一种针对h.264视频运动矢量信息嵌入的隐写分析算法
【专利摘要】本发明公开了一种针对H.264视频运动矢量信息嵌入的隐写分析算法，目的在于，能够快速有效地对H.264视频进行隐写分析，尤其针对能够较好的保持统计特性不变和低嵌入率的嵌入算法具有较高的检测率，所采用的技术方案为：对运动矢量准确提取，在一阶差分特征的基础上设计了高阶差分特征，该类特征能较好的对有矢量统计特征进行补偿的隐写算法进行隐写分析，利用集成学习的思想，对多个简单分类器分别进行训练，设计一种基于FLD的集成隐写分类器，集成分类器不仅在分类速度上有较大的提高，而且比使用单一的相同分类器具有更高的分类准确率。
【专利说明】
-种针对Η. 264视频运动矢量信息嵌入的隐写分析算法
技术领域
[0001] 本发明属于信息隐藏技术领域，具体设及一种针对H. 264视频运动矢量信息嵌入 的隐写分析算法。
【背景技术】
[0002] 隐写与隐写分析是信息隐藏技术的主要内容，隐写技术作为信息安全传输的重要 手段，可W应用于军事、情报、国家安全等层面，为通信安全提供技术保障。由于视频载体具 有较大数据冗余，人眼对运动图像敏感程度相对较弱等特点，使得数字视频为大容量隐蔽 通信提供了必要条件。目前关于视频隐藏技术的研究不断升溫，网络上利用数字视频作为 载体进行信息隐藏的软件也相继出现。视频信息隐写分析必须作为一项重要的课题而被重 视和关注。
[0003] 运动预测和补偿技术利用视频帖在时间和空间上的相关性，极大地节省了视频数 据的存储空间，已经被广泛地应用在各类视频压缩标准中。运动矢量作为压缩视频编码中 的重要组成部分，具有较高的稳定性，少量的改动并不会对画面质量造成大的影响，十分适 合作为信息隐藏的位置，目前相当一部分视频隐写算法就是选择满足一定条件的运动矢 量，将信息嵌入在运动矢量的幅值、相角、运动方向、水平分量和垂直分量或预测值矢量之 中，运类基于运动矢量的信息隐写算法具有较高的安全性、不可感知性和信息嵌入及提取 的实时性，与视频编码标准相结合等特点。
[0004] H. 264作为一种新的、应用广泛的视频压缩标准，与W往的标准相比具有支持更小 的分块，更精确的预测，在压缩编码中可包含更多的运动矢量，运使得H. 264标准视频十分 适合将运动矢量作为嵌入位置，来隐藏信息。该类信息隐藏技术由于对运动矢量的调制轻 微，因此对视频帖质量影响很小，对视频帖本身来说不存在特定规律性，因此无法从重建图 像帖上反映出隐藏信息的存在，传统的基于视频帖像素的统计分析算法无法有效地检测分 析出此类视频隐写算法。
[0005] 当前，国内外学者已经进行了大量的数字视频隐写和隐写分析的基本理论研究， 很多国家也正在积极研究实用性强、安全性高、功能完善的隐写分析技术。但总的来说有关 视频隐写分析技术，特别是对结合新一代视频压缩标准的，针对运动矢量的隐写分析算法 研究还是比较有限的。
[0006] 目前，针对图像的隐写分析技术发展较快。20世纪90年代中期W来，国内外提出的 图像隐写分析技术有几十种之多，方向各有不同，其中绝大部分属于统计特征分析方法。 如:Fri化ich等针对JPEG图像隐写提出了一种基于一阶和二阶分布特征的隐写分析算法， 并将它作为对比肝EG图像隐写算法嵌入机制的评价工具;Jackson等在化rid算法提取特征 的基础上，设计了基于人工免疫的隐写检测系统(CIS) ;Avcibas选择比特平面之间的相似 度来建立特征向量，然后通过多元线性回归模型建立分类器，但运一方法仅适用于LSB隐写 算法的检测;Westfeld根据在LSB隐藏信息前后载体图像中的值对(pairs of value)的统 计特性差异设计了x2检验方法。国内的王朔中、张新鹏等人对就数字图像隐写和隐写分析 技术作了比较细致的分析，于2005年出版了《数字密写与密写分析》一书。在书中比较详细 介绍了 一些常见的隐写方法、隐写分析方法及反隐写方法。
