一种改进的基于运动向量回复的视频隐写分析方法
【技术领域】
[0001] 本发明涉及隐写分析（Steganalysis)方法，尤其涉及一种基于校准的隐写分析 方法，以及该方法在检测运动向量域的视频隐写上的应用，该方法属于信息安全技术领域 中的信息隐藏子领域。
【背景技术】
[0002] 在当今时代，高性能网络和压缩技术促进了多媒体文件的大量传输。隐写的目的 是将秘密信息隐藏于载体中，使之不易被察觉，而隐写分析则是用于检测秘密消息是否存 在的技术。作为日常最有影响的多媒体文件之一，压缩视频可以为隐写和隐写分析提供充 足的可用冗余信息。
[0003] 运动向量作为视频压缩的重要参数，已经被广泛用于隐写嵌入。如Kutter(F. Jordan,M.Kutter,andT.Ebrahimi.Proposalofawatermarkingtechniqueforhiding dataincompressedanddecompressedvideo,IS0/IECDoc,JTC1/SC29/QWG11,Tech. Rep.M2281,Jul. 1997. ) ?Xu(C.Xu,X.Ping,andT.Zhang.Steganographyincompressed videostream,inProc. 1stInt.Conf.InnovComput.Inf.Control,vol.I,pp. 269 -272,Sep.2006.)?Aly(H.AlyjDatahidinginmotionvectorsofcompressed videobasedontheirassociatedpredictionerror,IEEETrans.Inf.Forensics Security. ,vol. 6,no.I,pp. 14 - 18,Mar. 2011. ) ?Cao(Y.CaojX.Zhao,D.Feng,and R.Sheng.Videosteganographywithperturbedmotionestimation,inProc. 13thInt. Conf.IHjvol. 6958,no.I,pp. 193 - 207, 2011. ) ?Fang(D.Y.FangandL.W.Chang.Data hidingfordigitalvideowithphaseofmotionvector,inProc.IEEEInt.Symp. CircuitsSyst.，pp. 1422 - 1425,May. 2006.)等提出的视频隐写方法，使得基于运动向量 的隐写方法已经成为了主流的视频隐写方法之一。
[0004] 为了检测基于运动向量的隐写，近年来许多隐写分析方法已被提出， 如Su(Y.Su，C.Zhang，andC.Zhang,Avideosteganalysisalgorithmagainst motion-vector-basedsteganography,SignalProcess.,vol.91,no.8, pp. 1901 - 1909, 2011. )，Ren(Y.Ren，L.Zhai，andL.Wang，Videosteganalysisbased onsubtractiveprobabilityofoptimalmatchingfeature,inProc.2ndACM WorkshoponIH&MMSec.，pp.83 - 90, 2014.)，Cao(Y.Cao,X.Zhao,andD.Feng，Video steganalysisexploitingmotionvectorreversion-basedfeatures,SignalProcess. Lett.，vol. 19,no. 1，pp. 35 - 38,Jan. 2012.)，Wang(K.Wang，H.Zhao,andH.Wang，Video steganalysisagainstmotionvector-basedsteganographybyaddingorsubtracting onemotionvectorvalue，"Trans.Inf.ForensicsSecurity,vol. 9,no. 5,pp. 741 -751，Feb. 2014.)，其中，Cao和Wang提出的方法效果最好DCao提出了一种基于校准的方法 并设计了基于运动向量回复（MVRB，motionvectorreversionbased)的特征，该特征通 过计算重压缩前后的运动向量（MV，motionvector)和相应残差绝对值之和（SAD，sumof absolutedifference)的差值得到。由于该算法通过视频校准实现，MVRB特征的有效性取 决于重编码的参数是否和之前编码的参数相同。Wang对运动向量进行加减一操作（AoSO， adding-or-subtracting-one)，将得到的最优SAD和实际SAD的差值用于特征计算。当使用 MVRB特征进行分析时，若两次运动预测方法不同时，该特征分析效果剧烈恶化，在这种情况 下，由于AoSO特征的计算不涉及重压缩所以能保证很好的效果。然而，当使用运动预测的 不确定信息来修改运动向量时，运动向量的局部最优性得以保持，在这种情况下，AoSO特征 的分析效果就严重下降，由于嵌入操作改变了运动预测的信息，MVRB特征可以具有良好的 分析效果。因此，在现有的MVRB特征的基础上，重现原来的压缩过程，提出一种改进的基于 运动向量回复的特征具有重要意义。
【发明内容】
