基于帧内预测模式校准的视频隐写分析方法与流程

本发明属于信息安全中的隐写分析领域，涉及H.264/AVC视频编码标准下一种基于帧内预测模式校准的视频隐写分析方法。

背景技术：

现代信息隐写技术通过将隐秘信息嵌入到看似正常的数字媒体载体中来达到隐秘通信的目的。隐写载体非常广泛，包括文本、音频、图像、视频等。隐写载体的视听觉和统计特性都和非隐写载体十分相似，难以被常规方法分别。视频相对于文本、音频和图像，拥有更大的数据量，更广泛的应用场景。这也意味着视频隐写载体拥有更大的隐写容量和更广泛的传播途径，正由于这些优势，视频隐写技术也逐渐成为研究的重点。

信息隐写技术种类繁多，应用广泛，为保护重要信息的安全传输提供了有利的保障。但该技术不仅被多国安全部门、军事部队以及情报机关所使用，也会被敌对势力情报间谍、恐怖分子以及邪教组织成员利用进行各种情报、秘密计划、反动言论等的传播与通信，严重威胁了国家的政治与经济安全。因此，用于对抗隐写技术的隐写分析技术近年来成也成为国内外研究的重点。隐写分析的基本原理是根据数字媒体文件数据的统计特性或某些特征码判断载体中是否被嵌入了隐秘信息，甚至尝试提取含秘载体中的隐秘信息。经过调研发现，目前以文本、图像为载体的隐写与隐写分析技术的研究起步都比较早，研究成果也十分广泛。目前国内外视频隐写领域的研究也较多，正持续不断地涌现出优秀的研究成果；但视频隐写分析的相关研究成果则很少，造成了攻防失衡的局面。因此，为了有效遏制视频隐写技术的滥用导致的网络通信安全问题，亟需加强针对视频隐写分析技术的相关研究。

视频隐写领域，出现了基于帧内预测模式(IPM:intra prediction mode)的视频隐写算法，该类算法一般基于H.264/AVC视频编码标准，即通过修改I帧中宏块的帧内预测模式以嵌入秘密信息。例如：有学者提出首先设定某种映射规则将“4x4帧内预测”中的9种预测模式(图1)映射到二进制数0或1，在此映射规则下，再根据秘密信息并结合矩阵编码，对I帧中宏块的帧内预测模式进行修改。再结合矩阵编码等隐写编码技术，该类隐写算法能够达到很好的隐写安全性，也拥有较高的隐写容量。针对基于帧内预测模式的隐写算法，有学者基于马尔可夫链设计了一种隐写分析方法，但该方法的假设前提过于理想，实际应用中的表现并不理想，并不能有效检测基于帧内预测模式的视频隐写算法。

技术实现要素：

为解决上述问题，本发明提出一种基于帧内预测模式校准的视频隐写分析方法，能够有效地检测现有的基于帧内预测模式的视频隐写算法。

本发明首先进行视频帧内预测模式校准，即将待检视频以4×4块为单位逐块解压并二次压缩，并在二次压缩过程中重新选择帧内预测；在校准过程中记录相关数据用于计算帧内预测模式校准(IPMC:Intra Prediction Mode Calibration)特征；然后将IPMC特征提供给分类器比如支持向量机(SVM:Support Vector Machine)用于学习与分类，进而进行隐写分析。

本发明所述的基于帧内预测模式校准的视频隐写分析方法的整体技术方案包括帧内预测模式校准、IPMC特征计算以及SVM支持向量机学习与分类三个大步骤，总流程如图2所示，实施步骤包括：

步骤1：以4×4块为单位进行帧内预测模式校准，首先筛选I帧中可能用于嵌入的4×4块，然后将这些4×4块逐块解压并二次压缩，在二次压缩过程中遍历9种预测模式并计算相应的绝对变换误差和(SATD:Sum of Absolute Transformed Differences)。

步骤2：根据步骤1中记录的相关数据提取IPMC特征集，IPMC特征集包含IPM转移概率特征集以及SATD转移距离特征集两个子集。IPM转移概率特征集刻画了校准后的IPM偏离原始最优IPM的概率，而SATD转移距离特征集刻画了校准后的SATD偏离原始值的距离。

