[发明专利]数字视频来源取证方法

摘要

本发明属于数字视频检测技术领域，具体涉及一种数字视频来源取证方法，该方法建立用于训练的视频序列样本库；通过活动性与复杂度分析模块，计算每个图像组的活动性，并利用双门限将其划分为高活动性、中活动性、低活动性；接着对视频序列进行部分解码，获取其压缩域的各种信息，并分别提取三类特征：码率特征、纹理特征、运动矢量特征；建立3个分类器，针对不同活动性的图像组，采用不同的分类器进行分类；读取待检测视频来源的视频序列，对于其各个图像组，获取图像组的特征向量，根据其活动性选择相应的分类器并给出分类结果；综合视频序列的所有图像组的分类结果进行最终判决。本发明针对性强，实用性强，不易受攻击。

主权项

一种数字视频来源取证方法，包括以下步骤：(1)建立用于训练的样本库，样本库包括一些由摄像机拍摄后得到的视频序列和由各种软件编码器编码产生的视频序列，这些视频序列都是原始压缩序列；(2)视频序列首先通过活动性与复杂度分析模块，计算每个图像组的活动性，并利用双门限将其划分为高活动性、中活动性、低活动性，其具体计算方法为：i.首先根据公式(1)计算一个图像组(GOP)里每相邻两帧的亮度分量的能量差fd(x，y)：fd(x，y)＝|f1(x，y)-f2(x，y)|       (1)式中，f1(x，y)和f2(x，y)分别代表第1帧和第2帧中位于(x，y)位置的亮度块的DC系数值；ii然后计算总的平均能量差Fd： Fd = 1 M Σ x Σ y fd ( x , y ) - - - ( 2 ) 式中，M表示一帧中块的个数，fd(x，y)是步骤1)中计算得到的能量差；iii.最后根据公式(3)计算一个图像组的能量方差，并利用它来决定该片段是属于高活动性图像组、中活动性图像组还是低活动性图像组： Z = 1 n - 1 Σ 1 n - 1 | Fd ( i ) | 2 - - - ( 3 ) 式中，Fd(i)是每相邻两帧的平均能量差，i是帧索引号，n是一个图像组包含的帧数；最后定义两个门限值T1和T2(T1＜T2)，如果Z＞T2则将其标记为高活动性图像组；如果T2＞Z＞T1则将其标记为中活动性图像组；否则将其标记低活动性图像组；(3)接着对视频序列进行部分解码，获取其压缩域的各种信息，并分别提取三类特征：码率特征、纹理特征、运动矢量特征；i.其中码率特征由以下7组特征量组成，本专利以NBI表示一个图像组中I帧的码率，NBp(i)表示一个图像组中第i个P帧的码率，NBB(j)表示一个图像组中第j个B帧的码率：a)M、N，它们分别是一个图像组中P帧的帧数和B帧的帧数；b)NBI，它是一个图像组中I帧的码率；c)RPI，它是一个图像组中P帧的平均码率与I帧的码率之比，其计算公式如下： RPI = 1 M Σ i = 1 M N B P ( i ) N B I - - - ( 4 ) d)RBI，它是一个图像组中B帧的平均码率与I帧的码率之比，其计算公式如下： RBI = 1 N Σ I = 1 N NB B ( i ) NB I - - - ( 5 ) e)RAP，RVP，它们分别是一个图像组中相邻两个P帧码率的相对差值的均值和方差： RA P = 1 M Σ j = 1 M - 1 D P ( j ) - - - ( 6 ) RV P = 1 M - 1 Σ j = 1 M - 1 ( D P ( j ) - R A P ) 2 - - - ( 7 ) 其中，DP(j)是相邻两个P帧码率的相对差值，计算公式如下： D P ( j ) = | NB P ( j + 1 ) - NB P ( j ) | NB P ( j ) j = 1,2 , . . . M - 1 - - - ( 8 ) f)RAB，RVB，它们分别是一个图像组中连续两两B帧码率的相对差值的均值和方差： RA B = 1 N - 1 Σ j = 1 N - 1 D B ( j ) - - - ( 9 ) RV B = 1 N - 1 Σ j = 1 N - 1 ( D B ( j ) - R A B ) 2 - - - ( 10 ) 其中，DB(j)是连续两两B帧码率的相对差值，计算公式如下： D B ( j ) = | NB B ( j + 1 ) - NB B ( j ) | NB B ( j ) j = 1 , 3 , N - 1 - - - ( 11 ) g)RDIP，它是相邻两个图像组的I帧码率差值与P帧码率差值的比值，其计算公式如下： RDIP = I 2 - I 1 P 2 - P 1 - - - ( 12 ) 式中，I1是前一个图像组的I帧码率，P1是紧挨I1的第一个P帧的码率；I2是当前图像组的I帧码率，P2是紧挨I2的第一个P帧的码率；ii.