基于主成分分析的视频帧内对象移除移除检测算法.docxVIP

基于主成分分析的视频帧内对象移除移除检测算法 0 基于目标的篡改检测 数字视频编码的取样已成为信号行业的研究热点。 目前国内外关于数字视频篡改取证检测的主要研究方法分为两类:主动取证和被动取证。主动取证技术是指将待取证的数字视频中预先嵌入验证信息如数字指纹或数字水印, 在取证的过程中通过验证所嵌入的验证信息是否完整来判断视频是否经过篡改, 但是由于需要事先将验证信息嵌入到生成的视频中, 主动取证技术有很大的局限性。被动取证技术又称为盲取证技术 针对视频帧内对象删除篡改操作, 文献[2]指出对篡改区域进行修复会破坏时域连续性, 导致视觉上的不连贯, 所以会产生“鬼影”, 于是针对视频修复时会产生“鬼影”提出一种新的篡改检测方法, 该方法对有损压缩视频的检测具有较强的鲁棒性, 但是其算法时间复杂度较高。文献[3]指出基于物体的篡改如移除物体后会通过后期的修复技术消除运动“鬼影”, 这些被移除的物体的边界或者边界附近始终会有留下篡改的痕迹, 并且篡改会破坏这些区域的统计特征, 利用小波系数和梯度信息提取特征并通过SVM (Support Vector Machine) 分类器进行分类, 从而实现篡改视频的检测;但是该方法需要利用样本数据库进行训练, 对样本数据库的依赖程度较高。文献[4]采用基于块的运动估计方法从相邻的视频帧中提取运动信息, 通过比较原始视频和篡改视频的运动矢量的大小和方向的差异, 检测视频是否经篡改;缺点是在遇到使用复杂的技术对目标人物进行删除篡改时, 由于提取运动矢量的差异会比较困难, 该方法可能会失效。文献[5]基于压缩感知理论使用KSVD (K-means Singular Value Decomposition) 算法对差异帧进行特征提取, 并构造高斯随机矩阵对特征进行测量获得低维压缩子空间, 获得的低维压缩子空间通过kmeans进行分类, 实现篡改视频帧的检测;但该方法不能定位具体的篡改位置。文献[6]针对动态物体被移除和帧复制的篡改, 提出一种利用原始帧和篡改帧之间的噪声变化的特征去检测篡改视频的被动取证方法, 该方法使用小波分解提取去噪后的视频帧的传感噪声特征, 再将使用EM (Expectation Maximization) 算法估计参数的GMD (Gaussian Mixture Density) 作为贝叶斯分类器对篡改视频进行分类最后得出检测结果;虽然利用噪声变化的特征可以检测篡改视频, 但是它对量化噪声敏感, 对于高压缩的视频会造成误检。文献[7]提出了一种可以自动识别基于目标的篡改并定位篡改位置的视频被动取证检测方法, 通过分析基于目标的篡改和图像隐写术之间的相似性, 将视频片段中的基于目标的篡改的检测转换为相应视频帧的运动残差中的隐藏数据的检测;但该方法对于低比特率的视频鲁棒性较差。文献[8]针对基于纹理和结构的视频目标移除篡改, 提出了一种利用Hessian矩阵的统计相关性来检测和定位篡改区域的方法;但该方法不能针对背景发生变化的视频进行检测。文献[9]利用光流不一致性来检测和定位篡改视频区域;但该方法检测精确度不高。文献[10]针对视频的logo被移除的篡改, 提出了一种新的篡改检测算法。该算法通过分析logo区域的空间和时域上的统计特性估计可疑区域, 然后使用SVM提取可疑区域的特征, 并将可疑区域和参考区域的特征进行比较, 从而判别可疑区域是否为篡改区域;但是对于logo被移除区域是非模糊的篡改该方法失效。 本文针对帧内对象删除篡改操作, 提出一种基于主成分分析 (Principal Component Analysis, PCA) 的视频帧内前景目标移除篡改检测算法。实验结果表明, 所提出算法可以有效检测静止背景下运动对象被移除的篡改, 并且对压缩视频有很好的鲁棒性。 1 差异帧检测方法 数字视频具有时域上连续的特性, 而帧内的对象删除篡改操作会破坏这种一致性, 虽然通过后期的修复技术可以掩盖篡改痕迹, 但是画面的不连贯很难修复。对于这种画面不连贯的情况, 为了使篡改痕迹显露, 本文对差异帧进行处理, 将处理的结果用二值图像来表示, 然后对所有处理后的差异帧进行图像形态学操作, 最后对每一帧的处理结果进行组合, 输出检测结果。 该检测算法的实现步骤为:1) 获取待测帧序列与基准帧的差异帧 (灰度化) ;2) 利用自适应稀疏算法对差异帧进行稀疏表示, 得到去噪后的差异帧;3) 将去噪后的差异帧分为h×h的非重叠图像块;4) 对差异帧进行PCA变换, 获得图像块降维后的特征向量空间, 接着利用得到的特征向量空间, 提取差异帧每个像素的特征向量;5) 对每个像素的特征向量使用kmeans进行聚类, 根据聚类结果构造差异帧的二值矩阵;6) 对所有处理后的差异帧进行图像形态学操作, 最