能抵御深度学习网络检测的非降质HEVC视频隐写方法

本发明涉及数字编码视频的信息隐藏技术领域，具体涉及一种能抵御深度学习网络检测的非降质hevc视频隐写方法。

背景技术：

作为替代h.264标准的新一代视频压缩标准，hevc标准具有更好的压缩性能，更能适应高清、超清分辨率视频的传输存储需求，得到了大规模的应用。针对hevc压缩视频进行隐写方法的研究，具有十分重要的意义。hevc视频的隐写大多沿用以往视频压缩标准(h.264或mpeg)隐写的策略，包括空域隐写和压缩域隐写。流行的压缩域隐写有修改运动向量、帧内预测模式、编码块划分模式和变换残差系数等压缩编码参数的方法，但无论上述空域还是压缩域的隐写方法，密信的嵌入都会直接导致视频质量的下降。降质不可避免的会被基于最先进深度学习网络的检测器捕捉到差异，从而能够被检测出来。

另一方面，胡永健等人曾于2018年在《华南理工大学学报(自然科学版)》上发表论文《修改标志位的大容量无损hevc信息隐藏方法》，提出了一种修改运动向量候选列表索引的隐写方法，尽管该方法不会引起视频质量的下降，但其隐写编码为传统的最低有效位替换(lsbr)方法，嵌入效率低，且由于采用顺序嵌入，非自适应寻找最佳嵌入位置，导致视频码率显著增加。

技术实现要素：

为了克服现有技术存在的缺陷与不足，本发明提供一种能抵御深度学习网络检测的非降质hevc视频隐写方法，本发明结合了hevc视频编码标准的特点，对使用高级运动向量预测的预测块，通过修改其预测运动向量索引值来进行密信的嵌入，保证了嵌密前后视频质量与运动向量分布情况保持不变，能有效抵抗以嵌密视频质量下降为检测基础的深度学习网络检测器，同时对常规视频隐写检测算法也有很强的抵御能力。另一方面，以修改索引值造成的码率增长作为嵌密代价，结合stc编码来确定修改的索引位置，可在减少修改位置提高嵌入效率的同时，有效限制嵌密后视频码率的增长；密信提取过程只需要在解码过程中获取索引值，利用stc校验矩阵即可快速得到密信，密信的嵌入和提取过程都不需要对hevc视频进行完全解码和编码，可抵御以嵌密视频质量下降为检测基础的深度检测器，同时对常规视频隐写检测算法也有很强的抵御能力，视频码率失真小，安全性好，运算复杂度低。

本发明的第二目的在提供一种能抵御深度学习网络检测的非降质hevc视频隐写系统。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

一种能抵御深度学习网络检测的非降质hevc视频隐写方法，包括密信嵌入和密信提取步骤；

所述密信嵌入步骤包括：

将秘密信息文件转化为二进制比特流s，并计算码流长度l，设置嵌入率α；

按解码顺序解码视频序列，读取视频解码的第一个gop作为秘密信息的当前嵌密单元；

统计当前嵌密单元中使用amvp技术的预测块个数n；

按解码的顺序依次对使用amvp技术的预测块记录其预测运动向量的索引值，构造长度为n的索引序列x；

按解码的顺序依次对使用amvp技术的预测块计算预测索引进行±1修改的失真代价；

对二进制比特流s截取前面长度为α×n的密信m，剩余长度为l-αn的二进制比特流重新标记为s，其长度重新标记为l；

根据所述失真代价，利用stc编码将密信m嵌入到索引序列x中，得到新的索引序列y；

对每一个使用amvp技术的预测块，比较嵌密前的预测索引值与嵌密后的索引值是否发生变化，若是，则重新计算新的运动向量残差，并将新的运动向量残差和嵌密后的索引值保存写入到解码器；

将当前嵌密单元的数据重新进行熵编码并写入码流；

判断所有的嵌密单元是否处理完毕，若否，将下一个gop作为当前嵌密单元，返回统计预测块个数后继续执行，若视频所有嵌密单元都处理完毕，得到载密的hevc压缩视频，结束嵌密过程；

