CN101527829B - 视频数据处理方法及装置 - Google Patents
视频数据处理方法及装置 Download PDFInfo
- Publication number
- CN101527829B CN101527829B CN2008100074372A CN200810007437A CN101527829B CN 101527829 B CN101527829 B CN 101527829B CN 2008100074372 A CN2008100074372 A CN 2008100074372A CN 200810007437 A CN200810007437 A CN 200810007437A CN 101527829 B CN101527829 B CN 101527829B
- Authority
- CN
- China
- Prior art keywords
- frame
- gray
- video data
- pixel
- gray scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 26
- 239000000284 extract Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000001186 cumulative effect Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明实施例涉及一种视频数据处理方法及装置,所述方法包括:将视频数据进行预处理,得到灰度帧集;将灰度帧集进行归一化处理,得到归一化灰度帧集;计算归一化灰度帧集的灰度均值,根据灰度均值,确定直方图提取的灰度范围;将灰度范围划分为一个以上灰度区间,通过比较不同灰度区间内像素的数目获取哈希值。所述装置包括:预处理模块,用于将视频数据进行预处理;归一化模块,用于将灰度帧集进行归一化处理;直方图提取模块,用于确定直方图提取的灰度范围;获取模块,用于将灰度范围划分为一个以上灰度区间,获取哈希值。本发明实施例能够有效的抵抗几何失真,降低了算法的复杂度,使算法具有良好的实时性。
Description
技术领域
本发明实施例涉及多媒体技术领域,尤其涉及一种视频数据处理方法及装置。
背景技术
视频哈希值是视频数据唯一且极其紧凑的数值表示形式,视频哈希算法作为一种视频数据处理方法,可用于视频数据的检索和认证。根据视频哈希算法预先构建视频数据的数据库,而后传输该视频数据,在传输过程中,可以通过计算该视频数据的哈希值,并查找数据库来确定是否存在侵权行为。较好的视频哈希算法需要具有良好的唯一性和稳健性,其中唯一性指对于不同的视频数据,其哈希值是截然不同的;稳健性指视频数据在经过一些内容保持的操作后,其哈希值保持不变或基本不变。此外,考虑到哈希***的实时性,哈希算法的技术代价也是一个重要的考虑因素。
现有技术提出了一种针对帧间缓变化视频数据的视频哈希算法,该方法包括以下步骤:
步骤401、将输入的视频数据剥离为单独的帧,由于视频一般为彩色的,而该算法只处理亮度属性,因此须将每帧视频数据转化为灰度版本;
步骤402、将帧的灰度版本作平均运算,即将各帧灰度版本相同位置的像素灰度值相加,再除以帧数,从而获得一幅包括视频数据信息的平均灰度图;由于相邻两帧间视频数据的高度相关,视频数据在时间维上变化很小,因此获得的平均灰度图足以代表视频数据信息;
步骤403、将平均灰度图进行高斯低通滤波处理,滤除不能代表视频数 据信息的细节成分,用于增强算法的稳健性;
步骤404、将滤波后的灰度图进行归一化处理,获得规定大小的低分辨率的灰度图;
步骤405、计算归一化处理后灰度图的累加直方图,根据累加直方图选择二值化阈值,并将该灰度图转化为二值图,该二值图即为视频哈希值。
其中步骤405中阈值的选取遵循如下规则:
假设累加直方图用 来表示,其中i表示灰度级,P(i)表示灰度级i上的像素个数,则归一化处理后的灰度图为: 其中L为灰度级的总数,一般L=256。选取K(为奇数)个灰度阈值,将归一化累加直方图划分为K+1个灰度区间,将相邻灰度区间赋予不同的比特值,例如,若某灰度区间的比特值为“0”,则其相邻灰度区间的比特值为“1”,从而得到二值图。举例来说,选取K=3,x1,x2,x3为灰度阈值,求解下列方程可得灰度阈值:
F′(x1)=0.25,F′(x2)=0.5,F′(x3)=0.75
根据求得的灰度阈值,将第1个灰度区间赋值为“0”,将第2个灰度区间赋值为“1”,将第3个灰度区间赋值为“0”。至此完成二值化过程,得到的二值图即为视频哈希值。
上述针对帧间缓变化视频数据的视频哈希算法基于视频灰度的统计特性,计算量低,实现简单,但是存在以下几点不足:
(1)该算法针对帧间缓变化视频数据,要求输入的视频数据相邻帧的变化很小,若帧间存在场景的切换或物体大幅度位移等变化,在求取平均灰度图时会引入严重的失真,这种对输入视频数据的额外要求限制了该算法的实用性;
(2)该算法将二值图作为视频哈希值,因此视频哈希值对像素位置十分敏感。在视频受到攻击或发生几何失真时,像素位置会发生偏移(例如帧旋转,像素绕某定点偏离原位置),导致二值图发生较大变化。因此,该算法不能有效抵抗视频的几何失真。
现有技术还提出了一种基于视频时空变换的视频哈希算法,该算法包括:将输入的视频数据进行预处理与归一化处理,得到灰度帧集;将灰度帧集进行三维离散余弦变换,得到系数矩阵;通过比较系数矩阵中的系数来提取哈希值。在常见的视频处理和噪声处理过程中,该算法具有较好的稳健性,但由于三维离散余弦变换系数在几何攻击前后具有很大的变化,因此该算法对几何攻击比较敏感。
现有技术又提出了一种图像哈希算法,该算法包括:对输入的图像数据进行高斯过滤;计算过滤后的图像数据的均值,根据该均值计算直方图;通过比较每两个不同区间中像素的数目来提取哈希值。该算法针对图像数据而提出的,在图像和噪声处理以及面对几何攻击时,具有较好的稳健性,但该算法适用于提取图像数据的哈希值,而不适用于提取视频数据的哈希值。
发明内容
本发明实施例所要解决的技术问题是:提供一种视频处理方法及装置,能够有效抵抗几何失真,降低算法的复杂度,使算法具有良好的实时性和稳健性。
本发明实施例提供了一种视频处理方法,包括:
将视频数据分离为独立的帧,将每帧视频数据转化为灰度版本,得到灰度帧集;
将所述灰度帧集进行时间维滤波和抽样处理;将经过时间维滤波和抽样处理后的灰度帧集进行空间维滤波和抽样处理,得到归一化灰度帧集;
计算所述归一化灰度帧集的灰度均值,根据所述灰度均值,确定直方图提取的灰度范围;
将所述灰度范围划分为一个以上灰度区间,通过比较不同灰度区间内像素的数目获取哈希值。
本发明实施例提供了一种视频处理装置,包括:
预处理模块,用于将视频数据进行预处理,得到灰度帧集;其具有转化单元,用于将视频数据分离为独立的帧,将所述每帧视频数据转化为灰度版本,得到灰度帧集;
归一化模块,用于将所述灰度帧集进行归一化处理,得到归一化灰度帧集;其具有时间维处理单元,用于将所述灰度帧集进行时间维滤波和抽样处理;和空间维处理单元,用于将经过时间维滤波和抽样处理后的灰度帧集进行空间维滤波和抽样处理,得到所述归一化灰度帧集;
直方图提取模块,用于计算所述归一化灰度帧集的灰度均值,根据所述灰度均值,确定直方图提取的灰度范围;
获取模块,用于将所述灰度范围划分为一个以上灰度区间,通过比较不同灰度区间内像素的数目获取哈希值。
本发明实施例提供的视频处理方法及装置,根据直方图的形状获取哈希值,由于直方图形状对几何失真具有较好的稳健性,因此该方法能够有效的抵抗几何失真;且无需对视频数据进行变换域处理,降低了算法的复杂度,使算法具有良好的实时性。
附图说明
图1为本发明实施例视频数据处理方法的流程图;
图2为本发明实施例视频数据处理方法中预处理与归一化处理的流程图;
图3为本发明实施例视频数据处理方法中预处理与归一化处理的示意图;
图4为本发明实施例视频数据处理方法中时间维滤波前视频数据的示意图;
图5为本发明实施例视频数据处理方法中时间维抽样后视频数据的示意图;
图6为本发明实施例视频数据处理方法中空间维抽样前视频数据的示意图;
图7为本发明实施例视频数据处理方法中空间维抽样后视频数据的示意图;
图8为本发明实施例视频数据处理方法中获取哈希值的流程图;
图9为本发明实施例视频数据处理装置的示意图;
图10为本发明实施例视频数据处理装置中预处理模块和归一化模块的示意图。
具体实施方式
下面通过附图和实施例,对本发明实施例的技术方案做进一步的详细描述。
如图1所示,为本发明实施例视频数据处理方法的流程图,包括如下步骤:
步骤101、将视频数据进行预处理,得到灰度帧集;
步骤102、将灰度帧集进行归一化处理,得到归一化灰度帧集;
