基于稀疏表示的過完備字典訓練的視頻篡改檢測方法
【專利摘要】本發(fā)明涉及電子取證領域，針對視頻靜止背景下的運動前景進行刪除操作的篡改檢測的方法，其過程是：求差異幀及分塊，求它們的差異幀ΔI；進行自適應稀疏化；選定一個測量矩陣Θ進行稀疏測量；對稀疏測量得到的特征向量分類類別使用k-means聚類算法進行特征聚類處理；通過聚類處理，基于稀疏表示的過完備字典訓練的視頻篡改檢測方法。本發(fā)明檢測結果直觀，擁有較強的魯棒性，可有效抵抗拍攝場景中的隨風擺動的樹木、花草等因素的影響，抗干擾能力強，檢測結果準確，擁有較強的實際應用價值；需要配置參數較少，極大地方便了用戶的使用。
【專利說明】基于稀疏表示的過完備字典訓練的視頻篡改檢測方法
【技術領域】
[0001]本發(fā)明涉及電子取證領域，針對視頻靜止背景下的運動前景進行刪除操作的篡改檢測的方法。
【背景技術】
[0002]隨著數字多媒體技術的發(fā)展，數字照相機、攝像機、手持DV等多媒體采集設備已經漸漸成為人們生活中的一部分。同時，大量的針對視頻處理的軟件也被廣泛的運用，如Adobe 公司開發(fā)的 Photoshop、Premiere pro, Imagineer Systems 公司開發(fā)的 Mokey,這些軟件使得非專業(yè)人士經過簡單的學習就可以輕易地對視頻進行篡改，達到以假亂真的效果。然而，經過篡改的視頻通常會改變其視頻內容和意義，掩蓋視頻所反映的真實情況，這些視頻有可能被惡意的用于媒體宣傳、科學發(fā)現(xiàn)、保險和法庭證物，無疑會對政治和社會各個方面產生嚴重的影響。因此，對視頻的真實性和完整性的認證已經顯得越來越重要和緊迫。
[0003]使用視頻處理軟件對視頻中的不需要的運動物體進行刪除操作，是視頻篡改常用的方法之一。其原理主要是利用需要刪除區(qū)域的周圍或者區(qū)域所在幀的前后幾幀提供的已知信息，逐幀對刪除區(qū)域進行填充、修補，以達到肉眼無法察覺該視頻已經被篡改過的效果。由于這種篡改方法需要逐幀修改視頻內容，因此，當視頻中的一個物體被移除后，就無法通過視覺、顏色、紋理等信息從單幀的內容上判斷視頻是否曾經被篡改。但是，在視頻序列中，由于需要修改的幀數量較多，因此逐幀修改所留下的痕跡就會造成修改后視頻畫面在時域上出現(xiàn)不連貫或者不一致，尤其在陰影區(qū)域，這種現(xiàn)象稱作“鬼影(ghost shadow)”現(xiàn)象。
[0004]近幾年來，對于視頻篡改檢測方面的方法比較少，主要包括如下=Wang等人利用視頻時空域的相關性對區(qū)域復制篡改進行檢測，但是當篡改區(qū)域較小時，這種檢測方法計算復雜度較高。Kobayashi等人利用噪聲特征的不一致性來對視頻篡改進行檢測，但是其局限性在于當篡改的視頻來源于同一部相機時，這種方法將不能進行有效檢測。Hsu等人提出一種利用幀間對應塊的噪聲相關性來檢測視頻的幀內篡改。天津大學的張明玉等人則提出一種基于累計差分圖像，并利用篡改區(qū)域周圍的紋理特征檢測篡改痕跡，該方法可以對靜止背景下的運動物體的刪除操作進行檢測，但其檢測需要根據經驗配置的參數較多，實驗結果容易受拍攝場景中樹木、花草等環(huán)境影響。
[0005]本發(fā)明的主要特點在于:1、檢測結果直觀，本發(fā)明以二值圖像的形式顯示輸出結果，能夠明顯的揭示出這種篡改痕跡，并且該結果也可反應出原本被刪除的運動前景的運動軌跡；2、本發(fā)明擁有較強的魯棒性，可有效抵抗拍攝場景中的隨風擺動的樹木、花草等因素的影響，抗干擾能力強，檢測結果準確，擁有較強的實際應用價值；3、本發(fā)明需要配置參數較少，極大地方便了用戶的使用。

【發(fā)明內容】
[0006]本發(fā)明利用被篡改視頻出現(xiàn)的“鬼影”現(xiàn)象，提出了基于稀疏表示的過完備字典訓練的視頻篡改檢測方法。該方法主要針對視頻靜止背景下的運動前景被刪除的情況進行檢測，并通過構造二值圖像直觀地反映被篡改視頻留下的篡改痕跡。