所述密信提取步骤包括：

设置嵌入率α，与密信嵌入时保持一致；

按解码顺序解码视频序列，读取视频解码的第一个gop作为当前密信提取单元；

统计当前密信提取单元使用amvp技术的预测块个数n；

按解码的顺序依次对使用amvp技术的预测块记录其预测运动向量的索引值，构造长度为n的索引序列y；

根据stc码的奇偶校验矩阵提取该密信提取单元的密信m；

判断所有的密信提取单元是否处理完毕，若否，将下一个gop作为当前密信提取单元，返回预测块个数统计后继续执行，若视频所有密信提取单元都处理完毕，将每个gop提取的密信按解码顺序拼接成最终的完整密信s。

作为优选的技术方案，所述密信嵌入步骤中的设置嵌入率α，所述嵌入率α根据密信长度设置，将密信分散地嵌入到每个gop中。

作为优选的技术方案，所述按解码的顺序依次对使用amvp技术的预测块计算预测索引进行±1修改的失真代价，具体步骤包括：

所述失真代价分别记录为：表示相应预测索引+1修改的失真代价；表示相应预测索引-1修改的失真代价；

的计算方法为：

的计算方法为：

其中，mv0和mv1为第i个预测块的两个候选运动向量，r(mv0)和r(mv1)分别表示利用mv0和mv1进行预测后的编码比特数，idxi表示第i个预测块的预测索引值。

作为优选的技术方案，利用候选运动向量进行预测后的编码比特数计算，具体计算公式为：

r(mvidx)＝bits(mvd)+1

mvd＝mv-mvidx＝(dx,dy)

其中，mv为实际运动向量，dx为实际运动向量与候选运动向量的水平分量差值，dy为实际运动向量与候选运动向量的垂直分量差值，bits(mvd)表示对mvd进行零阶指数哥伦布编码后码字的比特数。

作为优选的技术方案，所述根据stc码的奇偶校验矩阵提取该密信提取单元的密信m，具体步骤包括：

所述奇偶校验矩阵表示为：h∈{0,1}^αn×n；

密信提取公式表示为：m＝hy，

其中y表示索引序列。

作为优选的技术方案，嵌密后每个预测块的运动向量值保持不变，每个预测索引的修改相互独立，视频的嵌入总体失真采用加性方式构造。

为了达到上述第二目的，本发明采用以下技术方案：

一种能抵御深度学习网络检测的非降质hevc视频隐写系统，设有密信嵌入模块和密信提取模块；

所述密信嵌入模块包括：密信二进制化单元、嵌入率第一设置单元、当前嵌密单元构造单元、预测块个数第一统计单元、嵌密索引序列构造单元、失真代价计算单元、载密索引序列生成单元、索引值判断单元和运动向量残差更新单元；

