CN104853215B - 基于运动向量局部最优性保持的视频隐写方法 - Google Patents
基于运动向量局部最优性保持的视频隐写方法 Download PDFInfo
- Publication number
- CN104853215B CN104853215B CN201510184721.7A CN201510184721A CN104853215B CN 104853215 B CN104853215 B CN 104853215B CN 201510184721 A CN201510184721 A CN 201510184721A CN 104853215 B CN104853215 B CN 104853215B
- Authority
- CN
- China
- Prior art keywords
- motion vector
- steganography
- secret information
- vector
- video
- 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
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种基于运动向量局部最优性保持的视频隐写方法。该方法建立了一种运动向量局部最优性的判定标准以及最佳候选运动向量的搜索算法,在此基础之上,通过构建合理的运动向量扰动代价计算模型并优选高效的隐写码,从而建立隐蔽信道以完成秘密信息的隐写嵌入,进而完成秘密信息的提取过程。该方法优选采用STC隐写码。该方法是一种基于运动向量局部最优性保持、拥有较高嵌入效率并且能够有效抵抗现有隐写分析攻击的运动向量域视频隐写方法,特别适用于对安全性要求较高的隐蔽通信场景。
Description
技术领域
本发明涉及一种视频隐写(Video Steganography)方法,具体涉及一种基于运动向量局部最优性保持的高隐蔽性视频隐写方法及其在隐蔽通信中的应用,该方法属于信息安全技术领域中的信息隐藏子领域。
背景技术
现代信息隐藏技术主要包括隐写(Steganography)、隐写分析(Steganalysis)以及数字水印(Digital Watermarking)。隐写主要研究如何将秘密信息嵌入图像、视频、音频等数字多媒体文件以达到隐蔽通信的目的;隐写分析主要采用机器学习、模式识别等方法对待测文件进行隐写分类判决。
一般情况下,隐写算法的设计需要综合考虑和权衡以下几方面要素:
1)不可感知性:隐写前后的载体对于人体感官而言不可区分,即无法仅凭借人类的视听觉判断待测文件是否经过隐写;
2)鲁棒性:隐写文件在承受一定程度的噪声干扰以及多媒体处理(如压缩,剪裁,尺寸变换等)后,仍然能够准确地恢复其中被嵌入的秘密信息;
3)嵌入容量:在保证不可感知性和一定程度鲁棒性的前提下,尽可能多地向载体中嵌入秘密信息;
4)嵌入效率:在嵌入信息量一定的前提下,尽可能降低对载体的修改次数或程度;
5)安全性:即使拥有关于隐写算法的先验知识,现有的隐写分析方法也无法以足够高的概率区分普通载体和经过该算法隐写的文件。
随着互联网技术的日新月异,视频点播、视频通话等第三产业的蓬勃发展以及高效视频编码标准的推陈出新,视频凭借其丰富的视觉表现和强大的信息传播能力,正逐步取代图像,成为当前最流行的传播媒介和更合适的隐写载体,因此,视频隐写技术也引起了本领域学者的广泛关注。
视频隐写总体上可分为空域(Spatial Domain)视频隐写和压缩域(CompressedDomain)视频隐写:前者通过直接修改视频帧的原始像素值以嵌入秘密信息;后者则在视频的编码过程中引入隐写扰动,使得压缩编码和隐写嵌入能够同时进行。压缩域视频隐写根据嵌入域的不同,可以分为基于运动向量(Motion Vector,MV)的视频隐写(参考文献:C.Xu,X.Ping,and T.Zhang.Steganography in compressed video stream.In Proc.1stInt.Conf.Innov.Comput.,Inf.Control,vol.1:269–272,2006.;H.Aly.Data hiding inmotion vectors of compressed video based on their associated predictionerror.IEEE Transactions on Information Forensics and Security,vol.6(1):14–18,2006.;Y.Cao,X.Zhao,D.Feng,and R.Sheng.Video steganography with perturbedmotion estimation.In Proc.13th Int.Conf.IH,vol.6958:193–207,2011.;Y.Yao,W.Zhang,N.Yu,and X.Zhao.Defining embedding distortion for motion vector-basedvideo steganography.Multimedia Tools and Applications,Article in Press,2014,DOI:10.1007/s11042-014-2223-8.)、基于变换系数(Transform Coefficient)的视频隐写、基于帧内预测模式(Intra Prediction Mode)的视频隐写、基于帧间预测模式(InterPrediction Mode)的视频隐写和基于熵编码(Entropy Coding)的视频隐写这几类。
