陳雪艷，時(shí) 黛

(內(nèi)蒙古民族大學(xué) 機(jī)械工程學(xué)院，內(nèi)蒙古 通遼 028000)

隨著三網(wǎng)融合工作的不斷深入推進(jìn)，媒體業(yè)務(wù)量隨之劇增，一些運(yùn)營機(jī)構(gòu)，如地方電視臺(tái)，出于商業(yè)利益，在原有電視節(jié)目的基礎(chǔ)上嵌入或插播其他商業(yè)信息的現(xiàn)象比較普遍，另外不法分子對(duì)媒體業(yè)務(wù)進(jìn)行篡改或插播等惡意操作現(xiàn)象也時(shí)有發(fā)生。2014 年8 月溫州有線電視臺(tái)遭“黑客”攻擊，用戶在收看電視節(jié)目時(shí)，屏幕中插播了大量的非法圖文信息，產(chǎn)生不可估量的負(fù)面效應(yīng)，且造成嚴(yán)重的經(jīng)濟(jì)損失。由于受眾群體規(guī)模龐大，多媒體業(yè)務(wù)的惡意操作會(huì)帶來惡劣的社會(huì)影響，已成為一個(gè)關(guān)系國家安全的問題。

國外很多學(xué)者針對(duì)視頻篡改檢測(cè)進(jìn)行了深入的研究，并取得了一定的成果。Weihong Wang 和Hany Rarid 提出了多種視頻篡改檢測(cè)算法:針對(duì)MPEG 視頻二次壓縮的篡改檢測(cè)［1］、基于灰度向量協(xié)方差的視頻篡改檢測(cè)［2］、一種用于隔行掃描和非隔行掃描的視頻篡改檢測(cè)［3］、二次量化MPEG 視頻篡改檢測(cè)［4］。Michihiro 等人根據(jù)各類型相機(jī)的噪聲模式相當(dāng)于其指紋這一特征，提出通過檢測(cè)篡改視頻中隱藏的噪聲特征不一致性判斷視頻是否被篡改［5］。Kancherla 等人根據(jù)篡改視頻和原始視頻幀差異性特征，通過提取幀運(yùn)動(dòng)殘留信號(hào)，利用Markov 模型提取每幀324 維特征，采用支持向量機(jī)進(jìn)行分類。由于特征維數(shù)較高，計(jì)算較復(fù)雜，所以此方法的分類準(zhǔn)確率較低［6］。

近年來，國內(nèi)對(duì)視頻篡改檢測(cè)的關(guān)注度也越來越高，研究范圍也逐漸拓寬。秦運(yùn)龍等人提出了一種針對(duì)MPEG 格式視頻［7］，通過判斷視頻P 幀運(yùn)動(dòng)矢量幅度與均值運(yùn)動(dòng)矢量的偏移量來檢測(cè)視頻是否發(fā)生插入或刪除篡改，并定位篡改點(diǎn)。Chao 等人利用視頻光流一致性特點(diǎn)，提出基于光流一致性的篡改檢測(cè)算法［8］。根據(jù)成像傳感器像素不均勻的特性，郭琳琳［9］等人采用小波濾波器提取視頻幀中的殘留噪聲，通過分析噪聲的頻譜差異實(shí)現(xiàn)摳像視頻的檢測(cè)。劉雨青［10］等人針對(duì)視頻中運(yùn)動(dòng)目標(biāo)從固定背景中移除的情況，通過篡改前后幀的能量分布連續(xù)性來檢測(cè)是否存在幀內(nèi)目標(biāo)的刪除，并根據(jù)能量可疑度大致對(duì)篡改區(qū)域進(jìn)行定位。