步骤3：使用分类器比如SVM支持向量机进行学习与分类。使用SVM支持向量机时，核函数采用高斯核函数。若输入为训练样本视频，则将IPMC特征用于训练分类器模板；若输入为待检视频，则首先匹配相应的分类器模板，然后将IPMC特征用于分类以判定视频是否为隐写载体。

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.本发明相对于已有的同类隐写分析方法，检测性能有相当明显的提升。目前针对基于帧内预测模隐写的隐写分析方法成果较少，已有的方法假设前提过于理想，实际应用中的表现并不理想。本发明中的校准方案能够准确的刻画隐写对视频造成的畸变，提取特征对帧内预测模式的非优性非常敏感。即使待检视频嵌入率很低时，检测性能依旧稳定。

2.本发明解决了以往视频校准方案中二次压缩参数难以适配的问题。根据调研，已有的基于校准的视频隐写分析方法通常将整个视频作为一个整体进行解压和二次压缩，通常存在二次压缩参数与首次压缩难以适配导致检测性能急剧下降的问题。而在本发明中的校准方案中，解压与二次压缩是以4×4块为单位进行的，所有二次压缩参数均可以从原始输入视频中获取，不存在难以适配的问题。

3.本发明以块为单位进行校准的技术方案拥有很好的灵活扩展性。本发明选择以块为单位进行校准很好地保证了二次压缩时宏块划分的一致性，也使得二次压缩参数的适配问题得以解决。基于此思路，可以制定不同的校准方案来检测不同的隐写分析算法，例如以宏块为单位的运动矢量校准方案等，可见本发明拥有很好的灵活扩展性。

附图说明

图1是H.264/AVC视频编码标准中9种帧内预测模式示意图。

图2是本发明提供的基于帧内预测模式校准的视频隐写分析方法流程图。

图3是本发明的帧内预测模式校准的流程图。

图4是压缩编码时当前块与相邻块的位置关系示意图。

图5是本发明的第一特征集分布图。

图6是本发明的第二特征集分布图。

具体实施方式

以下结合附图3-6对本发明的具体实施方式进行进一步的描述。

本发明实施例提供的基于帧内预测模式校准的视频隐写分析方法包括帧内预测模式校准、IPMC特征计算以及支持向量机学习与分类三个大步骤，具体操作流程如下：

步骤1：以4×4块为单位进行帧内预测模式校准。首先筛选I帧中可能用于嵌入的4×4块，然后将这些4×4块逐块解压并二次压缩，在二次压缩过程中遍历9种预测模式并计算相应的绝对变换误差和(SATD:Sum of Absolute Transformed Differences)(Kim,J.,Jeong,J.:Fast Intra Mode Decision Algorithm using the Sum of Absolute Transformed Differences.In:Proceedings of 2011 International Conference on Digital Image Computing:Techniques and Applications,DICTA 2011,pp.655-659.IEEE(2011))，SATD的定义如下：

其中，A表示当前编码块，S表示编码块压缩前像素值集合，SREC表示解压重建后的像素值集合，(x,y)是像素坐标，H(*)是哈德曼变换函数。步骤1的实施具体细分为如下四个子步骤(参考图3)：

1)校准将以I帧中的4×4块为最小单位进行，从输入视频码流中取出I帧，并取出I帧中的一个可能被用于隐写嵌入的4×4块。在H.264压缩编码时，为了进一步节省存储空间，如图4所示位置关系，若当前编码4×4块C的预测模式等于相邻上方块A和左方块B预测模式的较小值时，编码器会设置标记位Pre＝1，此时无需再储存当前块C的预测模式。因此，所有基于帧内预测模式的隐写算法都不会选择Pre＝1的4×4块进行嵌入。故本发明中进行校准时也将跳过所有Pre＝1的4×4块，其余4×4块均认为可能被用于隐写。

2)储存当前4×4块中原始的预测模式和量化系数(QP:Quantization Parameter)，然后将当前4×4块解压至空域，获得像素值集合。该步骤按照H.264编码器标准流程进行即可，细节不再赘述。