经过专利查询,在本发明领域内已有的相关专利申请情况如下:
(1)专利申请号为201410233838.5的中国专利“基于宏块划分方式扰动的视频隐写方法”公开了一种基于H.264/AVC视频编码标准,并通过修改宏块划分方式以嵌入秘密信息的视频隐写方法。该专利方法在嵌入过程中优选了隐写码STC(Syndrome Trellis Code,校验网格码)和WPC(Wet Paper Code,湿纸编码)构建双层隐蔽信道,从而有效提高了嵌入容量和嵌入效率。该专利方法属于基于帧间预测模式的视频隐写,并未涉及对运动向量的扰动修改,因此,该专利申请与本发明的基本目的、设计思路与具体实现方式明显不同。
(2)专利申请号为201310275143.9的中国专利“一种基于运动矢量的视频隐写方法”公开了一种基于运动向量的视频隐写方法。该专利方法在进行秘密信息的隐写嵌入时,首先编码当前视频序列,获取其中所有P帧包含的运动向量,并根据预设的失真函数分别计算所得的每个运动向量水平及垂直分量的隐写嵌入代价,再采用STC对所有水平分量组成的载体进行嵌入扰动,并根据隐写结果调整垂直分量的隐写嵌入代价,随后再次采用STC对所有垂直分量组成的载体进行嵌入扰动,进而按照水平和垂直分量的隐写结果重新编码该视频序列,得到最终的隐写视频文件。该专利方法所定义的失真函数综合考虑了运动向量的空域、时域相关性以及运动估计产生的残差,使得被修改的运动向量能够尽可能保持邻域统计特性,同时降低隐写扰动对视频编码性能(码率、保真度)产生的影响,因此,该专利方法可以有效抵抗运动向量域隐写分析特征MVRB和ADB_MV(参考文献:Y.Cao,X.Zhao,andD.Feng.Video steganalysis exploiting motion vector reversion-basedfeatures.IEEE Signal Processing Letters,vol.19(1):35-38,2012.;Y.Su,C.Zhang,and C.Zhang.A video steganalytic algorithm against motion-vector-basedsteganography.Signal Processing,vol.91(8):1901-1909,2011.)。然而,由于该专利方法对运动向量的修改方式仍然是传统的“对运动向量的某一分量进行加一或减一”,即(mv'x,mv'y)∈{(mvx+1,mvy),(mvx-1,mvy),(mvx,mvy+1),(mvx,mvy-1)}(其中(mvx,mvy)和(mv'x,mv'y)分别表示原始和经过隐写修改后的运动向量),因此有可能破坏运动向量的局部最优性(Local Optimality),故无法抵抗当前运动向量域最有效的隐写分析特征AoSO的攻击(参考文献:K.Wang,H.Zhao,and H.Wang.Video Steganalysis Against MotionVector-Based Steganography by Adding or Subtracting One Motion VectorValue.IEEE Transactions on Information Forensics and Security,vol.9(5):741-751,2014.)。作为对比,本发明从运动向量局部最优性保持的角度出发,设计了全新合理的嵌入代价函数以及运动向量扰动方式,能够有效抵抗AoSO的攻击,是一种高隐蔽性通信方法,因此,该专利申请与本发明的基本目的、设计思路和实现方式明显不同。
发明内容
本发明的目的在于,提供一种基于运动向量局部最优性保持、拥有较高嵌入效率并且能够有效抵抗现有隐写分析攻击的运动向量域视频隐写方法。
本发明相比其他运动向量域视频隐写方法,建立了一种运动向量局部最优性的判定标准以及最佳候选运动向量(Best Candidate MV)的搜索算法,在此基础之上,通过构建合理的运动向量扰动代价计算模型并优选高效的隐写码,从而建立隐蔽信道以完成秘密信息的隐写嵌入。可见,本发明提出的方法有别于以往任何视频隐写方法,特别适用于对安全性要求较高的隐蔽通信场景。
根据调研,目前绝大多数运动向量域视频隐写方法并未采用隐写码以提高嵌入效率和安全性,不仅如此,所有运动向量域视频隐写方法均无法抵抗AoSO(参见背景技术)的攻击。针对以上不足和缺点,本发明的改进如下:首先,优选并应用了合适的隐写码,不仅提高了嵌入效率和安全性,还有效降低了隐写扰动对视频编码性能造成的影响;其次,摒弃了传统的运动向量修改方式,综合考虑隐写操作对安全性和视频编码性能的影响,通过合理高效的搜索算法筛选出最合适的局部最优运动向量作为最终修改结果,从而能够有效抵抗AoSO等运动向量域隐写分析方法的攻击。
具体来说,本发明采用的技术方案如下:
一种基于运动向量局部最优性保持的视频隐写方法,其中秘密信息的嵌入过程包括以下步骤:
1)预处理:在当前视频帧中,对每个运动向量(mvx,mvy),计算LSB(mvx+mvy)得到二进制数0或1,并将所有计算结果写成向量x,其中LSB(·)表示取最低比特位(LeastSignificant Bit)操作,mvx和mvy分别表示运动向量的水平和垂直分量;
2)构建隐蔽信道:将步骤1)中所得向量x作为隐蔽信道的载体,根据所优选隐写码的工作原理,按照通信双方事先约定好的参数生成奇偶校验矩阵H,并结合预设的运动向量扰动代价计算模型最终构造出满足Hx'=m的x',其中m表示该隐蔽信道中待嵌入的秘密信息,x'表示经过修改的载体向量;
