基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法技术

本发明专利技术公开了一种基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法，包括如下步骤：将输入视频解压缩为帧序列，计算每帧的关键点并对相邻两帧进行关键点匹配；对每个视频帧的关键点，计算以关键点为中心的局部区域时空复杂性度量；根据时空复杂性度量对关键点进行排序，并剔除具有空间聚合关系的关键点；对每帧剩下的关键点作后续处理，构建输入视频的特征序列；最后，将特征序列划分为不重叠的子序列，将子序列输入完成训练的多层感知机分类器并作后续处理，以所得输入视频输出分数是否大于阈值作为是否为HEVC双压缩视频的判定。本发明专利技术的检测方法能够对多样的视频内容以及编码参数设置具有良好的检测鲁棒性。

HEVC Dual Compressed Video Detection Method Based on Spatiotemporal Complexity Measurement and Local Predictive Residual Distribution

【技术实现步骤摘要】
基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法
本专利技术涉及视频重压缩检测方法
，具体地，涉及一种基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法。
技术介绍
随着信息技术的快速发展，数字视频等多媒体信息载体已经在人们日常生活中得到广泛应用，包括新闻，医疗和教育等领域。然而，越来越多技术成熟获取简单的视频编辑软件使得用户能够轻易的对视频内容进行修改，并且不留下肉眼可感知的痕迹。如果经过恶意篡改的数字视频被违法使用将对社会造成巨大经济损失和严重安全隐患，例如将篡改视频用于伪造司法电子证据。一般来说，生成篡改视频至少需要经历“解压缩一篡改一重压缩”三个步骤。因此，篡改视频一般为双压缩视频。对数字视频进行双压缩检测可以看作是视频被动取证的第一步。近年来，视频双压缩检测方法已经受到了国内外学者的重视。现有的视频双压缩检测方法根据视频在第一次和第二次压缩过程中采用的GOP结构是否相同可以分为GOP结构对齐的双压缩检测和GOP结构错位的双压缩检测两类。GOP结构对齐的双压缩检测方法一般利用帧内编码过程中两次有损量化对DCT系数统计特性所造成的干扰进行检测。而对于GOP结构错位的双压缩检测算法，研究者会提取输入视频的特征序列。特征序列能够反映双压缩视频中周期性出现的异常帧，即第一次为帧内编码而第二次为帧问编码的帧。在与本专利技术方案相关的GOP结构错位的双压缩视频检测算法方面，专利名称为“视频分类特征提取方法、转码重压缩检测方法及存储介质”的专利文献(申请号：CN201810144370；公开号为CN108366295A)提出了基于帧问编码帧中不同PU划分类型数量统计特性的HEVC重压缩检测方法。该技术方案的主要缺陷是：仅考虑GOP结构中第一个P帧的信息，对于具有较强内容变化的重压缩视频检测性能下降。专利名称为“基于预测残差异常模式的视频双重压缩检测方法”的专利文献(申请号：CN201610652449；公开号为CN106303524A)，提出了利用相邻两帧预测残差分布差异性的重压缩检测方法。该技术方案的主要缺陷是：要求输入视频采用固定GOP结构进行压缩，无法对采用自适应GOP结构或不同GOP结构拼接的双压缩视频提供可靠检测。针对上述专利的局限性，本专利技术方法采用时空复杂性度量选取具有显著异常编码痕迹的区域进行特征提取。利用局部预测残差分布结合多层感知机完成检测，对实际取证场景中复杂的双压缩过程能够提供可靠检测，例如自适应GOP结构的重压缩视频。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法。基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法，包括如下步骤：步骤1：将输入视频解压缩为帧序列，计算每帧的关键点并对相邻两帧进行关键点匹配；步骤2：对每个视频帧的关键点，计算以关键点为中心的局部区域时空复杂性度量；步骤3：根据时空复杂性度量对关键点进行排序，并剔除具有空间聚合关系的关键点；步骤4：对每帧剩下的关键点，统计以关键点为中心局部区域的预测残差强度直方图。