通過提取視頻特征進(jìn)行篡改檢測(cè)也是當(dāng)前的研究熱點(diǎn)，如提取時(shí)空特征、顏色特征及紋理特征［11］等進(jìn)行視頻篡改檢測(cè)。在特征提取的過程當(dāng)中，每一種特征都有其不足之處，單一特征往往不能全面表達(dá)圖像的可視信息。目前已經(jīng)有學(xué)者意識(shí)到了多特征融合的重要性，并提出了多特征融合的解決方案。如針對(duì)幀內(nèi)插入異源視頻的情況，李富貴等人提出一種多特征融合的異源視頻篡改檢測(cè)［12］，利用二維相位一致性及噪聲模式，提取視頻特征，并進(jìn)行特征融合，通過支持向量機(jī)分類實(shí)驗(yàn)證明檢測(cè)的有效性。多特征融合使得問題得到了較好的解決。如何對(duì)視覺特征進(jìn)行有效融合，從而實(shí)現(xiàn)高效準(zhǔn)確的視頻篡改檢測(cè)，是該領(lǐng)域需要研究的關(guān)鍵問題。本文介紹一種新的多特征融合的篡改檢測(cè)算法:結(jié)合LM 算法對(duì)BFGS 進(jìn)行改進(jìn)，用改進(jìn)的BFGS 神經(jīng)網(wǎng)絡(luò)對(duì)視頻特征進(jìn)行融合篡改檢測(cè)，實(shí)現(xiàn)了良好的檢測(cè)效果。

1 視頻特征選取

為了快速有效地鑒別視頻是否被篡改，應(yīng)選取視頻特征量，平均梯度和信息熵對(duì)視頻幀信息的評(píng)價(jià)較為全面，并且算法簡單，所以本文選擇平均梯度和信息熵作為特征量。

1.1 平均梯度

平均梯度［13］(average energy gradient)是圖像質(zhì)量的評(píng)價(jià)函數(shù)，指圖像的邊界或影線兩側(cè)附近灰度有明顯差異。它反映了圖像對(duì)細(xì)節(jié)對(duì)比的表達(dá)能力。平均梯度Aeg 定義為

式中: F( i，j) 為圖像的第i 行，第j 列的灰度值; M 為圖像的總行數(shù); N 為圖像的總列數(shù)。

1.2 信息熵

熵用來表征圖形灰度分布的聚集特性，也是一種信息量的描述，假設(shè)信息量為I(xk)，則I(xk)在離散數(shù)值上的平均值稱之為信息熵(information entropy)。信息熵H(X)定義為

但是一維信息熵不能反映圖像灰度分布的空間特征，為了將這種空間特征有效的表示出來，需要在一維熵的基礎(chǔ)上引進(jìn)能夠反映灰度分布空間特征的特征量來組成圖像的二維熵，其定義式為

通常，單一特征不能很好地表現(xiàn)出每幅圖像的顯著特征，從而影響檢測(cè)效果，多特征融合能夠改善這種情況，進(jìn)一步提高檢測(cè)效率，如圖1 所示。

圖1 單一特征檢測(cè)效果

2 視頻篡改檢測(cè)

2.1 改進(jìn)的BFGS 神經(jīng)網(wǎng)絡(luò)

BFGS 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法是最優(yōu)化理論中一類典型的擬牛頓法，但該算法計(jì)算Hessian 矩陣時(shí)很復(fù)雜，雖然精確度高，但代價(jià)也很大，而相對(duì)于BFGS，LM 算法的收斂速度快，所以本文從Hessian 矩陣入手，在BFGS 算法中的近似Hessian 矩陣不滿足迭代要求時(shí)引入LM 算法進(jìn)行融合改進(jìn)，以彌補(bǔ)BFGS 算法的不足。

2.1.1 BFGS 算法

BFGS 算法公式為

其中，δk=xk－xk－1，γk=gk－gk－1，gk為函數(shù)f 在xk處的梯度值。

Al－Baali 和Fletcher 提出如下測(cè)試公式，用來表征近似的Hessian 和Hessian 之間的誤差。

2.1.2 算法步驟

BFGS 算法收斂所需的步長較小，所以迭代過程中所需要的儲(chǔ)存空間及計(jì)算量比LM 大，因此在保證Hessian 矩陣誤差可接受時(shí)，選擇LM 算法。采用本算法的結(jié)果可以保證γk比較大時(shí)Bk同樣具有對(duì)稱正定性，保證結(jié)果可靠性。

