一种基于时空域特征自适应选择的H.265/HEVC视频隐写分析方法技术

本发明专利技术公开了一种基于时空域特征自适应选择的H.265/HEVC视频隐写分析方法，步骤为：解码视频，对P帧提取编码单元划分、运动矢量等压缩域信息；生成运动矢量扫描链，利用共生频率提取空域运动矢量相关性特征；根据H.265/HEVC中的运动矢量预测技术，由同位预测单元及其与参考帧的距离等信息计算当前预测单元的时域预测运动矢量；将时域预测运动矢量与当前运动矢量作差，并提取时域相关性特征；根据运动复杂度和时空域相关性综合值的关系选取候选视频帧；自适应选择空域或时域运动矢量相关性特征作为最终分类特征；最后训练与分类识别。本发明专利技术利用H.265/HEVC中的运动矢量预测特点，创造性地对空域和时域运动矢量相关性特征进行自适应选择，有效地提高了隐写分析检测率。

【技术实现步骤摘要】
一种基于时空域特征自适应选择的H.265/HEVC视频隐写分析方法
本专利技术涉及视频压缩域的隐写分析
，具体涉及一种基于时空域特征自适应选择的H.265/HEVC视频运动矢量隐写分析方法。
技术介绍
数字隐写和隐写分析(或称隐写检测)是信息安全领域的重要分支。数字视频因其数据量大，能容纳密信数量多的特点，成为理想的隐写载体。H.265/HEVC是最新的视频编码标准，与前一代H.264/AVC中以固定大小的宏块作为编码基本单元不同，H.265/HEVC允许采用大小不一的编码单元(CodingUnit，CU)，包括64×64，32×32，16×16和8×8。对纹理较复杂区域通常采用较小的编码块，而对平坦区域通常采用较大的编码块，这使得视频编码方式更加灵活，能同时兼顾精确度和码率。与H.264/AVC标准相比，在相同视觉质量下，码流长度能减少一半。目前H.265/HEVC已逐步应用在互联网的各种产品中，因此研究以其为载体的隐写与隐写分析算法有重要的理论意义和实际应用价值。视频信息隐写是将密信插入或称隐藏到正常的视频中，因此从信息论的角度可看成是对正常视频添加噪声，导致视频失真增大，同时降低了视频内容在时域和空域上的相关性。具体来说，在空域上使得同一帧内相邻像素值的相关性降低；而在时域上，由于时域预测的存在，噪声也使得相邻帧间像素值的相关性降低。常用的隐写技术大致可从修改运动矢量、预测模式和量化后的变换系数这三个方面着手，本专利技术主要讨论针对修改运动矢量的隐写检测技术。修改运动矢量对视频的影响可从预测残差，重压缩编码和相关性三个方面的变化体现出来：密信嵌入可能会使运动矢量指向其他参考块，导致预测残差增大；而修改过的运动矢量在重压缩编码后有向原始运动矢量复原的趋势；密信嵌入引入的噪声会使空域运动矢量相关性和时域运动矢量相关性降低。因此，基于运动矢量的隐写分析方法也主要是通过比较未嵌密视频和已嵌密视频在预测残差、重压缩编码和/或运动矢量相关性这三个方面上的统计特征差异，利用模式分类的方法来鉴别有无嵌密。隐写分析中最常用的模式分类器包括支持向量机(SupportVectorMachine,SVM)。目前基于相关性异常的典型隐写分析方法有Su等人于2011年在SIGNALPROCESSING期刊上发表的论文“AVideoSteganalyticAlgorithmAgainstMotion-Vector-BasedSteganography”，他们认为密信的嵌入会改变运动矢量的统计特性，并利用运动矢量直方图中心矩分别从时域和空域提取特征，最后将时域和空域特征串联形成最终的分类特征向量，作为SVM的输入，进行分类识别。2014年王丽娜等人在《电子学报》发表的论文《基于相关性异常的H.264/AVC视频运动矢量隐写分析算法》提出隐写操作会破坏空域上相邻运动矢量的相关性，并且根据H.264预测分块的特点设计四向运动矢量扫描链，提取其共生频率特征，构造SVM分类特征向量。上述两种方法的不足在于没有考虑空域和时域运动矢量相关性之间的关系，前者仅将这两类特征进行简单的串联，而后者只利用了空域运动矢量相关性特征。