[0007] 同图像隐写分析技术相比，视频隐写分析技术发展较晚且较慢。现已知的隐写分 析算法主要有苏育挺等提出的针对MSU视频隐藏工具的隐写分析算法，该算法从嵌入数据 后引起的块效应变化入手，对于没有嵌入数据的视频，其16x16块和8x8的块效应分布基本 一样，当有数据嵌入时，其16x16的块效应明显高于8x8块效应，W此为依据，再设定一口限 值，进行隐写检测。但该算法是针对MSU的专用隐写检测，对其他方法隐写的视频并不适用。 Udit BiKlMad等[引提出的基于共谋攻击的隐写分析方法，利用共谋攻击去除目标帖的秘 密信息，对给定的视频实施共谋攻击，只要视频变化速率很慢并且实施共谋攻击的窗口L选 取恰当的话就能得原始视频的近似值，从而估计出嵌入的秘密信息。该算法由于是利用相 邻帖间的时间冗余，当视频变化剧烈，有较多全局运动时，检测准确率明显下降。 Julien.S. Jainsky等提出渐近无记忆检测方法。利用当前帖和其前后帖的运动矢量，采用 视频运动插值重建视频，然后与原视频进行比较，最后通过ARE判别器分析是否进行了信息 隐藏。该算法同样只利用了视频的时间冗余，在视频不完全嵌入情况下，特别是当前视频帖 隐藏信息，而其前后相邻帖没有隐藏时，能够对当前帖进行准确检测，但对于大容量信息隐 藏视频序列的整体检测准确率没有太大提高。苏育挺等提出的利用运动矢量的一阶差分直 方图的特点，计算其相应的统计量，对于直接基于运动矢量信息嵌入的算法具有较好的检 测效率，但如对运动矢量进行补偿，使其直方图保持原有的特性，则无法进行有效检测。Yu Deng提出的针对运动矢量嵌入的隐写分析算法，该算法利用二阶差分相应的统计量作为特 征，进行相应的隐写分析。运对一阶特性保持的隐写算法具有较好的分析效果，但对于一阶 二阶均保持特性的隐写算法无法获得较好的检测率。
[0008] 视频隐写分析检测刚刚起步，相关算法较少，对其进行研究己是迫在眉睫。已有的 检测算法在适用性和检测准确率上还有待提高，因此专口针对H. 264标准视频运动矢量嵌 入的检测算法具有一定的实用价值。
【发明内容】
[0009] 为了解决现有技术中的问题，本发明提出一种针对H. 264视频运动矢量信息嵌入 的隐写分析算法，能够快速有效地对H.264视频进行隐写分析，尤其针对能够较好的保持统 计特性不变和低嵌入率的嵌入算法具有较高的检测率。
[0010] 为了实现W上目的，本发明所采用的技术方案为:包括W下步骤：
[0011] 1)运动矢量提取:对视频进行解码，得到每个宏块的运动矢量，作为运动矢量差分 特征提取的数据；
[0012] 2)对步骤1)得到的数据进行运动矢量差分特征提取：
[0013] 2.1)-阶差分特征提取：
[0014] 计算运动矢量的一阶差分失真度E:
[0015]
[0016] 其中，kurtosis(VSi)是运动矢量一阶差分的峰度值，VSi为运动矢量一阶差分， ▽ Si = S广Si+i，Si是第i个块中运动矢量的值，}1[-2]山[-1]、}1[0]山[1]山[2]分别表示751 的概率质量函数；
[0017]计算一阶矢量差分的均值為：
[001 引
[0019]其中，q为运动矢量一阶差分的幅值范围，hs[n]是的概率质量函数；
[0020] 计算一阶矢量差分的方差分;
[0021]
[0022]其中，Ws为运动矢量的均值，hs[n]是VSi的概率质量函数；
[002；3]将E、片、σ作为一阶差分特征；
[0024] 2.2)二阶差分特征与Ξ阶差分特征提取：
[0025] 计算运动矢量二阶差分的中屯、质量函数：
[0026]
[0027] 其中，//:;[/?]、巧;[。扮别表示v2Xi、二阶差分的概率质量函数的 傅立叶变化，i是一帖中块的个数，Ν为视频帖中块的个数；
[0028] 计算二阶差分的方差：
[0029]
[0030] 其中，Ws为运动矢量的均值，/;;'[叫是二阶差分V2S的概率质量函数，q为运动矢量 一阶差分的幅值范围；