3)根据步骤2)可以确定当前视频帧中有哪些运动向量需要修改;
4)根据以上所得结果编码当前视频帧,并根据预设的最佳候选运动向量搜索算法分别将每个待修改的运动向量替换成相应的最佳候选运动向量,进而完成对隐蔽信道的秘密信息嵌入;
5)按照视频文件的帧编码顺序,对余下每帧重复执行步骤1)至4)直到秘密信息全部嵌入完毕,得到最终的隐写视频文件。
进一步地,上述方法还包括秘密信息的提取过程,包括以下步骤:
1)解码当前视频帧,对每个运动向量(mvx,mvy),计算LSB(mvx+mvy)得到二进制数0或1,并将所有计算结果写成向量x,其中LSB(·)表示取最低比特位操作;
2)根据所优选隐写码的工作原理,按照通信双方事先约定好的参数生成奇偶校验矩阵H,计算Hx,所得结果即为提取的秘密信息比特;
3)按照视频文件的帧解码顺序,对余下每帧重复执行步骤1)至2)直到秘密信息全部提取完毕。
在上述方案基础上,本发明进一步做了改进,即对采用的隐写码进行了优选。在嵌入过程(图1)中建立的隐蔽信道,采用隐写码Syndrome Trellis Code(STC,校验网格码)进行秘密信息的嵌入,在提取过程(图2)中,根据STC的工作原理从该隐蔽信道提取秘密信息。关于STC的简述如下:
设x=(x1,x2,…,xn)T为原始二进制载体向量;x'=(x'1,x'2,…,x'n)T为经过隐写
嵌入后的载体向量;为正实数向量且表示将x中的元素xi修改成1-xi
的代价值;H为奇偶校验矩阵;m为秘密信息向量。则STC能够构造出满足Hx'=m的x',并且使
得隐写嵌入代价最小,其中,函数δ满足
在视频压缩编码的帧间预测模块(图3)中,通过运动估计(Motion Estimation)可以得到原始块(Original Block)对应的运动向量,它指向参考帧中的最佳预测块(Prediction Block)。随后获取的残差块(Residual Block)在经过变换(Transformation)和量化(Quantization)操作后,其结果不仅需要进行熵编码(Entropy)得到二进制码流,还需要经过反量化(Rescale)和逆变换(Inverse Transformation)操作得到重建残差块(Reconstructed Residual Block),并最终获得原始块对应的重建块(ReconstructedBlock)。由于量化操作是信息减损不可逆的过程,因此重建块和原始块并不相同,两者的相似程度由运动估计精度和量化操作步长共同作用决定。
视频编码器对原始待编码块进行运动估计时,通常使用率失真优化(RateDistortion Optimization,RDO)模型综合权衡码率和失真度之间的折中,在运动向量搜索范围内选择拥有最小RDO函数值即Jmv=D+λR的运动向量作为此待编码块对应的最佳运动向量,其中,D表示运动向量指向的预测块和原始块之间的失真度,R表示编码运动向量所需的比特数,λ表示调节D和R之间的参数,λ越大则越倾向于低码率高失真,越小则越倾向于高码率低失真。
基于以上对帧间预测编码整体流程以及运动估计的简介,现对本发明提出的运动向量局部最优性判定标准、运动向量扰动代价计算模型以及最佳候选运动向量搜索算法做如下详细说明。
[1]一种运动向量局部最优性的判定标准:
对于运动向量MV0,0=(mvx,mvy),设其指向的预测块为Pred(MV0,0),经过帧间预测编码得到的重建块为Rec(MV0,0)。计算矩阵Pred(MV0,0)和Rec(MV0,0)之间的绝对误差和(Sumof Absolute Difference,SAD),即sad0,0=SAD(Rec(MV0,0),Pred(MV0,0))。同理,对于MV0,0周围相邻的8个运动向量MVi,j=(mvx+i,mvy+j)(-1≤i,j≤1)(图4),分别得到它们指向的预测块Pred(MVi,j),并计算sadi,j=SAD(Rec(MV0,0),Pred(MVi,j))。若sadi,j(-1≤i,j≤1)中的最小值是sad0,0,则称运动向量MV0,0具备局部最优性。
注:其中,Mi,j和Ni,j分别为矩阵M和N中位于(i,j)的元素;
[2]一种运动向量扰动代价的计算模型:
对运动向量MV0,0=(mvx,mvy)的水平和垂直方向上相邻的4个运动向量即MV-1,0=(mvx-1,mvy)、MV1,0=(mvx+1,mvy)、MV0,-1=(mvx,mvy-1)和MV0,1=(mvx,mvy+1)(图4)进行局部最优性判定,若它们中有N(0≤N≤4)个运动向量具备局部最优性,则对运动向量MV0,0进行隐写嵌入的扰动代价为:
其中,Ω={MV-1,0,MV1,0,MV0,-1,MV0,1},即运动向量的扰动代价取决于其邻域范围内局部最优运动向量的数量,以及RDO函数值的变化程度;
[3]一种最佳候选运动向量的搜索算法:
若根据隐写嵌入的结果,需要对运动向量MV0,0=(mvx,mvy)进行修改,则依次执行以下步骤从所有候选运动向量中选择最合适的局部最优运动向量作为最终修改结果:
a)分别对MV0,0邻域范围内的四个运动向量MV-1,0=(mvx-1,mvy)、MV1,0=(mvx+1,mvy)、MV0,-1=(mvx,mvy-1)和MV0,1=(mvx,mvy+1)进行局部最优性判定;
b)将MV-1,0,MV1,0,MV0,-1和MV0,1中的局部最优运动向量组成候选运动向量集合Ψ,若Ψ非空,则跳转至步骤e),否则继续执行步骤c);
