一种基于特征融合的视频隐写盲检测方法技术

本发明专利技术提供了一种基于特征融合的视频隐写盲检测方法，将模式识别模型应用于视频隐写盲检测，选择基于离散余弦变换DCT、运动向量以及MSU的隐写方法，首先提取DCT域、小波域以及空域特征，再进行特征融合以降低维数，采用支持向量机SVM作为分类器对特征向量进行分类，最后对各子分类器的结果进行策略融合得到检测结果。使用本发明专利技术方法可有效解决未知隐写方法下隐藏信息的有效检测问题，与专用隐写分析方法相比，在检测率以及虚警率方面并不落后，具有一定的适用性。

【技术实现步骤摘要】
一种基于特征融合的视频隐写盲检测方法
本专利技术涉及基于特征融合的视频隐写盲检测方法，属于信息隐藏研究领域。
技术介绍
通用视频隐写分析方法也叫视频隐写盲检测，是指在不知道视频隐写算法的情况下对载体视频进行检测，一般独立于具体视频隐写嵌入算法。相对图像载体而言，视频载体的大小通常是图像的很多倍。因此，在嵌入相同数量数据的情况下，视频隐写比图像隐写更加难以检测。通用隐写分析方法利用载体的统计特征和模型进行检测，目前较为普遍的是采用特征融合的方法来进行隐写分析。从现有文献看来，目前对图像隐写盲检测的研究相对较多，而对在网络上广泛传播的音频和视频上的隐藏信息检测则关注较少；视频隐写盲检测的关键在于特征的提取和特征的融合，最后选取合适的分类器进行分类，通用隐写分析有较好的适用性，但通用特征的选取困难，算法复杂度偏高，无法控制虚警率和漏报率。由于多媒体技术的不断发展，网络上出现了各种压缩标准的视频，针对压缩视频的通用隐写分析技术的研究受到国内外学者们的高度重视。虽然通用视频隐写分析有较好的适用性，但通用特征的选取困难，算法复杂度偏高，无法控制虚警率和漏报率。因此，对通用视频隐写分析还需要更多的投入。当前视频通用盲检测还缺少这方面的研究，不过针对图像盲检测，已经提出了多种方法，一些典型的特征包括：图像质量度量(ImageQualityMeasure,IQM)特征，小波系数概率密度函数(ProbabilityDensityFunction,PDF)矩，小波系数直方图特征函数(CharacteristicFunction,CF)矩，直方图特征函数质心、经验矩阵(或共生矩阵)统计、以及多域特征联合等。从基于特征级融合的隐写分析技术研究现状可以看出，为提高检测方法的检测范围，并提升隐写检测性能，现有方法多采用从图像中提取不同域的特征，以便从不同角度来描述由于隐写引起的特征改变，并通过组合分类器，或对多个特征进行各种特征变换进行特征降维处理，减少特征之间的相关性。
技术实现思路
技术方案：一种特征融合的视频隐写盲检测方法，盲检测方法包括如下步骤：1)计算视频帧DCT系数绝对值组成的二维矩阵在水平、竖直、对角线和反对角线4个方向的相邻系数差值矩阵，从而得到各差值矩阵的联合概率密度矩阵，最后计算所有联合概率密度矩阵的平均值，提取81维统计特征，作为块内DCT域统计特征；2)对视频帧进行两级Haar小波变换，得到6个高频子带，并计算其前四阶矩阵，得到24维特征，作为小波域特征；3)计算帧间差直方图的水平、竖直、对角线和反对角线4个方向的差值矩阵，再得到各矩阵的联合概率密度矩阵。与DCT域特征提取方式一样提取81维统计特征作为图像的空域特征；4)上述3步共提取186个特征，采用SVM进行训练，采用主元分析法进行特征融合；利用Matlab中的Princomp函数进行主元分析法特征融合，为保证检测准确率，累积贡献率取98％；5)采用多数投票法进行策略融合，规定当五分之四以上分类器为大多数。附图说明图1是本专利技术的基于融合的视频隐写盲检测方法框图。图2是本专利技术的分类器漏检率曲线。图3是本专利技术的固定嵌入率下训练的分类器虚警率曲线。图4是本专利技术的嵌入率为50％时检测结果的接受操作特性曲线。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述。所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。图1是本专利技术的基于融合的视频隐写盲检测方法框图。视频隐写盲检测的过程可以分为特征选择、特征融合、特征训练以及策略融合这四个步骤。特征选择根据现有视频隐写技术的特点选择对视频隐写比较敏感的特征。从载密视频和原始视频中选取若干进行分类器训练，由于多个域的特征可以有效的提高检测率，如果这些特征比较多的话，也可以将其按类分为若干部分，再加入相应的子分类器中进行融合训练，这样可以避免特征的增加带来的影响。本专利技术选择DCT域特征、小波域特征以及空域特征。特征库可以不断补充新的特征，当有新的视频隐写算法出现时，可以将这些特征加入特征库，再进行特征融合，随着研究的深入，特征库会不断得到完善。本专利技术采用支持向量机进行训练学习，选择Matlab中的Princomp函数进行主元分析法进行特征融合，经过各子分类器后的结果再进一步采用多数投票法进行策略融合。将融合的结果放入到策略库中，以供以后参考。在DCT域特征提取时，假设待检测视频的帧大小为M×N，计算该视频帧DCT系数绝对值组成的二维矩阵在水平、竖直、对角线和反对角线4个方向的相邻系数差值。这样总共可以获得四个差值矩阵：Fh(u，v)＝F(u，v)-F(u，v+1)(1)Fy(u，v)＝F(u，v)-F(u+1，v)(2)Fd(u，v)＝F(u，v)-F(u+1，v+1)(3)Fm(u，v)＝F(u，v+1)-F(u+1，v)(4)式中1≤u≤M-1，1≤v≤N-1，差值矩阵Fh、Fv，、Fd和Fm的大小均为(M-1)×(N-1)。则联合概率密度为：DCT系数矩阵F可以划分为互不重叠的8×8大小的系数块，记为Fi。根据公式(1)～(4)计算水平、竖直、对角线和反对角线4个方向的差值矩阵Fih、Fiv、Fid以及Fim。再根据公式(5)～(8)计算各差值矩阵的联合概率密度矩阵Pih、Piv、Pid和Pim，最后计算所有联合概率密度矩阵的平均值，作为块内统计特征，提取81维统计特征。计算公式如下：在小波域提取时，对这六个高频子带计算其前四阶矩，即均值u(x)、方差σ2(x)、偏度ζ(x)、峰度κ(x)。计算方法如下：这样总共得到小波域的24维特征。本专利技术采用虚警率(FP)、漏检率(FN)和检测正确率(ACC)作为评价指标。其中，前两个指标越接近于0，最后一个指标越接近于1，表明方法的检测性能越好。采用支持向量机构造隐写分类器，取分类结果的均值作为最终检测结果。图2为分类器漏检率曲线，其中，分别嵌入25％、50％、75％和100％的秘密信息，横坐标0.1到1分别表示嵌入率为10％到100％时生成的相应嵌入率下的待测视频集，纵坐标表示固定嵌入率训练的分类器测试不同嵌入率的待测视频集时的漏检率FN。图3所示为固定嵌入率下训练的分类器虚警率曲线。横坐标表示嵌入率为10％到100％时训练的分类器，纵坐标表示固定嵌入率训练的分类器测试不同嵌入率的待测视频集时的虚警率FP。因为测试视频的载体都一样，且各SVM分类器已训练好，所以同一嵌入率训练的SVM分类器对不同嵌入率的测试视频，有相同的虚警率。图4是嵌入率为50％时检测结果的接受操作特性(ROC)曲线。从曲线上可以更加清楚的看到，本专利技术方法和ICS方法、MS方法两种专用隐写分析方法的性能接近，因此具有一定的适用性。本专利技术将融合技术应用于视频隐写分析中，选择基于DCT、运动向量以及MSU的隐写方法，提取DCT域、小波域以及空域特征，采用主元分析法进行特征融合。与专用隐写分析方法相比，在检测率以及虚警率方面并不落后，但是适用性更加广泛。本文档来自技高网...

