[發(fā)明專利]一種運動矢量調制信息隱藏檢測方法

有效

• 申請?zhí)枺?/td>: 201510829244.5
• 申請日: 2015-11-25
• 公開（公告）號: CN106791871B
• 公開（公告）日: 2019-07-02
• 發(fā)明（設計）人: 李松斌;楊潔;劉鵬;鄧浩江
• 申請（專利權）人: 中國科學院聲學研究所
• 主分類號: H04N19/467
• 分類號: H04N19/467;H04N19/70;H04N19/176
• 代理公司: 北京方安思達知識產權代理有限公司 11472
• 代理人: 王宇楊;李彪

1.一種運動矢量調制信息隱藏檢測方法，包括：

步驟S1)、選取原始視頻序列S，對其分別進行一般H.264壓縮和隱寫H.264壓縮，得到模型訓練樣本；所述模型訓練樣本包括未隱寫的H.264文件訓練樣本與帶隱寫的H.264文件訓練樣本；

步驟S2)、為步驟S1)得到的模型訓練樣本提取宏塊運動矢量，基于所述宏塊運動矢量為視頻序列建立時空相鄰宏塊運動矢量關聯網絡模型，進而對該模型進行剪枝，得到強相關關聯網絡模型；

步驟S3)、對步驟S2)得到的強相關關聯網絡模型進行參數估計，得到模型參數，然后提取模型參數作為特征向量，并基于支持向量機回歸算法對所述特征向量進行訓練，生成隱寫檢測器模型；

步驟S4)、運用步驟S3)得到的隱寫檢測器模型對待檢測的未知類型的H.264文件進行隱寫檢測；

所述步驟S2)進一步包括：

步驟S2-1)、根據步驟S1)得到的未隱寫的H.264文件訓練樣本與帶隱寫的H.264文件訓練樣本提取宏塊運動矢量

假設當前宏塊具有N個分塊，d_i＝(x_i,y_i)是第i個分塊的運動矢量，則宏塊運動矢量定義如下：

步驟S2-2)、根據步驟S2-1)得到的宏塊運動矢量建立每個視頻序列的時空相鄰宏塊運動矢量關聯網絡模型D＝(V,E(V))；

每個視頻序列表示出一組變量每個變量表示第i幀上第j個宏塊的宏塊運動矢量；建立時空相鄰宏塊運動矢量關聯網絡模型，關聯網絡模型為有向圖D＝(V,E(V))，定義如下：

V＝{v_i[j]|i,j∈{0,1,2,3,...}}

E(V)＝{＜v_i[p],v_j[q]＞|v_i[p],v_j[q]∈V}；

其中V為有向圖中的頂點構成的集合，每個頂點v_i[j]對應視頻序列中的一個宏塊運動矢量即v_i[j]表示視頻序列中第i個幀(F_i幀)中的第j個宏塊的運動矢量在有向圖中的頂點；

步驟S2-3)、對步驟S2-2)得到的網絡模型D進行剪枝，得到包含幀內、幀間關系的強相關關聯網絡模型D′＝(V,E′(V))；

所述步驟S2-3)進一步包括：

步驟S2-3-1)、對網絡模型D進行幀間剪枝；

視頻序列中相鄰幀之間存在較強相關性,且在時域有嚴格的先后順序,因此僅保留當前幀與其前一幀在相同位置的宏塊之間的有向邊，即僅保留v_i-1[j]到v_i[j]的邊；

步驟S2-3-2)、對網絡模型D進行幀內剪枝；

視頻序列同一幀內的臨近宏塊運動矢量間存在較強相關性,因此保留v_i[j]與其8領域內相鄰宏塊之間的有向邊；

步驟S2-3-3)、根據步驟S2-3-1)、步驟S2-3-2)得到的幀間有向邊、幀內有向邊建立強相關關聯網絡模型D′；

D′＝(V,E′(V))

E′(V)＝E′_幀間∪E′_幀內

E′_幀間＝{＜v_i-1[j],v_i[j]＞|i∈(1,2,...),j∈(0,1,2,...)}

E′_幀內＝{＜v_n[i],v_n[j]＞|n,i∈(0,1,2,...),j∈(與i相鄰的宏塊)}。

2.根據權利要求1所述的運動矢量調制信息隱藏檢測方法，其特征在于，所述步驟S3)進一步包括：

步驟S3-1)、根據強相關關聯網絡模型D′，篩選部分宏塊運動矢量，使用條件概率對模型進行參數估計，得到模型參數P_i；

步驟S3-2)、根據步驟S3-1)得到的模型參數P_i，提取參數作為特征向量，并基于支持向量機回歸算法對特征向量進行訓練生成隱寫檢測器模型。