[0031] 计算二阶差分和Ξ阶差分的峰度值：
[0034]其中，和分别表示运动矢量二阶差分和立阶差分的均值， σ4(75^)、σ·4(ν&3)分别表示运动矢量二阶差分和S阶差分的方差平方，N为视频帖 中块的个数；
[003引将二阶差分统计量的（.'(W化])、表、/游村o.S7'.si(Vf) W及S阶差分统计量的 皮2Z讯议-5·(ν《)作为高阶差分特征；
[0036] 3)采用FLD集成分类器根据一阶差分特征和高阶差分特征对输入的视频片段进行 检测判断，统计其中判断为隐写和正常视频帖的个数来判定整个视频片段，即完成隐写分 析算法。
[0037] 所述的步骤1)中采用FFmpeg解码器对视频进行解码，在decode_slice_heade;r() 函数中获取当前解码帖的帖号，在hl_motion()函数中获得每一个宏块的类型，在mc_dir_ padO函数中得到每个宏块的运动矢量，并输出到TXT文本中，作为运动矢量差分特征提取 的数据。
[0038] 所述的步骤2.1)中运动矢量一阶差分的峰度值的计算公式如下：
[0039]
[0040] 其中，y(VSi)是运动矢量一阶差分的均值，〇4(VSi)表示运动矢量一阶差分的方 差平方，N为视频帖中块的个数。
[0041 ]所述的步骤2.1)中引入一阶差分函数的中屯、质量特征来反映运动矢量一阶差分 的能量分布情况，通过计算一阶差分概率质量函数傅立叶变换后的中屯、质量特征Ci(H [m])，来反映出矢量一阶差分在频率域能量变化情况：
[0042]
[0043] 其中，印i]表示，T表示，i表示一帖中块的个数。
[0044] 所述的步骤2.1)中运动矢量的一阶差分定义如下：KS,=如-<对于载体视频 运动矢量的一阶差分值分布满足峰值为0的超高斯分布，嵌入信息后的水平分量和垂直分 量的运动矢量一阶差分VZ,A和VX,''分别表示为：
[0047]其中，姑和如分别为一阶差分的水平分量和垂直分量的嵌入信息，VS,"和vs';'分 别为水平分量和垂直分量的一阶差分。
[004引所述的步骤2.2)中定义相邻运动矢量的二阶差分为：
[0049] V^i = VSi-VSi+i
[0050] 信息嵌入后运动矢量的水平和垂直分量二阶差分表示为：
[0化3]其中，V如和V请分别为二阶差分的水平分量和垂直分量的嵌入信息，y2卸和 分别为水平分量和垂直分量的一阶差分。
[0化4] 所述的步骤2.2)中Ξ阶差分定义如下
[0055]所述的步骤3)中化D集成分类器包括若干个基学习器，每一个基学习器Bi，l = 1，...，L，都是Rd^{0，l}的映射，其中0表示载体帖，1表示隐写帖，Rd为全部全维度特征，每 一个基学习器的决策阔值被调整为在等先验的情况下，最小化训练的错误率为：
[0化6]
[0057]其中Pfa，Pmd分别是是虚警和漏检的概率。
[005引所述的每一个基学习器采用Fisher线性判别来作为学习工具。
[0059] 所述的FLD集成分类器的第1th个基学习器是在训练集{X严U严i l ie鱗}上训练 得到的，其中A C y，...化问=是随机选择的子集，同时斬是从集合{ 1，. . .，Ntrn}中采 样得到的自举样本，= 每一个基学习器的特征向量表示为：
[0060]
[0061] 其中//，屏E 是每一类的均值：
是类内的散度矩阵，其中λ是稳 定参数W保证Sw+λΙ是正定。
