CN109726733A - 一种基于帧间相关性的视频篡改检测方法 - Google Patents
一种基于帧间相关性的视频篡改检测方法 Download PDFInfo
- Publication number
- CN109726733A CN109726733A CN201811373982.3A CN201811373982A CN109726733A CN 109726733 A CN109726733 A CN 109726733A CN 201811373982 A CN201811373982 A CN 201811373982A CN 109726733 A CN109726733 A CN 109726733A
- Authority
- CN
- China
- Prior art keywords
- frame
- video
- gist feature
- correlation
- gist
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 87
- 201000011243 gastrointestinal stromal tumor Diseases 0.000 claims abstract description 99
- 238000012217 deletion Methods 0.000 claims abstract description 35
- 230000037430 deletion Effects 0.000 claims abstract description 35
- 238000003780 insertion Methods 0.000 claims abstract description 35
- 230000037431 insertion Effects 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 239000000284 extract Substances 0.000 claims abstract description 7
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 22
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 20
- 238000002474 experimental method Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013432 robust analysis Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于帧间相关性的视频篡改检测方法,包括以下步骤:首先将视频解码成独立的视频帧序列,提取每一帧的GIST特征;然后计算GIST特征的欧式距离;采用滤波器组对得到的视频帧进行处理,然后对比计算得到的每一帧的GIST特征的欧式距离,得出是否存在复制帧;然后计算相邻帧间GIST特征的Spearman相关系数来及度量相邻帧的相关性,得出是否存在***帧;然后采用LO算法度量视频帧GIST特征的相关系数的异常程度,然后根据异常程度得出是否存在帧删除;本发明所提供的方法可以利用一种特征实现三种不同的帧间篡改检测任务,在检测效果与鲁棒性方面都具有较好的性能,并能精确确定被复制的视频帧数与被***的视频帧数。
Description
技术领域
本发明属于视频篡改检测技术领域,具体涉及一种基于帧间相关性的视频篡改检测方法。
背景技术
近年来,随着互联网和数字技术的不断发展以及数字相机、摄像机等数码设备的广泛使用,人们比以往任何时候更容易接触到各类图像、视频,这些数字化的产物使人们的生活更加丰富多彩。但是随着各种功能强大的图像、视频编辑软件(如Adobe Photoshop和Adobe Premiere)的使用,数字图像、视频很容易被篡改和攻击,这使得数字信息内容的真实性与完整性被破坏,由此极大的降低了***和内容的可信度。
诸如此类对视频的合成和恶搞,让人们逐渐失去了对视频内容的信任。如果篡改内容涉及到国家安全、商业信息、个人隐私等,定会给国家、企业和个人带来不可估量的损失,不利于社会的和谐与稳定。因此,检测数字***的真实性和内容的完整性已经成为一个亟待解决的问题。展开对视频篡改检测方法的研究,具有非常重要的意义。
目前,针对视频内容的篡改检测技术十分有限,现存的方法主要是利用内容的不一致性来进行检测,即:直接提取媒体对象内容的各种特征,包括:全局特征、局部特征、运动特征、时空特征等作为证据,通过特征匹配或相似性计算与设定的阈值进行比较,检测视频内容是否经过篡改。这些检测方法主要包括视频复制检测、帧***、帧删除检测以及帧内篡改检测。
发明内容
本发明的目的是提供一种一种基于帧间相关性的视频篡改检测方法,解决了现有技术中存在的方法检测精度不高,鲁棒性弱的问题。
本发明所采用的技术方案是,一种基于帧间相关性的视频篡改检测方法,包括以下步骤:
步骤1,将视频解码成独立的视频帧序列,提取每一帧的GIST特征;
步骤2,计算经步骤1得到的GIST特征的欧式距离;