步骤103、计算所述归一化灰度帧集的灰度均值,根据所述灰度均值,确定直方图提取的灰度范围;
步骤104、将所述灰度范围划分为一个以上灰度区间,通过比较不同灰度区间内像素的数目获取哈希值。
图2所示为本发明实施例视频数据处理方法中预处理与归一化处理的流程图,图3相应地示出了本发明实施例视频数据处理方法中预处理与归一化处理的示意图。图1中的步骤101可以包括如下步骤:
步骤201、将视频数据分离为独立的帧,将每帧视频数据转化为灰度版本,得到灰度帧集;
本实施例只处理视频数据的灰度属性,而输入的视频数据通常为彩色的,因此,在预处理过程中,需将每帧视频数据转化为灰度版本;设视频数据所包含的帧数为f,每帧图像的原始尺寸用w×h来表示,其中w表示每帧图像像素的列数,h表示每帧图像像素的行数;对于不同的视频数据,w和h的数 值不相同,本实施例归一化的目的是获取规定帧数和规定尺寸的灰度帧集。
步骤101对灰度帧集进行归一化处理包括图3所示的步骤202和步骤203。以下进行详细说明:
步骤202、将灰度帧集进行时间维滤波和抽样处理;
如图4所示,为本发明实施例视频数据处理方法中时间维滤波前视频数据的示意图,图4示出灰度帧集中的6帧灰度版本,分别为灰度版本61、灰度版本62、灰度版本63、灰度版本64、灰度版本65以及灰度版本66,定义像素管道为由各帧相同位置上像素灰度值所构成的向量,表示为PT(m,n)=[V(m,n,1),V(m,n,2),Λ,V(m,n,i),Λ,V(m,n,f)],式中V(m,n,i)表示第i帧、第m行、第n列的像素的灰度值,1≤i≤f,1≤m≤h,1≤n≤w,如图4所示,用黑点表示各帧相同位置上的像素,图中6个黑点组成一个像素管道。
如图2所示,步骤202可以包括:
步骤2021、将一维高斯函数作离散近似;
一维高斯函数用下式表示:
其中σ1为时间维滤波参数,通过实验可知,当σ1=1时,本实施例视频数据处理方法具有较好的稳健性。由于像素是离散的,需要将上述一维高斯函数作离散近似才可与像素管道进行卷积运算。因为高斯函数在[-∞,∞]范围内总不为0,理论上要求掩模的长度为无穷大,但在[-3σ1,3σ1]范围内包含了高斯分布的99.7%的能量,因此,本实施例采用 的高斯掩模作为一维高斯函数的近似,其中 表示大于或等于σ1的最小整数。
步骤2022、将每一像素管道与高斯掩膜(用Mask来表示)作卷积运算,如下式所示:
PT′(m,n)=PT(m,n)Mask
步骤2023、卷积运算后,PT′(m,n)的长度为 为使PT′(m,n)与PT(m,n)等长,截去PT′(m,n)前后各 个像素,用PT′(m,n)原位置覆盖PT(m,n),获得时间维滤波后的灰度帧集;
经过卷积运算,将帧间灰度值的急剧变化进行平滑,使得帧间变化信息扩展到多个帧中,滤除了不能代表帧信息的高频成分,得到能有效代表视频信息的灰度帧集。
步骤2024、经过时间维滤波后的灰度帧集共有f帧,用F表示预先规定的抽样后灰度帧集的帧数,在非边缘帧间进行均匀抽样,本实施例在第3帧到第f-2帧之间进行均匀抽样,保留帧序号为T(i)的帧,i表示抽样后所述灰度帧集中各帧的序号,T(i)与i的关系式如下:
函数round(x)表示最接近x的整数。上式可以解释为抽样后的第i帧为抽样前的第T(i)帧。
如图5所示,为本发明实施例视频数据处理方法中时间维抽样后视频数据的示意图,经过时间维抽样后,保留了图4中所示6帧灰度版本中的3帧,为灰度版本62、灰度版本64以及灰度版本66。
本步骤选择从非边缘帧之间进行抽样的目的是尽量避免边缘帧引起的误差,如某些视频在开始或结束时存在渐亮或渐暗的过程,这部分帧图像不能代表视频的内容。
步骤203、将灰度帧集进行空间维滤波和抽样处理;
对经过时间维滤波和抽样处理后的灰度帧集中每帧灰度图像进行空间维滤波和抽样处理,其中每帧灰度图像用Ii(x,y)来表示。如图2所示,步骤203包括:
步骤2031、将二维高斯函数作离散近似;
二维高斯函数用下式表示:
步骤2032、将每帧灰度图像与二维高斯掩膜(用Mask2来表示)进行卷积运算,用下式表示:
步骤2034、将灰度帧集进行空间维抽样处理;
