[發明專利]一種基于特征融合的視頻隱寫盲檢測方法有效
| 申請號: | 201410453548.1 | 申請日: | 2014-09-06 |
| 公開(公告)號: | CN104301733B | 公開(公告)日: | 2017-04-12 |
| 發明(設計)人: | 王婉清;施廣帥;張登銀 | 申請(專利權)人: | 南京郵電大學 |
| 主分類號: | H04N19/467 | 分類號: | H04N19/467;H04N21/8358;G06T1/00 |
| 代理公司: | 江蘇愛信律師事務所32241 | 代理人: | 唐小紅 |
| 地址: | 210003 江蘇*** | 國省代碼: | 江蘇;32 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 基于 特征 融合 視頻 隱寫盲 檢測 方法 | ||
技術領域
本發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域。
背景技術
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行檢測,一般獨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,在嵌入相同數量數據的情況下,視頻隱寫比圖像隱寫更加難以檢測。
通用隱寫分析方法利用載體的統計特征和模型進行檢測,目前較為普遍的是采用特征融合的方法來進行隱寫分析。從現有文獻看來,目前對圖像隱寫盲檢測的研究相對較多,而對在網絡上廣泛傳播的音頻和視頻上的隱藏信息檢測則關注較少;視頻隱寫盲檢測的關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,算法復雜度偏高,無法控制虛警率和漏報率。由于多媒體技術的不斷發展,網絡上出現了各種壓縮標準的視頻,針對壓縮視頻的通用隱寫分析技術的研究受到國內外學者們的高度重視。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。
當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,已經提出了多種方法,一些典型的特征包括:圖像質量度量(Image?Quality?Measure,IQM)特征,小波系數概率密度函數(Probability?Density?Function,PDF)矩,小波系數直方圖特征函數(Characteristic?Function,CF)矩,直方圖特征函數質心、經驗矩陣(或共生矩陣)統計、以及多域特征聯合等。
從基于特征級融合的隱寫分析技術研究現狀可以看出,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,或對多個特征進行各種特征變換進行特征降維處理,減少特征之間的相關性。
發明內容
技術方案: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:
1)計算視頻幀DCT系數絕對值組成的二維矩陣在水平、豎直、對角線和反對角線4個方向的相鄰系數差值矩陣,從而得到各差值矩陣的聯合概率密度矩陣,最后計算所有聯合概率密度矩陣的平均值,提取81維統計特征,作為塊內DCT域統計特征;
2)對視頻幀進行兩級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、豎直、對角線和反對角線4個方向的差值矩陣,再得到各矩陣的聯合概率密度矩陣。與DCT域特征提取方式一樣提取81維統計特征作為圖像的空域特征;
4)上述3步共提取186個特征,采用SVM進行訓練,采用主元分析法進行特征融合;利用Matlab中的Princomp函數進行主元分析法特征融合,為保證檢測準確率,累積貢獻率取98%;
5)采用多數投票法進行策略融合,規定當五分之四以上分類器為大多數。
附圖說明
圖1是本發明的基于融合的視頻隱寫盲檢測方法框圖。
圖2是本發明的分類器漏檢率曲線。
圖3是本發明的固定嵌入率下訓練的分類器虛警率曲線。
圖4是本發明的嵌入率為50%時檢測結果的接受操作特性曲線。
具體實施方式
下面結合附圖與具體實施方式對本發明作進一步詳細描述。所舉實例只用于解釋本發明,并非用于限定本發明的范圍。
圖1是本發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、特征訓練以及策略融合這四個步驟。特征選擇根據現有視頻隱寫技術的特點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行分類器訓練,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,再加入相應的子分類器中進行融合訓練,這樣可以避免特征的增加帶來的影響。本發明選擇DCT域特征、小波域特征以及空域特征。特征庫可以不斷補充新的特征,當有新的視頻隱寫算法出現時,可以將這些特征加入特征庫,再進行特征融合,隨著研究的深入,特征庫會不斷得到完善。本發明采用支持向量機進行訓練學習,選擇Matlab中的Princomp函數進行主元分析法進行特征融合,經過各子分類器后的結果再進一步采用多數投票法進行策略融合。將融合的結果放入到策略庫中,以供以后參考。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于南京郵電大學,未經南京郵電大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201410453548.1/2.html,轉載請聲明來源鉆瓜專利網。
- 上一篇:城市交通監控視頻全局編碼方法及系統
- 下一篇:視頻編碼運動估計單元硬件電路