步骤3,采用滤波器组对经步骤1得到的视频帧进行处理,然后对比经步骤2计算得到的每一帧的GIST特征的欧式距离,得出是否存在复制帧;
步骤4,视频帧***篡改检测:计算经步骤1得到的相邻帧间GIST特征的Spearman相关系数来及度量相邻帧的相关性,得出是否存在***帧;
步骤5,视频帧删除篡改检测:利用步骤4的计算方法计算出相邻两帧的GIST特征之间的Spearman相关系数,采用LO算法度量视频帧GIST特征的相关系数的异常程度,然后根据异常程度得出是否存在帧删除。
本发明的特点还在于:
其中所述步骤1中具体步骤为:将所要检测的视频解码成为独立的视频帧序列,对帧序列进行一维Haar小波变换,提取低频分量,作为新的帧序列;对一个包含M帧的视频,记新的帧序列为{1,2,...,M},提取每一帧的GIST 特征,得到M帧的GIST特征记为:F={F1,F2,...,FM},其中,Fi={fi,1,fi,2,...,fi,q} 为第i帧的GIST特征,q为GIST特征的维数;
其中所述步骤2中具体步骤为将经步骤1得到的独立的视频帧序列选取第一帧为参考帧,计算每一帧的GIST特征与参考帧的GIST特征之间的欧氏距离ci(i=1,...,M):
其中,Fi={fi,1,fi,2,...,fi,q}为第i帧的GIST特征,q为GIST特征的维数;
其中所述步骤3中具体步骤为滤波处理:采用4个尺度8个方向的Gabor 滤波器组对经步骤1得到的视频帧进行滤波;对比经步骤2计算得到的每一帧的GIST特征的欧式距离,如果ci=cj,则第i帧与第j帧之间有复制情况;
其中所述步骤4具体包括:首先计算相邻两帧的GIST特征之间的 Spearman相关系数zi,然后定义第i帧的GIST特征与第i+1帧的GIST特征的相关距离为Ci,若记***边界处的两个相关距离的最大值和次大值分别为 Cmax、Csec,且相关距离的次大值与平均值之比大于某个阈值Sin,当时,就认为这个帧序列中存在帧***。
其中所述步骤4中第i帧的GIST特征与第i+1帧的GIST特征的相关距离为Ci为:
其中所述步骤4中计算相邻两帧的GIST特征之间的Spearman相关系数为:
对于一个M帧的视频,令Fi={fi,1,fi,2,...,fi,q}为第i帧的GIST特征,q为GIST 特征的维数,采用GIST特征计算方法,取q=512。对Fi、Fi+1进行排序,同时为升序或降序,分别得到两组元素的排序集合F'i={f'i,1,f'i,2,...,f'i,q}、 F'i+1={f'i+1,1,f'i+1,2,...,f'i+1,q}。将集合F'i、F'i+1中的对应元素相减,从而得到一个差分集合:
kj=f'i,j-f'i+1,j,{k1,k2,...,kq} (3)
第i帧的GIST特征与第i+1帧的GIST特征之间的Spearman系数为:
其中所述步骤5中异常程度的计算方法为:计第i帧的GIST特征与第i+1 帧的GIST特征之间的Spearman系数记为zi,对于一个M帧的视频,得到M-1 个相关系数z={z1,z2,...,zM-1},采用LO算法度量视频帧GIST特征的相关系数的异常程度,其中包括计算相关系数之间的欧式距离dil,i与局部密度lrl,i,然后引入表示在zi的第l小距离内的所有视频帧Ml,i,最后根据公式
因此,LOl,i的大小就表示第i帧的GIST特征与第i+1帧的GIST特征之间的Spearman系数zi的异常程度;引入阈值Scd,若LOl,I>Scd,则第i帧与第i+1 帧之间有帧删除情况。
其中所述步骤5中欧氏距离的计算方法为:计算每个zi与z中其它分量的欧氏距离dil,i,l为给定的正整数,dil,i为第i个相关系数的第l小距离,如公式(4)所示:
dil,i=r({||zj-z||j≠i},l) (6)
其中,函数r表示集合中数据从大到小排序的第l个最小值。
其中所述步骤5中局部密度的计算方法为:
Ml,i={zj|||zj-zi||<dil,i,j≠i} (8)
其中,Ml,i表示在zi的第l小距离内的所有视频帧,|·|表示集合中元素的数目。
本发明的有益效果是
本发明提供了一种基于帧间相关性的视频篡改检测方法,能有效检测视频帧复制、帧***和帧删除篡改,利用一种特征实现了三种不同的帧间篡改检测任务,对于不同的数据库都有很高的检测率且不受视频拍摄相机的影响,对于不同格式的视频也能准确检测,对于各种变换操作如伽马校正、对比度增强、模糊、水平镜像、垂直镜像、旋转等都具有比较好的鲁棒性,具有一定的抗几何攻击性能,具有较高的查准率,在删除帧数较少时也具有较好的检测效果。
附图说明
图1是本发明的一种基于帧间相关性的视频篡改检测方法中原始视频帧序列示意图;
图2是本发明的一种基于帧间相关性的视频篡改检测方法中单帧复制篡改视频序列示意图;
图3是本发明的一种基于帧间相关性的视频篡改检测方法中实际场景原始视频序列例子;
图4是本发明的一种基于帧间相关性的视频篡改检测方法中原始场景单帧复制篡改视频序列例子;
图5是本发明的一种基于帧间相关性的视频篡改检测方法中连续多帧复制示意图;
图6是本发明的一种基于帧间相关性的视频篡改检测方法中实际场景视频序列图3连续多帧复制篡改的例子图;
图7是本发明的一种基于帧间相关性的视频篡改检测方法中原始视频帧序列A和B;
图8是本发明的一种基于帧间相关性的视频篡改检测方法中帧***篡改示意图;
