一种基于时空域特征自适应选择的H.265/HEVC视频隐写分析方法与流程

本发明涉及视频压缩域的隐写分析技术领域，具体涉及一种基于时空域特征自适应选择的h.265/hevc视频运动矢量隐写分析方法。

背景技术：

数字隐写和隐写分析(或称隐写检测)是信息安全领域的重要分支。数字视频因其数据量大，能容纳密信数量多的特点，成为理想的隐写载体。h.265/hevc是最新的视频编码标准，与前一代h.264/avc中以固定大小的宏块作为编码基本单元不同，h.265/hevc允许采用大小不一的编码单元(codingunit，cu)，包括64×64，32×32，16×16和8×8。对纹理较复杂区域通常采用较小的编码块，而对平坦区域通常采用较大的编码块，这使得视频编码方式更加灵活，能同时兼顾精确度和码率。与h.264/avc标准相比，在相同视觉质量下，码流长度能减少一半。目前h.265/hevc已逐步应用在互联网的各种产品中，因此研究以其为载体的隐写与隐写分析算法有重要的理论意义和实际应用价值。

视频信息隐写是将密信插入或称隐藏到正常的视频中，因此从信息论的角度可看成是对正常视频添加噪声，导致视频失真增大，同时降低了视频内容在时域和空域上的相关性。具体来说，在空域上使得同一帧内相邻像素值的相关性降低；而在时域上，由于时域预测的存在，噪声也使得相邻帧间像素值的相关性降低。常用的隐写技术大致可从修改运动矢量、预测模式和量化后的变换系数这三个方面着手，本发明主要讨论针对修改运动矢量的隐写检测技术。修改运动矢量对视频的影响可从预测残差，重压缩编码和相关性三个方面的变化体现出来：密信嵌入可能会使运动矢量指向其他参考块，导致预测残差增大；而修改过的运动矢量在重压缩编码后有向原始运动矢量复原的趋势；密信嵌入引入的噪声会使空域运动矢量相关性和时域运动矢量相关性降低。因此，基于运动矢量的隐写分析方法也主要是通过比较未嵌密视频和已嵌密视频在预测残差、重压缩编码和/或运动矢量相关性这三个方面上的统计特征差异，利用模式分类的方法来鉴别有无嵌密。隐写分析中最常用的模式分类器包括支持向量机(supportvectormachine,svm)。

目前基于相关性异常的典型隐写分析方法有su等人于2011年在signalprocessing期刊上发表的论文“avideosteganalyticalgorithmagainstmotion-vector-basedsteganography”，他们认为密信的嵌入会改变运动矢量的统计特性，并利用运动矢量直方图中心矩分别从时域和空域提取特征，最后将时域和空域特征串联形成最终的分类特征向量，作为svm的输入，进行分类识别。2014年王丽娜等人在《电子学报》发表的论文《基于相关性异常的h.264/avc视频运动矢量隐写分析算法》提出隐写操作会破坏空域上相邻运动矢量的相关性，并且根据h.264预测分块的特点设计四向运动矢量扫描链，提取其共生频率特征，构造svm分类特征向量。上述两种方法的不足在于没有考虑空域和时域运动矢量相关性之间的关系，前者仅将这两类特征进行简单的串联，而后者只利用了空域运动矢量相关性特征。研究表明，在运动较剧烈的视频帧中，空域运动矢量相关性往往强于时域运动矢量相关性；而在运动较缓慢的视频帧中，时域运动矢量相关性通常强于空域运动矢量相关性。su等人的方法将空域和时域特征进行简单串联，其明显不足是特征向量维数增大，运算复杂度增高；而王丽娜等人的方法只选择了空域特征，没有充分利用时域上运动矢量的异常信息。由于h.264/avc和h.265/hevc视频隐写具有一定的相似性，本发明针对上述不足，提出了一种面向h.265/hevc视频的时空域特征自适应选择的隐写分析方法，能根据视频的内容和编码特点，自适应选择时域和空域上反映运动矢量变化的特征，构造svm特征向量。迄今为止，针对h.265/hevc视频的时空域特征自适应选择隐写分析方法尚未见报道。

