【技术实现步骤摘要】
本专利技术涉及多媒体信息安全领域，尤其涉及一种基于lstm神经网络的视频帧率篡改检测方法。
技术介绍
1、视频是用相机在短时间间隔内拍摄的一系列图片。视频中的一张图片称为帧，每秒的帧数定义为帧率，表示视频的时间分辨率。帧率越高，视频包含的细节就越多。高帧率依赖于相机的硬件配置，帧率越高，硬件设备越昂贵。为了降低捕获高帧率视频的成本，帧率的转换(frame rate up-conversion，fruc)是一种后期处理技术，它周期性地向一个视频序列中插入若干帧。在无线通信和网络中，由于传感器的弱处理器和有限的带宽，由fruc产生的伪造的高帧率视频随处可见，其视觉质量与其帧率不匹配，因此需要检测视频是否具有真实的帧率。
2、fruc的早期实现是帧复制，它通过复制前一帧或后一帧来插入新的帧。帧复制虽然简单，但由于没有考虑帧与帧之间的运动，视觉效果不理想。为了恢复运动细节，当前的fruc框架采用了运动补偿帧率内插技术(motion compensated frame interpolation，mcfi)，通过预测帧间的运动向量来插值新帧。为了减少时间冗余，一些mcfi方法使用块匹配来寻找运动轨迹，例如，文献“high visual quality particle based frame rate upconversion with acceleration assisted motion trajectory calibration”(t.-h.tsai and h.-y.lin,journal ofdisplay te
3、许多取证工作都关注fruc的检测，并通过分析帧之间相似性的周期特性来识别帧重复。然而，基于相似性的方法无法检测到mcfi，因此许多工作尝试使用一些特征来显示mcfi，例如，文献“noise-level estimationbaseddetection of motion-compensatedframe interpolation in video sequences”(r.li,z.liu,y.zhang,y.li,and z.fu,multimediatools andapplications,2016.)使用噪声变化特征来显示插值帧，文献“detecting video frame-rate up-conversion based on periodic propertiesofedge-intensity”(y.yao,g.yang,x.sun,andl.li,journal of information securityandapplications,vol.26,no.feb.,pp.39–50,2016.)使用边缘强度来显示插值帧。但是在插值帧上，这些特征通常被损坏。所以，现有工作通过设计一些特殊的特征来定位插值帧，例如文献“robust localization of interpolated frames by motion-compensatedframe interpolation based on an artifact indicated map and tchebichefmoments”(x.ding,n.zhu,l.li,y.li,and g.yang，ieee transactions on circuits and systemsfor video technology,vol.29,no.7,pp.1893–1906,2019.)和文献“identificationofmotion-compensated frame rate up-conversionbased on residual signals”(x.ding,g.yang,r.li,l.zhang,y.li,and x.sun,ieee transactions on circuits andsystems for video technology,vol.28,no.7,pp.1497–1512,2018.)分别采用马尔可夫统计、切比雪夫矩特殊的特征来定位插值帧。特征的稳定性是高检测精度的关键，但损失压缩通常会破坏特征，因此，有学者提出了一些基于学习的方法来增强检测的鲁棒性，例如，文献““identification offrame-rate up-conversionbased on spatial-temporal edgeand occlusion with convolutional neural network”(x.ding andy.huang，2020ieeeinternational symposium on circuits and systems(iscas),2020,pp.1–5.)训练卷积神经网络来检测mcfi。但由于缺乏公共数据集，现有的基于学习的方法仅适用于某些特定的fruc方法。
4、综上所述，目前最先进的fruc检测方法均先逐帧提取特征，再分析特征随时间的变化，找出与帧内插相关的特征。然而，由于这些特征会在伪造过程中退化，造成检测准确度严重衰退。
技术实现思路
【技术保护点】
1.一种基于LSTM神经网络的视频帧率篡改检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于LSTM神经网络的视频帧率篡改检测方法，其特征在于，所述四个并行LSTM单元包括LSTM单元0、LSTM单元1、LSTM单元2及LSTM单元3；其中，通过所述视频帧率篡改检测网络模型中的四个并行LSTM单元分别对所述噪声特征进行检测，输出四个LSTM单元各自的检测结果，包括如下步骤：
3.如权利要求2所述的一种基于LSTM神经网络的视频帧率篡改检测方法，其特征在于，将所述噪声特征输入到LSTM单元0，并通过LSTM单元0进行输出的具体过程包括：
4.如权利要求2所述的一种基于LSTM神经网络的视频帧率篡改检测方法，其特征在于，将所述噪声特征输入到LSTM单元1、LSTM单元2及LSTM单元3，并通过LSTM单元1、LSTM单元2及LSTM单元3进行输出的具体过程均包括：
5.如权利要求2所述的一种基于LSTM神经网络的视频帧率篡改检测方法，其特征在于，在将所述噪声特征输入到基于LSTM的视频帧率篡改检测网络模型中之前，需对所
6.如权利要求5所述的一种基于LSTM神经网络的视频帧率篡改检测方法，其特征在于，所述LSTM单元0的已训练分类模型如下：
7.如权利要求6所述的一种基于LSTM神经网络的视频帧率篡改检测方法，其特征在于，所述LSTM单元1、LSTM单元2与LSTM单元3的已训练分类模型如下：
8.如权利要求7所述的一种基于LSTM神经网络的视频帧率篡改检测方法，其特征在于，将所述检测结果输入到由逻辑或运算符组合的分类模型中生成预测结果，具体分类模型如下：
...【技术特征摘要】
1.一种基于lstm神经网络的视频帧率篡改检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于lstm神经网络的视频帧率篡改检测方法，其特征在于，所述四个并行lstm单元包括lstm单元0、lstm单元1、lstm单元2及lstm单元3；其中，通过所述视频帧率篡改检测网络模型中的四个并行lstm单元分别对所述噪声特征进行检测，输出四个lstm单元各自的检测结果，包括如下步骤：
3.如权利要求2所述的一种基于lstm神经网络的视频帧率篡改检测方法，其特征在于，将所述噪声特征输入到lstm单元0，并通过lstm单元0进行输出的具体过程包括：
4.如权利要求2所述的一种基于lstm神经网络的视频帧率篡改检测方法，其特征在于，将所述噪声特征输入到lstm单元1、lstm单元2及lstm单元3，并通过lstm单元1、l...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。