c)划定一个运动向量的搜索区域,其大小(包含的候选运动向量数量)和最终搜索时间成正比,应该根据实际计算资源或能力进行选取,此外,对于该区域中的任意候选运动向量MV'=(mvx',mvy'),必须满足LSB(mvx+mvy)≠LSB(mvx'+mvy');
d)对于该搜索区域中的每个候选运动向量,分别进行局部最优性判定,确定其中所有局部最优的运动向量,并将它们组合集合Ψ;
e)对于Ψ中的每个局部最优运动向量,计算其RDO函数值,选择拥有最小RDO函数值的局部最优运动向量作为最终修改结果。
基于以上说明内容,本发明提出的采用隐写码STC的基于运动向量局部最优性保持的视频隐写方法,其中秘密信息的嵌入过程包括以下步骤(如无特殊说明,以下步骤均由计算机执行):
1)在当前视频帧中,将每个运动向量(mvx,mvy)的水平和垂直分量求和后取最低比特位,即LSB(mvx+mvy),得到二进制数0或1,并将所有计算结果组成二进制载体向量x;
2)在当前视频帧中,对于每个运动向量MV,根据预设的运动向量扰动代价计算模型计算得到其隐写扰动代价Cost(MV),并将所有计算结果组成向量Γ;
3)构建隐蔽信道:根据隐写码STC的工作原理,先按照通信双方预先指定的负载率α以及参数矩阵Η,构建奇偶校验矩阵ΗSTC,再构造出满足ΗSTCx'=m并且使得隐写嵌入代价D(x,x',Γ)达到最小的x',其中,m表示隐蔽信道中待嵌入的秘密信息,x'表示通过隐蔽信道隐写嵌入后被修改的载体向量;x和x'对应位置上的二进制数若不相同,则表示相应的原始运动向量需要修改,若相同则表示不需要修改;
4)根据隐蔽信道中载体向量的修改结果,对于每个需要修改的运动向量,根据预设的最佳候选运动向量搜索算法将其替换成候选运动向量中RDO函数值最小的局部最优运动向量;
5)根据以上所得结果编码当前视频帧以完成秘密信息的隐写嵌入;
6)按照视频文件的帧编码顺序,对余下每帧重复执行步骤1)至5)直到秘密信息全部嵌入完毕,得到最终的隐写视频文件。
进一步地,采用隐写码STC的秘密信息的提取过程包括以下步骤(如无特殊说明,以下步骤均由计算机执行):
1)解码当前视频帧,对每个运动向量(mvx,mvy)计算LSB(mvx+mvy)得到二进制数0或1,并将所有计算结果写成二进制向量x;
2)提取隐蔽信道中的秘密信息:根据STC的工作原理,按照通信双方预先指定的负载率α以及参数矩阵构建奇偶校验矩阵ΗSTC,计算ΗSTCx,所得结果即为提取的秘密信息比特;
3)按照视频文件的帧解码顺序,对余下每帧重复执行步骤1)至2)直到秘密信息全部提取完毕。
本发明的视频隐写方法对相关技术领域的有益效果如下:
1)嵌入效率高,隐写扰动小。目前几乎所有的运动向量域视频隐写方法都未在嵌入过程中采用隐写码以提高嵌入效率,因而无法有效降低隐写操作对视频编码性能等方面造成的扰动,使得视频的压缩效率和保真度受到负面影响;相比之下,本发明优选了隐写码STC,从而能够以较高的嵌入效率完成秘密信息的隐写嵌入,换言之,在负载率相同的条件下,本发明对载体视频的修改次数要远少于其他运动向量域视频隐写方法,从而能够有效降低隐写扰动并保持视频的编码性能。
2)能够有效抵抗隐写分析,具备较高安全性。首先,本发明采用了隐写码STC提高了嵌入效率,减少了对载体视频的修改次数和程度,从而有效降低了隐写操作对视频编码性能等方面造成的扰动,使得隐写视频和原始视频在视觉感知上不可区分;其次,本发明摒弃了传统的运动向量修改方式,在嵌入过程中采用预设的最佳候选运动向量搜索算法以保证被修改运动向量的局部最优性,从而能够有效抵抗当前运动向量域最强大的隐写分析特征AoSO的攻击。因此,本发明相比其他运动向量域视频隐写方法,拥有更高的隐写安全性。
3)可定制的运动向量扰动代价计算模型。本发明是通过修改运动向量以进行秘密信息的隐写嵌入,因此需要对运动向量的扰动代价进行有效评价。不同的评价机制可能导致不同的隐写嵌入效果并对隐写算法的安全性产生影响。本发明通过计算当前运动向量邻域范围内局部最优运动向量的数量以及RDO函数值的变化程度以评价此运动向量的扰动代价,在隐写嵌入时优先修改邻域范围内存在更多局部最优运动向量且RDO函数值变化较小的那些运动向量。可见,本发明在隐写嵌入过程中能够尽量保证视频编码性能不产生较大扰动、并且能够将待修改运动向量优先改动至其邻域范围内的局部最优运动向量(若存在)以缩短隐写耗时。除此之外,针对不同的应用场景,本发明可以定制不同的运动向量扰动代价计算模型,因此拥有较高的灵活性。
4)可通过调节搜索区域大小以在隐写算法性能和嵌入耗时之间进行折中。在本发明预设的最佳候选运动向量搜索算法中,当待修改运动向量邻域范围内不存在局部最优运动向量时,会划定一个搜索区域并在其中穷举搜索出RDO函数值最小的局部最优运动向量作为最终修改结果。一般情况下,搜索区域的面积越大,即候选运动向量的数量越多,最后得到的最佳局部最优运动向量就越理想,但也需要更长的搜索耗时。因此,在进行隐写嵌入时,可以综合考虑当前应用场景对时间成本以及安全性的需求,对搜索区域大小进行灵活调控以在嵌入耗时和算法性能之间做出贴合实际的折中。
附图说明
图1是本发明的秘密信息嵌入示意图;
图2是本发明的秘密信息提取示意图;
图3是视频帧间预测编码框架流程示意图;
图4是运动向量(mvx,mvy)与其邻域范围内运动向量之间的相对位置示意图;
图5是本发明的秘密信息嵌入流程图;
图6是本发明的秘密信息提取流程图。
具体实施方式
下面通过具体实施例并结合附图5-6对本发明作进一步描述。
在采用本发明进行秘密信息隐写嵌入前,可以先对需要嵌入的数据进行加密,得到随机的二进制数据流。本发明提出的基于运动向量局部最优性保持的视频隐写方法的秘密信息嵌入流程如图5所示,具体操作细节如下:
1)获取需要进行隐写嵌入的视频帧,对于该帧中的每个运动向量(mvx,mvy),得到其水平和垂直分量之和的最低比特位即LSB(mvx+mvy),并将所有计算结果组成二进制载体向量x;
2)对于该视频帧中的每个运动向量MV0,0=(mvx,mvy),按照预设的运动向量扰动代价计算模型得到其隐写嵌入代价:根据预设的运动向量局部最优性判定标准,统计MV0,0邻域范围内的四个运动向量MV-1,0=(mvx-1,mvy)、MV1,0=(mvx+1,mvy)、MV0,-1=(mvx,mvy-1)和MV0,1=(mvx,mvy+1)中具备局部最优性的运动向量的数量N(0≤N≤4),并基于率失真优化模型计算包括MV0,0在内的五个运动向量的RDO函数值JMV(MV∈{MV0,0,MV-1,0,MV1,0,MV0,-1,MV0,1}),进而计算得到MV0,0的隐写嵌入代价
其中,Ω={MV-1,0,MV1,0,MV0,-1,MV0,1},并将每个运动向量的隐写嵌入代价组成正实数向量Γ;
3)应用隐写码Syndrome Trellis Code(STC)建立隐蔽信道并向其中嵌入秘密信息。首先根据通信双方事先约定好的负载率α以及参数矩阵建立STC所需的奇偶校验矩阵ΗSTC,再将步骤1)所得向量x作为STC所需的载体,并结合步骤2)所得向量Γ,应用STC构造出满足ΗSTCx'=m并且使得总体隐写嵌入代价D(x,x',Γ)最小的x',其中m表示通过隐蔽信道嵌入的秘密信息,x'表示经过隐写嵌入后的载体向量,x和x'若对应位置上的二进制数不同,则说明相应的原始运动向量需要修改,反之则不需要修改;
4)根据步骤3)的结果,对于该视频帧中每个需要修改的运动向量MV0,0=(mvx,mvy),按照预设的最佳候选运动向量搜索算法对其进行修改:将MV0,0邻域范围内的四个运动向量MV-1,0=(mvx-1,mvy)、MV1,0=(mvx+1,mvy)、MV0,-1=(mvx,mvy-1)和MV0,1=(mvx,mvy+1)中的局部最优运动向量组成集合Ψ,若Ψ非空,则选择Ψ中RDO函数值最小的局部最优运动向量作为最终修改结果,若Ψ为空,即MV-1,0,MV1,0,MV0,-1,MV0,1均不具备局部最优性,则划定一个候选运动向量的搜索区域(其规模大小需要根据实际计算资源以及算法所容许时间成本确定)并将该区域中的所有局部最优运动向量组成集合Ψ,进而选择Ψ中RDO函数值最小的局部最优运动向量作为最终修改结果。
5)根据步骤4)的结果编码该视频帧,即完成对隐蔽信道的秘密信息嵌入;
6)按照视频文件的帧编码顺序,对余下每帧重复执行步骤1)至5)直到秘密信息全部嵌入完毕,得到最终的隐写视频文件。
本发明提出的基于运动向量局部最优性保持的视频隐写方法的秘密信息提取流程如图6所示,具体操作细节如下:
1)获取需要提取秘密信息的视频帧,对于该帧中的每个运动向量(mvx,mvy),得到其水平和垂直分量之和的最低比特位即LSB(mvx+mvy),并将所有计算结果组成二进制向量x;
2)提取隐蔽信道中的秘密信息。首先根据通信双方事先约定好的负载率α以及参数矩阵建立Syndrome Trellis Code(STC)所需的奇偶校验矩阵ΗSTC,再使用步骤1)所得向量x计算ΗSTCx,计算结果即为提取的秘密信息比特;
3)按照视频文件的帧解码顺序,对余下每帧重复执行步骤1)至2)直到秘密信息全部提取完毕。
从以上具体实施方式可以看出,在本发明的嵌入流程中,根据应用场景的需要,既可以定制不同的运动向量扰动代价计算模型以影响隐写算法的执行速度、安全性以及隐写视频的压缩编码性能(码率、保真度等),还可以调整最佳候选运动向量的搜索区域大小以在算法性能和嵌入耗时之间进行折中,因此本发明具有较强的适应性和灵活性。
为了突出说明本发明提出的是一种高隐蔽性运动向量域视频隐写方法,采用以下配置制备视频样本集并进行隐写分析实验:
1)YUV序列:通过互联网搜集得到50个分辨率均为CIF(352×288)、长度均为300帧的YUV420序列。
2)视频编码器:采用x264开源视频编码器制备压缩视频样本,为了降低时间开销,设置编码档次为基本档次Baseline。
3)压缩视频参数:比特率(bitrate)为0.5mb/s,1mb/s,3mb/s或10mb/s,帧率均为30fps。
4)隐写参数:载体视频的负载率(payload)为0,隐写视频的负载率为0.25或0.5。
5)载体视频样本集制备:按照以上配置说明,将50个YUV420文件制备得到4个载体视频样本集,按照“bitrate_payload”的形式分别记为0.5mb/s_0,1mb/s_0,3mb/s_0,10mb/s_0。
6)隐写视频样本集制备:按照以上配置说明,将50个YUV420文件制备得到8个隐写视频样本集,分别记为0.5mb/s_0.25,0.5mb/s_0.5,1mb/s_0.25,1mb/s_0.5,3mb/s_0.25,3mb/s_0.5,10mb/s_0.25,10mb/s_0.5。
7)隐写分析配置:对载体视频样本集和隐写视频样本集提取AoSO特征,分成8组特征集合分别进行隐写分析,即{0.5mb/s_0,0.5mb/s_0.25},{0.5mb/s_0,0.5mb/s_0.5},{1mb/s_0,1mb/s_0.25},{1mb/s_0,1mb/s_0.5},{3mb/s_0,3mb/s_0.25},{3mb/s_0,3mb/s_0.5},{10mb/s_0,10mb/s_0.25},{10mb/s_0,10mb/s_0.5};对于以上每个特征集合,任意选取其中40对视频的特征用于分类器训练,得到基于高斯核和多项式核的支持向量机(Support Vector Machine,SVM),剩余10对视频的特征用于隐写分类判决,重复此过程100次并对所得数据取平均值。