其中纹理特征包含了以下7组特征量，以Q(i)k表示在k类型的视频帧中第i个宏块的量化参数，K帧为I帧、P帧、B帧中的一种；QS(i)k表示在k类型帧中，第i个连续具有相同量化参数的宏块个数；用QD(i)k表示第i对相邻两个宏块的量化参数差值：a)QAk，QVk，k∈{I，P，B}，它是在一个图像组中，k类型帧的Q(i)k的均值与方差；b)QMAk，QMIk，k∈{I，P，B}，它是在一个图像组中，k类型的帧的QS(i)k的最大值与最小值；c)QSAk，QSVk，k∈{I，P，B}，它是在一个图像组中，k类型的帧的QS(i)k的均值和方差；d)QMDk，k∈{I，P，B}，它是在一个图像组中，k类型的帧的QD(i)k的最大值；e)QADk，QVDk，k∈{I，P，B}，它是在一个图像组中，k类型的帧的QD(i)k的均值与方差；f)ADI，它是相邻两个图像组I帧之间的绝对帧差；g)HEPk，k∈{I，P，B}，它一个图像组中各种类型帧的高频能量占整体能量的比值；iii.其中运动矢量特征包含了以下几组特征量，以MV(k；x，y)表示位于k类型帧(x，y)位置的宏块的运动矢量，MVH(k；x，y)、MVV(k；x，y)分别是其水平和垂直分量：a)MX、MY，它是运动矢量MV(k；x，y)的水平和垂直分量的最大值；b)MZ，它是静止宏块特征量： MZ = MM + MS 2 - - - ( 13 ) 其中，MM和MS定义如下： MM = min n ( Σ x = 1 8 Σ y = 1 8 | X M ( x , y ; n ) - X M R ( x , y ; n ) | ) n = 1,2 , . . . - - - ( 14 ) MS = max m ( Σ x = 1 8 Σ y = 1 8 | X S ( x , y ; m ) - X S R ( x , y ; m ) | ) m = 1,2 , . . . - - - ( 15 ) 式中，XM(x，y；n)是当前帧第n个运动宏块的(x，y)位置上的像素值，XMR(x，y；n)是在其参考帧相应位置上的像素值；类似的，XS(x，y；m)是当前帧第n个静止宏块的(x，y)位置上的像素值，XSR(x，y；m)是其在参考帧中相应位置上的像素值；c)MAXk，MAYk，MDXk，MDYk，k∈{P，B}，它们分别是运动矢量的相对误差在水平和垂直分量上的均值和方差，该相对误差是指当前解码获取的运动矢量MV(x，y)与最优运动矢量MV0(x，y)之间的距离，该最优运动矢量MV0(x，y)是利用一个基于TM5的全局搜索算法得出；其水平分量和垂直分量的相对误差计算公式如下： F H ( k ; x , y ) = | MVH ( k ; x , y ) - MV H 0 ( k ; x , y ) MVH 0 ( k ; x , y ) | - - - ( 16 ) F V ( k ; x , y ) = | MVV ( k ; x , y ) - MV V 0 ( k ; x , y ) MVV 0 ( k ; x , y ) | - - - ( 17 ) 式中MVH0(k；x，y)，MVV0(k；x，y)是K类型预测帧的最优运动矢量MV0(x，y)的水平和垂直分量；d)MC，匹配准则特征量： MC = 1 m Σ x Σ y R m ( x , y ) - - - ( 18 ) 其中，Rm(x，y)是第m个P帧中位于(x，y)的宏块的匹配因子，其定义为： R ( x , y ) = 1 if min i , j ( MAE ( i + MVH , j + MVV ) = MAE ( MVH , MVV ) i , j = - 1,0,1 0 otherwise - - - ( 19 ) 式中，MAE(x，y)函数是计算当前宏块与运动矢量(x，y)所指的参考宏块的之间平均绝对差；(4)建立3个分类器，并分别进行训练：针对不同活动性的图像组，采用不同的分类器，对于高活动性图像组，只使用运动矢量特征，低活动性图像组时只利用码率特征和纹理特征，中活动性图像组时同时使用三组特征量进行分类；(5)读取待检测视频来源的视频序列，对于其各个图像组，重复步骤(2)至(4)获取图像组的特征向量，根据其活动性选择相应的分类器并给出分类结果；(6)综合视频序列的所有图像组的分类结果进行最终判决。