技术实现要素：

本发明的目的是针对上述现有技术的不足，提供了一种基于时空域特征自适应选择的h.265/hevc视频运动矢量隐写分析方法。本方法能够自适应选择空域或时域运动矢量相关性特征组成特征向量，在不增加特征维数的情况下有效地提高隐写分析检测率，减少分类器训练与分类的时间。

本发明的目的可以通过如下技术方案实现：

一种基于时空域特征自适应选择的h.265/hevc视频运动矢量隐写分析方法，所述方法包括以下步骤：

步骤1、将视频码流熵解码到压缩域，对于所有p帧读取其编码单元和预测单元划分方式、同位预测单元、运动矢量、运动矢量残差这些压缩域信息；

步骤2、提取空域运动矢量相关性特征：对于每一个p帧，根据其预测单元划分方式，将每个运动矢量添加到空域四向运动矢量扫描链ss中，在空域四向运动矢量扫描链ss中，分别利用水平和垂直方向上的分量组成两条链，计算两条链之间的皮尔逊相关系数，并选择皮尔逊相关系数绝对值小的方向进行特征提取，将空域四向运动矢量扫描链ss中该方向上的运动矢量分量存入特征提取对象ms中，并对其相邻位置作差得到空域运动矢量四向差分链ds，对ds提取共生频率特征，即得到空域运动矢量相关性特征向量cs；

步骤3、获取时域预测运动矢量：对每个预测单元获取其邻近已编码帧中的同位预测单元，根据当前预测单元与其参考帧的距离、同位预测单元与其参考帧的距离以及同位预测单元的运动矢量计算出当前预测单元的时域预测运动矢量；

步骤4、提取时域运动矢量相关性特征：将步骤3得到的时域预测运动矢量与当前运动矢量作差，并根据其预测单元的划分方式存入时域四向运动矢量扫描链st中，分别利用水平和垂直方向上的分量组成两条链，计算皮尔逊相关系数，并选择皮尔逊相关系数绝对值小的方向作为特征提取的对象，将该方向上的分量存入时域运动矢量四向差分链dt中，对dt提取共生频率特征，即得时域运动矢量相关性特征向量ct；

步骤5、选择候选视频帧：利用相邻帧的像素值计算当前帧的运动复杂度g，对于每一个g值，有一个相应的阈值λ，利用运动矢量残差计算其时空域相关性综合值p，若p大于阈值λ，则确定该帧为候选视频帧，并进入步骤6，若p小于等于阈值λ，则不作为候选视频帧，直接选择空域运动矢量相关性特征为其最终特征，并进入步骤7；

步骤6、自适应选取空域和时域运动矢量相关性特征：对于候选视频帧，利用运动矢量四向差分链中0的比例计算空域运动矢量相关性和时域运动矢量相关性的大小，分别计算空域运动矢量四向差分链和时域运动矢量四向差分链中0所占的比例，若空域运动矢量相关性较强，即空域运动矢量四向差分链中0所占比例较高，则选择空域运动矢量相关性特征为最终特征，若时域运动矢量相关性较强，即时域运动矢量四向差分链中0所占比例较高，则选择时域运动矢量相关性特征为最终特征；

步骤7、将提取的特征输入分类器进行训练与分类。

进一步地，所述步骤2中，构建空域四向运动矢量扫描链，包括了上边缘、下边缘、左边缘和右边缘四条扫描链，其构造方法是以编码树单元为基准，分别将处于编码树单元上边缘、下边缘、左边缘和右边缘的运动矢量按顺序添加进上边缘扫描链、下边缘扫描链、左边缘扫描链和右边缘扫描链中，并将其首尾相连组成长度为l的扫描链，由于h.265/hevc中，每个编码树单元的大小不变，因此处于同一边缘的相邻运动矢量间具有一一对应的关系，不受预测块大小的影响，利用运动矢量的水平和垂直分量组成长度为l-1的两条扫描链，分别对其计算皮尔逊相关系数，选择皮尔逊相关系数绝对值小的方向提取特征。