按照以上实验配置,所得隐写分析结果如表1所示,可以看出,最终的平均检测正确率都很低(只有一组正确率超过60%),因此,本发明方法能够完全抵抗当前运动向量域最有效的隐写分析特征AoSO的攻击,是一种高隐蔽性视频隐写方法,特别适用于对安全性要求较高的隐蔽通信场景。
表1采用AoSO特征对本发明所提方法进行隐写分析的平均检测正确率
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求所述为准。
Claims (8)
1.一种基于运动向量局部最优性保持的视频隐写方法,其特征在于,秘密信息的嵌入过程包括以下步骤:
1)在当前视频帧中,对每个运动向量(mvx,mvy),计算LSB(mvx+mvy)得到二进制数0或1,并将所有计算结果写成向量x,其中LSB表示取最低比特位操作;
2)将所得向量x作为隐蔽信道的载体,根据选择的隐写码的工作原理,按照通信双方事先约定的参数生成奇偶校验矩阵H,并结合预设的运动向量扰动代价计算模型最终构造出满足Hx'=m的x',其中m表示该隐蔽信道中待嵌入的秘密信息,x'表示经过修改的载体向量,Hx'表示奇偶校验矩阵H和向量x'相乘;
3)根据步骤2)确定当前视频帧中需要修改的运动向量;
4)根据以上所得结果编码当前视频帧,并根据预设的最佳候选运动向量搜索算法分别将每个待修改的运动向量替换成相应的最佳候选运动向量,进而完成对隐蔽信道的秘密信息嵌入;
5)按照视频文件的帧编码顺序,对余下每帧重复执行步骤1)至4)直到秘密信息全部嵌入完毕,得到最终的隐写视频文件。
2.如权利要求1所述的方法,其特征在于,还包括秘密信息的提取过程,其步骤如下:
1)解码当前视频帧,对每个运动向量(mvx,mvy),计算LSB(mvx+mvy)得到二进制数0或1,并将所有计算结果写成向量x,其中LSB表示取最低比特位操作;
2)根据选择的隐写码的工作原理,按照通信双方事先约定好的参数生成奇偶校验矩阵H,计算奇偶校验矩阵H与向量x的乘积Hx,所得结果即为提取的秘密信息比特;
3)按照视频文件的帧解码顺序,对余下每帧重复执行步骤1)至2)直到秘密信息全部提取完毕。
3.如权利要求1或2所述的方法,其特征在于,所述隐写码为STC隐写码。
4.如权利要求1或2所述的方法,其特征在于,所述预设的运动向量扰动代价计算模型为:
对运动向量MV0,0=(mvx,mvy)的水平和垂直方向上相邻的4个运动向量即MV-1,0=(mvx-1,mvy)、MV1,0=(mvx+1,mvy)、MV0,-1=(mvx,mvy-1)和MV0,1=(mvx,mvy+1)进行局部最优性判定,若它们中有N个运动向量具备局部最优性,其中0≤N≤4,则对运动向量MV0,0进行隐写嵌入的扰动代价为:
其中,Ω={MV-1,0,MV1,0,MV0,-1,MV0,1},表示运动向量MV0,0的RDO函数值,JMV表示五个运动向量的RDO函数值,MV∈{MV0,0,MV-1,0,MV1,0,MV0,-1,MV0,1},即运动向量的扰动代价取决于其邻域范围内局部最优运动向量的数量,以及RDO函数值的变化程度。
5.如权利要求4所述的方法,其特征在于,设需要进行修改的运动向量为MV0,0=(mvx,mvy),则所述预设的最佳候选运动向量搜索算法为:
a)分别对MV0,0邻域范围内的四个运动向量MV-1,0=(mvx-1,mvy)、MV1,0=(mvx+1,mvy)、MV0,-1=(mvx,mvy-1)和MV0,1=(mvx,mvy+1)进行局部最优性判定;
b)将MV-1,0,MV1,0,MV0,-1和MV0,1中的局部最优运动向量组成候选运动向量集合Ψ,若Ψ非空,则跳转至步骤e),否则继续执行步骤c);
c)划定一个运动向量的搜索区域,其大小和最终搜索时间成正比,根据实际计算资源或能力进行选取;对于该区域中的任意候选运动向量MV'=(mvx',mvy'),满足LSB(mvx+mvy)≠LSB(mvx'+mvy');
d)对于该搜索区域中的每个候选运动向量,分别进行局部最优性判定,确定其中所有局部最优的运动向量,并将它们组合集合Ψ;
e)对于Ψ中的每个局部最优运动向量,计算其RDO函数值,选择拥有最小RDO函数值的局部最优运动向量作为最终修改结果。
6.如权利要求5所述的方法,其特征在于,所述局部最优性判定的方法为:
对于运动向量MV0,0=(mvx,mvy),设其指向的预测块为Pred(MV0,0),经过帧间预测编码得到的重建块为Rec(MV0,0);计算矩阵Pred(MV0,0)和Rec(MV0,0)之间的绝对误差和,即sad0,0=SAD(Rec(MV0,0),Pred(MV0,0));同理,对于MV0,0周围相邻的8个运动向量MVi,j=(mvx+i,mvy+j),其中-1≤i,j≤1,分别得到它们指向的预测块Pred(MVi,j),并计算sadi,j=SAD(Rec(MV0,0),Pred(MVi,j));若sadi,j中的最小值是sad0,0,则称运动向量MV0,0具备局部最优性。
7.如权利要求6所述的方法,其特征在于,采用STC隐写码的秘密信息的嵌入过程包括以下步骤:
1)在当前视频帧中,将每个运动向量(mvx,mvy)的水平和垂直分量求和后取最低比特位,即LSB(mvx+mvy),得到二进制数0或1,并将所有计算结果组成二进制载体向量x;
