基于几何均值分解和结构相似度同源视频时间域じ粗普程篡改快速检测及恢复方法.docVIP

基于几何均值分解和结构相似度同源视频时间域じ粗普程篡改快速检测及恢复方法 　　摘要 针对现有方法中篡改检测效率不高、定位不精确的问题，提出了一种基于几何均值分解（GMD和结构相似度（SSIM的同源视频复制-粘贴快速篡改检测及恢复的方法。首先，将视频转换为灰度图像序列。其次，将几何均值分解作为检测特征，提出了一个基于块的搜索策略来定位复制序列的起始帧。此外，算法首次将结构相似度用于度量视频两帧之间的相似度，并利用结构相似度对搜索策略得到的起始帧进行复检。由于复制视频序列对应两帧之间的相似度高于未篡改序列对应两帧之间的相似度，提出了一个基于结构相似度的从粗到精的方法来定位复制视频序列的末尾帧。最后，对视频进行恢复。与其他几种经典算法进行对比，实验结果表明，所提方法不仅能够检测经过复制-粘贴篡改操作的视频，而且能准确地定位复制-粘贴序列。此外，该方法在检测精度、召回率和检测时间上有较大提升。 　　关键词 复制粘贴检测；几何均值分解；视频篡改；结构相似度；视频取证 　　中图分类号 TP391.41 　　A0引言 　　当前，随着互联网的普及，人们能够轻易地通过网络获取各式各样的视频资源，这些视频资源丰富了日常生活。与此同时，功能强大的视频编辑软件不断涌现，使得非专业人员也可以方便地利用这些软件对视频进行编辑，并且常常能达到以假乱真的效果。尤其是一些经过精心伪造或者篡改的视频，用肉眼几乎无法察觉出异常。如果这些经过恶意篡改和伪造的视频被用于新闻媒体、科学发现和法庭证物等领域，不仅颠覆人们“眼见为实”的传统观念，而且也将给社会带来严重的危害。所以对于网络上广泛流传的视频，判别其真伪性成为一个亟待解决的难题。因此，数字视频篡改检测技术应运而生并成为当今国内外学者的研究热点。 　　视频的复制粘贴篡改是一种常见的视频篡改方式。该种篡改方式可分为：空间域篡改和时间域篡改。空间域的复制粘贴篡改是将视频内某一物体复制到同一视频帧的其他位置或者复制到其他视频帧内，以达到替换物体或者隐藏物体的篡改目的。对于时间域的视频复制粘贴篡改，又可分为同源视频时间域篡改和异源视频时间域篡改。同源视频时间域篡改就是在一个视频内，将一个视频子序列复制并插入到该视频序列其他时间段上，而异源视频时间域篡改就是将一个视频序列的子序列复制并插入到另外一个视频序列其他时间段上。通过时间域的复制粘贴篡改使视频在插入位置后出现插入视频序列的视频内容，进而改变了原始视频内容，这种篡改方式常被不法分子用来伪造一些场景和事件，以达到混淆视听的效果。篡改过程如图1所示。 　　图片 　　时间域的复制粘贴检测算法就是要判断一个待检测视频中是否存在如图1所示的两段完全一样的子序列，并通过检测算法将其快速地定位出来。 　　由于视频篡改检测研究起步较晚，对应的针对复制粘贴篡改方式的研究成果也较少。具有代表性的有Wang等[1]于2007年首次针对复制粘贴篡改提出的检测算法，该算法将视频序列分成许多个重叠的子序列，并利用复制粘贴篡改序列在时间域和空间域上具有很高的相关性这一特点，对重叠子序列进行全局搜寻对应的篡改序列。该方法虽然能有效检测出经过复制粘贴篡改操作的伪造视频，但由于将视频分成多个重叠的子序列，在搜寻篡改序列上较为耗时，而且子序列大小的划分对于算法的检测精度也有较大影响。Lin等[2]提出了一种由粗到细的匹配方法来检测时间域上的复制粘贴篡改。首先将视频序列划分为多个大小相等的子序列作为查询模板进行粗匹配，将相似度大于阈值的序列作为候选片段，再对候选片段进行细匹配，最终得到完整的视频篡改序列。该方法通过粗匹配筛选出候选片段，在一定程度上减少了运算量，降低了算法的检测时间；但在粗匹配过程中，查询模板大小的划分对于算法的检测精度具有较大的影响。文献[3]利用视频内容的连续性，通过统计分析预测的运动矢量来检测视频是否经过复制粘贴篡改。但该方法只能检测MPEG2编码格式的视频，而且当复制粘贴序列的帧数为图像组（Group of Pictures， GOP大小的倍数时，该方法将失效。文献[4]利用方向梯度直方图（Histogram of Oriented Gradients， HOG和视频压缩特性来检测视频时空域上的复制粘贴篡改。因为HOG特征具有抗旋转、噪声、尺度变换等特性，使检测算法的鲁棒性得到加强；但由于HOG特征的维数较高，导致算法的复杂性较高。陈智文等[5]将偏差矩阵引入视频复制粘贴篡改检测中，提取灰度、梯度信息进行视频篡改检测。该方法能够精确定位篡改序列，但在特征提取上花费较多时间。 　　上述介绍的复制粘贴检测算法虽然能够在特定场景有一定的效果，但多数算法都存在时间效率和检测精度不能兼顾的问题，而且一些算法只能检测特定编码格式的视频。除此之外，在精确定位篡改序列位置上多数算