[发明专利]一种基于空时域局部二值模式的视频隐写分析方法

权利要求书

1.一种基于空时域局部二值模式的视频隐写分析方法，其特征在于，该方法包括以下步骤：

步骤(1)、将待分析的视频序列中的每一帧以8×8块为单位按照区域活动性分类标准进行分类；

步骤(2)、分别建立分类结果对应的包含时空坐标轴的三维正交平面，统计分类结果中的各区域所对应不同三维正交平面的LBP直方图；

步骤(3)、引入活动因子的概念，将其与对应的LBP直方图进行运算，得到ST_LBP特征；

步骤(4)、利用Fisher Ratio方法进行特征选择，并实现隐写信息的分类识别。

2.如权利要求1所述的基于空时域局部二值模式的视频隐写分析方法，其特征在于，所述步骤(1)中的分类，还具体包括以下处理：

如果SAD小于选定的阈值，且MV的值为零，则认定该区域为静止区域；

如果SAD小于选定的阈值，且MV的值大于零，则认定该区域为微活动区域；

如果SAD大于选定的阈值，则认定该区域为活动区。

3.如权利要求1所述的基于空时域局部二值模式的视频隐写分析方法，其特征在于，所述步骤(3)中的运算，还具体包括：活动因子为时间域和空间域的统计特征设定一定的权重；

将三个平面的直方图顺次相连，得到3×256维的ST_LBP特征：

ST_LBP＝[H₁ H₂ H₃]∈R^1×768；

其中：i＝1,2,3；j＝1,2,3；

α_ij表示第i种区域第j个平面的活动因子；h_ij为对应LBP直方图。

4.如权利要求1所述的基于空时域局部二值模式的视频隐写分析方法，其特征在于，所述步骤(4)中的特征选择，还具体包括以下处理：φ

计算所有特征作用下的φ值，并按降序排列。根据反复的实验确定特征选择后

ST_LBP的维度n，该n维特征即可代表原768维ST_LBP特征；

其中：

φ(i)=Σc=1CKc(f‾i(c)-f‾i)2Σk=1K(fi(k)-f‾i(ck))2,]]>i＝1,2,...,768

c表示样本所属类别，C代表了样本类别数，K_c表示第c类中的样本个数，K代表总的样本个数，第i维特征在第c类中的均值以及样本总均值表达式如下：

f‾i(c)=1KcΣk∈cfi(k),f‾i=1KΣk=1Kfi(k)]]>

5.如权利要求1所述的基于空时域局部二值模式的视频隐写分析方法，其特征在于，所述步骤(4)中的分类识别，还具体包括以下处理：

把视频序列分成训练集和测试集两部分，对该两个数据集的视频序列进行扩频隐写，处理后的序列作为分类识别的正样本，两个数据集的原始视频序列则作为负样本，将获得的所有正、负样本进行视频编解码；

对所有正、负样本提取ST_LBP特征并进行Fisher Ratio特征选择；

采用C-SVM分类器，内核为径向基核函数：

k(x，y)＝exp(-γ‖x-y‖²)，γ＞0

通过10次交叉检验获取最佳核参数，搜索范围为(C,γ)∈{(2i,2j)|i,j∈Z}，其中C是训练误差的补偿参数，γ为核参数；

首先，将得到的训练特征集输入C-SVM进行训练，得到相应训练模型；然后，根据分类模型对测试集的数据进行判断，通过对比判别标号和测试数据的标号计算得出检测准确率。