图9是本发明的一种基于帧间相关性的视频篡改检测方法中帧***视频实例;
图10是本发明的一种基于帧间相关性的视频篡改检测方法中视频帧删除示意图;
图11是本发明的一种基于帧间相关性的视频篡改检测方法中视频帧删除篡改实例;
图12是本发明的一种基于帧间相关性的视频篡改检测方法中图3中的视频帧的相对欧式距离;
图13是本发明的一种基于帧间相关性的视频篡改检测方法中图4中的视频帧的相对欧式距离;
图14是本发明的一种基于帧间相关性的视频篡改检测方法中图6中的视频帧的相对欧式距离;
图15是本发明的一种基于帧间相关性的视频篡改检测方法中图9所示的篡改视频的帧相关距离;
图16.图11中的视频序列帧的异常度。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种基于帧间相关性的视频篡改检测方法,包括以下步骤:
步骤1,将视频解码成独立的视频帧序列
将所要检测的视频解码成为独立的视频帧序列,对帧序列进行一维Haar 小波变换,提取低频分量,作为新的帧序列;对一个包含M帧的视频,记新的帧序列为{1,2,...,M},提取每一帧的GIST特征,得到M帧的GIST特征记为:F={F1,F2,...,FM},其中,Fi={fi,1,fi,2,...,fi,q}为第i帧的GIST特征,q 为GIST特征的维数;
步骤2,计算GIST特征的欧氏距离
选取视频序列的第一帧为参考帧,计算每一帧的GIST特征与参考帧的 GIST特征之间的欧氏距离ci(i=1,...,M)(我们简称为第i帧的相对欧氏距离):
其中,Fi={fi,1,fi,2,...,fi,q}为第i帧的GIST特征,q为GIST特征的维数。
步骤3,滤波处理
为了提高算法效率,我们采用4个尺度8个方向的Gabor滤波器组对视频帧进行滤波,故q=4×8=32。
通常,视频帧序列中的每一帧都是不同的,从而每一帧的GIST特征也是不同的,因此,如果出现l个相同的欧氏距离值,则说明有l帧是相同的,即有l-1帧是由本视频中的某一帧复制得到的,即:如果ci=cj,则第i帧与第j帧之间有复制情况。
步骤4,视频帧复制篡改检测
单帧复制篡改,是指将某一帧连续多次复制得到新的视频序列,如图1 表示原始视频序列示意图,图2表示单帧复制篡改视频序列示意图,其中第 4帧被复制了3次。图3表示一个实际场景的原始视频序列例子,图4表示实际场景的单帧复制篡改视频序列例子,其中,第1、2、7、8帧是原始视频图3中的第1、2、3、4帧,第3至6帧是通过4次复制原始视频中的第2 帧得到的,这样篡改的视频在视觉效果上看不出差异;
连续多帧复制篡改,是指将原始视频序列中的连续多帧进行复制得到新的帧序列,如图5所示,是把图1中的第4、5、6帧复制了一次。图6是把实际场景视频序列图3连续多帧复制篡改的例子,图6中第1、2、3、4、5、 11、12帧是图3中的第1-6帧,图6中第6-10帧是通过复制1次图3中第 1-5帧得到的,观察者也看不出视觉效果上的明显差异;
步骤4.1,对于单帧复制篡改,如果ci+1值出现l(l≥2)次,即 ci+1=ci+2=...=ci+l,则这个视频序列存在单帧复制l-1次篡改。图12为图3 中的视频帧的相对欧氏距离,图13为图4中的视频帧的相对欧氏距离。从图12和图13可以看出,视觉上很难区分的帧,其相对欧氏距离具有明显的差异。从图13可以看出,第2-6帧的相对欧氏距离相同,表示第2帧至第6 帧为单帧复制篡改,这与图4的实际篡改一致。
步骤4.2,对于连续帧复制篡改,如果ci+1、ci+2、…、ci+m(ci+1≠ci+2≠...≠ci+m) 值出现l(l≥2)次,即:
则这个视频帧序列存在连续m帧复制l次篡改,间隔为n-m帧。图14为图6的视频帧的相对欧氏距离值。从图14可以直观看出,第1帧与第6帧、第2帧与第7帧、第3帧与第8帧、第4帧与第9帧、第5帧与第10帧的相对欧式距离是一样的,表示第1-5帧与第6-10帧之间存在连续帧复制篡改,复制次数为1次;
步骤5,视频帧***篡改检测
是指将原始视频解码成视频帧序列,在视频序列中***另一视频帧序列中的连续多帧生成新的视频序列,如图7所示为原始视频帧序列A和B,图 8为帧***篡改示意图,是把图7中的视频B中的第6、7、8帧***到视频 A的第6帧与第7帧之间。图9为帧***视频实例,在视频帧1,2,3中***了其它视频序列中的帧a,b,c,d,e。
步骤5.1,假设所处理的视频为图9所示的帧***视频实例,原始视频只有3帧,在第2帧与第3帧之间***了其它视频序列中的帧a,b,c,d, e。
步骤5.2,计算GIST特征的Spearman相关系数
由于异源视频帧***会破坏原有视频序列帧间纹理特征的一致性,而 Spearman相关系数可以描述数据间“单调相关”的程度,即随着其中一个数值的增加,可以引起另一个数值增加或减少的程度。因此,我们通过计算相邻帧间GIST特征的Spearman相关系数来及度量相邻帧的相关性,从而检测被***的视频帧;
计算相邻两帧的GIST特征之间的Spearman相关系数:
对于一个M帧的视频,令Fi={fi,1,fi,2,...q,,fi}为第i帧的GIST特征,q为GIST 特征的维数,采用与现有技术相同的GIST特征计算方法,取q=512。对Fi、 Fi+1进行排序(同时为升序或降序),分别得到两组元素的排序集合 F'i={f'i,1,f'i,2,...,f'i,q}、F'i+1={f'i+1,1,f'i+1,2,...,f'i+1,q}。将集合F'i、F'i+1中的对应元素相减,从而得到一个差分集合:
kj=f'i,j-f'i+1,j,{k1,k2,...,kq} (3)
第i帧的GIST特征与第i+1帧的GIST特征之间的Spearman系数为:
定义第i帧的GIST特征与第i+1帧的GIST特征的相关距离Ci为:
步骤5.3当存在视频帧***时,原有视频帧序列的一致性被破坏,***帧与原始帧边界处的相关性就会降低。因此,当一个视频中***连续多帧时,***帧与相邻的原始帧(***边界)之间GIST特征的相关系数z会变小,相关距离C会变大。若记***边界处的两个相关距离的最大值和次大值分别为Cmax、Csec,且相关距离的次大值与平均值之比大于阈值Sin(在实验中,我们通过大量实验测得Sin=4.7),即:我们就认为这个帧序列中存在帧***。不妨假设Cmax=Ci,Csec=Cj,则说明第i+1帧到第j帧为***帧,***帧数为j-i帧。
例如,图15表示图9所示的篡改视频的帧序列GIST特征的相关距离,从图15可以看出,第2与第7个相关距离值远大于其他几个,这是由于连续帧***降低其相关性,使得其相关距离增大,即第2帧与第7帧之间有连续帧***篡改,***帧数为5帧。
步骤6,视频帧删除篡改检测
视频帧删除篡改是指把原始视频解码成视频帧序列,将帧序列中的连续多帧删除得到新的视频帧序列,目的是为了删除视频中某些物体或人物的活动轨迹。虽然理论上可以只删除1帧,但是由于通常视频的帧速率为25~30 帧每秒,仅仅删除1帧并不会达到篡改效果,常见的帧删除都是删除连续多帧。如图10所示,是视频帧删除示意图,是把图1中的第6-8帧删除后的视频序列。图11是一个视频帧删除篡改实例,表示删除了原始视频中的第5、6、7、8帧后的视频帧序列,从视觉上看,帧删除后视频中的人跑步的动作并没有太大变化,还是向左侧跑步,观察者不会感到突兀的视觉效果,所以仅仅从直观上不易判断是否有帧删除篡改。
步骤6.1,计算Spearman相关系数:利用相邻两帧的GIST特征之间的 Spearman相关系数。第i帧的GIST特征与第i+1帧的GIST特征之间的 Spearman系数记为zi,对于一个M帧的视频,得到M-1个相关系数 z={z1,z2,...,zM-1}。
采用LOF(local outlier factor,局部异常因子)算法度量视频帧GIST 特征的相关系数的异常程度。具体计算过程如下:
步骤6.2计算相关系数之间的欧氏距离:计算每个zi与z中其它分量的欧氏距离dil,i,l为给定的正整数,dil,i为第i个相关系数的第l小距离,如公式所示:
dil,i=r({||zj-z||j≠i},l) (6)
其中,函数r表示集合中数据从大到小排序的第l个最小值。考虑到连续出现24帧画面时,人眼无法单独分辨每帧画面,故l=24;
步骤6.3,计算局部密度:考虑到dil,i并不能准确反映视频帧GIST特征相关系数的异常程度,因此,引入局部密度lrl,i:
Ml,i={zj|||zj-zi||<dil,i,j≠i} (8)
其中,Ml,i表示在zi的第l小距离内的所有视频帧,|·|表示集合中元素的数目,随着距离的增大,数据异常的可能性也随之变大,因此,局部密度由于包含了数据之间的聚集与分散特性,所以它才能够反映一定程度的数据异常;
步骤6.4计算Spearman系数的异常程度:通常情况下,数据的异常程度同时也与其周围的数据相关,因此我们的定义数据zi的异常度LOl,i为:Ml,i中的数据平均局部密度与数据zi的局部密度的比值,如公式所示:
因此,LOl,i的大小就表示第i帧的GIST特征与第i+1帧的GIST特征之间的Spearman系数zi的异常程度。
步骤6.5视频帧删除篡改检测
给定包含M帧的视频,我们采用异常度序列{LOl,1,LOl,2,...,LOl,M-1}来描述视频帧GIST特征Spearman相关系数的异常情况,如果视频中有帧删除情况,那么视频帧序列相邻帧间GIST特征Spearman相关系数的异常度就会增大,即若LOl,I>Scd(其中Scd为阈值,在实验中,我们通过大量实验测得 Scd=7.8),则第i帧与第i+1帧之间有帧删除情况。图16给出了对图11中的视频序列的异常度测试结果。从图16可以看出,异常度序列中的第4个值远大于其它值,这是由于第4帧与第5帧之间删除帧后,序列异常度增大导致的,此结果符合图11中的帧删除情况。
从实验结果来说明本发明的有益效果:
本实验主要用来测试本发明的视频帧复制检测方法的检测率。为了量化评价算法的检测性能,我们定义检测率的概念如下:
然后,我们用步骤3所描述的方法进行检测,得到不同情况下的检测结果如下:
表1.步骤3描述的视频帧复制检测方法对不同数据库的视频帧复制的检测率
表2.步骤3描述的视频帧复制检测方法对不同品牌相机所拍摄视频帧复制检测率
表3.步骤3描述的视频帧复制检测方法对不同格式视频的帧复制的检测率
表4.步骤3描述的视频帧复制检测方法与现存方法的检测率结果比较
从表4可以看出,本发明的方法对帧复制的检测率要优于现存方法,并且现存方法中部分不能检测单帧复制篡改。从表1到表3可以看出,本发明的方法对于不同数据库中的视频都有很高的帧复制检测率,并且不受视频拍摄相机的影响,对于不同格式的视频也有较高的帧复制检测率。
