[發明專利]基于深度學習的重獲取視頻檢測方法、系統、設備及介質

有效

• 申請號: 202011532832.X
• 申請日: 2020-12-23
• 公開（公告）號: CN112560734B
• 公開（公告）日: 2023-10-10
• 發明（設計）人: 邊山;王叢笑;顧天己;王春桃
• 申請（專利權）人: 華南農業大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李君

本發明公開了一種基于深度學習的重獲取視頻檢測方法、系統、設備及介質，所述方法包括：獲取原始視頻數據集和重獲取視頻數據集，所述重獲取視頻數據集通過拍攝設備對成像設備顯示的原始視頻數據進行采集獲取；根據原始視頻數據集和重獲取視頻數據集，獲取訓練數據集；對訓練數據集中的訓練視頻數據進行預處理；以殘差網絡作為重獲取視頻檢測模型，利用預處理后的訓練視頻數據對重獲取視頻檢測模型進行訓練，得到訓練好的重獲取視頻檢測模型；利用訓練好的重獲取視頻檢測模型對待測視頻進行檢測，判定是否為重獲取視頻。本發明能夠實現重獲取視頻的檢測，借鑒圖像領域的研究方法和手段，一改傳統的依靠手動提取特征的檢測方法。

技術領域

本發明涉及一種基于深度學習的重獲取視頻檢測方法、系統、設備及介質，屬于計算機視頻檢測領域。

背景技術

數字媒體取證(digital media forensics)作為信息安全領域的一個新興研究熱點，是指從數字媒體中保持、收集、驗證、識別、分析、解釋和表示數字證據的科學技術問題。開展并深入數字多媒體取證研究能夠有效打擊虛假新聞、造假、詐騙、盜版侵權等違法行為，對維護社會穩定具有重要的意義。

數字多媒體取證技術分為主動取證和被動取證如圖1所示。主動取證一般要求預先對圖像添加數字簽名或數字水印等信息，接收方通過檢測預先插入的數字水印或簽名來驗證圖像的原始性、真實性和完整性。被動取證也稱作盲取證，是利用設備在采集多媒體數據的時候留下的痕跡或者數據本身的統計特征、編碼特征等來進行取證。主要從兩個方面進行取證：(1)圖像來源取證，檢測圖像是通過哪種型號的數字設備拍攝還是經過計算機合成圖像還是經過翻拍得到的圖像；(2)圖像篡改取證，依據篡改后遺留下來的痕跡來檢測圖像是否經過篡改。

數字圖像篡改檢測中值濾波器作為一種常用的噪聲去除和圖像增強工具，具有保留非線性和保留圖像邊緣信息的特點。CHEN等人首次將神經網絡應用在中值濾波圖像取證中，實現了檢測小塊和JPEG壓縮圖像塊的中值濾波，并且在剪切粘貼圖像偽造方面具有良好的檢測效果。BAYAR等人在此基礎上提出了一種新的卷積網絡架構，能夠抑制圖像內容直接從訓練視頻數據中自動學習操作檢測特性，而不依賴于預先選擇的特征或任何預處理操作。ZHOU等人用一種雙流更快的R-CNN網絡進行端到端的訓練來檢測給定篡改圖像的篡改區域，RGB流和噪聲流的雙流操縱檢測模型不僅能夠建模可視化篡改偽跡，還可以捕捉局部噪聲特征的不一致性。ZHONG等人設計了Dense-InceptionNet網絡，網絡的特征提取模塊中當前層的輸入來自之前所有層的特征圖的串聯，接著通過特征相關匹配模塊和分層后處理模塊來實現圖像復制-移動檢測。

數字視頻的篡改可以分為兩種類型：(1)幀內偽造(Intra-fame forgery)，這發生在空間領域，包括幀的局部粘貼復制、摳像合成等；(2)幀間偽造(Inter-fame forgery)，這發生在時間域，包括幀復制、幀插入、幀刪除三個方面。

視頻可以被看作為一幀一幀的圖像序列，在原始視頻相鄰幀之間具有連續性，針對視頻的幀插入或刪除篡改操作，在篡改邊界產生跳躍點。基于這種原理，學者們提出了大量的基于不同特征以及離群點檢測的算法。HUANG等人利用幀與幀之間內容的相關性來檢測篡改，首先利用圖像的灰度值特征計算兩兩相鄰幀的相關性，然后將相關性分布圖中低于閾值的離群點判定為篡改點。HAN等人從視頻流中提取殘差數據，并用空間能量和時間能量來捕獲視頻流中的異常，確定異常點來檢測偽造幀。BAKAS等人提出基于Haralick編碼幀相關性檢測離群幀，進而進行數字視頻篡改檢測和定位。SUBRAMANYAM等人利用方向梯度直方圖匹配來檢測幀內篡改。

數字圖像源取證主要是通過圖像內容來確定圖像的設備來源，利用不同成像設備硬件之間的差異性。在采集數字圖像的過程中，設備在每個處理階段都會留下相應的特征痕跡，不同的設備留下的特征痕跡往往不同，這些不同最終體現在圖像層面，因此可以從圖像中提取這些特征進行源設備辨識。