[0062] 与现有技术相比，本发明对运动矢量准确提取，通过对FFmpeg进行精简和修改，只 保留其中的h.264解码部分，并且增加运动矢量信息的输出功能，在解码的同时准确快速的 实现运动矢量的提取，通用性强。在一阶差分特征的基础上设计了高阶差分特征，该类特征 能较好的对有矢量统计特征进行补偿的隐写算法进行隐写分析，检测效率高，通用性、稳定 性强。视频图像特征数量大，用单一的复杂分类器，如支持向量机或者是相关向量机进行处 理所需的检测时间都很长，而用简单分类器如化D，则检测效果较差，在时间效率和准确率 之间很难寻求一个平衡点，利用集成学习的思想，对多个简单分类器分别进行训练，设计一 种基于FLD的集成隐写分类器，集成分类器不仅在分类速度上有较大的提高，而且比使用单 一的相同分类器具有更高的分类准确率。本发明对抗运动矢量信息嵌入的隐写分析算法， 并实现其软件系统，在特征提取和分类器设计基础上，设计能够抵抗运动矢量信息嵌入的 隐写分析算法，并且WH.264载体为检测对象，实现隐写分析软件系统。
【附图说明】
[0063] 图1为本发明运动矢量提取流程图；
[0064] 图2为本发明集成分类器训练和检测；
[0065] 图3为本发明工作模型图；
[0066] 图4a为正常视频的运动矢量的一阶差分分布图；图4b为隐秘视频的运动矢量的一 阶差分分布图。
【具体实施方式】
[0067] 下面结合具体的实施例和说明书附图对本发明作进一步的解释说明。
[0068] 本发明的视频隐写分析是基于H.264/AVC标准的，专口针对H. 264视频中运动矢量 嵌入方法进行隐写分析，关键技术在于如何快速有效地对H.264视频进行隐写分析，尤其针 对能够较好的保持统计特性不变和低嵌入率的嵌入算法具有较高的检测率，参见图3,具体 如下：
[0069] 1)运动矢量提取：
[0070] 针对运动矢量进行隐写分析，运动矢量的准确提取是隐写分析的前提，对于H.264 码流而言，要提取运动矢量，首先要对其进行解码，目前满足H. 264编码标准的编码器有很 多，不同的编码器一般需要其对应的解码器来解码，因此选择一个通用性好，速度快的 H. 264编码器十分重要，FFmpeg是一款开源的跨平台视频和音频编解码器，它提供了对目前 主流音频和视频的解码方案，为了使得对不同编码器的码流具有较好的通用性，参见图1， 本发明使用FFmpeg对视频进行解码，FFmpeg功能强大且通用性强，但其主要是在Linux平台 下开发的，为了使其在windows系统下稳定运行，在windows环境下重新对其进行了编译，同 时对代码做了精简，只保留了其中H. 264的解码部分，在此基础上加入了运动矢量输出模 块，在(16(30(16_31；[。6_116曰(161'()函数中获取当前解码帖的帖号，在111_1]1〇1：；[0]1()函数中获得 每一个宏块的类型，在mc_dir_part()函数中得到每个块的运动矢量，把运些信息输出到 TXT文本中，作为运动矢量差分特征计算的原始数据。
[0071] 2)运动矢量差分特征提取：
[0072] 特征是隐写分析的关键所在，特征是否有效直接关系着检测率的高低，基于运动 矢量的信息嵌入可W看成是在运动矢量的水平分量和垂直分量上加入噪声，其分别可W表 示如下：
[0073]
[0074] 麵和分别是第i个块中水平和垂直运动矢量分量的值，N是一帖中块的个数，公 和於是嵌入的信息，其概率质量函数PMF表示如下，巧W =())二1 -y/J 二二P为 算法中信息的嵌入率，k表示算法中对载体矢量的修改值，当k=l时嵌入信息后对载体的影 响最小，基于运动矢量的嵌入算法一般情况下，是选择满足某种条件的Si来嵌入信息，如Si 的幅值、相位角等等，為，义/表示嵌入信息后的运动矢量。对基于运动矢量的隐写算法分 析，本质就是找出载体和隐秘视频的运动矢量的区别，因此我们要设计相应的统计量来反 应信息嵌入后Si的失真情况，本发明中对运动矢量进行差分计算，并W运些差分结果的统 计量作为检测特征；
[0075] (1)-阶差分特征：
[0076] 空间相邻的运动矢量之间具有良好的相关性，使用同一帖中相邻块运动矢量的一 阶差分来体现运种相关特性。运动矢量的一阶差分定义如下：=骑-，由于相关性， 对于载体视频运动矢量的一阶差分值分布满足峰值为ο的超高斯分布。其分布图4a所示： [0077]嵌入信息后的水平和垂直分量的运动矢量一阶差分可W表示成：
