基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法

本发明涉及图像取证的，尤其涉及到基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法。

背景技术：

1、随着信息技术和互联网领域的飞速发展，越来越多的人开始通过网络进行交流。不论是专业人士还是业余爱好者，都倾向于在网络上上传和下载图像、视频等媒体。然而，图像和视频在广泛传播的同时，一些包含违法犯罪内容或虚假诽谤信息的图像或视频也难以避免地在网络中出现。这给网络安全领域带来了重大挑战。因此，确保这些分享的照片或视频的来源和可信度变得尤为必要。

2、视频取证也是多媒体取证的关键课题之一。目前已有的源相机识别方法主要依赖于图像采集硬件和图像处理软件在图像中所遗留下的固有痕迹。例如透镜像差(san choik,lam e y,wong k k y.source camera identification using footprints from lensaberration[c]//digital photography ii.spie,2006,6069:172-179.)和色彩滤波阵列插值伪影(swaminathan a,wu m,liu k j r.nonintrusive component forensics ofvisual sensors using output images[j].ieee transactions on informationforensics and security,2007,2(1):91-106.)等。随着研究者对该领域的深入了解，出现了一种显著有效的多媒体来源检测方法——基于传感器模式噪声的数字图像视频来源检测方法。这种方法在当前研究中备受关注，因为它能够在一定程度上克服之前方法的问题，同时提供更好的检测效果。

3、传感器是相机成像的重要组成部分之一，因为制造材料和生产工艺方面的不同，所以可能存在一些缺陷导致在成像时产生特定的噪声伪影。这些噪声伪影具有独特的特性，即使是同一型号的相机产生的这种噪声伪影也会有所不同。研究者们将这种独特的噪声伪影称为传感器模式噪声。传感器模式噪声的主要成分由光响应非均匀性(photoresponse non-uniformity，prnu)噪声组成，因此prnu也被视为传感器模式噪声的一部分。prnu可以被视为相机的指纹，用于对未知图像和视频进行来源检测。

4、最初，lukas(lukas j,fridrich j,goljan m.digital camera identificationfrom sensor pattern noise[j].ieee transactions on information forensics andsecurity,2006,1(2):205-214.)提出了一种数字图像来源识别系统，该系统首次使用prnu(photo response non-uniformity)。其方法涉及使用小波去噪滤波器来提取图像的噪声残差，然后通过平均同一相机拍摄的图像组的噪声残差来生成相机的参考prnu。(cortianaa,conotter v,boato g,et al.performance comparison of denoising filters forsource camera identification[c]//media watermarking,security,and forensicsiii.spie,2011,7880:60-65.)通过引入复杂的bm3d滤波器，可以从图像中提取prnu。bm3d算法通过识别图像中的相似块并将它们进行组合，已经被证明在图像去噪方面非常有效。然而，需要注意的是，该算法的搜索和分组过程是相当耗时的。为解决这一问题，(kang x,chen j,lin k,et al.a context-adaptive spn predictor for trustworthy sourcecamera identification[j].eurasip journal on image and video processing,2014,2014(1):1-11.)提出了一种基于内容自适应插值的预测器,通过使用八个相邻像素来插值中心像素进行prnu的估计，该方法能够抑制场景和边缘对prnu的影响。(lawgaly a,khelifi f.sensor pattern noise estimation based on improved locally adaptivedct filtering and weighted averaging for source camera identification andverification[j].ieee transactions on information forensics and security,2016,12(2):392-404.)提出了一种改进的局部自适应离散余弦变换滤波器和加权平均算法，进一步处理和提取prnu。而(高昌锋,肖延辉,田华伟.基于多阶段渐进式神经网络的图像相机指纹提取算法[j].信息网络安全,2022,22(10):15-23.)则提出了一种基于多阶段渐进式神经网络的prnu提取算法，相较于传统的小波方法，该算法能够更充分地提取图像特征。