用W×H表示预先规定的抽样后每帧灰度图像的尺寸,用s和t表示抽样后每帧灰度图像的行像素序号和列像素序号;用R(s)和C(t)表示抽样前帧灰度图像的行像素序号和列像素序号;所述空间维抽样处理包括保留行像素序号和列像素序号为R(s)和C(t)的像素,被保留的像素按照原空间顺序组合成新的灰度图像帧,获得归一化灰度帧集;其中R(s)、C(t)可通过下式计算得到:
如图6所示,为本发明实施例视频数据处理方法中空间维抽样前视频数据的示意图,其中黑点表示需要保留的像素,即行像素序号和列像素序号为R(s)和C(t)的像素;如图7所示,为本发明实施例视频数据处理方法中空间维抽样后视频数据的示意图,被保留的像素按照原空间顺序组合成新的灰度图像帧。
至此,预处理与归一化处理过程完成,通过上述预处理以及时间维和空间维滤波和抽样处理,平滑了帧间灰度值的急剧变化,滤除了帧内不能代表视频内容的高频成分,得到能有效代表视频内容的规定大小的灰度帧集。
进一步的,图1中的步骤103可以包括:
统计归一化灰度帧集中各灰度值的像素个数,用H={h(i)|i=1,2,...,L-1}来表示,其中h(i)表示灰度值为i的像素的个数,L表示灰度值的总数,本实施例不考虑灰度值为0的像素;
根据下式计算灰度均值,灰度均值用A来表示:
根据灰度均值A,确定直方图被提取的灰度范围为[(1-λ)A,(1+λ)A],λ为参数。通过实验可知,当λ∈[0.4,0.6]时视频数据处理方法具有较好的稳健性,由此提取的直方图Hs可以表示为:
如图8所示,为本发明实施例视频数据处理方法中获取哈希值的流程图,图1中的步骤104可以包括:
步骤302、将同一灰度区间内的像素个数进行累加,用hM(j)表示灰度区间j内的像素个数,则 j=1,2,...,K;
步骤303、当hM(j)/hM(k)≥1时,哈希值的比特值B=1,否则,B=0;其中1≤j≤K-1,j≤k≤K;
步骤304、将获得的哈希值的比特值写入哈希值。
进一步的,上述步骤303和步骤304可以包括:
步骤3031、将j赋值为1;
步骤3032、将k赋值为j;
步骤3033、判断hM(j)/hM(k)是否大于或等于1,若是,则执行步骤3034;否则,执行步骤3035;
步骤3034、将比特值赋值为1,执行步骤3036;
步骤3035、将比特值赋值为0,执行步骤3036;
步骤3036、将比特值写入哈希值,并将k赋值为k+1;
步骤3037、判断k是否小于或等于K,若是,则执行步骤3033;否则,执行步骤3038;
步骤3038、将j赋值为j+1,判断j是否小于或等于K-1,若是,则执行步骤3032;否则,结束。
本实施例在获取哈希值之后,还可以利用置乱密钥对哈希值进行加密。由于攻击者可以通过对哈希值进行大量的统计分析从而部分或全部获取哈希值的计算方法,进而进行有针对性的攻击,通过加密操作增大了统计分析的难度,从而增强了算法的安全性。
本实施例视频数据处理方法通过对视频数据进行时间维和空间维的低通滤波处理,同时利用视频数据的时空信息,与现有技术相比,能够抵抗时间域的去同步攻击,又由于对输入的视频数据没有额外的限制,因而具有更好的实用性;本实施例基于视频数据的灰度统计特性,不需要对视频数据进行 变换域处理,因此降低了算法的复杂度,具有较好的实时性;通过参考灰度均值选取直方图灰度范围,并通过数学描述直方图形状获取哈希值,而直方图形状在几何失真下具有很好的稳健性,因此,本实施例能有效地抵抗几何失真;进一步地,在预处理和归一化过程中,通过合理选取滤波参数,使本方法具有良好的稳健性;在获取哈希值过程中,将多个灰度值划分在一个灰度区间中,增大了对灰度插值误差的容限,增强了直方图形状的稳定性。
如图9所示,为本发明实施例视频数据处理装置的示意图,包括:预处理模块1,用于将视频数据进行预处理,得到灰度帧集;归一化模块2,用于将所述灰度帧集进行归一化处理,得到归一化灰度帧集;直方图提取模块3,用于计算归一化灰度帧集的灰度均值,根据灰度均值,确定直方图提取的灰度范围;获取模块4,用于将灰度范围划分为一个以上灰度区间,通过比较不同灰度区间内像素的数目获取哈希值。
如图10所示,为本发明实施例视频数据处理装置中预处理模块和归一化模块的示意图,其中预处理模块1可以为转化单元11,用于将视频数据分离为独立的帧,将每帧视频数据转化为灰度版本,得到灰度帧集。
归一化模块2可以包括:时间维处理单元21,用于将灰度帧集进行时间维滤波和抽样处理;空间维处理单元22,用于将经过时间维滤波和抽样处理后的灰度帧集进行空间维滤波和抽样处理,得到所述归一化灰度帧集。
