基于分割的邻域最优概率视频隐写分析方法及系统技术方案

本发明专利技术公开一种基于分割的邻域最优概率视频隐写分析方法及系统，根据视频特点从分割模式集合中选择一种；对一个视频帧统计所有宏块分割模式的邻域最优SAD的集合，计算一个视频帧的隐写分析特征，对特征进行合并，得到一个视频帧最终的隐写分析特征；按此，依次提取一个视频内所有帧的隐写分析特征。本发明专利技术面向视频运动矢量隐写方法的检测，针对传统的基于预测残差的隐写分析特征易受量化失真干扰的问题，通过宏块分割对量化失真的量化与邻域最优概率特征的结合，实现对运动矢量隐写方法的通用而精准的隐写分析。

【技术实现步骤摘要】

本专利技术涉及多媒体安全和数字媒体处理
，特别涉及一种判别数字视频是否经过秘密信息嵌入的隐写分析技术方案。
技术介绍
现代隐写术是一门利用数字媒体进行秘密通信的技术，而隐写分析是隐写术的反向检测技术，其目标是判断图像、音频、视频等数字媒体中是否隐藏有秘密信息。随着视频采集设备的普及和互联网视频应用的流行，数字视频成为极易获取的隐藏载体；视频载体体积较大，能为秘密信息提供足够的隐藏空间。近年来基于数字视频的隐写技术和工具逐渐增多，这对数字视频的隐写分析提出了严峻的挑战。由于H.264/AVC是目前使用最为广泛的视频编码标准，在实际应用中极有可能成为视频信息隐藏载体，因此本文主要考虑基于H.264/AVC的视频隐写分析。运动矢量(motion vector,MV)和预测残差是视频压缩编码中的重要参数。运动矢量是帧间编码中预测块与当前编码块之间的相对坐标距离，预测残差是当前编码块和预测块的差值。在视频编码端，运动矢量与预测残差一起成为压缩码流，被用来传输或存储；在视频解码端，通过从码流中提取运动矢量和预测残差即可重建原始视频。视频编码的主要目的是在保证视频质量的前提下使视频码流尽可能的少。在视频的帧间编码中，编码器采用运动估计(motion estimation,ME)来寻找最优的运动矢量，使得编码运动矢量和预测残差所需比特数达到最小[1]。这个过程通常由率失真优化模型来实现，即使得一定的拉格朗日代价函数达到最小，最常见的拉格朗日代价函数如下式：J＝SAD+λ·BITS(MVD) (式1)其中SAD是预测残差PE的绝对误差和，MVD是运动矢量残差(motion vector difference,MVD)，BITS(MVD)代表编码MVD所需的比特数，λ是拉格朗日乘子，其取值通常如下[2]：其中QP是量化参数(quantization parameter,QP)。H.264/AVC视频编码块的最大尺寸固定为16×16，称之为宏块。为了更好地逼近视频场景中的物体形状和达到更加精确的匹配效果，在ME过程中宏块往往需要进一步被分割成多个子块，这种情况称作可变块尺寸(variable block size,VBS)。H.264/AVC规定一个16×16的宏块可以被划分成一个16×16分割，两个16×8分割，两个8×16分割或四个8×8分割，这些分割被称作宏块分割(MB partitions)。8×8分割也叫子宏块，它还可以继续被划分成一个8×8分割，两个8×4分割，两个4×8分割或四个4×4分割，这些分割被称作子宏块分割(subMB partitions)。上述宏块分割模式如图1所示。基于运动矢量的视频隐写方法是视频隐写术的热点。该类方法通过直接修改运动矢量的数值并同时调整对应的预测残差，来达到嵌入秘密信息的目的。由于视频编码的最优性原则，在视频的编码端，对于未经隐写的视频(cover)，最优运动矢量所对应的预测残差的SAD通常具有较小的数值，即存在局部最优性；而对于隐写嵌入之后的视频(stego)，运动矢量由最优变成次优，其对应的预测残差的SAD可能具有较大的数值，而其局部最优性也随之改变[3][4]。当前最有效的隐写分析特征是基于预测残差的局部最优性而构建的[3]。由于视频编码过程中的量化步骤是有损压缩，预测残差及其SAD的局部最优性在视频的编码端和解码端会有所不同。而基于预测残差的隐写分析特征只能从视频的解码端构造，因此该类特征不可避免的要受到量化失真的干扰。另外，基于预测残差的隐写分析特征只利用了SAD的局部最优性[3][4]，而隐写嵌入对运动矢量的修改还改变了SAD的邻域最优性的统计规律，目前尚未有研究提出相关技术方案。因此，如何利用预测残差来构造有效的隐写分析特征，并降低量化失真对特征的干扰，以提高隐写分析的检测率，对于隐写分析具有重要的意义。参考文献：[1]I.Richardson,The H.264Advanced Video Compression Standard.New York,NY,USA:Wiley,2010.[2]Wiegand T,Schwarz H,Joch A,et al.Rate-constrained coder control and comparison of video coding standards[J].Circuits and Systems for Video Technology,IEEE Transactions on,2003,13(7):688-703.[3]Wang K,Zhao H,Wang H.Video steganalysis against motion vector-based steganography by adding or subtracting one motion vector value[J].Information Forensics and Security,IEEE Transactions on,2014,9(5):741-751..[4]Ren Y,Zhai L,Wang L,et al.Video steganalysis based on subtractive probability of optimal matching feature[C]//Proceedings of the 2nd ACM workshop on Information hiding and multimedia security.ACM,2014:83-90.
技术实现思路
本专利技术针对现有基于预测残差的隐写分析特征所存在的问题，实现一种鲁棒性强、准确率高的通用隐写分析特征，提供基于分割的邻域最优概率视频隐写分析技术方案。本专利技术技术方案提供一种基于分割的邻域最优概率视频隐写分析方法，其特征在于：在隐写分析特征构造时执行以下步骤，步骤1，根据视频特点，从以下分割模式集合中选择一种，步骤2，对于一个视频帧，统计所有宏块分割模式的邻域最优SAD的集合实现如下，设p是分割模式的索引，p＝1,…,P，P为步骤1所选模式集合中的分割模式数目，设某视频帧中第l个运动矢量为Vl＝(Vlh,Vlv)，Δh和Δv分别是Vlh和Vlv的改变量，局部八邻域记为其中，l是分割在第p种分割模式中的索引；为步骤1所选模式集合中分割模式p下的步骤3，计算一个视频帧的隐写分析特征fp,i如下，其中，Lp是第p种分割模式中的分割的总数，表示集合中的元素个数；如果则参数否则步骤4，根据预设的阈值T，对特征fp,i进行合并，得到一个视频帧最终的隐写分析特征Fp,i， F p , i = f p , i 本文档来自技高网...