5、源相机的识别技术研究目前主要是针对相机拍摄的图像，而对视频识别则没有太多的研究，尤其是压缩视频。在现有的视频编码标准(如h.264、mpeg系列等标准)中，一组视频帧的组成包括i帧、p帧和b帧，(chuang w h,su h,wu m.exploring compressioneffects for improved source camera identification using strongly compressedvideo[c]//2011 18th ieee international conference on image processing.ieee,2011:1953-1956.)表明了i帧在视频取证任务中比p帧具有更高的可靠性。此外，一些研究提出了可以通过减轻视频压缩标准的不利影响来提高prnu估计的准确性，如去除解码后的伪影(altinisik e,tasdemir k,sencar h t.extracting prnu noise from h.264codedvideos[c]//2018 26th european signal processing conference(eusipco).ieee,2018:1367-1371.)。taspinar等人(s.taspinar,m.mohanty,n.memon,camera fingerprintextraction via spatial domain averaged frames,ieee transactions oninformation forensics and security 15(2020)3270–3282.)提出了一种通过对视频帧在空间域进行平均化来提取相机指纹的方法。与传统方法相比，这种方法的优点是显著提高了提取prnu的速度。然而，当处理具有复杂纹理的图像，需要更多的图像才能达到与传统方法相同的性能。接着，yang等人(yang w c,jiang j,chen c h.a fast source cameraidentification and verification method based on prnu analysis for use invideo forensic investigations[j].multimedia tools and applications,2021,80:6617-6638.)提出了一种同时考虑相机滚动和视频i帧的视频取证方法，以提高处理精度和时间。

6、迄今为止，多媒体源检测和识别主要专注于图像源检测，而对于视频，尤其是压缩视频的研究仍然有限。然而，相较于图像，视频的来源归属更具挑战性。尽管视频生成的步骤与图像生成存在很大重叠，但视频生成对prnu噪声估计造成的破坏更为严重。原始视频由多个连续的帧组成，无法直接存储或传输，因此需要进行压缩处理。视频压缩利用了短时帧间高度相似的原理，从而显著减少了视频中的空间冗余，这导致单帧的比特率远低于照片的比特率。因此，在视频中丢失的相关信息要比在图像中更多。上传到社交网络等平台的视频又会经过一轮压缩，进一步削弱了prnu噪声成分，同时视频中的噪声伪影也随着压缩变得更加复杂。

7、基于以上原因，为了能从压缩视频中提取更高质量的prnu，提高压缩视频的源相机识别性能，有必要针对压缩图像探索一种有效的来源检测算法。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，其能够从压缩视频中更完整地提取传感器模式噪声，从而有效地改善压缩视频的识别效果。此外，在短时间的压缩视频识别方面，该方法也展现出强大的识别效果。

2、为实现上述目的，本发明所提供的技术方案为：

3、基于自适应贝叶斯阈值估计和双变量收缩的视频源识别方法，包括：

4、s1、求取多个参考压缩视频的噪声残差，使用基于量化参数值加权的最大似然估计法聚合噪声残差，并与视频帧进行估计，得到多个参考压缩视频的prnu噪声；

5、s2、求取测试压缩视频的噪声残差，使用基于量化参数值加权的最大似然估计法聚合噪声残差，并与视频帧进行估计，得到测试压缩视频的prnu噪声；

6、s3、使用带符号的峰值相关能量检测求出测试压缩视频的prnu噪声和多个参考压缩视频的prnu噪声的相关性，如果测试压缩视频的prnu噪声与某个参考压缩视频的prnu噪声之间的相关性最高，并且相关性达到或超过设定的判决阈值，则确定测试压缩视频来自于该某个参考压缩视频所对应的相机；反之，如果相关性不满足要求，则判定测试压缩视频不是来自于该某个参考压缩视频所对应相机。

7、进一步地，求取参考压缩视频的prnu噪声和测试压缩视频的prnu噪声均包括以下步骤：

8、a1、用去环路滤波器对压缩视频进行重新编解码，得到视频帧；获取n张视频帧，令图像编号为i1，i2，...，in；对每张视频帧进行进行多层的双密度双树复小波分解；

9、a2、先用基于贝叶斯估计的双变量收缩算法对所有的高频子带进行滤波初步估计，再用自适应加窗维纳滤波器进行二次估计，得到滤波后的高频子带；进行双密度双树复小波反变换，得到去噪的视频帧；使用去噪前后的视频帧相减得到每张视频帧的噪声残差；

10、a3、对每张视频帧的噪声残差使用基于量化参数值加权的最大似然估计法，并与视频帧进行估计，求平均后得到压缩视频的prnu噪声。

11、进一步地，步骤a1中，基于双密度双树复小波的分解的具体过程包括：

12、得到视频帧后，对每张视频帧采用两棵树结构的两路滤波器组进行信号的分解和重构，即主滤波器组和对偶滤波器组；第一棵树生成实部，第二棵生成虚部；每棵树的每一行构成的一维数据进行三次一维小波分解，得到两个高频分量和一个低频分量；在第一层的分解中就会有八个高频分量和一个低频分量，随后在下一层分解中对低频分量再分解成两个高频分量和一个低频分量。