[0080] 根据rii的概率质量函数，Vni的PMF为
由此可W得到=巧-乂的分布，如图4b 所示，其满足峰值为0的高斯分布。随机变量的峰度充分反映了其分布与正态分布相比较情 况下的睹峭程度，因此正常运动矢量比隐写过信息的运动矢量具更大的峰度值。运动矢量 一阶差分定义如下：
[0081]
[0082] 根据信息嵌入前后一阶差分的分布情况，定义矢量的一阶差分失真度如下：
[0083]
[0084] Vru与VSi相互独立，所WVXi的概率质量函数为Vru和VSi概率质量函数的卷 积，用11山]山[11]，1111[]1]分别表示7乂1，75,711的概率质量函数，则11山]=113[11]*1111[]1]。 将其转换到频率域得到Hx[m]=出[m]Hn[m]，H为h的离散傅里叶变换。也[m]的推导如下：
[0085]
[0086] 可W得到也[m]卽n[0]巧山比]=山[0]+山比]+山[-4] = 1
[0087] 所WHx[n]邹s[n]。
[0088] 引入中屯、质量特征，来反映频率域矢量的变换：
[0089]
[0090] 同时计算一阶矢量差分的均值、方差来反映矢量相关性的变化情况
[OOW] 其中，VSi = Si-Si+i，Si是第i个块中运动矢量的值，y(VSi)为VSi的均值，〇4(V Si)为VSi方差的平方。h[n]是VSi的概率质量函数，Η为h的离散傅立叶变换，Ws为运动矢量 的均值，q为运动矢量一阶差分的幅值范围。
[0094]将计算运动矢量水平和垂直分量的E，各，σ作为一阶差分特征。
[00Μ] (2)二阶差分特征与Ξ阶差分特征：
[0096] 信息的嵌入破坏了运动矢量原有的相关关系，一阶特征在通常情况下能够较好的 反映矢量的运种失真，载体视频的运动矢量遵循0峰值的超高斯分布图，如4a，而隐秘视频 的运动矢量遵循0峰值的高斯分布，如图4b，运是一阶特征有效的根本所在。对于在运动矢 量中直接嵌入信息的算法而言，一阶差分特征具有较好的检测率，但一阶差分计算简单，在 信息嵌入时使得运动矢量一阶差分的分布保持不变相对较为容易。如对于两类遵循不同分 布一阶差分中，最主要的差别在于其中11[-2]，}1[-1]，}1[0]，}1[1]，}1[2]中数值的不等，隐秘 视频运动矢量一阶差分中h[0]的数量要少于正常视频中的数量，而h[-2]，h[-l]，h[l]，h
[2]则要多余正常视频中的数量。其余hi i= ±3, ... ±n则差别不大。如果在信息隐藏时能 够保持h[-2]，h[-l]，h[0]，h[l]，h[2]数值的基本一致，则一阶差分特征将失效。为了克服 运种弊端，对具有一阶特征保持不变的隐写算法同样具有较高的检测率，采用高阶级差分 统计量作为特征的一部。
[0097] 定义相邻运动矢量的二阶差分：
[009引 7251 = 75 广 VSi+i
[0099] 则信息嵌入前后矢量的水平和垂直分量二阶差分可W表示如下：
[0100] V3义,"=VZ," - = VW - V货 1 + ￥如-V口,';1 = V
[0101] V2_Z;' = -V《"二 VS;' -W;;, +V始-V?片1 二 V:S;' +V:/7;'
[010^ W巧"]，々>]，々>]分别表示ν'Χι,ν'Β,ν2!!的概率质量函数，贝IJ由于相互独立 性，与一阶情况类似，得到剧对=村冲*切/小转换得到频率域有片?[W] = //? WΜ，根 据文献[12]的推导，二阶差分的中屯、质量函数满足如下关系：
[0103]
[0104] Η2[η]为二阶差分概率质量函数的傅立叶变化。
[0105] 同时计算二阶差分的方差：
[0106]
[0107]为了使得检测算法具有更强的通用性，对具有特征保持特性的隐写算法具有更好 的检测效果，在检测特征中又加入了运动矢量的Ξ阶差分统计特征，Ξ阶差分定义如下：
[010 引