其中,时间维处理单元21可以包括:一维近似单元211,用于将一维高斯函数作离散近似;时间维卷积单元212,用于将像素管道与近似的高斯函数进行卷积运算,其中像素管道为由各帧相同位置上像素灰度值所构成的向量;时间维截取单元213,用于截去卷积运算后像素管道的前后各 个像素,σ1为时间维滤波参数;时间维抽样单元214,用于在非边缘帧间进行均匀抽样,将灰度帧集的帧数进行归一化处理。
空间维处理单元22可以包括:二维近似单元221,用于将二维高斯函数作离散近似;空间维卷积单元222,用于将灰度帧集中的每帧灰度图像与近 似的二维高斯函数进行卷积运算;空间维截取单元223,用于截去卷积运算后每帧灰度图像的每一行和每一列前后各 个像素,σ2为空间维滤波参数;空间维抽样单元224,用于将灰度帧集中的每帧灰度图像进行抽样处理;抽样处理后被保留的像素按照原空间顺序组合成新的灰度图像,获得归一化灰度帧集。
如图9所示,直方图提取模块3可以包括:统计单元31,用于统计归一化灰度帧集中各灰度值的像素个数;均值计算单元32,用于根据各灰度值的像素个数,计算灰度均值;提取单元33,用于确定直方图提取的灰度范围。
获取模块4可以包括:划分单元41,用于将灰度范围划分为K个灰度区间,K为大于等于1的整数;用j,k(j,k=1,2,...,K)表示灰度空间;累加单元42,用于将同一灰度区间内的像素个数进行累加;计算单元43,用于当hM(j)/hM(k)≥1时,计算得到哈希值的比特值B=1,否则,B=0;其中1≤j≤K-1,j≤k≤K,hM(j)和hM(k)表示灰度区间j和k内的像素个数;写入单元44,用于将比特值写入哈希值。
本实施例还可以包括:加密模块5,用于利用置乱密钥对哈希值进行加密。
本实施例视频数据处理装置通过时间维处理单元21和空间维处理单元22对视频数据进行时间维和空间维的低通滤波处理,同时利用视频数据的时空信息,与现有技术相比,能够抵抗时间域的去同步攻击,又由于对输入的视频数据没有额外的限制,因而具有更好的实用性;本实施例基于视频数据的灰度统计特性,不需要对视频数据进行变换域处理,因此降低了算法的复杂度,具有较好的实时性;直方图提取模块3通过参考灰度均值选取直方图灰度范围,获取模块4通过数学描述直方图形状获取哈希值,而直方图形状在几何失真下具有很好的稳健性,因此,本实施例能有效地抵抗几何失真;进一步地,在获取模块4中,将多个灰度值划分在一个灰度区间中,增大了对灰度插值误差的容限,增强了直方图形状的稳定性。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤,而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明实施例的技术方案,而非对其限制;尽管参照前述实施例对本发明实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。
Claims (25)
1.一种视频数据处理方法,其特征在于,包括:
将视频数据分离为独立的帧,将每帧视频数据转化为灰度版本,得到灰度帧集;
将所述灰度帧集进行时间维滤波和抽样处理;将经过时间维滤波和抽样处理后的灰度帧集进行空间维滤波和抽样处理,得到归一化灰度帧集;
计算所述归一化灰度帧集的灰度均值,根据所述灰度均值,确定直方图提取的灰度范围;
将所述灰度范围划分为一个以上灰度区间,通过比较不同灰度区间内像素的数目获取哈希值。
2.根据权利要求1所述的视频数据处理方法,其特征在于,所述将所述灰度帧集进行时间维滤波处理包括:
将一维高斯函数作离散近似;
将像素管道与近似的高斯函数进行卷积运算,所述像素管道为由所述灰度帧集各帧相同位置上像素灰度值所构成的向量。
5.根据权利要求4所述的视频数据处理方法,其特征在于,所述将灰度 帧集进行时间维抽样处理包括:在非边缘帧间进行均匀抽样,将所述灰度帧集的帧数归一化为F;其中F表示抽样后所述灰度帧集的帧数目。
6.根据权利要求5所述的视频数据处理方法,其特征在于,所述在非边缘帧间进行均匀抽样包括:在第3帧到第f-2帧之间进行均匀抽样;
所述将灰度帧集的帧数归一化为F包括:保留帧序号为T(i)的帧;所述T(i)与i的关系式如下:
其中f表示抽样前所述灰度帧集的帧数目,i表示抽样后所述灰度帧集中各帧的序号,T(i)表示抽样前所述灰度帧集中帧的序号;函数round(x)表示最接近x的整数。