所述密信二进制化单元用于将秘密信息文件转化为二进制比特流s，并计算码流长度l；

所述嵌入率第一设置单元用于设置密信嵌入的嵌入率；

所述当前嵌密单元构造单元用于按解码顺序依次读取视频的一个gop作为秘密信息的当前嵌密单元；

所述预测块个数第一统计单元用于统计当前嵌密单元中使用amvp技术的预测块个数n；

所述嵌密索引序列构造单元用于按解码的顺序依次对当前嵌密单元使用amvp技术的预测块记录其预测运动向量的索引值，构造长度为n的索引序列x；

所述失真代价计算单元用于按解码的顺序依次对当前嵌密单元使用amvp技术的预测块计算预测索引进行±1修改的失真代价；

所述载密索引序列生成单元用于根据所述失真代价，利用stc编码将密信m嵌入到索引序列x中，得到当前嵌密单元新的索引序列y；

所述索引值判断单元用于对每一个使用amvp技术的预测块，比较嵌密前的预测索引值与嵌密后的索引值是否发生变化；

所述运动向量残差更新单元用于根据索引值判断结果更新运动向量残差；

所述密信提取模块包括：嵌入率第二设置单元、密信提取单元构造单元、预测块个数第二统计单元、提取密信索引序列构造单元、密信提取单元、密信提取判断单元和输出单元；

所述嵌入率第二设置单元用于设置密信提取的嵌入率；

所述密信提取单元构造单元用于按解码顺序依次读取视频的一个gop作为当前密信提取单元；

所述预测块个数第二统计单元用于统计当前密信提取单元使用amvp技术的预测块个数n；

所述提取密信索引序列构造单元用于按解码的顺序依次对当前密信提取单元使用amvp技术的预测块记录其预测运动向量的索引值，构造长度为n的索引序列y；

所述密信提取单元用于根据stc码的奇偶校验矩阵提取该密信提取单元的密信m；

所述密信提取判断单元用于判断所有的密信提取单元是否处理完毕；

所述输出单元用于在密信提取单元处理完毕后将每个gop提取的密信按解码顺序拼接成最终的完整密信s。

为了达到上述第三目的，本发明采用以下技术方案：

一种存储介质，存储有程序，所述程序被处理器执行时实现如上述能抵御深度学习网络检测的非降质hevc视频隐写方法。

为了达到上述第四目的，本发明采用以下技术方案：

一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现如上述能抵御深度学习网络检测的非降质hevc视频隐写方法。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明对使用amvp的预测块，通过修改其预测运动向量索引值来进行密信的嵌入，同时匹配修改对应的运动向量残差，保证了运动向量在密信嵌入前后保持不变，使得密信嵌入后视频的视觉质量和运动向量分布情况与密信嵌入前一致，从而得以有效抵御以嵌密视频质量下降为检测基础的深度学习网络检测器，同时对常规视频隐写检测算法也有很强的抵御能力，有效提高了隐写方法的安全性。

(2)本发明在嵌密过程中不使用传统低效的lsbr方法，而是利用stc编码选择最终修改的索引位置，在保证所嵌入密信容量的情况下，尽量减少修改索引的数量，从而显著提高了每修改一个索引所能嵌入的密信平均比特数，有效提升了隐写方法的嵌密效率。

(3)本发明利用修改索引值所造成的码率增长作为嵌密代价，在嵌密过程中结合stc编码使得整体嵌密代价最小，有效限制了嵌密后视频码率的增长。

附图说明

图1为本发明密信嵌入步骤的流程框图；

图2为本发明密信提取步骤的流程框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

本实施例以一段hevc编码视频作为待嵌入密信的载体视频，以一个txt格式的文本文件为秘密信息文件，将txt文件嵌入hevc编码视频中来详细介绍本发明的实施过程；

本实施例提供一种能抵御深度学习网络检测的非降质hevc视频隐写方法，包括密信嵌入和提取两个部分；

如图1所示，密信嵌入包括下述步骤：

s1：将秘密信息文件转化为二进制比特流s，并计算码流长度，标记为l；

s2：设置嵌入率α，本实施例中设置α＝0.2，本实施例可根据密信长度设置嵌入率α，使密信分散地嵌入到每个gop(图像组)中，以避免局部区域因嵌入过多的密信而引起较大的失真；

s3：按解码顺序解码视频序列，读取hevc载体视频解码的第一个gop作为秘密信息的当前嵌密单元；

s4：统计当前嵌密单元中使用amvp(高级运动向量预测)技术的预测块个数，将其记为n；

s5：按解码的顺序依次对使用amvp技术的预测块记录其预测运动向量的索引值，构造长度为n的索引序列x＝(idx1,idx2,···,idxn)，其中第i个预测块的预测索引值idxi∈{0,1}，i∈[1,n]；

s6：按解码的顺序依次对使用amvp技术的预测块计算预测索引进行±1修改的失真代价，分别记录为：表示相应预测索引+1修改的失真代价；表示相应预测索引-1修改的失真代价，其中对于第i个预测块；

在本实施例中，嵌密后每个预测块的运动向量值保持不变，当前预测块预测索引的修改不会影响其他预测块候选列表的构建以及预测索引的选取，因此每个预测索引的修改是相互独立的，视频的嵌入总体失真采用加性方式构造，即为每个预测索引修改的失真代价之和；