[0109]考虑到如要保持一阶差分的统计特性不变，则需要改变的运动矢量较多，Ξ阶差 分值的分布曲线将发生变化，峰度是用于衡量分布的集中程度或分布曲线的尖峭程度的指 标，因此采用二阶差分和Ξ阶差分峰度值作为特征的一部分，二阶和Ξ阶差分的峰度定义 如下：
[0110
[011。片砖）和)分别表示运动矢量二阶差分和Ξ阶差分的均值，伊4( ν《） 和σ4(ν&3)分别表示运动矢量二阶差分和Ξ阶差分的方差平方，Ν为视频帖中块的个数。
[0112] 将运动矢量水平分量和垂直分量的二阶差分统计量的C狂玲凹）> 成、知於05虹巧巧) W及Ξ阶差分统计量的)作为高阶差分特征；
[0113] 提取运动矢量一阶差分统计特征和高阶差分统计特征共同组成隐写分析的检测 特征。
[0114] 3)集成分类器设计：
[0115] 隐写分析的目标是检测在数字多媒体中秘密信息的存在性。数字媒体，例如图像、 视频W及音频，对隐写方法来说是理想的载体，运是因为它们包含大量独立的元素，运些元 素可W被稍作修改从而嵌入一个秘密消息。到目前为止利用统计描述子的方法很难对运些 载体精确地建模，运大大增加了隐写分析的难度。特别是基于载体和隐写载体中提取的统 计特性来估计潜在概率分布的检测方法是不可行的。因此，检测一般被当做是一个机器学 习中的监督分类问题。
[0116] 尽管存在大量的机器学习方法，支持向量机是当前最受欢迎的方法。运主要是由 于，SVMs具有坚实的数学基础，它是基于统计学习理论同时又克服过学习 W及当特征维数 比样本个数大的时候仍能给出不错的结果。然而，SVM训练的复杂性降低了其使用价值，甚 至在一个并不是很大的数据集上，训练也需要很长时间，运是由于计算表示核的Gram矩阵 的复杂性正比于特征维数与训练集大小乘积的平方。而且，训练过程本身至少是训练样本 的一个二次优化问题。运些问题限制了实际中SVM应用时解决问题的规模，同时又要求分析 者不得不构建更精确的特征来满足由于计算资源造成的运些复杂的约束。集成分类器提供 了很大的自由来进行隐写分析，可W不受特征维数的限制来设计一些特征，同时可W不考 虑训练样本个数的限制来进行一个更加快速的检测器的学习过程。
[0117] 集成分类器由多个基学习器在一组载体视频帖和隐写视频帖上独立训练得到，每 一个基学习器就是一个简单的分类器，运个分类器建立在随机(均匀)选取的特征空间的子 空间上。
[011引每一个基学习器Bi，1 = 1，. . .，L，都是一个Rd一 {0，1}的映射，其中0表示载体帖，1 表示隐写帖。需要注意的是，尽管学习器定义在全部全维度特征Rd上，但所有的基学习器的 特征空间的维数Cfub可W选择比全维度d小得多的值，运使得能够有效地降低计算复杂度。 尽管每一个单独基学习器的分类性能很弱，但是L的值足够大时，在进行策略融合后，精确 度将得到很大提高，并且最终可W收敛。每一个基学习器的决策阔值被调整为在等先验的 情况下，最小化训练的错误率为：
[0119]
廷中Pfa，Pmd分别是是虚警和漏检的概率。本发明 中虽然特征维数不高，但对于视频而言检测的数据量非常大，运种集成分类器能够极大的 缩短检测时间及提高分类准确性。
[0120] 本发明采用Fisher线性判别来作为每一个基学习器的学习工具，运主要是由于它 具有较低的训练复杂度。事件消耗最大的情况是在求解类内协方差矩阵W及他们和的逆的 时候。另外，运样的弱的W及不稳定的分类器增加了集成学习的分散程度。
[0121] 参见图3,由于FLD是一个标准的分类工具，本发明中描述与集成分类相关的部分。 第1th个基学习器是在训练集{X严li,玄严I,· E 上训练得到的，其中A (= |A| = <4^ 是随机选择的子集，同时Wf是从集合{1，. . .，Ntrn}中采样得到的自举样本，= 。每 一个基学习器可W用下面的特征向量表示：
[0125]
