一種基于特征融合的視頻隱寫(xiě)盲檢測(cè)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(xiě)盲檢測(cè)方法，將模式識(shí)別模型應(yīng)用于視頻隱寫(xiě)盲檢測(cè)，選擇基于離散余弦變換DCT、運(yùn)動(dòng)向量以及MSU的隱寫(xiě)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(lèi)器對(duì)特征向量進(jìn)行分類(lèi)，最后對(duì)各子分類(lèi)器的結(jié)果進(jìn)行策略融合得到檢測(cè)結(jié)果。使用本發(fā)明方法可有效解決未知隱寫(xiě)方法下隱藏信息的有效檢測(cè)問(wèn)題，與專用隱寫(xiě)分析方法相比，在檢測(cè)率以及虛警率方面并不落后，具有一定的適用性。
【專利說(shuō)明】一種基于特征融合的視頻隱寫(xiě)盲檢測(cè)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(xiě)盲檢測(cè)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(xiě)分析方法也叫視頻隱寫(xiě)盲檢測(cè)，是指在不知道視頻隱寫(xiě)算法的情況 下對(duì)載體視頻進(jìn)行檢測(cè)，一般獨(dú)立于具體視頻隱寫(xiě)嵌入算法。相對(duì)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(xiě)比圖像隱寫(xiě)更 加難以檢測(cè)。
[0003] 通用隱寫(xiě)分析方法利用載體的統(tǒng)計(jì)特征和模型進(jìn)行檢測(cè)，目前較為普遍的是采用 特征融合的方法來(lái)進(jìn)行隱寫(xiě)分析。從現(xiàn)有文獻(xiàn)看來(lái)，目前對(duì)圖像隱寫(xiě)盲檢測(cè)的研究相對(duì)較 多，而對(duì)在網(wǎng)絡(luò)上廣泛傳播的音頻和視頻上的隱藏信息檢測(cè)則關(guān)注較少；視頻隱寫(xiě)盲檢測(cè) 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(lèi)器進(jìn)行分類(lèi)，通用隱寫(xiě)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(wú)法控制虛警率和漏報(bào)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(duì)壓縮視頻的通用隱寫(xiě)分 析技術(shù)的研究受到國(guó)內(nèi)外學(xué)者們的高度重視。雖然通用視頻隱寫(xiě)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(wú)法控制虛警率和漏報(bào)率。因此，對(duì)通用視頻隱寫(xiě) 分析還需要更多的投入。
[0004] 當(dāng)前視頻通用盲檢測(cè)還缺少這方面的研究，不過(guò)針對(duì)圖像盲檢測(cè)，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(jì)、 以及多域特征聯(lián)合等。
[0005] 從基于特征級(jí)融合的隱寫(xiě)分析技術(shù)研究現(xiàn)狀可以看出，為提高檢測(cè)方法的檢測(cè)范 圍，并提升隱寫(xiě)檢測(cè)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(lái) 描述由于隱寫(xiě)引起的特征改變，并通過(guò)組合分類(lèi)器，或?qū)Χ鄠€(gè)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(xiě)盲檢測(cè)方法，盲檢測(cè)方法包括如下步驟：
[0007] 1)計(jì)算視頻幀DCT系數(shù)絕對(duì)值組成的二維矩陣在水平、堅(jiān)直、對(duì)角線和反對(duì)角線 4個(gè)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(jì)算所有聯(lián) 合概率密度矩陣的平均值，提取81維統(tǒng)計(jì)特征，作為塊內(nèi)DCT域統(tǒng)計(jì)特征；
[0008] 2)對(duì)視頻幀進(jìn)行兩級(jí)Haar小波變換，得到6個(gè)高頻子帶，并計(jì)算其前四階矩陣，得 到24維特征，作為小波域特征；
[0009] 3)計(jì)算幀間差直方圖的水平、堅(jiān)直、對(duì)角線和反對(duì)角線4個(gè)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(jì)特征作為圖像 的空域特征；
[0010] 4)上述3步共提取186個(gè)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(cè)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(lèi)器為大多數(shù)。

【專利附圖】

【附圖說(shuō)明】
[0012] 圖1是本發(fā)明的基于融合的視頻隱寫(xiě)盲檢測(cè)方法框圖。
[0013] 圖2是本發(fā)明的分類(lèi)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(lèi)器虛警率曲線。
[0015] 圖4是本發(fā)明的嵌入率為50%時(shí)檢測(cè)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(duì)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(xiě)盲檢測(cè)方法框圖。視頻隱寫(xiě)盲檢測(cè)的過(guò)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(gè)步驟。特征選擇根據(jù)現(xiàn)有視頻隱 寫(xiě)技術(shù)的特點(diǎn)選擇對(duì)視頻隱寫(xiě)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(lèi)器訓(xùn)練，由于多個(gè)域的特征可以有效的提高檢測(cè)率，如果這些特征比較多的話，也可以將 其按類(lèi)分為若干部分，再加入相應(yīng)的子分類(lèi)器中進(jìn)行融合訓(xùn)練，這樣可以避免特征的增加 帶來(lái)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(kù)可以不斷補(bǔ)充新 的特征，當(dāng)有新的視頻隱寫(xiě)算法出現(xiàn)時(shí)，可以將這些特征加入特征庫(kù)，再進(jìn)行特征融合，隨 著研究的深入，特征庫(kù)會(huì)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(guò)各子分類(lèi)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(kù)中，以供以后參考。
[0018] 在DCT域特征提取時(shí)，假設(shè)待檢測(cè)視頻的幀大小為MXN，計(jì)算該視頻幀DCT系數(shù)絕 對(duì)值組成的二維矩陣在水平、堅(jiān)直、對(duì)角線和反對(duì)角線4個(gè)方向的相鄰系數(shù)差值。這樣總共 可以獲得四個(gè)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(xiě)盲檢測(cè)方法，其特征在于，該方法包含以下步驟： 1) 計(jì)算視頻幀DCT系數(shù)絕對(duì)值組成的二維矩陣在水平、堅(jiān)直、對(duì)角線和反對(duì)角線4個(gè)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(jì)算所有聯(lián)合概 率密度矩陣的平均值，提取81維統(tǒng)計(jì)特征，作為塊內(nèi)DCT域統(tǒng)計(jì)特征； 2) 對(duì)視頻幀進(jìn)行兩級(jí)Haar小波變換，得到6個(gè)高頻子帶，并計(jì)算其前四階矩陣，得到 24維特征，作為小波域特征； 3) 計(jì)算幀間差直方圖的水平、堅(jiān)直、對(duì)角線和反對(duì)角線4個(gè)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(jì)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(xiě)盲檢測(cè)方法，其特征在于，對(duì) DCT域、小波域和空域提取的186個(gè)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(cè)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(xiě)盲檢測(cè)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(lèi)器為大多數(shù)。
【文檔編號(hào)】H04N21/8358GK104301733SQ201410453548
【公開(kāi)日】2015年1月21日 申請(qǐng)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(qǐng)人:南京郵電大學(xué)