研究表明，在运动较剧烈的视频帧中，空域运动矢量相关性往往强于时域运动矢量相关性；而在运动较缓慢的视频帧中，时域运动矢量相关性通常强于空域运动矢量相关性。Su等人的方法将空域和时域特征进行简单串联，其明显不足是特征向量维数增大，运算复杂度增高；而王丽娜等人的方法只选择了空域特征，没有充分利用时域上运动矢量的异常信息。由于H.264/AVC和H.265/HEVC视频隐写具有一定的相似性，本专利技术针对上述不足，提出了一种面向H.265/HEVC视频的时空域特征自适应选择的隐写分析方法，能根据视频的内容和编码特点，自适应选择时域和空域上反映运动矢量变化的特征，构造SVM特征向量。迄今为止，针对H.265/HEVC视频的时空域特征自适应选择隐写分析方法尚未见报道。
技术实现思路
本专利技术的目的是针对上述现有技术的不足，提供了一种基于时空域特征自适应选择的H.265/HEVC视频运动矢量隐写分析方法。本方法能够自适应选择空域或时域运动矢量相关性特征组成特征向量，在不增加特征维数的情况下有效地提高隐写分析检测率，减少分类器训练与分类的时间。本专利技术的目的可以通过如下技术方案实现：一种基于时空域特征自适应选择的H.265/HEVC视频运动矢量隐写分析方法，所述方法包括以下步骤：步骤1、将视频码流熵解码到压缩域，对于所有P帧读取其编码单元和预测单元划分方式、同位预测单元、运动矢量、运动矢量残差这些压缩域信息；步骤2、提取空域运动矢量相关性特征：对于每一个P帧，根据其预测单元划分方式，将每个运动矢量添加到空域四向运动矢量扫描链SS中，在空域四向运动矢量扫描链SS中，分别利用水平和垂直方向上的分量组成两条链，计算两条链之间的皮尔逊相关系数，并选择皮尔逊相关系数绝对值小的方向进行特征提取，将空域四向运动矢量扫描链SS中该方向上的运动矢量分量存入特征提取对象MS中，并对其相邻位置作差得到空域运动矢量四向差分链DS，对DS提取共生频率特征，即得到空域运动矢量相关性特征向量CS；步骤3、获取时域预测运动矢量：对每个预测单元获取其邻近已编码帧中的同位预测单元，根据当前预测单元与其参考帧的距离、同位预测单元与其参考帧的距离以及同位预测单元的运动矢量计算出当前预测单元的时域预测运动矢量；步骤4、提取时域运动矢量相关性特征：将步骤3得到的时域预测运动矢量与当前运动矢量作差，并根据其预测单元的划分方式存入时域四向运动矢量扫描链ST中，分别利用水平和垂直方向上的分量组成两条链，计算皮尔逊相关系数，并选择皮尔逊相关系数绝对值小的方向作为特征提取的对象，将该方向上的分量存入时域运动矢量四向差分链DT中，对DT提取共生频率特征，即得时域运动矢量相关性特征向量CT；步骤5、选择候选视频帧：利用相邻帧的像素值计算当前帧的运动复杂度G，对于每一个G值，有一个相应的阈值λ，利用运动矢量残差计算其时空域相关性综合值P，若P大于阈值λ，则确定该帧为候选视频帧，并进入步骤6，若P小于等于阈值λ，则不作为候选视频帧，直接选择空域运动矢量相关性特征为其最终特征，并进入步骤7；步骤6、自适应选取空域和时域运动矢量相关性特征：对于候选视频帧，利用运动矢量四向差分链中0的比例计算空域运动矢量相关性和时域运动矢量相关性的大小，分别计算空域运动矢量四向差分链和时域运动矢量四向差分链中0所占的比例，若空域运动矢量相关性较强，即空域运动矢量四向差分链中0所占比例较高，则选择空域运动矢量相关性特征为最终特征，若时域运动矢量相关性较强，即时域运动矢量四向差分链中0所占比例较高，则选择时域运动矢量相关性特征为最终特征；步骤7、将提取的特征输入分类器进行训练与分类。进一步地，所述步骤2中，构建空域四向运动矢量扫描链，包括了上边缘、下边缘、左边缘和右边缘四条扫描链，其构造方法是以编码树单元为基准，分别将处于编码树单元上边缘、下边缘、左边缘和右边缘的运动矢量按顺序添加进上边缘扫描链、下边缘扫描链、左边缘扫描链和右边缘扫描链中，并将其首尾相连组成长度为L的扫描链，由于H.265/HEVC中，每个编码树单元的大小本文档来自技高网...