本发明的方法中视频帧复制篡改检测鲁棒性分析:
鲁棒性是指,当视频经历了内容保持的操作之后,检测方法依然有效。为了检测本发明的方法的鲁棒性,我们使用了SULFA数据库的95个视频作为测试视频。对这些视频分别进行了以下操作:模糊、对比度增强、镜像(水平、垂直)、旋转、缩放、伽马校正,然后用步骤4所描述的方法进行检测,结果如表5所示。从表5可以看出,当测试视频经过了上述内容保持的操作之后,本发明方法依然保持了较高的检测率,这是由于这些变换操作不会改变相对欧式距离值的唯一性。
表5.步骤3描述的视频帧复制检测方法的鲁棒性测试结果
本发明的视频帧***篡改检测方法的检测性能,我们使用的两个评价指标分别是查全率(recall)和查准率(precision);查全率是指在所有被篡改的视频中正确检测的比例。查准率是指在所有检测的视频中正确检测视频的百分比,我们给出查全率Re和查准率Pr的公式化定义:
其中,Nc表示真阳性帧数,即被正确检测出的篡改视频帧数;Nm表示假阳性帧数,即被误检测为篡改帧的视频帧数;Nf表示假阴性帧数,即被漏检测的篡改视频帧数。
表6.步骤4所描述的视频帧***检测方法对视频帧***篡改的测试结果
Method | N<sub>c</sub> | N<sub>m</sub> | N<sub>f</sub> | R<sub>e</sub> | P<sub>r</sub> |
Proposed method | 128 | 8 | 2 | 94.11% | 98.46% |
Chao | 2863 | 137 | 140 | 95.43% | 95.34% |
Zheng | 223 | 3 | 14 | 98.67% | 94.09% |
表7.步骤4所描述的视频帧***检测方法对不同***帧数检测的结果
使用步骤4中所描述的视频帧***检测方法对测试视频进行帧***篡改检测。在实验中,我们首先确定阈值Sin,通过大量实验测得,当Sin=4.7时,对于视频帧***操作,本发明方法的查全率为94.11%,查准率为98.46%(达到了查全率与查准率之间相对的平衡)。表6列出了检测结果。从检测结果可以看出,相比现有技术,本发明的方法具有较高的查准率,但在一定程度上降低了查全率,这是由于本发明的方法更关注检测精度。
表7列出了步骤4中所描述的视频帧***检测方法对不同***帧数的检测结果,测试的视频帧序列被分为两组,其中34个视频帧序列是少于25帧***,102个视频帧序列是100帧***。从表7中我们可以看出,在***帧数小于25帧时,本发明的视频帧***检测方法更有效,在***帧数大于25 帧时,本发明的视频帧***检测方法精度更高。
本发明中使用步骤5中所描述的视频帧删除检测方法对测试视频进行帧删除检测。在实验中,我们首先确定阈值Scd,通过大量实验测得,当Scd=7.8 时,达到查全率与查准率之间的相对平衡。表8列出了删除不同帧数的检测结果,与现有技术的结果一样,删除25帧的查全率和查准率低于删除100 帧时的查全率和查准率。这是由于相邻帧之间的纹理特征比较相似,当删除的帧数较少时,检测精度会降低。但是,我们的方案在删除帧数为25帧时,查全率和查准率均优于现有技术中的结果,说明我们的方案在删除帧数较少时也具有较好的效果。
表8步骤5所描述的视频帧删除检测方法对删除不同帧数的检测结果
本发明的视频帧***检测方法和帧删除检测方法的鲁棒性分析:
帧***与帧删除篡改分别测试了50个视频,其中篡改视频45个,原始视频5个。原始视频均来自KTH数据库。表9为步骤4所描述的视频帧***检测方法的鲁棒性测试结果,表10为步骤5所描述的视频帧删除检测方法的鲁棒性测试结果。由于帧***与帧删除的检测方案中都用到了相邻帧 GIST特征的相关系数,其鲁棒性结果主要反应在内容保持的操作对帧内容纹理的影响上。从表9和表10可以看出,我们的方案对缩放、镜像、旋转等几何操作都是鲁棒的,说明其具有一定的抗几何攻击性能。
表9.步骤4所描述的视频帧***检测方法的鲁棒性测试结果
选择90度 | 选择180度 | 缩放0.5倍 | 缩放2倍 | 水平镜像 | 垂直镜像 | |
R<sub>e</sub> | 93.75% | 93.75% | 95.83% | 91.67% | 93.75% | 93.75% |
P<sub>r</sub> | 95.74% | 95.74% | 95.83% | 95.65% | 95.74% | 95.74% |
表10.步骤5所描述的视频帧删除检测方法的鲁棒性测试结果
Claims (10)
1.一种基于帧间相关性的视频篡改检测方法,其特征在于,包括以下步骤:
步骤1,将视频解码成独立的视频帧序列,提取每一帧的GIST特征;
步骤2,计算经步骤1提取的GIST特征的欧式距离;
步骤3,采用滤波器组对经步骤1得到的视频帧进行处理,然后对比经步骤2计算得到的每一帧的GIST特征的欧式距离,根据对比结果得出是否存在复制帧;
步骤4,视频帧***篡改检测:计算经步骤1得到的相邻帧间GIST特征的Spearman相关系数来度量相邻帧的相关性,然后根据相关性判断是否存在***帧;
步骤5,视频帧删除篡改检测:利用步骤4的计算方法计算出相邻两帧的GIST特征之间的Spearman相关系数,采用LO算法度量视频帧GIST特征的相关系数的异常程度,然后根据异常程度得出是否存在帧删除。
