一種改進的基于運動向量回復(fù)的視頻隱寫分析方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及隱寫分析（Steganalysis)方法，尤其涉及一種基于校準(zhǔn)的隱寫分析 方法，以及該方法在檢測運動向量域的視頻隱寫上的應(yīng)用，該方法屬于信息安全技術(shù)領(lǐng)域 中的信息隱藏子領(lǐng)域。
【背景技術(shù)】
[0002] 在當(dāng)今時代，高性能網(wǎng)絡(luò)和壓縮技術(shù)促進了多媒體文件的大量傳輸。隱寫的目的 是將秘密信息隱藏于載體中，使之不易被察覺，而隱寫分析則是用于檢測秘密消息是否存 在的技術(shù)。作為日常最有影響的多媒體文件之一，壓縮視頻可以為隱寫和隱寫分析提供充 足的可用冗余信息。
[0003] 運動向量作為視頻壓縮的重要參數(shù)，已經(jīng)被廣泛用于隱寫嵌入。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.)等提出的視頻隱寫方法，使得基于運動向量 的隱寫方法已經(jīng)成為了主流的視頻隱寫方法之一。
[0004] 為了檢測基于運動向量的隱寫，近年來許多隱寫分析方法已被提出， 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，F(xiàn)eb. 2014.)，其中，Cao和Wang提出的方法效果最好DCao提出了一種基于校準(zhǔn)的方法 并設(shè)計了基于運動向量回復(fù)（MVRB，motionvectorreversionbased)的特征，該特征通 過計算重壓縮前后的運動向量（MV，motionvector)和相應(yīng)殘差絕對值之和（SAD，sumof absolutedifference)的差值得到。由于該算法通過視頻校準(zhǔn)實現(xiàn)，MVRB特征的有效性取 決于重編碼的參數(shù)是否和之前編碼的參數(shù)相同。Wang對運動向量進行加減一操作（AoSO， adding-or-subtracting-one)，將得到的最優(yōu)SAD和實際SAD的差值用于特征計算。當(dāng)使用 MVRB特征進行分析時，若兩次運動預(yù)測方法不同時，該特征分析效果劇烈惡化，在這種情況 下，由于AoSO特征的計算不涉及重壓縮所以能保證很好的效果。然而，當(dāng)使用運動預(yù)測的 不確定信息來修改運動向量時，運動向量的局部最優(yōu)性得以保持，在這種情況下，AoSO特征 的分析效果就嚴(yán)重下降，由于嵌入操作改變了運動預(yù)測的信息，MVRB特征可以具有良好的 分析效果。因此，在現(xiàn)有的MVRB特征的基礎(chǔ)上，重現(xiàn)原來的壓縮過程，提出一種改進的基于 運動向量回復(fù)的特征具有重要意義。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是通過重建首次視頻壓縮的過程來優(yōu)化基于校準(zhǔn)的視頻分析方法， 在原有基于運動向量回復(fù)方法的基礎(chǔ)上，提高特征的有效性和隱寫分析的正確率。
[0006] 校準(zhǔn)是圖像隱寫分析的一種典型方法，對于壓縮視頻，校準(zhǔn)通過將視頻解壓到空 域，再將視頻在無消息嵌入的情況下進行重壓縮來實現(xiàn)。為了檢測基于運動向量的隱寫方 法，幀間宏塊（MB，macroblock)和相應(yīng)的運行向量將被作為分析對象。如圖1所示，在正 常壓縮中，為了編碼當(dāng)前宏塊MB。，之前編碼幀中的相似宏塊MB,被搜索作為參考，兩宏塊之 間的SAD用來衡量預(yù)測殘差。在mv中嵌入消息后，它變?yōu)橹赶騇Bp的mv'。預(yù)測殘差經(jīng)過 DCT變換、量化和熵編碼后進行傳輸，在解碼端經(jīng)過熵解碼、反量化和反DCT變換重新得到 預(yù)測殘差。原始的基于運動向量回復(fù)的分析方法包括兩步：首先解壓視頻并重建宏塊MSf， 然后將視頻進行重壓縮，在該過程中作為參考宏塊。因此可獲得運動向量 m/和相 應(yīng)的SAD，它們的值都接近于正常壓縮時候的值。因此對于隱寫視頻，重壓縮前后的運動向 量和SAD值較非隱寫視頻差異更大。
[0007] 該方法的先決條件是在重壓縮中搜索到的宏塊恰好為初次壓縮中搜索到的宏塊。 但是在實際操作中，該條件很難保證，本發(fā)明的內(nèi)容即為通過參數(shù)獲取和匹配的方法得到 初次壓縮的各壓縮參數(shù)，用于校準(zhǔn)中的視頻重壓縮。