是类内的散度矩阵， 其中λ是稳定参数W保证細+λΙ是正定的，从而避免了在实际中，当細是奇异或病态时进行数 值计算的不稳定性。对一个测试特征向量yeytst，第1个基学习器通过计算映射并与 阔值(运个阔值需要预先调整从而满足预期的性能标准)进行比较从而得到运个基学习器 的分类结果。在得到所有L个决策后，最终集成分类器的输出将运L个决策利用无权值的（多 数)投票策略进行组合，即将所有单个基学习器的购票结果求和并与决策阔值1V2进行对 比，给出最终决策结果。注意到运个阔值可W在[0，L]之间进行调整，从而控制不同两类错 误的重要程度或是获得一个完整的接收操作特性R0C曲线。在本项目设计的分类器中我们 将阔值调整为L/2，已使得误警率和漏检率平均值达到最小。
[0126] FLD集成分类器在训练时W帖为单位，得到集成分类器参数。由于视频序列具有很 强的连续性，我们假设最小的嵌入单位不低于50帖(约为2秒），W50帖视频片段为单位进行 检测，统计其中判断为隐写和正常视频帖的个数，并用先验错误率对判定做修正，最终根据 片段中判定为隐写视频帖和判定为正常视频帖的数量来判定整个片段。
[0127] 本发明的运动矢量准确提取，对FFmpeg进行精简和修改，只保留其中的h. 264解码 部分，并且增加运动矢量信息的输出功能，在解码的同时准确快速的实现运动矢量的提取， 通用性强。矢量特征提取算法在一阶差分特征的基础上设计了高阶差分特征，该类特征能 较好的对有矢量统计特征进行补偿的隐写算法进行隐写分析，检测效率高，通用性、稳定性 强。视频图像特征数量大，用单一的复杂分类器，如支持向量机或者是相关向量机进行处理 所需的检测时间都很长，而用简单分类器如化D，则检测效果较差，在时间效率和准确率之 间很难寻求一个平衡点，本发明集成隐写分类器设计中利用集成学习的思想，对多个简单 分类器分别进行训练，设计一种基于FLD的集成隐写分类器。集成分类器不仅在分类速度上 有较大的提高，而且比使用单一的相同分类器具有更高的分类准确率。设计对抗运动矢量 信息嵌入的隐写分析算法，并实现其软件系统。在特征提取和分类器设计基础上，设计能够 抵抗运动矢量信息嵌入的隐写分析算法，并且WH.264载体为检测对象，实现隐写分析软件 系统。本发明所开发的视频隐写分析系统，实现的功能是有效地分析判断出对基于H.264/ AVC标准运动矢量信息嵌入的视频，检测率达到70% W上。
【主权项】
1.一种针对Η. 264视频运动矢量信息嵌入的隐写分析算法，其特征在于，包括以下步 骤： 1) 运动矢量提取:对视频进行解码，得到每个宏块的运动矢量，作为运动矢量差分特征 提取的数据； 2) 对步骤1)得到的数据进行运动矢量差分特征提取： 2.1) -阶差分特征提取： 计算运动矢量的一阶差分失真度Ε:其中，是运动矢量一阶差分的峰度值，V5：为运动矢量一阶差分， ▽冬=豕-·5,4?·δι是第i个块中运动矢量的值，11[-2]、1 1[-1]、11[0]、11[1]、11[2]分别表示￥其的 概率质量函数； 计算一阶矢量差分的均值為:其中，q为运动矢量一阶差分的幅值范围，匕[1!]是￥尽的概率质量函数； 计算一阶矢量差分的方差在:. -i· '其中，ys为运动矢量的均值，hs[n]是V5；的概率质量函数； 将E、/K #作为一阶差分特征； 2.2) 二阶差分特征与三阶差分特征提取： 计算运动矢量二阶差分的中心质量函数：其中，//>]、！/>]、//>]分别表示V2岑、二阶差分浐又的概率质量函数的傅立 叶变化，i是一帧中块的个数，N为视频帧中块的个数； 计算二阶差分的方差：其中，ys为运动矢量的均值，A|I>]是二阶差分V25*的概率质量函数，q为运动矢量一阶差 分的幅值范围； 7 计算二阶差分和三阶差分的峰度值： 其中，和//(VS/)分别表示运动矢量二阶差分和三阶差分的均值， σ4(ν5；2)、分别表示运动矢量二阶差分和三阶差分的方差平方，N为视频帧 中块的个数； 将二阶差分统计量的c(//〗[/])、式、如/仍也(▽片）以及三阶差分统计量的知rto你(▽〇 作为高阶差分特征； 3)采用FLD集成分类器根据一阶差分特征和高阶差分特征对输入的视频片段进行检测 判断，统计其中判断为隐写和正常视频帧的个数来判定整个视频片段，即完成隐写分析算 法。