7.根据权利要求1所述的视频数据处理方法,其特征在于,所述将灰度帧集进行空间维滤波处理包括:
将二维高斯函数作离散近似;
将所述灰度帧集中的每帧灰度图像与近似的二维高斯函数进行卷积运算。
11.根据权利要求1所述的视频数据处理方法,其特征在于,所述计算归一化灰度帧集的灰度均值包括:
统计所述归一化灰度帧集中各灰度值的像素个数,用H={h(i)|i=1,2,...,L-1}来表示,其中h(i)表示灰度值为i的像素的个数,L表示灰度值的总数;
根据下式计算灰度均值,所述灰度均值用A来表示:
。
12.根据权利要求11所述的视频数据处理方法,其特征在于,所述确定直方图提取的灰度范围包括:确定直方图提取的灰度范围为[(1-λ)A,(1+λ)A],其中λ∈[0.4,0.6]。
14.根据权利要求13所述的视频数据处理方法,其特征在于,所述通过比较不同灰度区间内像素的数目获取哈希值包括:
当hM(j)/hM(k)≥1时,哈希值的比特值B=1,否则,B=0;其中1≤j≤K-1,j≤k≤K;
将获得的哈希值的比特值写入哈希值。
15.根据权利要求1所述的视频数据处理方法,其特征在于,在获取哈希值之后还包括:用置乱密钥对所述哈希值进行加密。
16.一种视频数据处理装置,其特征在于包括:
预处理模块,用于将视频数据进行预处理,得到灰度帧集;其具有转化单元,用于将视频数据分离为独立的帧,将所述每帧视频数据转化为灰度版本,得到灰度帧集;
归一化模块,用于将所述灰度帧集进行归一化处理,得到归一化灰度帧集;其具有时间维处理单元,用于将所述灰度帧集进行时间维滤波和抽样处理;和空间维处理单元,用于将经过时间维滤波和抽样处理后的灰度帧集进行空间维滤波和抽样处理,得到所述归一化灰度帧集;
直方图提取模块,用于计算所述归一化灰度帧集的灰度均值,根据所述灰度均值,确定直方图提取的灰度范围;
获取模块,用于将所述灰度范围划分为一个以上灰度区间,通过比较不同灰度区间内像素的数目获取哈希值。
17.根据权利要求16所述的视频数据处理装置,其特征在于,所述时间维处理单元包括:
一维近似单元,用于将一维高斯函数作离散近似;
时间维卷积单元,用于将所述像素管道与近似的高斯函数进行卷积运算,所述像素管道为由所述灰度帧集各帧相同位置上像素灰度值所构成的向量。
19.根据权利要求18所述的视频数据处理装置,其特征在于,所述时间维处理单元还包括:时间维抽样单元,用于在非边缘帧间进行均匀抽样,将所述灰度帧集的帧数进行归一化处理。
20.根据权利要求16所述的视频数据处理装置,其特征在于,所述空间维处理单元包括:
二维近似单元,用于将二维高斯函数作离散近似;
空间维卷积单元,用于将所述灰度帧集中的每帧灰度图像与近似的二维高斯函数进行卷积运算。
21.根据权利要求20所述的视频数据处理装置,其特征在于,所述空间维处理单元还包括:空间维截取单元,用于截去卷积运算后每帧灰度图像的每一行和每一列前后各 个像素,σ2为空间维滤波参数。
22.根据权利要求21所述的视频数据处理装置,其特征在于,所述空间维处理单元还包括:空间维抽样单元,用于将所述灰度帧集中的每帧灰度图像进行抽样处理;所述抽样处理后被保留的像素按照原空间顺序组合成新的灰度图像帧,获得归一化灰度帧集。
23.根据权利要求16所述的视频数据处理装置,其特征在于,所述直方图提取模块包括:
统计单元,用于统计所述归一化灰度帧集中各灰度值的像素个数;
均值计算单元,用于根据所述各灰度值的像素个数,计算灰度均值;
提取单元,用于确定直方图提取的灰度范围。
24.根据权利要求23所述的视频数据处理装置,其特征在于,所述获取模块包括:
划分单元,用于将所述灰度范围划分为K个灰度区间,K为大于等于1的整数;用j,k(j,k=1,2,...,K)表示灰度空间;
累加单元,用于将同一灰度区间内的像素个数进行累加;
计算单元,用于当hM(j)/hM(k)≥1时,计算得到哈希值的比特值B=1,否则,B=0;其中1≤j ≤K-1,j≤k≤K,hM(j)和hM(k)表示灰度区间j和k内的像素个数;
写入单元,用于将所述比特值写入哈希值。