[0008] 本發(fā)明所采用的技術(shù)方案主要包括以下步驟（如無特殊說明，以下步驟均由計算 機和電子設(shè)備的軟硬件執(zhí)行），圖2為本發(fā)明改進的基于運動向量回復(fù)的視頻隱寫分析流 程圖，包括以下步驟：
[0009] (1)制備原始視頻和隱寫視頻集。用戶根據(jù)需要對原始視頻進行壓縮參數(shù)（如尺 寸、長度、分辨率等）統(tǒng)一的處理，得到一個或多個原始視頻集?；谝唤M原始視頻集，采用 待分析的隱寫算法生成相應(yīng)的一組隱寫視頻集。
[0010] (2)改進的MVRB隱寫分析特征提取。其具體流程如下：
[0011]a)將視頻進行解壓，在該過程中收集可用的（有效的）壓縮參數(shù)用于重壓縮，記錄 各宏塊的運動向量用于之后的匹配和特征計算，并記錄各宏塊的SAD用于特征計算；
[0012]b)使用步驟（1)中得到的若干原始視頻，遍歷視頻壓縮中的各運動搜索方法得到 運動向量，對各運動搜索方法得到的運動向量進行相似性統(tǒng)計，選擇運動向量差別較大的 運動搜索方法作為代表用于之后的匹配操作；
[0013] C)使用步驟a)中的參數(shù)將視頻進行重壓縮，遍歷b)中選擇的代表性的運動搜索 方法，將得到的運動向量與a)中得到的對應(yīng)宏塊的運動向量進行比較，匹配最為近似的運 動向量用于宏塊運動預(yù)測，并記錄各宏塊的運動向量和SAD用于特征計算；
[0014]d)使用步驟a)和c)中的運動向量和SAD信息進行特征計算，從而提取出視頻隱 寫分析特征。
[0015] (3)隱寫分析分類器的訓(xùn)練和配置。將步驟（2)中從原始視頻集和隱寫視頻集中 提取的特征向量輸入支持向量機（SupportVectorMachine,SVM)分類器，對分類器進行訓(xùn) 練，生成隱寫分析分類器。
[0016] (4)對待測視頻進行分析。接收到待測視頻，首先使用（2)中的步驟對該視頻進行 特征提取，然后將獲得的特征輸入隱寫分析分類器中進行分析，重復(fù)多次，將平均結(jié)果作為 依據(jù)進行最終判別。
[0017] 上述改進的隱寫分析方法對視頻隱寫分析領(lǐng)域的有益效果為提高了視頻隱寫分 析的準(zhǔn)確率。在原有分析方法中，無法充分保證二次壓縮參數(shù)的一致性，進而特征的有效性 不高。本發(fā)明將視頻壓縮參數(shù)歸為兩類，可得參數(shù)（即可從視頻解壓過程中直接獲取的參 數(shù)）和不可得參數(shù)（即無法從解壓中獲得的參數(shù)），且提出了改進的方法。從解壓過程中獲 得可用參數(shù)用于重壓縮，在重壓縮時使用運動預(yù)測的匹配方法模擬不可得參數(shù)，從而重建 視頻壓縮過程。與原特征相比，該方法保證了參數(shù)的一致性，使用優(yōu)化的校準(zhǔn)方法得到的特 征可有效提高檢測結(jié)果的準(zhǔn)確性。
【附圖說明】
[0018] 圖1是基于運動向量的隱寫及原始基于運動向量回復(fù)的視頻隱寫分析示意圖；
[0019] 圖2是本發(fā)明改進的基于運動向量回復(fù)的視頻隱寫分析流程圖；
[0020] 圖3是本發(fā)明改進的基于運動向量回復(fù)的特征提取流程圖；
[0021] 圖4是使用EPZS的8種搜索方法的運動向量差別率對比圖；
[0022] 圖5是使用MID的8種搜索方法的運動向量差別率對比圖；
[0023] 圖6是EPZS和MID的8種搜索方法的運動向量差別率對比圖；
[0024] 圖7是本發(fā)明改進的MVRB與原MVRB、AoSO在不同嵌入率下對Xu的隱寫方法 (Tarl~Tar5)的檢測率對比示意圖；
[0025] 圖8是本發(fā)明改進MVRB與原MVRB、AoSO在不同嵌入率下對Aly的隱寫方法 (Tar6~TarlO)的檢測率對比示意圖。
【具體實施方式】
[0026] 下面結(jié)合附圖和具體實施例對本發(fā)明方法作進一步描述。
[0027] 本實施例是在MPEG4視頻編碼標(biāo)準(zhǔn)下對基于運動向量的隱寫進行的分析，其僅僅 是本發(fā)明提出的改進的基于運動向量回復(fù)的方法在MPEG4標(biāo)準(zhǔn)中的應(yīng)用，可以充分說明該 方法的效果。但本發(fā)明提出的是一個通用的框架，除本實施例之外，該方法可應(yīng)用于其他視 頻壓縮標(biāo)準(zhǔn)下的隱寫分析。故基于本發(fā)明的框架提出的其他實施例，都屬于本發(fā)明的保護 范圍。
[0028] 眾所周知，視頻壓縮參數(shù)，包括比特率、幀率、分辨率、幀數(shù)、圖像組（GOP，groupof picture)、壓縮參數(shù)（QP，quantificationparameter)、運動預(yù)測方法、宏塊劃分模