2. 根据权利要求1所述的一种针对H. 264视频运动矢量信息嵌入的隐写分析算法，其特 征在于，所述的步骤1)中采用FFmpeg解码器对视频进行解码，在decode_slice_header()函 数中获取当前解码帧的帧号，在hl_motion()函数中获得每一个宏块的类型，在mc_dir_ part()函数中得到每个宏块的运动矢量，并输出到TXT文本中，作为运动矢量差分特征提取 的数据。3. 根据权利要求1所述的一种针对H. 264视频运动矢量信息嵌入的隐写分析算法，其特 征在于，所述的步骤2.1)中运动矢量一阶差分的峰度值的计算公式如下：其中，//(VS,.)是运动矢量一阶差分的均值，σ4(ν&)表示运动矢量一阶差分的方差平 方，Ν为视频帧中块的个数。4. 根据权利要求3所述的一种针对Η. 264视频运动矢量信息嵌入的隐写分析算法，其特 征在于，所述的步骤2.1)中引入一阶差分函数的中心质量特征来反映运动矢量一阶差分的 能量分布情况，通过计算一阶差分概率质量函数傅立叶变换后的中心质量特征心汨化])， 来反映出矢量一阶差分在频率域能量变化情况：其中，H[i]表示，T表示，i表示一帧中块的个数。5. 根据权利要求4所述的一种针对Η. 264视频运动矢量信息嵌入的隐写分析算法，其特 征在于，所述的步骤2.1)中运动矢量的一阶差分定义如下：= Sf - ，对于载体视频运 动矢量的一阶差分值分布满足峰值为〇的超高斯分布，嵌入信息后的水平分量和垂直分量 的运动矢量一阶差分和▽￥'分别表示为：ν 其中，和?7,1分别为一阶差分的水平分量和垂直分量的嵌入信息，和V57分别为水 平分量和垂直分量的一阶差分。6. 根据权利要求1所述的一种针对H. 264视频运动矢量信息嵌入的隐写分析算法，其特 征在于，所述的步骤2.2)中定义相邻运动矢量的二阶差分为： ▽卞，-V6'.+1 信息嵌入后运动矢量的水平和垂直分量二阶差分表不为：其中，和分别为二阶差分的水平分量和垂直分量的嵌入信息，V2贫和分别 为水平分量和垂直分量的一阶差分。7. 根据权利要求1所述的一种针对H. 264视频运动矢量信息嵌入的隐写分析算法，其特 征在于，所述的步骤2.2)中三阶差分定义如下:￥ 3乂=^\2_'^5^1 〇8. 根据权利要求1所述的一种针对H. 264视频运动矢量信息嵌入的隐写分析算法，其特 征在于，所述的步骤3)中FLD集成分类器包括若干个基学习器，每一个基学习器&，1 = 1，...，L，都是Rd-{0，1}的映射，其中0表示载体帧，1表示隐写帧，Rd为全部全维度特征，每 一个基学习器的决策阈值被调整为在等先验的情况下，最小化训练的错误率为：其中Pfa，PMD分别是是虚警和漏检的概率。9. 根据权利要求8所述的一种针对H. 264视频运动矢量信息嵌入的隐写分析算法，其特 征在于，所述的每一个基学习器采用Fisher线性判别来作为学习工具。10. 根据权利要求9所述的一种针对H. 264视频运动矢量信息嵌入的隐写分析算法，其 特征在于，所述的FLD集成分类器的第1th个基学习器是在训练集彳^冗~丨/^^丨上训练 得到的，其中A c {1,.·= 是随机选择的子集，同时对是从集合U，. . .，Ntrn}中采 样得到的自举样本，每一个基学习器的特征向量表示为：其中//，及e，#是每一类的均值：.I类内的散度矩阵，其中λ是稳 疋麥数以1禾1止々十八1定止疋。
【文档编号】H04N17/00GK105872555SQ201610177535
【公开日】2016年8月17日
【申请日】2016年3月25日
【发明人】钮可, 杨晓元, 张敏情, 李宁波, 杨海滨, 张卓, 刘佳, 张英男
【申请人】中国人民武装警察部队工程大学