步驟1:確定初始點(diǎn)X(0)和初始矩陣B0=In及精確度ε ＞0;

步驟2:若 Δf(x(0))＜ε 停止，返回極小值點(diǎn);

步驟3:取p(0)=－B0Δf(x(0));

步驟4:通過線性搜索法，不斷迭代求出極小值點(diǎn)x(k);

步驟5:更新Hessian 矩陣

其中:LM(A，λ)=(AAT+λATT)，ATT=diag(AAT)，λ 為阻尼系數(shù)，A 為Jacobian 矩陣。λATT的引入是為了防止BK在極值點(diǎn)的附近出現(xiàn)病態(tài)。

步驟6:返回，繼續(xù)迭代。

為了證明本文算法的優(yōu)越性，選取一簡單二元二次方程作為實(shí)驗(yàn)函數(shù)，在不同初值的情況下，通過LM 算法，BFGS 算法和改進(jìn)的BFGS 算法進(jìn)行求解，得到的收斂次數(shù)如圖2 所示?？梢钥闯觯疚乃惴ㄒ仍兴惴ㄊ諗靠?。

圖2 收斂次數(shù)對(duì)比圖

2.2 篡改檢測(cè)模型

神經(jīng)網(wǎng)絡(luò)的工作原理和結(jié)構(gòu)特點(diǎn)決定了它非常適于進(jìn)行特征融合的檢測(cè)。提取特征向量輸入改進(jìn)的BFGS 神經(jīng)網(wǎng)絡(luò)進(jìn)行融合分類，使用訓(xùn)練好的BFGS 網(wǎng)絡(luò)對(duì)查詢視頻進(jìn)行篡改檢測(cè)。具體流程如圖3 所示。

圖3 檢驗(yàn)流程圖

首先提取參考視頻的特征，即平均梯度和信息熵，進(jìn)行融合，并作為測(cè)試樣本集訓(xùn)練BFGS 神經(jīng)網(wǎng)絡(luò);對(duì)于查詢視頻，采用相同的方法選提取視頻特征，進(jìn)行特征融合，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)查詢視頻進(jìn)行訓(xùn)練，得到多特征融合檢測(cè)結(jié)果。

3 結(jié)果

本文首先選用一段正常場(chǎng)景的視頻，記為視頻A，將它導(dǎo)入MATLAB2014a 中，然后在Simulink 中進(jìn)行視頻篡改，在視頻的上方添加游走字幕，得到視頻B，如圖4 所示。

圖4 視頻篡改圖

各提取A、B 視頻的前1 000 幀特征，訓(xùn)練BFGS 神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)用于20 段不同場(chǎng)景所拍攝視頻的篡改檢測(cè)。將該算法與文獻(xiàn)［14］中基于SURF 的視頻篡改檢測(cè)算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果如圖5 所示。由此可見，本文算法對(duì)視頻篡改進(jìn)行檢測(cè)的效果良好，準(zhǔn)確率在98%以上。

圖5 視頻篡改檢測(cè)率對(duì)比圖

在實(shí)驗(yàn)過程中發(fā)現(xiàn)，若采用復(fù)雜光線下拍攝的視頻，會(huì)使得篡改檢測(cè)率偏低，對(duì)此進(jìn)行深入研究時(shí)發(fā)現(xiàn)，在提取純色視頻幀和正常視頻幀的特征值時(shí)，復(fù)雜光線情況下的視頻特征值變化大，從而使BFGS 神經(jīng)網(wǎng)絡(luò)在篡改檢測(cè)時(shí)出現(xiàn)較低的檢測(cè)率。如表1 所示。該復(fù)雜光線現(xiàn)象因光線短時(shí)間內(nèi)發(fā)生急劇變化而導(dǎo)致，對(duì)于正常拍攝的視頻，通常不會(huì)出現(xiàn)此現(xiàn)象。

