一種基于特征融合的視頻隱寫盲檢測方法
【專利摘要】本發(fā)明提供了一種基于特征融合的視頻隱寫盲檢測方法，將模式識別模型應(yīng)用于視頻隱寫盲檢測，選擇基于離散余弦變換DCT、運(yùn)動向量以及MSU的隱寫方法，首先提取DCT域、小波域以及空域特征，再進(jìn)行特征融合以降低維數(shù)，采用支持向量機(jī)SVM作為分類器對特征向量進(jìn)行分類，最后對各子分類器的結(jié)果進(jìn)行策略融合得到檢測結(jié)果。使用本發(fā)明方法可有效解決未知隱寫方法下隱藏信息的有效檢測問題，與專用隱寫分析方法相比，在檢測率以及虛警率方面并不落后，具有一定的適用性。
【專利說明】一種基于特征融合的視頻隱寫盲檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于特征融合的視頻隱寫盲檢測方法，屬于信息隱藏研究領(lǐng)域。

【背景技術(shù)】
[0002] 通用視頻隱寫分析方法也叫視頻隱寫盲檢測，是指在不知道視頻隱寫算法的情況 下對載體視頻進(jìn)行檢測，一般獨(dú)立于具體視頻隱寫嵌入算法。相對圖像載體而言，視頻載體 的大小通常是圖像的很多倍。因此，在嵌入相同數(shù)量數(shù)據(jù)的情況下，視頻隱寫比圖像隱寫更 加難以檢測。
[0003] 通用隱寫分析方法利用載體的統(tǒng)計特征和模型進(jìn)行檢測，目前較為普遍的是采用 特征融合的方法來進(jìn)行隱寫分析。從現(xiàn)有文獻(xiàn)看來，目前對圖像隱寫盲檢測的研究相對較 多，而對在網(wǎng)絡(luò)上廣泛傳播的音頻和視頻上的隱藏信息檢測則關(guān)注較少；視頻隱寫盲檢測 的關(guān)鍵在于特征的提取和特征的融合，最后選取合適的分類器進(jìn)行分類，通用隱寫分析有 較好的適用性，但通用特征的選取困難，算法復(fù)雜度偏高，無法控制虛警率和漏報率。由于 多媒體技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)上出現(xiàn)了各種壓縮標(biāo)準(zhǔn)的視頻，針對壓縮視頻的通用隱寫分 析技術(shù)的研究受到國內(nèi)外學(xué)者們的高度重視。雖然通用視頻隱寫分析有較好的適用性，但 通用特征的選取困難，算法復(fù)雜度偏高，無法控制虛警率和漏報率。因此，對通用視頻隱寫 分析還需要更多的投入。
[0004] 當(dāng)前視頻通用盲檢測還缺少這方面的研究，不過針對圖像盲檢測，已經(jīng)提出了多 種方法，一些典型的特征包括：圖像質(zhì)量度量（Image Quality Measure, IQM)特征，小波 系數(shù)概率密度函數(shù)（Probability Density Function, PDF)矩，小波系數(shù)直方圖特征函數(shù) (Characteristic Function, CF)矩，直方圖特征函數(shù)質(zhì)心、經(jīng)驗(yàn)矩陣（或共生矩陣）統(tǒng)計、 以及多域特征聯(lián)合等。
[0005] 從基于特征級融合的隱寫分析技術(shù)研究現(xiàn)狀可以看出，為提高檢測方法的檢測范 圍，并提升隱寫檢測性能，現(xiàn)有方法多采用從圖像中提取不同域的特征，以便從不同角度來 描述由于隱寫引起的特征改變，并通過組合分類器，或?qū)Χ鄠€特征進(jìn)行各種特征變換進(jìn)行 特征降維處理，減少特征之間的相關(guān)性。


【發(fā)明內(nèi)容】

[0006] 技術(shù)方案：一種特征融合的視頻隱寫盲檢測方法，盲檢測方法包括如下步驟：
[0007] 1)計算視頻幀DCT系數(shù)絕對值組成的二維矩陣在水平、堅直、對角線和反對角線 4個方向的相鄰系數(shù)差值矩陣，從而得到各差值矩陣的聯(lián)合概率密度矩陣，最后計算所有聯(lián) 合概率密度矩陣的平均值，提取81維統(tǒng)計特征，作為塊內(nèi)DCT域統(tǒng)計特征；
[0008] 2)對視頻幀進(jìn)行兩級Haar小波變換，得到6個高頻子帶，并計算其前四階矩陣，得 到24維特征，作為小波域特征；
[0009] 3)計算幀間差直方圖的水平、堅直、對角線和反對角線4個方向的差值矩陣，再得 到各矩陣的聯(lián)合概率密度矩陣。與DCT域特征提取方式一樣提取81維統(tǒng)計特征作為圖像 的空域特征；
[0010] 4)上述3步共提取186個特征，采用SVM進(jìn)行訓(xùn)練，采用主元分析法進(jìn)行特征融 合；利用Matlab中的Princomp函數(shù)進(jìn)行主元分析法特征融合，為保證檢測準(zhǔn)確率，累積貢 獻(xiàn)率取98% ;
[0011] 5)采用多數(shù)投票法進(jìn)行策略融合，規(guī)定當(dāng)五分之四以上分類器為大多數(shù)。

