿鉴科技有限公司 | 基于视频帧序预测的深度伪造检测方法 |
| CN113903073A (zh) * | 2021-11-23 | 2022-01-07 | 山东省人工智能研究院 | 一种基于局部增强transformer的假视频检测方法 |
| CN114550268A (zh) * | 2022-03-01 | 2022-05-27 | 北京赛思信安技术股份有限公司 | 一种利用时空特征的深度伪造视频检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| A survey on passive digital video forgery detection techniques;Liba Manopriya Jegaveerapandian 等;International Journal of Electrical and Computer Engineering;20231231;6324-6334 * |
| 视频深度伪造检测技术及应用;孙炜晨 等;警察技术;20230131;10-16 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557947A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2018247216B2 (en) | Systems and methods for liveness analysis | |
| US9692995B2 (en) | Flare detection and mitigation in panoramic images | |
| Qadir et al. | Surrey university library for forensic analysis (SULFA) of video content | |
| US8671109B2 (en) | Content-based video copy detection | |
| Wahab et al. | Passive video forgery detection techniques: A survey | |
| JP2765674B2 (ja) | データ供給装置 | |
| CN111310134B (zh) | 屏幕水印生成方法、装置及设备 | |
| US20060056702A1 (en) | Image processing apparatus and image processing method | |
| CN110290323A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| Singh et al. | Detection of upscale-crop and splicing for digital video authentication | |
| CN112560734B (zh) | 基于深度学习的重获取视频检测方法、系统、设备及介质 | |
| Wandji et al. | Detection of copy-move forgery in digital images based on DCT | |
| Bayram et al. | Seam-carving based anonymization against image & video source attribution | |
| JP3486229B2 (ja) | 画像変化検出装置 | |
| CN112422909B (zh) | 一种基于人工智能的视频行为分析管理系统 | |
| CN109064376B (zh) | 基于Harris-Laplace与SIFT描述子的DFT域图像抗屏摄水印算法 | |
| CN111460964A (zh) | 一种广电传输机房低照度条件下运动目标检测方法 | |
| CN114202519A (zh) | 视频闪烁确定方法、装置、设备及存储介质 | |
| CN108156408B (zh) | 一种面向视频数据的数字水印嵌入、提取方法和系统 | |
| EP2178289B1 (en) | Method and unit for motion detection based on a difference histogram | |
| CN104954627B (zh) | 一种信息处理方法及电子设备 | |
| Mullan et al. | Residual-based forensic comparison of video sequences | |
| KR101215666B1 (ko) | 오브젝트 색상 보정 방법, 시스템 및 컴퓨터 프로그램 제품 | |
| CN117557947B (zh) | 一种基于均方误差的静态场景视频真伪鉴定方法及装置 | |
| Sharma et al. | A review of passive forensic techniques for detection of copy-move attacks on digital videos |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and device for authenticating static scene videos based on mean square error Granted publication date: 20240412 Pledgee: Industrial Bank Limited by Share Ltd. Wuhan branch Pledgor: HUBEI MICROPATTERN TECHNOLOGY DEVELOPMENT CO.,LTD. Registration number: Y2024980038726 |