表1 視頻檢測(cè)率

4 總結(jié)

本文將BFGS 神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，并應(yīng)用于視頻篡改檢測(cè)，通過不同設(shè)備和不同環(huán)境下的視頻的檢測(cè)結(jié)果可知，準(zhǔn)確率平均達(dá)到98%以上，且該方法可以應(yīng)用于所有情況下的幀內(nèi)復(fù)制－粘貼視頻篡改檢測(cè)。

［1］WANG W，F(xiàn)AFID H. Exposing digital forgeries in video by detecting double MPEG compression［C］//Proc. International Multimedia Conference on Proceeding of the 8th Workshop on Multimedia and Security.Geneva，Switzerland:［s.n.］，2006:37－47.

［2］WANG W，F(xiàn)ARID H. Exposing digital forgeries in video by detecting duplication［C］//Proc.International Multimedia Conference on Preceeding of the 9th Workshop on Multimedia and Security. Dallas，Texas，USA:［s.n.］，2007:35－42.

［3］WANG W，F(xiàn)ARID H. Exposing digital forgeries in interlaced and de－interlaced video［J］.IEEE Trans.Information Forensics and Security，2007，2(3):438－449.

［4］WANG W，F(xiàn)ARID H. Exposing digital forgeries in video by detecting double quantization［C］//Proc. the 11th ACM Workshop on Multimedia and Security. Princton，NJ，USA:［s.n.］，2009:39－48.

［5］MICHIHIRO K，THKAHIRO O，YOICHI S.Detecting video forgeries based on noise characteristics［C］//Proc. the 3rd Pacific Rim Symposium on Advances in Image and Video Technology.Germany:springer Verlag，2009:306－317.

［6］KANCHERLA K，MUKKAMALA S. Novel blind video forgery detection using Markov models on motion residue intelligent information and database systems［M］. Berlin Heidelberg:Springer，2012.

［7］秦運(yùn)龍，孫廣玲，張新鵬.利用運(yùn)動(dòng)矢量進(jìn)行視頻篡改檢測(cè)［J］.計(jì)算機(jī)研究與發(fā)展，2009，(46):227－233.

［8］CHAO J，JIANG X H，SUN T F. A new video inter－frame tampering detection method based on optical flow consistency［C］//Proc.the 11th International Work－shop on Digital－forensics and Watermarking.Shanghai:Springer，2012:25－27.

［9］郭琳琳，張靜，蘇育挺.一種基于模式噪聲的視頻摳像檢測(cè)算法［J］.四川大學(xué)學(xué)報(bào):自然科學(xué)版，2011，48(4):777－782.

［10］劉雨青，黃添強(qiáng).基于時(shí)空域能量可疑度的視頻篡改檢測(cè)與篡改區(qū)域定位［J］.南京大學(xué)學(xué)報(bào):自然科學(xué)版，2014，50(1):61－71.

［11］陳秀新，賈克斌，魏世昂.基于關(guān)鍵幀顏色和紋理特征的視頻拷貝檢測(cè)［J］.電視技術(shù)，2012，36(15):36－39.

［12］李富貴，黃添強(qiáng)，蘇立超，等.融合多特征的異源視頻復(fù)制－粘貼篡改檢測(cè)［J］.山東大學(xué)學(xué)報(bào):工學(xué)版，2013(4):32－38.

［13］陳超，江濤，徐文學(xué).基于平均梯度的多聚焦圖像融合方法研究［J］.山東建筑大學(xué)學(xué)報(bào)，2009，2(24):133－137.

［14］譚茂洲.基于時(shí)空特征的視頻篡改被動(dòng)檢測(cè)技術(shù)研究［D］.上海:上海交通大學(xué)，2012.