[0007]本發(fā)明主要包括五個步驟，具體流程如下:
[0008]1、求差異幀及分塊
[0009]在輸入待測視頻序列后，記當前幀為Iramnt ;從視頻序列中選取僅包含靜止背景且未被篡改過的一幀作為參考幀，記作;對當前幀I—與參考幀進行灰度化后，求它們的差異幀ΔΙ:
[0010]Δ I = Icurrent-1refer
[0011]為提高算法的魯棒性，允許當前幀的畫面與參考幀的畫面有輕微整體偏移，因此本發(fā)明對Λ I的每個像素點取2*2的鄰域，得到每個像素點對應的圖像塊。接著，將每一個圖像塊中的各列從左到右首尾相連組成列向量形式，再將得到的所有列向量再組成一個新矩陣I’。
[0012]2、自適應稀疏化
[0013]對于矩陣I’，對其稀疏化的過程可以用下式表示:
[0014]I，= DIsparse
[0015]其中，D稱為字典，Ispfffse稱為I’的稀疏表不。本發(fā)明使用基于稀疏表不的過完備字典訓練方法(稱為K-SVD)對I’進行稀疏化處理。K-SVD算法的過程為兩步迭代結構，即稀疏編碼估計和字典元素更新。下面討論如何通過K-SVD算法來實現(xiàn)對I’的稀疏化處理。
[0016](I)字典初始化:將字典D初始化為下式:
【權利要求】
1.一種基于稀疏表示的過完備字典訓練的視頻篡改檢測方法，其特征在于采用以下步驟: (1)求差異幀及分塊 在輸入待測視頻序列后，記當前幀為Icm ;從視頻序列中選取僅包含靜止背景且未被篡改過的一幀作為參考幀，記作;對當前幀Icmrait與參考幀IMfCT進行灰度化后，求它們的差異幀ΔΙ ； (2)自適應稀疏化 對于矩陣I’，對其稀疏化的過程可以用下式表示: I^=DIsparse 其中，D稱為字典，Isparse稱為I’的稀疏表示； 檢查運行次數是否大于4次，如果是，則算法結束，令Ispa_=X ;否則，使用匹配追蹤得到I’的稀疏表示X和字典D ; 逐列更新字典D和逐行更新稀疏表示X ； 如果字典D和稀疏表示X全部更新完畢則返回步驟2，否則進入步驟3，最終結果得到訓練信號I’在超完備字典D下的稀疏表示Ispa_。 (3)稀疏測量 選定一個測量矩陣?，使得Ispmse滿足下式: Tfeature= @ Tsparse 取Θ為2XN的高斯隨機矩陣作為測量矩陣對Isp_進行測量，其中N為Isparse的行數； (4)特征聚類 由稀疏測量得到的I—可將其記為I— = 11, ^ 12,..., ^21,其中Ifeature中的每一列β ij均可以看作差異幀中各個像素(i，j)所對應2*2鄰域的特征向量；取分類類別數量c=2，使用k-means聚類算法將Ifeature中的特征向量β u分為兩類，將個數較少的一類記為α 1；另一類記為α 2 ;通過k-means聚類算法得到每個β u的所屬類別后，構造二值矩陣Λ (current),使其與β u滿足下式:
2.根據權利要求1所述的一種基于稀疏表示的過完備字典訓練的視頻篡改檢測方法，其特征在于步驟(1)所述的差異幀Al，計算方式為
A I ^current ^refer0
3.根據權利要求1所述的一種基于稀疏表示的過完備字典訓練的視頻篡改檢測方法，其特征在于步驟(2)所述的字典初始化，其過程為下式:
4.根據權利要求1所述的一種基于稀疏表示的過完備字典訓練的視頻篡改檢測方法，其特征在于步驟(2)所述的更新字典D和逐行更新稀疏表示X，其過程是: Ca)記Ek為字典第k列的更新誤差，先求解Ek:
【文檔編號】G06T7/00GK103559718SQ201310581337
【公開日】2014年2月5日 申請日期:2013年11月19日 優(yōu)先權日:2013年11月19日
【發(fā)明者】黃添強, 蘇立超 申請人:福建師范大學