进一步地，所述步骤3中，h.265/hevc中时域预测运动矢量不是直接由同位预测单元的运动矢量获得，而是经过相应的比例伸缩调整得到的，设当前预测单元与参考帧的距离为td，同位预测单元与其参考帧的距离为tb，同位预测单元的运动矢量为col_mv，则当前预测单元的时域预测运动矢量为(col_mv×td)/tb。

进一步地，所述步骤4中，采用与步骤2类似的方法构造时域四向运动矢量扫描链和计算皮尔逊相关系数。

进一步地，所述步骤5中，选择未嵌密的帧为候选视频帧，因为从未嵌密视频帧中提取相关性较强的特征作为最终特征能改善分类性能，提高分类正确率，判断当前帧是否为候选视频帧的依据是该帧的运动复杂度和时空域相关性存在一种对应关系：运动复杂度较高的视频帧其时空域相关性较弱，运动复杂度低的帧其时空域相关性较强，而嵌密操作会导致时空域相关性显著减弱但运动复杂度基本不变，本发明所述方法对每一运动复杂度设定一个阈值，将时空域相关性综合值大于阈值的帧确定为候选视频帧。

进一步地，所述步骤6中，利用运动矢量四向差分链中0的比例来衡量空域和时域运动矢量相关性，由于运动矢量差分链是由相邻运动矢量作差得到，相邻运动矢量相等的越多，差分链中0的个数就越多，反之，差分链中0的个数越少。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明创新性地将空域运动矢量相关性特征和时域运动矢量相关性特征相结合，能根据视频内容自适应地选择相关性较强的特征作为最终分类特征，能充分利用两种相关性的互补性质，提高隐写分析检测率。

2、本发明对于候选视频帧，在时域和空域上选择相关性较大的特征作为最终的分类特征，特征向量的维数和仅使用空域运动矢量相关性特征或时域运动矢量相关性特征时一致，相比于特征串联的方法特征维数能减少一半，因此本方法具有较低的分类复杂度和较快的分类速度；

3、本发明创新性地将h.265/hevc新的运动矢量预测特点用于隐写分析中，通过获取当前预测单元的时域预测运动矢量，提取其时域运动矢量相关性，利用h.265/hevc中时域运动矢量相关性比h.264/avc中的更强的特点，改善空域运动矢量相关性特征的表现；

4、本发明仅需在h.265/hevc标准的解码端进行，无须经过复杂度极高的编码过程，具有计算复杂度低，运行速度快的特点。

附图说明

图1为本发明实施例一种基于时空域特征自适应选择的h.265/hevc视频运动矢量隐写分析方法的流程框图。

图2(a)为本发明实施例构造上边缘扫描链示意图，图2(b)为构造下边缘扫描链示意图，图2(c)为构造左边缘扫描链示意图，图2(d)为构造右边缘扫描链示意图。

图3为本发明实施例h.265/hevc时域预测运动矢量示意图。

图4为本发明实施例中分类结果的roc曲线图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

本实施例提供了一种基于时空域特征自适应选择的h.265/hevc视频运动矢量隐写分析方法，流程框图如图1所示，主要分为七个步骤，包括解码视频提取压缩域信息，提取空域运动矢量相关性特征，获取时域预测运动矢量，提取时域相关性特征，选取候选视频帧，自适应选择空域或时域运动矢量相关性特征作为最终分类特征，训练与分类识别。下面以10个cif视频组成的视频库作为实施例来详细介绍本发明的实施过程。实施例中采用h.265/hevc官方测试模型hm-13.0作为解码器，载密视频可由原始视频经过具有一定嵌入量的典型隐写操作得到，本实施例采用aly等人在ieeetransactionsoninformationforensicsandsecurity期刊上发表的经典论文“datahidinginmotionvectorsofcompressedvideobasedontheirassociatedpredictionerror”中的方法来制作满嵌的载密样本。

第一步，解码视频提取压缩域信息。

解码视频码流的主要目的是为后续隐写分析提供必要的参数，比如预测块划分方式、运动矢量、运动矢量残差等信息。以上述cif视频为例，将视频二进制码流熵解码到压缩域，获取每个p帧中每个编码单元、预测单元的划分方式，为第二步获得四向运动矢量扫描链提供判断依据。在h.265/hevc中，每个编码树单元都有一个运动矢量域m_accumvfield，包含了该编码树单元中所有的运动矢量，我们可以根据每个预测单元在编码树单元中的偏移量来获取运动矢量。