2)在当前视频帧中,对于每个运动向量MV,根据预设的运动向量扰动代价计算模型计算得到其隐写扰动代价Cost(MV),并将所有计算结果组成向量Γ;
3)根据隐写码STC的工作原理,先按照通信双方预先指定的负载率α以及参数矩阵构建奇偶校验矩阵ΗSTC,再构造出满足ΗSTCx'=m并且使得隐写嵌入代价D(x,x',Γ)达到最小的x',其中,m表示隐蔽信道中待嵌入的秘密信息,x'表示通过隐蔽信道隐写嵌入后被修改的载体向量;x和x'对应位置上的二进制数若不相同,则表示相应的原始运动向量需要修改,若相同则表示不需要修改;
4)根据隐蔽信道中载体向量的修改结果,对于每个需要修改的运动向量,根据预设的最佳候选运动向量搜索算法将其替换成候选运动向量中RDO函数值最小的局部最优运动向量;
5)根据以上所得结果编码当前视频帧以完成秘密信息的隐写嵌入;
6)按照视频文件的帧编码顺序,对余下每帧重复执行步骤1)至5)直到秘密信息全部嵌入完毕,得到最终的隐写视频文件。
8.如权利要求7所述的方法,其特征在于,采用STC隐写码的秘密信息的提取过程包括以下步骤:
1)解码当前视频帧,对每个运动向量(mvx,mvy)计算LSB(mvx+mvy)得到二进制数0或1,并将所有计算结果写成二进制向量x;
2)提取隐蔽信道中的秘密信息:根据STC的工作原理,按照通信双方预先指定的负载率α以及参数矩阵构建奇偶校验矩阵ΗSTC,计算ΗSTCx,所得结果即为提取的秘密信息比特;
3)按照视频文件的帧解码顺序,对余下每帧重复执行步骤1)至2)直到秘密信息全部提取完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510184721.7A CN104853215B (zh) | 2015-04-17 | 2015-04-17 | 基于运动向量局部最优性保持的视频隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510184721.7A CN104853215B (zh) | 2015-04-17 | 2015-04-17 | 基于运动向量局部最优性保持的视频隐写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104853215A CN104853215A (zh) | 2015-08-19 |
CN104853215B true CN104853215B (zh) | 2018-12-28 |
Family
ID=53852514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510184721.7A Expired - Fee Related CN104853215B (zh) | 2015-04-17 | 2015-04-17 | 基于运动向量局部最优性保持的视频隐写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104853215B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105979269B (zh) * | 2016-06-03 | 2019-06-04 | 中国科学院信息工程研究所 | 基于新型嵌入代价的运动向量域视频隐写方法 |
CN110149457B (zh) * | 2019-05-08 | 2021-05-04 | 中山大学 | 一种带约束条件的多目标优化h.264视频隐写方法 |
CN110502646A (zh) * | 2019-08-02 | 2019-11-26 | 广州多益网络股份有限公司 | 一种多媒体文件净化方法、装置、存储介质及终端设备 |
CN112312138B (zh) * | 2020-08-17 | 2022-04-19 | 中国科学技术大学 | 一种抑制帧间残差信号失真传播的视频隐写方法 |
CN112738355B (zh) * | 2020-12-24 | 2021-10-26 | 华南理工大学 | 能抵御深度学习网络检测的非降质hevc视频隐写方法 |
CN114339258B (zh) * | 2021-12-28 | 2024-05-10 | 中国人民武装警察部队工程大学 | 一种基于视频载体的信息隐写方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101583033A (zh) * | 2009-06-05 | 2009-11-18 | 中山大学 | 一种利用鲁棒水印保护h.264视频数据的方法 |
CN102685500A (zh) * | 2012-05-08 | 2012-09-19 | 合肥工业大学 | 基于信息变长分组结构的h.264大容量信息隐藏方法 |
US20130011004A1 (en) * | 2011-07-08 | 2013-01-10 | Frederic Lefebvre | Method for watermark detection using reference blocks comparison |
CN103108188A (zh) * | 2013-03-01 | 2013-05-15 | 武汉大学 | 基于局部代价非最优统计的视频隐写分析方法 |
-
2015
- 2015-04-17 CN CN201510184721.7A patent/CN104853215B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101583033A (zh) * | 2009-06-05 | 2009-11-18 | 中山大学 | 一种利用鲁棒水印保护h.264视频数据的方法 |