25.根据权利要求16所述的视频数据处理装置,其特征在于还包括:加密模块,用于利用置乱密钥对所述哈希值进行加密。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100074372A CN101527829B (zh) | 2008-03-07 | 2008-03-07 | 视频数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100074372A CN101527829B (zh) | 2008-03-07 | 2008-03-07 | 视频数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101527829A CN101527829A (zh) | 2009-09-09 |
CN101527829B true CN101527829B (zh) | 2011-07-20 |
Family
ID=41095492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008100074372A Expired - Fee Related CN101527829B (zh) | 2008-03-07 | 2008-03-07 | 视频数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101527829B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI716169B (zh) * | 2010-12-03 | 2021-01-11 | 美商杜比實驗室特許公司 | 音頻解碼裝置、音頻解碼方法及音頻編碼方法 |
CN102393900B (zh) * | 2011-07-02 | 2013-05-29 | 山东大学 | 基于鲁棒哈希的视频拷贝检测方法 |
CN102663390B (zh) * | 2012-04-28 | 2014-04-30 | 长春迪瑞医疗科技股份有限公司 | 一种流式细胞显微图像二值化方法 |
CN103780925A (zh) * | 2012-10-26 | 2014-05-07 | 深圳市快播科技有限公司 | 一种基于移动平台的在线视频点播方法和*** |
CN103116628A (zh) * | 2013-01-31 | 2013-05-22 | 新浪网技术(中国)有限公司 | 图像文件数字签名、以及重复图像文件判断方法和装置 |
CN104200499A (zh) * | 2014-09-24 | 2014-12-10 | 深圳市英威诺科技有限公司 | 一种资讯图片智能去重的技术方法 |
CN105930117B (zh) * | 2016-04-14 | 2018-08-24 | 中国人民解放军92941部队 | 一种超8位灰度测量图像全域显示方法 |
CN107633304B (zh) * | 2017-07-28 | 2020-12-11 | 中国电子科技集团公司第四十八研究所 | 一种睡姿监测的学习方法 |
CN110032929A (zh) * | 2019-03-01 | 2019-07-19 | 广东天波信息技术股份有限公司 | 一种基于图像识别的考勤方法及装置 |
CN110223261B (zh) * | 2019-05-20 | 2022-03-01 | 上海联影医疗科技股份有限公司 | 医学图像处理方法和***、存储介质及计算机设备 |
-
2008
- 2008-03-07 CN CN2008100074372A patent/CN101527829B/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
US2007266441A1A1 2007.11.15 |
US662194B1B1 2003.09.16 |
Also Published As
Publication number | Publication date |
---|---|
CN101527829A (zh) | 2009-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101527829B (zh) | 视频数据处理方法及装置 | |
Liu et al. | Feature mining and pattern classification for steganalysis of LSB matching steganography in grayscale images | |