第二步，提取空域运动矢量相关性特征。

由于h.265/hevc中预测单元划分方式多样且大小不一，因此一个运动矢量可能在同一方向上有多个相邻的运动矢量，造成相关性提取困难。本实施例采用四向运动矢量扫描链的方法来描述运动矢量的邻域关系。h.264/avc中编码的基本单元是宏块，而h.265/hevc中编码基本单元是编码单元。与h.264/avc中宏块大小固定不同，h.265/hevc中编码单元的大小是可变的，其可由固定大小的编码树单元划分得到，因此本方法以编码树单元而非编码单元为基准构造运动矢量扫描链。由于每个编码树单元大小不变，因此处于同一边缘的相邻运动矢量间具有一一对应的关系，不受预测块大小的影响。如图2(a)、图2(b)、图2(c)与图2(d)所示，粗实线围成的正方形为一个编码树单元，细实线围成的正方形为一个编码单元，虚线围成的矩形为一个预测单元，本方法分别将处于编码树单元上边缘和下边缘预测块，即图2(a)与图2(b)中阴影块中的运动矢量按从左到右的顺序添加进上边缘扫描链和下边缘扫描链中，将处于编码树单元左边缘和右边缘预测块，即图2(c)与图2(d)中阴影块中的运动矢量按从上到下的顺序添加进左边缘扫描链和右边缘扫描链中，从而保证每个运动矢量同个方向邻域的唯一性，并简化相关性的提取。

将四个方向的扫描链按上边缘扫描链、下边缘扫描链、左边缘扫描链、右边缘扫描链的顺序首尾相连，得到长度为l的运动矢量扫描链ss(记ss中所有运动矢量水平分量构成的集合为ssx，所有运动矢量垂直分量构成的集合为ssy)，并将其划分为i＝1到l-1和i＝2到l两组运动矢量集合(i为ss中的位置)，分别利用运动矢量垂直方向和水平方向分量计算这两组运动矢量集合的皮尔逊相关系数：

其中，rx和ry分别表示运动矢量水平和垂直方向的皮尔逊相关系数，其取值范围是[-1,1]。ssx,i和ssx,i+1分别表示ss中第i个和第i+1个运动矢量水平方向分量，ssy,i和ssy,i+1分别表示ss中第i个和第i+1个运动矢量垂直方向分量，和分别如下式定义：

本实施例对皮尔逊相关系数绝对值较小的方向进行特征提取，因为该方向上的运动矢量分量相关性较差，隐写对其相关性破坏更严重。选取运动矢量方向并生成后续特征提取对象ms的规则如下：

对ms中的每个相邻运动矢量分量作差，得到空域运动矢量四向差分链ds,即：

dsi＝msi-msi+1(8)

对运动矢量四向差分链提取共生频率特征，即对ds中两个相距为l的运动矢量分量计算其分别等于n和m的联合概率：

其中n和m取[-2,2]中的整数，l取1或2。根据上式对n，m和l的每个取值计算联合概率，并依次添加进空域运动矢量相关性特征向量cs中。

第三步，获取时域预测运动矢量。

对于当前帧中的每个预测单元，其时域预测运动矢量可由同位预测单元的运动矢量，同位预测单元与其参考帧的距离和当前帧与参考帧之间的距离按比例伸缩得到。因为h.265/hevc中运动矢量的时域预测主要利用了物体匀速运动的思想，如果确定了相隔一定距离的两帧图像的运动矢量，则在这两帧之间任意一帧的预测运动矢量可以由该帧到这两个参考帧间的距离计算得到。如图3中h.265/hevc时域预测运动矢量示意图所示，本方法通过获取当前预测单元的同位预测单元col_pu，并根据col_pu与其参考帧的距离tb，col_pu所对应的运动矢量col_mv以及当前预测单元与参考帧的距离td，由下式计算出时域预测运动矢量：