13、进一步地，步骤a2具体包括：

14、双密度双树复小波将图像信号从时间域转换到小波域再进行分解，得到多尺度的小波系数，如公式(1)所示：

15、yk＝wk+nk k＝1,..., (1)

16、其中，yk表示第k层含噪信号的小波系数，wk表示第k层无噪声图像所对应的小波系数，nk代表第k层噪声的小波系数；

17、通过使用最大后验概率公式，得到受噪声污染的图像信号的小波系数如公式(2)所示：

18、

19、由贝叶斯概率估计作进一步推导之后,将式(2)转换为式(3)，

20、

21、pn(n)＝pn(y-w) (4)

22、由式(4)和式(5)可知，为了求得真实信号的系数估计需要知道pn(n)和pw(wk)，即噪声小波系数的概率密度函数和输出图像信号小波系数的概率密度函数；贝叶斯采用先验密度来估计，即采用式(5)和式(6)两个模型：

23、

24、

25、最后，再使用双变量阈值收缩函数来估计收缩系数w1k，如公式(8)所示：

26、

27、

28、为了得到最后的收缩系数w1k，还缺少噪声小波系数的方差与第k层分解系数的方差根据下面公式求得：

29、

30、

31、

32、

33、其中，median是中值估计器；yi表示子带的小波系数；得到收缩系数之后，还使用自适应加窗维纳滤波函数来进一步估计小波系数，表示为公式(13)：

34、

35、其中为估计后的小波系数，由公式(14)得到：

36、

37、wd为窗口的大小，一般设置为3、5、7、9；

38、再对处理后的归一化子带进行反变换，得到去噪后的图像，将去噪前后图像相减得到噪声残差。

39、进一步地，步骤a3中，对每张视频帧的噪声残差使用基于量化参数值加权的最大似然估计法，其中使用归一化的权重矩阵ut，对prnu进行加权，加权的公式(15)：

40、

41、其中，n代表使用的视频帧数量，it表示视频的第t帧图像，wt表示第t帧图像的噪声残差，ut代表权重矩阵，而分母中的θ是为了防止出现分母为0的估计错误。

42、进一步地，步骤s3中，带符号的峰值相关能量表示为：

43、

44、其中，sign()为符号函数,crq(a,b)为参考噪声r和测试噪声q之间的二维循环互相关系数，|β|为(0，0)周围的一个小面积维度乘积，mn是视频帧prnu行和列的乘积。

45、与现有技术相比，本技术方案原理及优点如下：

46、1、采用双密度双树复小波变换，其具有位移不变性，这意味着它能够更好地处理信号中的平移和位移操作，而不会引入额外的伪影或失真。双密度双树复小波变换具有更好的方向选择性，有助于更准确地捕获图像中的纹理和结构信息。双密度双树复小波变换将信号分解成实部和虚部两个独立的树。这两个树在分解过程中相互补充，虚部采样位置位于实部中间，这种信息互补有助于提高信号的表征和减少去噪过程中可能引入的伪影。

47、2、引入基于贝叶斯估计的双变量收缩算法对视频帧分解后的高频子带进行估计，相对应设置软硬阈值，借助贝叶斯的先验概率估计确定双变量收缩算法的阈值更符合实际情况，并且通过与双密度双树复小波和自适应加窗维纳滤波结合，可以更好的去除压缩视频的伪影干扰，得到更加高质量的prnu，进而提升压缩视频识别的准确性。

48、3、提出了一个完整的prnu提取模型，先用去环路滤波器对视频进行编解码得到视频帧，再用双密度双树复小波把视频帧分解成不同的子带。然后分别对高频子带和低频子带进行处理后再聚合成prnu，可以得到更高质量的prnu，尤其是面对压缩视频的情况。

49、4、与现有的压缩视频prnu提取算法相比，由于本技术方案能更好的去除压缩视频在压缩传输过程中产生的伪影，同时尽可能的不破坏原有的传感器模式噪声，所以可以获得更加高质量的传感器模式噪声，因而本技术方案在压缩视频的识别中具有更好的性能。