计算每帧与其相邻帧匹配关键点对应直方图的杰森香农散度，构建输入视频的特征序列。步骤5：将特征序列划分为不重叠的子序列。将子序列输入完成训练的多层感知机分类器，得到输出分数。将输入视频所有子序列输出分数的平均值作为输入视频的检测分数。如果检测分数大于阈值则为HEVC双压缩视频，反之为单次压缩视频。优选的，步骤1包括如下步骤：步骤1.1：将输入视频进行解压缩，并将每张解压视频帧转换为灰度图，构成帧序列{F1，F2，...，FT}，其中Ft表示第t个解压帧的灰度图，T表示输入视频的总帧数。步骤1.2：对视频帧Ft，利用关键点提取算法分别获得视频帧Ft与其相邻帧Ft+1中的关键点，并构成集合Dt和Dt+1。关键点集合中每个元素(关键点)对应一个特征向量。视频帧Ft与其相邻帧Ft+1中关键点的特征向量构成集合和其中表示第t个解压帧中第j个关键点对应的特征向量；Nt表示第t个解压帧中关键点的数量。将欧式距离作为距离度量方式。集合Vt中每个特征向量与Vt+1中所有特征向量依次计算距离，选择其中距离最小的特征向量。若上述最小距离小于阈值，则认为两个关键点匹配。将视频帧Ft与Ft+1匹配的关键点组成集合，记为和关键点的提取和特征描述可采用的算法包括SIFT算法等等，但不限于此。优选的，步骤2包括如下步骤：步骤2.1：计算视频帧Ft及其相邻帧Ft+1差值的绝对值，即Et＝|Ft-Ft+1|。上述差值操作以像素为单位进行。并对绝对差值进行归一化处理步骤2.2：依次对视频帧Ft中关键点集合的每个关键点计算时空复杂性度量。以第j个关键点为例，其坐标记为(xj，yj)。如图2，以(xj，yj)为中心，b为半径选取正方形区域Bj。计算正方形区域Bj内归一化绝对差值的平均值，即时域复杂度，公式(1)所示：步骤2.3：，计算正方形区域Bj中视频内容Ft的图像熵，即空域复杂度，公式(2)所示：其中pk表示正方形区域Bj中视频内容Ft取值为k的像素出现的频率。优选的，步骤3包括如下步骤：步骤3.1：将视频帧Ft中集合的关键点分别按照时域复杂度和空域复杂度的大小进行升序排列，集合中第j个关键点升序排列后的序号分别记为和第j个关键点的时空复杂性度量为步骤3.2：根据时空复杂度性度量，剔除集合中具有空间聚合关系的关键点。经过处理后的关键点集合将用于后续的特征序列提取过程，具体地：步骤3.2.1：定义空集选取中时空复杂性度量最大的关键点，加入集合步骤3.2.2：在差集中，选取时空复杂性度量最大的关键点，记兆比较关键点与集合中所有关键点空间位置的欧氏距离，取其中的最小值dmin。如果dmin大于预设阈值Td，则将关键点加入到集合中。步骤3.2.3：重复步骤3.2.2直到遍历集合中的所有元素，最终形成集合此外，将相邻视频帧Ft+1的关键点集合中与集合中关键点对应匹配的关键点组成集合优选的，步骤4包括如下步骤：步骤4.1：从视频文件中分别提取视频帧Ft和Ft+1对应的预测残差。步骤4.2：依次计算视频帧Ft中关键点对应的局部预测残差强度分布具体地，以关键点为例，选取以为中心，半径为b的正方形区域。在该区域内进行如下操作：如果k＝{0，1，...，Tk-1}，其中表示关键点局部正方形区域内预测残差强度绝对值为k的像素点数量。如果k≥Tk则进行截断统计，其中Tk为预设的截断阈值。步骤4.2：依次计算视频帧Ft+1中关键点对应的局部预测残差强度分布具体地，以关键点为例，选取以为中心，半径为b的正方形区域。在该区域内进行如下操作：如果k＝{0，1，...，Tk-1}，其中表示关键点局部正方形区域内预测残差强度绝对值为k的像素点数量。如果k≥Tk则进行截断统计，步骤4.3：计算集合和集合匹配关键点对应的预测残差分布之间的杰森香农散度。具体地，以视频帧Ft的第i个关键点和其在视频帧Ft+1中对应的关键点为例，预测残差分布和之间的杰森香农散度按照公式(3)计算：其中p(x)和q(x)分别表示两个离散分布。步骤4.4：计算集合和集合所有匹配关键点之间杰森香农散度的平均值，作为视频Ft的双压缩痕迹度量本文档来自技高网...