【專利附圖】

【附圖說明】
[0012] 圖1是本發(fā)明的基于融合的視頻隱寫盲檢測方法框圖。
[0013] 圖2是本發(fā)明的分類器漏檢率曲線。
[0014] 圖3是本發(fā)明的固定嵌入率下訓(xùn)練的分類器虛警率曲線。
[0015] 圖4是本發(fā)明的嵌入率為50%時檢測結(jié)果的接受操作特性曲線。

【具體實(shí)施方式】
[0016] 下面結(jié)合附圖與【具體實(shí)施方式】對本發(fā)明作進(jìn)一步詳細(xì)描述。所舉實(shí)例只用于解釋 本發(fā)明，并非用于限定本發(fā)明的范圍。
[0017] 圖1是本發(fā)明的基于融合的視頻隱寫盲檢測方法框圖。視頻隱寫盲檢測的過程可 以分為特征選擇、特征融合、特征訓(xùn)練以及策略融合這四個步驟。特征選擇根據(jù)現(xiàn)有視頻隱 寫技術(shù)的特點(diǎn)選擇對視頻隱寫比較敏感的特征。從載密視頻和原始視頻中選取若干進(jìn)行分 類器訓(xùn)練，由于多個域的特征可以有效的提高檢測率，如果這些特征比較多的話，也可以將 其按類分為若干部分，再加入相應(yīng)的子分類器中進(jìn)行融合訓(xùn)練，這樣可以避免特征的增加 帶來的影響。本發(fā)明選擇DCT域特征、小波域特征以及空域特征。特征庫可以不斷補(bǔ)充新 的特征，當(dāng)有新的視頻隱寫算法出現(xiàn)時，可以將這些特征加入特征庫，再進(jìn)行特征融合，隨 著研究的深入，特征庫會不斷得到完善。本發(fā)明采用支持向量機(jī)進(jìn)行訓(xùn)練學(xué)習(xí)，選擇Matlab 中的Princomp函數(shù)進(jìn)行主元分析法進(jìn)行特征融合，經(jīng)過各子分類器后的結(jié)果再進(jìn)一步采 用多數(shù)投票法進(jìn)行策略融合。將融合的結(jié)果放入到策略庫中，以供以后參考。
[0018] 在DCT域特征提取時，假設(shè)待檢測視頻的幀大小為MXN，計算該視頻幀DCT系數(shù)絕 對值組成的二維矩陣在水平、堅直、對角線和反對角線4個方向的相鄰系數(shù)差值。這樣總共 可以獲得四個差值矩陣：
[0019] Fh(u, v) = F(u, v)-F(u, v+1) (1)
[0020] Fy(u, v) = F(u, v)-F(u+l, v) (2)
[0021] Fd(u, v) = F(u, v)-F(u+l, v+1) (3)
[0022] Fm(u, v) = F(u, v+l)-F(u+l, v) (4)
[0023] 式中1彡u彡M-l，1彡v彡N-l，差值矩陣Fh、Fv，、F d和Fm的大小均為 (M-l) X (N-l)。則聯(lián)合概率密度為：

【權(quán)利要求】
1. 一種基于特征融合的視頻隱寫盲檢測方法，其特征在于，該方法包含以下步驟： 1) 計算視頻幀DCT系數(shù)絕對值組成的二維矩陣在水平、堅直、對角線和反對角線4個方 向的相鄰系數(shù)差值矩陣，從而得到各差值矩陣的聯(lián)合概率密度矩陣，最后計算所有聯(lián)合概 率密度矩陣的平均值，提取81維統(tǒng)計特征，作為塊內(nèi)DCT域統(tǒng)計特征； 2) 對視頻幀進(jìn)行兩級Haar小波變換，得到6個高頻子帶，并計算其前四階矩陣，得到 24維特征，作為小波域特征； 3) 計算幀間差直方圖的水平、堅直、對角線和反對角線4個方向的差值矩陣，再得到各 矩陣的聯(lián)合概率密度矩陣，與DCT域特征提取方式一樣提取81維統(tǒng)計特征作為圖像的空域 特征。
2. 根據(jù)權(quán)利要求1所述的一種基于特征融合的視頻隱寫盲檢測方法，其特征在于，對 DCT域、小波域和空域提取的186個特征，采用SVM進(jìn)行訓(xùn)練，采用主元分析法進(jìn)行特征融 合；利用Matlab中的Princomp函數(shù)進(jìn)行主元分析法特征融合，為保證檢測準(zhǔn)確率，累積貢 獻(xiàn)率取98%。
3. 根據(jù)權(quán)利要求1或2所述的一種基于特征融合的視頻隱寫盲檢測方法，其特征在于， 采用多數(shù)投票法進(jìn)行策略融合，規(guī)定當(dāng)五分之四以上分類器為大多數(shù)。
【文檔編號】H04N21/8358GK104301733SQ201410453548
【公開日】2015年1月21日 申請日期:2014年9月6日 優(yōu)先權(quán)日:2014年9月6日
【發(fā)明者】王婉清, 施廣帥, 張登銀 申請人:南京郵電大學(xué)