的计算方法为：

的计算方法为：

其中mv0和mv1为第i个预测块的两个候选运动向量，r(mv0)和r(mv1)分别表示利用mv0和mv1进行预测后的编码比特数，计算方法为：

r(mvidx)＝bits(mvd)+1

其中mvd＝mv-mvidx＝(dx,dy)，mv为实际运动向量，dx为实际运动向量与候选运动向量的水平分量差值，dy为实际运动向量与候选运动向量的垂直分量差值，bits(mvd)表示对mvd进行零阶指数哥伦布编码后码字的比特数，计算方法为：

s7：对二进制比特流s截取前面长度为α×n的密信m，剩余长度为l-αn的二进制比特流重新标记为s，其长度重新标记为l；

s8：根据所计算的失真代价ρ⁺和ρ^-，利用stc编码(伴随式网格编码)将密信m嵌入到索引序列x中，得到新的索引序列y＝(idx′1,idx′2,···,idx′n)。

s9：对每一个使用amvp技术的预测块，比较嵌密前的预测索引值idxi与嵌密后的索引值idx′i是否发生变化，若是，则重新计算新的运动向量残差，并将其和idx′i保存写入到解码器。

s10：将当前嵌密单元的数据重新进行熵编码并写入码流。

s11：判断所有的嵌密单元是否处理完毕，若否，将下一个gop作为当前嵌密单元，返回步骤s4继续执行，若视频所有嵌密单元都处理完毕，得到载密的hevc压缩视频，结束嵌密过程。

在本实施例中，密信嵌入的步骤s4，步骤s5和步骤s6这三个步骤可以并行执行。

将上述步骤得到的载密视频作为待提取密信视频，从中提取密信文件，如图2所示，密信提取具体步骤包括：

s1：设置嵌入率α＝0.2，与密信嵌入时保持一致；

s2：按解码顺序解码视频序列，读取视频解码的第一个gop作为当前密信提取单元；

s3：统计当前密信提取单元使用amvp技术的预测块个数n；

s4：按解码的顺序依次对使用amvp技术的预测块记录其预测运动向量的索引值，构造长度为n的索引序列y＝(idx′1,idx′2,···,idx′n)；

s5：根据stc码的奇偶校验矩阵h∈{0,1}^αn×n，利用公式m＝hy提取该单元的密信m；

s6：判断所有的密信提取单元是否处理完毕，若否，将下一个gop作为当前密信提取单元，返回步骤s3继续执行；若视频所有密信提取单元都处理完毕，将每个gop提取的密信按解码顺序拼接成最终的完整密信s，得到嵌入的txt密信文件。

在本实施例中，密信提取部分的步骤3和步骤4这两个步骤可以并行执行。

为验证本发明方法的各项性能，使用不同分辨率的多个视频序列进行测试，每个视频序列编码300帧，帧率为30，gopsize为4。从视频峰值信噪比，抗隐写检测能力以及码流变化方面对本发明方法进行评价。

如下表1所示，得到嵌入率α取0.1，0.2和0.3时8段不同分辨率视频峰值信噪比变化结果。原始psnr、嵌入后psnr分别表示载体压缩视频、载密压缩视频与未压缩的原始yuv文件各帧的峰值信噪比的均值。

表1密信嵌入前后psnr变化

由表1的数据可知，载体压缩视频和载密压缩视频的psnr是一致的，且不随嵌入率α变化而变化，说明本发明方法是一种非降质的视频隐写方法。

如下表2所示，为本发明在一种最新的深度学习视频隐写检测器和二种经典的视频检测方法下的平均检测准确率，其中，视频库的构造：选取100段cif视频(分辨率为352×288)，在码率分别为250kb/s,500kb/s,750kb/s和1000kb/s时生成载体压缩视频。在嵌入率α为0.1,0.2和0.3下，用本发明方法生成对应的载密压缩视频。

表2本发明方法在三种检测方法下的平均检测准确率(％)