【技术保护点】
一种基于时空域特征自适应选择的H.265/HEVC视频运动矢量隐写分析方法，其特征在于，所述方法包括以下步骤：步骤1、将视频码流熵解码到压缩域，对于所有P帧读取其编码单元和预测单元划分方式、同位预测单元、运动矢量、运动矢量残差这些压缩域信息；步骤2、提取空域运动矢量相关性特征：对于每一个P帧，根据其预测单元划分方式，将每个运动矢量添加到空域四向运动矢量扫描链SS中，在空域四向运动矢量扫描链SS中，分别利用水平和垂直方向上的分量组成两条链，计算两条链之间的皮尔逊相关系数，并选择皮尔逊相关系数绝对值小的方向进行特征提取，将空域四向运动矢量扫描链SS中该方向上的运动矢量分量存入特征提取对象MS中，并对其相邻位置作差得到空域运动矢量四向差分链DS，对DS提取共生频率特征，即得到空域运动矢量相关性特征向量CS；步骤3、获取时域预测运动矢量：对每个预测单元获取其邻近已编码帧中的同位预测单元，根据当前预测单元与其参考帧的距离、同位预测单元与其参考帧的距离以及同位预测单元的运动矢量计算出当前预测单元的时域预测运动矢量；步骤4、提取时域运动矢量相关性特征：将步骤3得到的时域预测运动矢量与当前运动矢量作差，并根据其预测单元的划分方式存入时域四向运动矢量扫描链ST中，分别利用水平和垂直方向上的分量组成两条链，计算皮尔逊相关系数，并选择皮尔逊相关系数绝对值小的方向作为特征提取的对象，将该方向上的分量存入时域运动矢量四向差分链DT中，对DT提取共生频率特征，即得时域运动矢量相关性特征向量CT；步骤5、选择候选视频帧：利用相邻帧的像素值计算当前帧的运动复杂度G，对于每一个G值，有一个相应的阈值λ，利用运动矢量残差计算其时空域相关性综合值P，若P大于阈值λ，则确定该帧为候选视频帧，并进入步骤6，若P小于等于阈值λ，则不作为候选视频帧，直接选择空域运动矢量相关性特征为其最终特征，并进入步骤7；步骤6、自适应选取空域和时域运动矢量相关性特征：对于候选视频帧，利用运动矢量四向差分链中0的比例计算空域运动矢量相关性和时域运动矢量相关性的大小，分别计算空域运动矢量四向差分链和时域运动矢量四向差分链中0所占的比例，若空域运动矢量相关性较强，即空域运动矢量四向差分链中0所占比例较高，则选择空域运动矢量相关性特征为最终特征，若时域运动矢量相关性较强，即时域运动矢量四向差分链中0所占比例较高，则选择时域运动矢量相关性特征为最终特征；步骤7、将提取的特征输入分类器进行训练与分类。...

【技术特征摘要】
1.一种基于时空域特征自适应选择的H.265/HEVC视频运动矢量隐写分析方法，其特征在于，所述方法包括以下步骤：步骤1、将视频码流熵解码到压缩域，对于所有P帧读取其编码单元和预测单元划分方式、同位预测单元、运动矢量、运动矢量残差这些压缩域信息；步骤2、提取空域运动矢量相关性特征：对于每一个P帧，根据其预测单元划分方式，将每个运动矢量添加到空域四向运动矢量扫描链SS中，在空域四向运动矢量扫描链SS中，分别利用水平和垂直方向上的分量组成两条链，计算两条链之间的皮尔逊相关系数，并选择皮尔逊相关系数绝对值小的方向进行特征提取，将空域四向运动矢量扫描链SS中该方向上的运动矢量分量存入特征提取对象MS中，并对其相邻位置作差得到空域运动矢量四向差分链DS，对DS提取共生频率特征，即得到空域运动矢量相关性特征向量CS；步骤3、获取时域预测运动矢量：对每个预测单元获取其邻近已编码帧中的同位预测单元，根据当前预测单元与其参考帧的距离、同位预测单元与其参考帧的距离以及同位预测单元的运动矢量计算出当前预测单元的时域预测运动矢量；步骤4、提取时域运动矢量相关性特征：将步骤3得到的时域预测运动矢量与当前运动矢量作差，并根据其预测单元的划分方式存入时域四向运动矢量扫描链ST中，分别利用水平和垂直方向上的分量组成两条链，计算皮尔逊相关系数，并选择皮尔逊相关系数绝对值小的方向作为特征提取的对象，将该方向上的分量存入时域运动矢量四向差分链DT中，对DT提取共生频率特征，即得时域运动矢量相关性特征向量CT；步骤5、选择候选视频帧：利用相邻帧的像素值计算当前帧的运动复杂度G，对于每一个G值，有一个相应的阈值λ，利用运动矢量残差计算其时空域相关性综合值P，若P大于阈值λ，则确定该帧为候选视频帧，并进入步骤6，若P小于等于阈值λ，则不作为候选视频帧，直接选择空域运动矢量相关性特征为其最终特征，并进入步骤7；步骤6、自适应选取空域和时域运动矢量相关性特征：对于候选视频帧，利用运动矢量四向差分链中0的比例计算空域运动矢量相关性和时域运动矢量相关性的大小，分别计算空域运动矢量四向差分链和时域运动矢量四向差分链中0所占的比例，若空域运动矢量相关性较强，即空域运动矢量四向差分链中0所占比例较高，则选择空域运动矢量相关性特征为最终特征，若时域运动矢量相关性较强，即时域运动矢量四向差分链中0所占比例较高，则选择时域运动矢量相关性特征为最终特征；步骤7、将提取的特征输入分类器进行训练与分类。2.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：胡永健，蔡梓哲，刘琲贝，王宇飞，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44