2.根据权利要求1所述的一种基于帧间相关性的视频篡改检测方法,其特征在于,所述步骤1中具体步骤为:将所要检测的视频解码成为独立的视频帧序列,对帧序列进行一维Haar小波变换,提取低频分量,作为新的帧序列;对一个包含M帧的视频,记新的帧序列为{1,2,...,M},提取每一帧的GIST特征,得到M帧的GIST特征记为:F={F1,F2,...,FM},其中,Fi={fi,1,fi,2,...,fi,q}为第i帧的GIST特征,q为GIST特征的维数。
3.根据权利要求2所述的一种基于帧间相关性的视频篡改检测方法,其特征在于,所述步骤2中具体步骤为:将经步骤1得到的独立的视频帧序列选取第一帧为参考帧,计算每一帧的GIST特征与参考帧的GIST特征之间的欧氏距离ci(i=1,...,M):
其中,Fi={fi,1,fi,2,...,fi,q}为第i帧的GIST特征,q为GIST特征的维数。
4.根据权利要求3所述的一种基于帧间相关性的视频篡改检测方法,其特征在于,所述步骤3中具体步骤为滤波处理:采用4个尺度8个方向的Gabor滤波器组对经步骤1得到的视频帧进行滤波;对比经步骤2计算得到的每一帧的GIST特征的欧式距离,如果ci=cj,则第i帧与第j帧之间有复制情况。
5.根据权利要求1所述的一种基于帧间相关性的视频篡改检测方法,其特征在于,所述步骤4具体包括:首先计算相邻两帧的GIST特征之间的Spearman相关系数zi,然后定义第i帧的GIST特征与第i+1帧的GIST特征的相关距离为Ci,若记***边界处的两个相关距离的最大值和次大值分别为Cmax、Csec,且相关距离的次大值与平均值之比大于某个阈值Sin,当时,就认为这个帧序列中存在帧***。
6.根据权利要求5所述的一种基于帧间相关性的视频篡改检测方法,其特征在于,所述步骤4中第i帧的GIST特征与第i+1帧的GIST特征的相关距离为Ci为:
7.根据权利要求5所述的一种基于帧间相关性的视频篡改检测方法,其特征在于,所述步骤4中计算相邻两帧的GIST特征之间的Spearman相关系数为:
对于一个M帧的视频,令Fi={fi,1,fi,2,...,fi,q}为第i帧的GIST特征,q为GIST特征的维数,采用GIST特征计算方法,取q=512;对Fi、Fi+1进行排序,同时为升序或降序,分别得到两组元素的排序集合F'i={f'i,1,f'i,2,...,f'i,q}、F'i+1={f'i+1,1,f'i+1,2,...,f'i+1,q},将集合F'i、F'i+1中的对应元素相减,从而得到一个差分集合:
kj=f'i,j-f'i+1,j,{k1,k2,...,kq} (3)
第i帧的GIST特征与第i+1帧的GIST特征之间的Spearman相关系数为:
8.根据权利要求7所述的一种基于帧间相关性的视频篡改检测方法,其特征在于,所述步骤5中异常程度的计算方法为:计第i帧的GIST特征与第i+1帧的GIST特征之间的Spearman相关系数记为zi,对于一个M帧的视频,得到M-1个相关系数z={z1,z2,...,zM-1},采用LO算法度量视频帧GIST特征的相关系数的异常程度,其中包括计算相关系数之间的欧式距离dil,i与局部密度lrl,i,然后引入表示在zi的第l小距离内的所有视频帧Ml,i,得出公式
其中,LOl,i的大小就表示第i帧的GIST特征与第i+1帧的GIST特征之间的Spearman相关系数zi的异常程度;引入阈值Scd,若LOl,I>Scd,则第i帧与第i+1帧之间有帧删除情况。
9.根据权利要求8所述的一种基于帧间相关性的视频篡改检测方法,其特征在于,所述步骤5中欧氏距离的计算方法为:计算每个zi与z中其它分量的欧氏距离dil,i,l为给定的正整数,dil,i为第i个相关系数的第l小距离,如公式(4)所示:
dil,i=r({||zj-z||j≠i},l) (6)
其中,函数r表示集合中数据从大到小排序的第l个最小值。
10.根据权利要求8所述的一种基于帧间相关性的视频篡改检测方法,其特征在于,所述步骤5中局部密度的计算方法为:
Ml,i={zj|||zj-zi||<dil,i,j≠i} (8)
其中,Ml,i表示在zi的第l小距离内的所有视频帧,|·|表示集合中元素的数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373982.3A CN109726733A (zh) | 2018-11-19 | 2018-11-19 | 一种基于帧间相关性的视频篡改检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373982.3A CN109726733A (zh) | 2018-11-19 | 2018-11-19 | 一种基于帧间相关性的视频篡改检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726733A true CN109726733A (zh) | 2019-05-07 |
Family
