唐洪瓊, 張英男, 楊曉元

(武警工程大學(xué)密碼工程學(xué)院，西安 710086)

以數(shù)字圖像為媒介的信息隱藏取得了廣泛的研究[1]，隨著網(wǎng)絡(luò)技術(shù)和視頻編碼技術(shù)的成熟，數(shù)字視頻水印技術(shù)和數(shù)字視頻隱寫(xiě)技術(shù)[2-4]同樣得到了廣泛研究。目前視頻隱寫(xiě)主要根據(jù)嵌入位置的不同分為前置嵌入、內(nèi)置嵌入和后置嵌入[3]。前置嵌入通常需要結(jié)合糾錯(cuò)編碼；后置嵌入主要對(duì)壓縮的視頻流碼字進(jìn)行操作，嵌入容量有限；內(nèi)置嵌入具有豐富的嵌入載體，相關(guān)研究最為深入。

主流的內(nèi)置嵌入主要集中在視頻編碼的幀內(nèi)預(yù)測(cè)、運(yùn)動(dòng)估計(jì)、運(yùn)動(dòng)矢量和殘差壓縮過(guò)程。其中，基于運(yùn)動(dòng)矢量的視頻隱寫(xiě)算法被廣泛研究。Xu等[5]提出對(duì)具有較大幅度的運(yùn)動(dòng)矢量分量的最低有效位(least significant bit，LSB)進(jìn)行信息嵌入。Aly[6]選擇具有較高預(yù)測(cè)誤差的宏塊運(yùn)動(dòng)矢量的LSB作為信息嵌入的載體。Cao等[7]引入濕紙編碼(wet paper codes，WPC)對(duì)運(yùn)動(dòng)估計(jì)過(guò)程進(jìn)行擾動(dòng)，算法有較好的安全性。Cao等[8]研究發(fā)現(xiàn)編碼器端對(duì)運(yùn)動(dòng)矢量進(jìn)行修改在解碼端仍有可能滿足局部最優(yōu)性，并設(shè)計(jì)失真代價(jià)函數(shù)，引入校驗(yàn)格編碼STC對(duì)運(yùn)動(dòng)矢量進(jìn)行信息嵌入。Yao等[9]將時(shí)域的統(tǒng)計(jì)分布變化和預(yù)測(cè)誤差變化相結(jié)合，設(shè)計(jì)失真代價(jià)函數(shù)并利用雙層STC進(jìn)行信息的嵌入，提高了隱寫(xiě)安全性，并具有較好的視頻質(zhì)量。Zhang等[10]將在一定搜索范圍內(nèi)滿足局部最優(yōu)性并與原始運(yùn)動(dòng)矢量奇偶性相反的運(yùn)動(dòng)矢量作為隱寫(xiě)載體，隱寫(xiě)后的運(yùn)動(dòng)矢量仍然具備局部最優(yōu)性。王麗娜等[11]形式化證明對(duì)宏塊復(fù)雜度小的宏塊運(yùn)動(dòng)矢量進(jìn)行修改有利于保持局部最優(yōu)性，提出了一種基于宏塊復(fù)雜的自適應(yīng)(adaptive macroblock complexity，AMC)視頻運(yùn)動(dòng)矢量隱寫(xiě)算法。

目前針對(duì)基于運(yùn)動(dòng)矢量隱寫(xiě)的隱寫(xiě)分析從運(yùn)動(dòng)矢量局部最優(yōu)性異常和運(yùn)動(dòng)矢量相關(guān)性異常進(jìn)行特征構(gòu)造。Wang等[12]提出的AoSO(add-or-subtract-one)特征用于局部最優(yōu)性異常分析。王麗娜等[13]提出一種基于共生頻率異常的運(yùn)動(dòng)矢量相關(guān)性度量方法，并提出基于相關(guān)性異常的隱寫(xiě)分析方法，具有較高的檢測(cè)正確率和速度。

目前基于運(yùn)動(dòng)矢量的視頻隱寫(xiě)方法，無(wú)論是基于隱寫(xiě)載體直接修改[5-6,11]，還是基于最小化失真框架[8-10]，都未考慮到對(duì)運(yùn)動(dòng)矢量不同分量的修改會(huì)造成統(tǒng)計(jì)特性的不同程度變化，而是認(rèn)為運(yùn)動(dòng)矢量分量的修改對(duì)統(tǒng)計(jì)特性的變化是無(wú)差別的。實(shí)驗(yàn)研究表明，運(yùn)動(dòng)矢量不同分量的隨機(jī)修改會(huì)造成分量的統(tǒng)計(jì)特性不同程度的變化?；诖?，引入歸一化互信息(normalized mutual information，NMI)[14]對(duì)運(yùn)動(dòng)矢量分量的相關(guān)性進(jìn)行衡量，并通過(guò)選擇策略選擇相鄰相關(guān)性小的分量LSB作為隱寫(xiě)載體，為了能夠盡量保持運(yùn)動(dòng)矢量的局部最優(yōu)性，定義了宏塊復(fù)雜度測(cè)度函數(shù)，并將其作為修改運(yùn)動(dòng)矢量的代價(jià)，在最小化失真框架下[15]進(jìn)行信息的嵌入。

1 視頻編碼與視頻隱寫(xiě)