[0005] 本发明的目的是通过重建首次视频压缩的过程来优化基于校准的视频分析方法， 在原有基于运动向量回复方法的基础上，提高特征的有效性和隐写分析的正确率。
[0006] 校准是图像隐写分析的一种典型方法，对于压缩视频，校准通过将视频解压到空 域，再将视频在无消息嵌入的情况下进行重压缩来实现。为了检测基于运动向量的隐写方 法，帧间宏块（MB，macroblock)和相应的运行向量将被作为分析对象。如图1所示，在正 常压缩中，为了编码当前宏块MB。，之前编码帧中的相似宏块MB,被搜索作为参考，两宏块之 间的SAD用来衡量预测残差。在mv中嵌入消息后，它变为指向MBp的mv'。预测残差经过 DCT变换、量化和熵编码后进行传输，在解码端经过熵解码、反量化和反DCT变换重新得到 预测残差。原始的基于运动向量回复的分析方法包括两步：首先解压视频并重建宏块MSf， 然后将视频进行重压缩，在该过程中作为参考宏块。因此可获得运动向量 m/和相 应的SAD，它们的值都接近于正常压缩时候的值。因此对于隐写视频，重压缩前后的运动向 量和SAD值较非隐写视频差异更大。
[0007] 该方法的先决条件是在重压缩中搜索到的宏块恰好为初次压缩中搜索到的宏块。 但是在实际操作中，该条件很难保证，本发明的内容即为通过参数获取和匹配的方法得到 初次压缩的各压缩参数，用于校准中的视频重压缩。
[0008] 本发明所采用的技术方案主要包括以下步骤（如无特殊说明，以下步骤均由计算 机和电子设备的软硬件执行），图2为本发明改进的基于运动向量回复的视频隐写分析流 程图，包括以下步骤：
[0009] (1)制备原始视频和隐写视频集。用户根据需要对原始视频进行压缩参数（如尺 寸、长度、分辨率等）统一的处理，得到一个或多个原始视频集。基于一组原始视频集，采用 待分析的隐写算法生成相应的一组隐写视频集。
[0010] (2)改进的MVRB隐写分析特征提取。其具体流程如下：
[0011]a)将视频进行解压，在该过程中收集可用的（有效的）压缩参数用于重压缩，记录 各宏块的运动向量用于之后的匹配和特征计算，并记录各宏块的SAD用于特征计算；
[0012]b)使用步骤（1)中得到的若干原始视频，遍历视频压缩中的各运动搜索方法得到 运动向量，对各运动搜索方法得到的运动向量进行相似性统计，选择运动向量差别较大的 运动搜索方法作为代表用于之后的匹配操作；
[0013] C)使用步骤a)中的参数将视频进行重压缩，遍历b)中选择的代表性的运动搜索 方法，将得到的运动向量与a)中得到的对应宏块的运动向量进行比较，匹配最为近似的运 动向量用于宏块运动预测，并记录各宏块的运动向量和SAD用于特征计算；
[0014]d)使用步骤a)和c)中的运动向量和SAD信息进行特征计算，从而提取出视频隐 写分析特征。
[0015] (3)隐写分析分类器的训练和配置。将步骤（2)中从原始视频集和隐写视频集中 提取的特征向量输入支持向量机（SupportVectorMachine,SVM)分类器，对分类器进行训 练，生成隐写分析分类器。
[0016] (4)对待测视频进行分析。接收到待测视频，首先使用（2)中的步骤对该视频进行 特征提取，然后将获得的特征输入隐写分析分类器中进行分析，重复多次，将平均结果作为 依据进行最终判别。
[0017] 上述改进的隐写分析方法对视频隐写分析领域的有益效果为提高了视频隐写分 析的准确率。在原有分析方法中，无法充分保证二次压缩参数的一致性，进而特征的有效性 不高。本发明将视频压缩参数归为两类，可得参数（即可从视频解压过程中直接获取的参 数）和不可得参数（即无法从解压中获得的参数），且提出了改进的方法。从解压过程中获 得可用参数用于重压缩，在重压缩时使用运动预测的匹配方法模拟不可得参数，从而重建 视频压缩过程。与原特征相比，该方法保证了参数的一致性，使用优化的校准方法得到的特 征可有效提高检测结果的准确性。
【附图说明】
[0018] 图1是基于运动向量的隐写及原始基于运动向量回复的视频隐写分析示意图；
[0019] 图2是本发明改进的基于运动向量回复的视频隐写分析流程图；
[0020] 图3是本发明改进的基于运动向量回复的特征提取流程图；
[0021] 图4是使用EPZS的8种搜索方法的运动向量差别率对比图；
[0022] 图5是使用MID的8种搜索方法的运动向量差别率对比图；
[0023] 图6是EPZS和MID的8种搜索方法的运动向量差别率对比图；
[0024] 图7是本发明改进的MVRB与原MVRB、AoSO在不同嵌入率下对Xu的隐写方法 (Tarl~Tar5)的检测率对比示意图；
[0025] 图8是本发明改进MVRB与原MVRB、AoSO在不同嵌入率下对Aly的隐写方法 (Tar6~TarlO)的检测率对比示意图。
【具体实施方式】
[0026] 下面结合附图和具体实施例对本发明方法作进一步描述。
[0027] 本实施例是在MPEG4视频编码标准下对基于运动向量的隐写进行的分析，其仅仅 是本发明提出的改进的基于运动向量回复的方法在MPEG4标准中的应用，可以充分说明该 方法的效果。但本发明提出的是一个通用的框架，除本实施例之外，该方法可应用于其他视 频压缩标准下的隐写分析。故基于本发明的框架提出的其他实施例，都属于本发明的保护 范围。
[0028] 众所周知，视频压缩参数，包括比特率、帧率、分辨率、帧数、图像组（GOP，groupof picture)、压缩参数（QP，quantificationparameter)、运动预测方法、宏块划分模