ID=66294619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811373982.3A Pending CN109726733A (zh) | 2018-11-19 | 2018-11-19 | 一种基于帧间相关性的视频篡改检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726733A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110418129A (zh) * | 2019-07-19 | 2019-11-05 | 长沙理工大学 | 数字视频帧间篡改检测方法及*** |
CN110796053A (zh) * | 2019-10-21 | 2020-02-14 | 北京奇艺世纪科技有限公司 | 视频检测方法、装置、电子设备及计算机可读存储介质 |
CN110853033A (zh) * | 2019-11-22 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 基于帧间相似度的视频检测方法和装置 |
CN111144314A (zh) * | 2019-12-27 | 2020-05-12 | 北京中科研究院 | 一种篡改人脸视频检测方法 |
CN111860414A (zh) * | 2020-07-29 | 2020-10-30 | 中国科学院深圳先进技术研究院 | 一种基于多特征融合检测Deepfake视频方法 |
CN114022928A (zh) * | 2021-10-22 | 2022-02-08 | 长沙理工大学 | 一种基于双流的Deepfakes视频检测方法及*** |
CN117315678A (zh) * | 2023-08-24 | 2023-12-29 | 安徽省征信股份有限公司 | 一种数字图像篡改识别方法、***、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1276328A2 (en) * | 2001-07-13 | 2003-01-15 | Motorola, Inc. | Watermarking in video transmissions |
CN105657435A (zh) * | 2016-01-25 | 2016-06-08 | 福建师范大学 | 基于量化dct系数的视频单帧复制粘贴篡改检测方法 |
-
2018
- 2018-11-19 CN CN201811373982.3A patent/CN109726733A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1276328A2 (en) * | 2001-07-13 | 2003-01-15 | Motorola, Inc. | Watermarking in video transmissions |
CN105657435A (zh) * | 2016-01-25 | 2016-06-08 | 福建师范大学 | 基于量化dct系数的视频单帧复制粘贴篡改检测方法 |
Non-Patent Citations (1)
Title |
---|
汤超: "基于帧间相关性的视频篡改检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110418129B (zh) * | 2019-07-19 | 2021-03-02 | 长沙理工大学 | 数字视频帧间篡改检测方法及*** |
CN110418129A (zh) * | 2019-07-19 | 2019-11-05 | 长沙理工大学 | 数字视频帧间篡改检测方法及*** |
CN110796053B (zh) * | 2019-10-21 | 2022-07-29 | 北京奇艺世纪科技有限公司 | 视频检测方法、装置、电子设备及计算机可读存储介质 |
CN110796053A (zh) * | 2019-10-21 | 2020-02-14 | 北京奇艺世纪科技有限公司 | 视频检测方法、装置、电子设备及计算机可读存储介质 |
CN110853033A (zh) * | 2019-11-22 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 基于帧间相似度的视频检测方法和装置 |
CN110853033B (zh) * | 2019-11-22 | 2022-02-22 | 腾讯科技(深圳)有限公司 | 基于帧间相似度的视频检测方法和装置 |
CN111144314A (zh) * | 2019-12-27 | 2020-05-12 | 北京中科研究院 | 一种篡改人脸视频检测方法 |
CN111144314B (zh) * | 2019-12-27 | 2020-09-18 | 北京中科研究院 | 一种篡改人脸视频检测方法 |
CN111860414A (zh) * | 2020-07-29 | 2020-10-30 | 中国科学院深圳先进技术研究院 | 一种基于多特征融合检测Deepfake视频方法 |
CN111860414B (zh) * | 2020-07-29 | 2023-10-24 | 中国科学院深圳先进技术研究院 | 一种基于多特征融合检测Deepfake视频方法 |