US20130011004A1 (en) * | 2011-07-08 | 2013-01-10 | Frederic Lefebvre | Method for watermark detection using reference blocks comparison |
CN102685500A (zh) * | 2012-05-08 | 2012-09-19 | 合肥工业大学 | 基于信息变长分组结构的h.264大容量信息隐藏方法 |
CN103108188A (zh) * | 2013-03-01 | 2013-05-15 | 武汉大学 | 基于局部代价非最优统计的视频隐写分析方法 |
Non-Patent Citations (1)
Title |
---|
《一种隐写分析盲性的评价及提高方法》;孙磊等;《计算机应用与软件》;20120930;第29卷(第9期);7-9,36 * |
Also Published As
Publication number | Publication date |
---|---|
CN104853215A (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104853215B (zh) | 基于运动向量局部最优性保持的视频隐写方法 | |
Park | Edge-based intramode selection for depth-map coding in 3D-HEVC | |
Yao et al. | Defining embedding distortion for motion vector-based video steganography | |
Li et al. | CNN based post-processing to improve HEVC | |
Egilmez et al. | Graph-based transforms for inter predicted video coding | |
TW201220855A (en) | Image encoding method and apparatus, image decoding method and apparatus, and programs therefor | |
CN107197297B (zh) | 一种检测基于dct系数隐写的视频隐写分析方法 | |
CN105933711B (zh) | 基于分割的邻域最优概率视频隐写分析方法及*** | |
CN108965887B (zh) | 一种基于块间去耦合的视频信息隐藏方法和装置 | |
CN106162195A (zh) | 一种基于单深度帧内模式的3d‑hevc深度视频信息隐藏方法 | |
CN106664411A (zh) | 运动补偿分割 | |
CN109819260A (zh) | 基于多嵌入域融合的视频隐写方法和装置 | |
CN105979269B (zh) | 基于新型嵌入代价的运动向量域视频隐写方法 | |
CN105915916B (zh) | 基于运动向量率失真性能估计的视频隐写分析方法 | |
Wang et al. | A fast intra prediction algorithm for 360-degree equirectangular panoramic video | |
CN107155112A (zh) | 一种多假设预测的压缩感知视频处理方法 | |
Shen et al. | Inter mode selection for depth map coding in 3D video | |
EP3085095A1 (en) | Method and apparatus for predicting video signal using predicted signal and transform-coded signal | |
CN106101714A (zh) | 一种与压缩编码过程紧耦合的h.264视频信息隐藏方法 | |
WO2017043941A1 (ko) | 예측 각도에 따른 그래프 기반 변환을 이용하여 비디오 신호를 처리하는 방법 및 장치 | |
Fu et al. | Efficient depth intra frame coding in 3D-HEVC by corner points | |
Saberi et al. | An efficient data hiding method using the intra prediction modes in HEVC | |
CN108353193B (zh) | 基于多个基于图的模型处理视频数据的方法和设备 | |
CN107040786A (zh) | 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 | |
CN106101713A (zh) | 一种基于窗口最优校准的视频隐写分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181228 Termination date: 20190417 |
|
CF01 | Termination of patent right due to non-payment of annual fee |