【技术保护点】
一种基于分割的邻域最优概率视频隐写分析方法，其特征在于：在隐写分析特征构造时执行以下步骤，步骤1，根据视频特点，从以下分割模式集合中选择一种，步骤2，对于一个视频帧，统计所有宏块分割模式的邻域最优SAD的集合实现如下，设p是分割模式的索引，p＝1,…,P，P为步骤1所选模式集合中的分割模式数目，设某视频帧中第l个运动矢量为Vl＝(Vlh,Vlv)，Δh和Δv分别是Vlh和Vlv的改变量，局部八邻域记为其中，l是分割在第p种分割模式中的索引；为步骤1所选模式集合中分割模式p下的步骤3，计算一个视频帧的隐写分析特征fp,i如下，其中，Lp是第p种分割模式中的分割的总数，表示集合中的元素个数；如果则参数否则步骤4，根据预设的阈值T，对特征fp,i进行合并，得到一个视频帧最终的隐写分析特征Fp,i，Fp,i=fp,iifi∈[0,T)Σj=T8fp,jifi=T]]>步骤5，返回步骤2对下一视频帧进行处理，依次提取一个视频内所有帧的隐写分析特征。

【技术特征摘要】
1.一种基于分割的邻域最优概率视频隐写分析方法，其特征在于：在隐写分析特征构造时执行以下步骤，步骤1，根据视频特点，从以下分割模式集合中选择一种，步骤2，对于一个视频帧，统计所有宏块分割模式的邻域最优SAD的集合实现如下，设p是分割模式的索引，p＝1,…,P，P为步骤1所选模式集合中的分割模式数目，设某视频帧中第l个运动矢量为Vl＝(Vlh,Vlv)，Δh和Δv分别是Vlh和Vlv的改变量，局部八邻域记为其中，l是分割在第p种分割模式中的索引；为步骤1所选模式集合中分割模式p下的步骤3，计算一个视频帧的隐写分析特征fp,i如下，其中，Lp是第p种分割模式中的分割的总数，表示集合中的元素个数；如果则参数否则步骤4，根据预设的阈值T，对特征fp,i进行合并，得到一个视频帧最终的隐写分析特征Fp,i， F p , i = f p , i i f i ∈ [ 0 , T ) Σ j = T 8 f p , j i f i = T ]]>步骤5，返回步骤2对下一视频帧进行处理，依次提取一个视频内所有帧的隐写分析特征。2.一种基于分割的邻域...

【专利技术属性】
技术研发人员：王丽娜，翟黎明，徐一波，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42