【技术保护点】
一种基于特征融合的视频隐写盲检测方法，其特征在于，该方法包含以下步骤：1)计算视频帧DCT系数绝对值组成的二维矩阵在水平、竖直、对角线和反对角线4个方向的相邻系数差值矩阵，从而得到各差值矩阵的联合概率密度矩阵，最后计算所有联合概率密度矩阵的平均值，提取81维统计特征，作为块内DCT域统计特征；2)对视频帧进行两级Haar小波变换，得到6个高频子带，并计算其前四阶矩阵，得到24维特征，作为小波域特征；3)计算帧间差直方图的水平、竖直、对角线和反对角线4个方向的差值矩阵，再得到各矩阵的联合概率密度矩阵，与DCT域特征提取方式一样提取81维统计特征作为图像的空域特征。

【技术特征摘要】
1.一种基于特征融合的视频隐写盲检测方法，其特征在于，该方法包含以下步骤：1)计算视频帧DCT系数绝对值组成的二维矩阵在水平、竖直、对角线和反对角线4个方向的相邻系数差值矩阵，从而得到各差值矩阵的联合概率密度矩阵，最后计算所有联合概率密度矩阵的平均值，提取81维统计特征，作为块内DCT域统计特征；2)对视频帧进行两级Haar小波变换，得到6个高频子带，并计算其前四阶矩阵，得到24维特征，作为小波域特征；3)计算帧间差...

【专利技术属性】
技术研发人员：王婉清，施广帅，张登银，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32