【技术保护点】
1.一种基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法，其特征在于，包括如下步骤：步骤1：将输入视频解压缩为帧序列，计算每帧的关键点并对相邻两帧进行关键点匹配；步骤2：对每个视频帧的关键点，计算以关键点为中心的局部区域时空复杂性度量；步骤3：根据时空复杂性度量对关键点进行排序，并剔除具有空间聚合关系的关键点；步骤4：对每帧剩下的关键点，统计以关键点为中心局部区域的预测残差强度直方图；计算每帧与其相邻帧匹配关键点对应直方图的杰森香农散度，构建输入视频的特征序列；步骤5：将特征序列划分为不重叠的子序列，将子序列输入完成训练的多层感知机分类器，得到输出分数；将输入视频所有子序列输出分数的平均值作为输入视频的检测分数；如果检测分数大于阈值则为HEVC双压缩视频，反之为单次压缩视频。

【技术特征摘要】
1.一种基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法，其特征在于，包括如下步骤：步骤1：将输入视频解压缩为帧序列，计算每帧的关键点并对相邻两帧进行关键点匹配；步骤2：对每个视频帧的关键点，计算以关键点为中心的局部区域时空复杂性度量；步骤3：根据时空复杂性度量对关键点进行排序，并剔除具有空间聚合关系的关键点；步骤4：对每帧剩下的关键点，统计以关键点为中心局部区域的预测残差强度直方图；计算每帧与其相邻帧匹配关键点对应直方图的杰森香农散度，构建输入视频的特征序列；步骤5：将特征序列划分为不重叠的子序列，将子序列输入完成训练的多层感知机分类器，得到输出分数；将输入视频所有子序列输出分数的平均值作为输入视频的检测分数；如果检测分数大于阈值则为HEVC双压缩视频，反之为单次压缩视频。2.根据权利要求1所述的基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法，其特征在于，所述步骤1包括如下步骤：步骤1.1：将输入视频进行解压缩，并将每张解压视频帧转换为灰度图，构成帧序列{F1，F2，...，FT}，其中Ft表示第t个解压帧的灰度图，T表示输入视频的总帧数；步骤1.2：对视频帧Ft，利用关键点提取算法分别获得视频帧Ft与其相邻帧Ft+1中的关键点，构成集合Dt和Dt+1；关键点集合中每个元素(关键点)对应一个特征向量；视频帧Ft与其相邻帧Ft+1中关键点的特征向量构成集合和其中表示第t个解压帧中第j个关键点对应的特征向量；Nt表示第t个解压帧中关键点的数量；将欧式距离作为距离度量方式，集合Vt中每个特征向量与Vt+1中所有特征向量依次计算距离，选择其中距离最小的特征向量；若上述最小距离小于阈值，则认为两个关键点匹配，将视频帧Ft与Ft+1对应匹配的关键点组成集合，记为和关键点的提取和特征描述采用的算法包括SIFT算法，但不限于此。3.根据权利要求1所述的基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法，其特征在于，所述步骤2包括如下步骤：步骤2.1：计算视频帧Ft及其相邻帧Ft+1差值的绝对值，即Et＝|Ft-Ft+1|；上述差值操作以像素为单位进行，并对绝对差值进行归一化处理步骤2.2：依次对视频帧Ft中关键点集合的每个关键点计算时空复杂性度量，以第j个关键点为例，其坐标记为(xj，yj)，以(xj，yj)为中心，b为半径选取正方形区域Bj，计算正方形区域Bj内归一化绝对差值的平均值，即时域复杂度，公式(1)所示：步骤2.3：计算正方形区域Bj中视频内容Ft的图像熵，即空域复杂度，公式(2)所示：其中pk表示正方形区域Bj中视频内容Ft取值为k的像素出现的频率。4.根据权利要求1所述的基于时空复杂性度量及局部预测残差分布的HEVC双压缩视频检测方法，其特征在于，所述步骤3包括如下步骤：步骤3.1：将视频帧Ft中集合的关键点分别按照时域复杂度和空域复杂度的大小进行升序排列，集合中第j个关键点升序排列后的序号分别记为和第j个关键点的时空复杂性度量为步骤3.2：根据时空复杂度性度量，剔除集合中具有空间聚合关系的关键点，经过处理后的关键点集合将用于后续的特征序列提取过程，具体地：步骤3.2.1：定义空集选取中时空复杂性度量最大的关键点，加入集合步骤3.2.2：在差集中，选取时空复杂性度量最大的关键点，记为比较关键点与集合中所...

【专利技术属性】
技术研发人员：何沛松，王宏霞，刘嘉勇，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51