CN104331450B (zh) | 基于多模式特征和张量分解的视频拷贝检测方法 | |
CN107027051B (zh) | 一种基于线性动态***的视频关键帧提取方法 | |
CN112507842A (zh) | 一种基于关键帧提取的视频文字识别方法和装置 | |
CN101976336A (zh) | 一种基于模糊增强和曲面拟合的图像边缘特征提取方法 | |
Novozámský et al. | Detection of copy-move image modification using JPEG compression model | |
CN101739670B (zh) | 非局部均值空域时变图像滤波方法 | |
Thakur et al. | Machine learning based saliency algorithm for image forgery classification and localization | |
Du et al. | FVSR-Net: An end-to-end finger vein image scattering removal network | |
Yadav et al. | Lagrangian twin support vector regression and genetic algorithm based robust grayscale image watermarking | |
Wang et al. | An efficient USM sharpening detection method for small-size JPEG image | |
CN116383470B (zh) | 一种具有隐私保护的图像搜索方法 | |
Dixit et al. | Copy-move image forgery detection a review | |
CN109922227B (zh) | 一种可逆元胞自动机图像加密的相似性度量方法 | |
Su et al. | Multimedia source identification using an improved weight photo response non-uniformity noise extraction model in short compressed videos | |
Suganya et al. | Gradient flow-based deep residual networks for enhancing visibility of scenery images degraded by foggy weather conditions | |
Raskar et al. | VFDHSOG: copy-move video forgery detection using histogram of second order gradients | |
CN104952052A (zh) | 一种对emccd图像进行增强的方法 | |
Alizadeh et al. | Image watermarking by Q learning and matrix factorization | |
CN109636738B (zh) | 基于小波变换的双保真项正则模型的单幅图像雨噪声去除方法与装置 | |
CN114926348A (zh) | 一种去除低照度视频噪声的装置和方法 | |
CN108109141B (zh) | 基于超像素多特征匹配的同源局部复制检测方法 | |
Wang et al. | Adaptive Bright and Dark Channel Combined with Defogging Algorithm Based on Depth of Field | |
CN112529081A (zh) | 基于高效注意力校准的实时语义分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110720 Termination date: 20150307 |
|
EXPY | Termination of patent right or utility model |