第四步，提取时域相关性特征。

对于获得的时域预测运动矢量，将其与当前运动矢量作差，并按照图2所示的方法将其存入时域四向运动矢量扫描链st中(记st中所有运动矢量水平分量构成的集合为stx，所有运动矢量垂直分量构成的集合为sty)，然后分别利用运动矢量的水平和垂直分量所组成的两条链，根据公式(1)(2)计算皮尔逊相关系数，记为rtx和rty。选择皮尔逊相关系数绝对值较小的方向作为特征提取的对象，将该方向上的运动矢量分量存入时域运动矢量四向差分链dt中，即：

对时域运动矢量四向差分链dt，根据公式(9)提取时域共生频率特征，得到时域相关性特征向量ct。

第五步，选取候选视频帧。

本实施例选取候选视频帧的目的是为了确定未嵌密的视频帧，并让其相关性高的特征作为最终分类特征。有些未嵌密视频帧本身空域运动矢量相关性不强，可能与载密视频帧相差无几，这种帧很容易导致分类错误，从而降低总体的检测率。而时域运动矢量相关性和空域运动矢量相关性往往具有互补性，在运动剧烈的视频中空域运动矢量相关性强于时域运动矢量相关性，在运动缓慢的视频中，时域运动矢量相关性强于空域运动矢量相关性，因此对于未嵌密视频帧可以通过选择较高相关性的特征来改善总体的分类性能，但应尽量避免载密视频帧的影响，因为对载密视频帧选择较高相关性的特征反而会降低识别率。

对于每个p帧，通过相邻帧上的像素值求取其运动复杂度：

其中，k为第k个p帧，m和n是视频帧的宽度和高度，在本实施例中分别为352和288。fk(i,j)和fk-1(i,j)分别表示第k帧和第k-1帧在(i，j)位置处的像素值。g(k)越大则代表视频帧运动越剧烈，反之则代表视频帧运动越平缓。

对于每个p帧，通过计算运动矢量残差均值的倒数衡量其时空域相关性综合值：

其中avgmvd(i)为第i个编码树单元里运动矢量残差值的均值。ctunum是p帧中所有编码树单元的数量，在本实施例中为30。公式(13)中求取每个编码树单元的平均mvd长度由下式表示：

其中，ctuwidth和ctuheight分别表示编码树单元的宽度和高度，在本实施例中都为64，puwidth(i,j)和puheight(i,j)分别表示第i个编码树单元中第j个预测单元的宽度和高度，mvd(i,j)表示第i个编码树单元中第j个运动矢量残差值，包括xij和yij两个分量，其长度计算方法如下：

计算出当前帧的运动复杂度g和时空域相关性综合值p后，若运动复杂度值大于等于4，则认为运动较为剧烈，时域相关性很差，基本不具备参考性，直接取空域运动矢量相关性特征为最终分类特征，否则将p与公式(16)中的阈值λ进行比较，若p大于阈值λ，则该帧为候选视频帧并进入第六步，若p小于等于阈值λ，则该帧不作为候选视频帧，直接取空域运动矢量相关性特征为最终分类特征。

第六步，自适应选择空域或时域运动矢量相关性特征作为最终分类特征。

对于所选的候选视频帧，通过计算其运动矢量四向差分链中0的比例来求取该帧的空域和时域运动矢量相关性：

其中zeronums和zeronumt分别为空域和时域运动矢量四向差分链中0的数量，length(ds)和length(dt)分别为空域和时域运动矢量四向差分链的总长度。

若rs>＝rt，则选择空域运动矢量相关性特征作为最终分类特征，若rs<rt，则选择时域运动矢量相关性特征作为最终分类特征。

第七步，训练与分类识别。

将获得的最终特征输入分类器进行训练与分类识别。本实施例将50％的视频帧作为训练样本，另外50％视频帧作为测试样本，采用lib-svm进行训练与分类，得到真阳性率(载密视频中所有p帧被检测为载密视频的比率)为91.165％，真阴性率(未载密视频中所有p帧被检测为未载密视频的比率)为92.272％。本实施例中，分类结果的roc曲线如图4所示，可以看到roc曲线靠近左上角，有较好的分类性能，证明了本发明的有效性。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。