由表2的数据可知，本发明方法完全能够抵御vsrnet方法的检测，对于从0.1到0.3的嵌入率，vsrnet方法的检测准确率均在50％附近徘徊，趋于随机猜测。对于aoso和npeflo两种经典的手工检测特征，本发明方法仍表现出不错的安全性能。在三种嵌入率下，aoso方法的检测准确率也均在50％附近徘徊，趋于随机猜测。相比较aoso方法，npeflo方法的检测率略有提升，但即使在嵌入率为0.3时检测准确也低于57％。

如下表3所示，得到嵌入率α取0.1,0.2和0.3时8段不同分辨率视频码率变化结果。码率增长为其中r′和r分别为嵌密后载密视频和嵌密前载体视频的码率。

表3密信嵌入前后码率变化

从表3的数据可知，嵌入率α越大，码率增长也越大。即使在嵌入率α为0.3时，码率增长基本控制在0.2％以内，这说明本发明方法有效地控制了码率失真。

本发明具有隐写后视频质量不变及运动向量统计分布不变的优势，能有效抵抗以嵌密视频质量下降为检测基础的深度学习网络检测器，同时对常规视频隐写检测算法也有很强的抵御能力。

实施例2

本实施例提供一种能抵御深度学习网络检测的非降质hevc视频隐写系统，设有密信嵌入模块和密信提取模块；

所述密信嵌入模块包括：密信二进制化单元、嵌入率第一设置单元、当前嵌密单元构造单元、预测块个数第一统计单元、嵌密索引序列构造单元、失真代价计算单元、载密索引序列生成单元、索引值判断单元和运动向量残差更新单元；

所述密信二进制化单元用于将秘密信息文件转化为二进制比特流s，并计算码流长度l；

所述嵌入率第一设置单元用于设置密信嵌入的嵌入率；

所述当前嵌密单元构造单元用于按解码顺序依次读取视频的一个gop作为秘密信息的当前嵌密单元；

所述预测块个数第一统计单元用于统计当前嵌密单元中使用amvp技术的预测块个数n；

所述嵌密索引序列构造单元用于按解码的顺序依次对当前嵌密单元使用amvp技术的预测块记录其预测运动向量的索引值，构造长度为n的索引序列x；

所述失真代价计算单元用于按解码的顺序依次对当前嵌密单元使用amvp技术的预测块计算预测索引进行±1修改的失真代价；

所述载密索引序列生成单元用于根据所述失真代价，利用stc编码将密信m嵌入到索引序列x中，得到当前嵌密单元新的索引序列y；

所述索引值判断单元用于对每一个使用amvp技术的预测块，比较嵌密前的预测索引值与嵌密后的索引值是否发生变化；

所述运动向量残差更新单元用于根据索引值判断结果更新运动向量残差；

所述密信提取模块包括：嵌入率第二设置单元、密信提取单元构造单元、预测块个数第二统计单元、提取密信索引序列构造单元、密信提取单元、密信提取判断单元和输出单元；

所述嵌入率第二设置单元用于设置密信提取的嵌入率；

所述密信提取单元构造单元用于按解码顺序依次读取视频的一个gop作为当前密信提取单元；

所述预测块个数第二统计单元用于统计当前密信提取单元使用amvp技术的预测块个数n；

所述提取密信索引序列构造单元用于按解码的顺序依次对当前密信提取单元使用amvp技术的预测块记录其预测运动向量的索引值，构造长度为n的索引序列y；

所述密信提取单元用于根据stc码的奇偶校验矩阵提取该密信提取单元的密信m；

所述密信提取判断单元用于判断所有的密信提取单元是否处理完毕；

所述输出单元用于在密信提取单元处理完毕后将每个gop提取的密信按解码顺序拼接成最终的完整密信s。

实施例3

本实施例提供一种存储介质，存储介质可以是rom、ram、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，所述程序被处理器执行时，实现实施例1的能抵御深度学习网络检测的非降质hevc视频隐写方法。

实施例4

本实施例提供一种计算设备，所述的计算设备可以是台式电脑、笔记本电脑、智能手机、pda手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现实施例1的能抵御深度学习网络检测的非降质hevc视频隐写方法。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。