3)二次压缩当前的4×4块，压缩过程中遍历9种预测模式并计算相应的SATD，然后得到当前4×4块的IPM-SATD校准集合，所需的参考像素值均可以从之前已经解压的相邻块数据中获取，量化系数QP直接采用步骤2)中储存的原始QP值。

4)重复子步骤1)至3)直到没有可用的4×4块。

步骤2：根据步骤1中记录的相关数据提取IPMC特征集，IPMC特征集包含IPM转移概率特征集以及SATD转移距离特征集两个子集，计算过程包括以下两个子步骤：

1)根据每个参与校准的4×4块校准前后的帧内预测模式集合计算IPM转移概率特征集(第一特征集)，特征维度是9。该特征集合刻画了校准后的IPM偏离原始最优IPM的概率，计算公式如下：

其中，x∈[1,9]是第一特征集的特征序号，k是当前的帧序号，Lk是参与校准的4×4块总数。Il∈[1,9]是原始的IPM值，是当前4×4块的IPM-SATD校准集合中第x个IPM，在公式(2)中：

图5对比显示了不同码率下(0.2Mb/s和1Mb/s)隐写和非隐写视频的第一特征集分布情况，实验中我们使用学者Bouchama提出的一种基于帧内预测模式的视频隐写算法(Bouchama,S.,Hamami,L.,Aliane,H.:H.264/AVC Data hiding based on intra prediction modes for real-time application.In:Proceedings of the World Congress on Engineering and Computer Science,Vol.1,pp.655-658(2012))制作隐写视频样本。可以看出，对于非隐写视频，绝大部分的概率落在第一个特征上，这表明绝大多数的IPM在校准后与原始IPM保持一致。然而对于隐写视频，明显更多的概率分散到了其他特征上，也就是说校准后的IPM有更高的概率偏离原始IPM。

2)根据每个参与校准的4×4块校准前后的绝对误差和集合计算SATD转移距离特征集(第二特征集)，特征维度是4。该特征刻画了校准后的SATD偏离原始值的距离。SATD的偏离可能是由压缩失真或者IPM隐写引起的，但压缩失真引起的SATD偏离很小，尤其是码率足够高时几乎接近0，而IPM隐写引起SATD偏离则要相对高的多。第二特征集的计算公式如下：

其中，y∈[1,4]是第二特征集的特征序号，Dl表示原始SATD，表示校准后的最优IPM对应的SATD值，在公式(4)中：

第二特征集实际上描述了SATD偏离距离在四个区间上的离散概率分布。使用离散概率分布能够有效的降低特征维度。在以上公式中，β是区间划分参数。一般来说，β和视频的码率负相关，表1给出了不同码率下β的参考值。

表1.不同码率下β的参考值

图6对比显示了不同码率下(0.2Mb/s和1Mb/s)隐写和非隐写视频的第二特征集分布情况。与第一特征集相似，对于非隐写视频，绝大部分概率落在第一个特征上，这表明SATD偏离距离普遍偏小。而在对于隐写视频，SATD偏离距离明显增加，更多的概率落在了其它特征上。

以上子步骤1)和2)中计算得到的两个特征集合并即得到最终的IPMC特征集，特征集总维度为9+4＝13维。

步骤3：使用SVM支持向量机进行学习与分类，核函数采用高斯核函数。若输入为训练样本视频，则将提取的IPMC特征用于训练分类器模板。以帧组(一般设8帧一组)为单位提取特征，同组训练样本的码率应该相同或尽可能相近；若输入为待检视频，则首先根据待检视频码率匹配相应的分类器模板，然后将提取的IPMC特征用于分类以判定视频是否为隐写载体。视频码率是影响检测性能的主要因素，因此无论是学习和分类都应该将视频码率作为重要的参考数值。SVM支持向量机为现有技术，本说明书不予赘述。

本文中所描述的具体实施例仅仅是对本发明总体原理作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各式的修改或补充或采用类似的方式替代，但并不会偏离本发明的本质原理或者超越所附权利要求书所定义的范围。