CN114022928A (zh) * | 2021-10-22 | 2022-02-08 | 长沙理工大学 | 一种基于双流的Deepfakes视频检测方法及*** |
CN114022928B (zh) * | 2021-10-22 | 2024-07-26 | 长沙理工大学 | 一种基于双流的Deepfakes视频检测方法及*** |
CN117315678A (zh) * | 2023-08-24 | 2023-12-29 | 安徽省征信股份有限公司 | 一种数字图像篡改识别方法、***、设备和存储介质 |
CN117315678B (zh) * | 2023-08-24 | 2024-04-26 | 安徽省征信股份有限公司 | 一种数字图像篡改识别方法、***、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726733A (zh) | 一种基于帧间相关性的视频篡改检测方法 | |
Kang et al. | Robust median filtering forensics using an autoregressive model | |
Wang et al. | Detection of image region duplication forgery using model with circle block | |
Zeng et al. | Image splicing localization using PCA-based noise level estimation | |
Ng et al. | Blind detection of photomontage using higher order statistics | |
Al-Qershi et al. | Passive detection of copy-move forgery in digital images: State-of-the-art | |
Muhammad et al. | Copy-move forgery detection using dyadic wavelet transform | |
CN102226920B (zh) | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 | |
Zhu et al. | Blind image splicing detection via noise level function | |
CN103747271B (zh) | 一种基于混合感知哈希的视频篡改检测方法和装置 | |
CN104244016B (zh) | 一种h264视频内容篡改检测方法 | |
CN109903302A (zh) | 一种用于拼接图像的篡改检测方法 | |
CN110457996A (zh) | 基于vgg-11卷积神经网络的视频运动对象篡改取证方法 | |
Zhang et al. | Improved Fully Convolutional Network for Digital Image Region Forgery Detection. | |
CN102968803A (zh) | 针对cfa插值图像的篡改检测与篡改定位方法 | |
CN102609947B (zh) | 一种针对拼接篡改的数码照片伪造检测方法 | |
Siddiqi et al. | Image Splicing‐Based Forgery Detection Using Discrete Wavelet Transform and Edge Weighted Local Binary Patterns | |
Singh et al. | Optical flow and prediction residual based hybrid forensic system for inter-frame tampering detection | |
Chu et al. | Detectability of the order of operations: An information theoretic approach | |
CN112801037A (zh) | 一种基于连续帧间差异的人脸篡改检测方法 | |
CN106709915B (zh) | 一种图像重采样操作检测方法 | |
Li et al. | Robust median filtering detection based on the difference of frequency residuals | |
Yohannan et al. | Detection of copy-move forgery based on Gabor filter | |
CN105141968B (zh) | 一种视频同源copy-move篡改检测方法及*** | |
Chaitra et al. | Digital image forgery: taxonomy, techniques, and tools–a comprehensive study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |