一种基于特征融合的视频隐写盲检测方法
【专利摘要】本发明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。
【专利说明】一种基于特征融合的视频隐写盲检测方法
【技术领域】
[0001] 本发明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。
【背景技术】
[0002] 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。
[0003] 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。
[0004] 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（Image Quality Measure, IQM)特征，小波 系数概率密度函数（Probability Density Function, PDF)矩，小波系数直方图特征函数 (Characteristic Function, 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。
[0005] 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。
【发明内容】
[0006] 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：
[0007] 1)计算视频帧DCT系数绝对值组成的二维矩阵在水平、坚直、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；
[0008] 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；
[0009] 3)计算帧间差直方图的水平、坚直、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；
[0010] 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% ;
[0011] 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。
【专利附图】
【附图说明】
[0012] 图1是本发明的基于融合的视频隐写盲检测方法框图。
[0013] 图2是本发明的分类器漏检率曲线。
[0014] 图3是本发明的固定嵌入率下训练的分类器虚警率曲线。
[0015] 图4是本发明的嵌入率为50%时检测结果的接受操作特性曲线。
【具体实施方式】
[0016] 下面结合附图与【具体实施方式】对本发明作进一步详细描述。所举实例只用于解释 本发明，并非用于限定本发明的范围。
[0017] 图1是本发明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。本发明选择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。本发明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。
[0018] 在DCT域特征提取时，假设待检测视频的帧大小为MXN，计算该视频帧DCT系数绝 对值组成的二维矩阵在水平、坚直、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：
[0019] Fh(u, v) = F(u, v)-F(u, v+1) (1)
[0020] Fy(u, v) = F(u, v)-F(u+l, v) (2)
[0021] Fd(u, v) = F(u, v)-F(u+l, v+1) (3)
[0022] Fm(u, v) = F(u, v+l)-F(u+l, v) (4)
[0023] 式中1彡u彡M-l，1彡v彡N-l，差值矩阵Fh、Fv，、F d和Fm的大小均为 (M-l) X (N-l)。则联合概率密度为：
【权利要求】
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、坚直、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、坚直、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。
2. 根据权利要求1所述的一种基于特征融合的视频隐写盲检测方法，其特征在于，对 DCT域、小波域和空域提取的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%。
3. 根据权利要求1或2所述的一种基于特征融合的视频隐写盲检测方法，其特征在于， 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。
【文档编号】H04N21/8358GK104301733SQ201410453548
【公开日】2015年1月21日 申请日期:2014年9月6日 优先权日:2014年9月6日
【发明者】王婉清, 施广帅, 张登银 申请人:南京邮电大学