1.1 視頻編碼

圖1 視頻幀間壓縮Fig.1 Video inter-frame compression

1.2 運(yùn)動(dòng)矢量隱寫(xiě)

基于運(yùn)動(dòng)矢量的隱寫(xiě)以嵌入操作Emb(·)對(duì)運(yùn)動(dòng)矢量進(jìn)行修改，如式(1)，常見(jiàn)的有LSB修改、隨機(jī)匹配修改和編碼修改等。編碼器通過(guò)攜密運(yùn)動(dòng)矢量(h′,v′)獲得新的參考?jí)K并計(jì)算殘差，然后進(jìn)行量化和編碼。運(yùn)動(dòng)矢量改變后，殘差和參考?jí)K相應(yīng)的被重新編碼，因此隱寫(xiě)視頻質(zhì)量不會(huì)造成明顯的失真，即隱寫(xiě)視頻主觀上具有不可感知性。另外，視頻壓縮將產(chǎn)生的運(yùn)動(dòng)矢量，為隱寫(xiě)提供了豐富的載體。

(h′,v′)=Emb (h,v)

(1)

1.3 統(tǒng)計(jì)特性

目前針對(duì)運(yùn)動(dòng)矢量隱寫(xiě)的分析主要通過(guò)運(yùn)動(dòng)矢量的局部最優(yōu)性[12]異常和相鄰相關(guān)性[13]異常進(jìn)行特征構(gòu)造，其設(shè)計(jì)思路借鑒圖像隱寫(xiě)分析中的“預(yù)處理+特征提取+分類(lèi)”處理流程[16]。通過(guò)運(yùn)動(dòng)估計(jì)匹配的參考?jí)K在匹配范圍內(nèi)滿足匹配準(zhǔn)則的局部最優(yōu)性，一般通過(guò)當(dāng)前塊和匹配塊之間的絕對(duì)誤差和(sum of absolute differences，SAD)選擇最優(yōu)的參考?jí)K。改變運(yùn)動(dòng)矢量會(huì)導(dǎo)致參考?jí)K發(fā)生變化，破壞運(yùn)動(dòng)矢量最優(yōu)性，產(chǎn)生最優(yōu)性異常。為了對(duì)視頻進(jìn)行有效的壓縮，視頻幀會(huì)被劃分成若干宏塊，理論上來(lái)說(shuō)，相鄰宏塊具有相同或近似的運(yùn)動(dòng)矢量[13]。隱寫(xiě)對(duì)運(yùn)動(dòng)矢量進(jìn)行修改，從而使之與相鄰的矢量不再?gòu)?qiáng)相關(guān)，出現(xiàn)相鄰相關(guān)性異常。

以文獻(xiàn)[11]AMC隱寫(xiě)算法為例，在運(yùn)動(dòng)矢量損壞比(corrupted MV ratio，CMVR)為0.2下進(jìn)行信息嵌入。引入相對(duì)熵來(lái)衡量隱寫(xiě)前后運(yùn)動(dòng)矢量的分布差異變化，相對(duì)熵也稱(chēng)為KL散度(Kullback Leibler divergence)，定義為

(2)

式(2)中：P和Q分別為真實(shí)分布和擬合分布。對(duì)4段視頻序列bus、city、mobile、silent進(jìn)行隱寫(xiě)，按式(2)計(jì)算視頻每幀的不同分量隱寫(xiě)前后的KL散度并繪制隱寫(xiě)視頻所有幀的KL散度的箱形圖，結(jié)果如圖2所示，紅色點(diǎn)為異常的KL散度值(即隱寫(xiě)算法對(duì)幀的分量分布造成了明顯破壞)，紅色虛線代表所有KL散度均值，綠色虛線代表KL散度中位數(shù)?？梢钥闯觯[寫(xiě)對(duì)不同視頻序列的運(yùn)動(dòng)矢量分布會(huì)產(chǎn)生不同的影響；對(duì)同一序列不同分量分布也會(huì)產(chǎn)生不同影響。改變運(yùn)動(dòng)矢量分布情況，必然造成相鄰相關(guān)性異常。實(shí)驗(yàn)證明，隱寫(xiě)算法對(duì)運(yùn)動(dòng)矢量不同分量的統(tǒng)計(jì)特性影響程度存在差異，這一發(fā)現(xiàn)為后面載體選擇提供了依據(jù)。

圖2 隱寫(xiě)對(duì)不同分量分布的影響Fig.2 The effect of steganography on the distribution of different components

2 隱寫(xiě)算法與提取算法

2.1 相關(guān)性衡量與載體選擇

運(yùn)動(dòng)矢量隱寫(xiě)會(huì)造成運(yùn)動(dòng)矢量與相鄰未隱寫(xiě)的運(yùn)動(dòng)矢量出現(xiàn)相關(guān)性異常。如圖2所示，KL散度分布越分散，相鄰相關(guān)性破壞越嚴(yán)重。為了衡量運(yùn)動(dòng)矢量之間的相鄰相關(guān)性，引入信息論中的歸一化互信息，互信息可以用來(lái)衡量?jī)蓚€(gè)變量之間的相關(guān)性，離散變量X和Y的互信息定義為

(3)

式(3)中：ξ、ψ分別為X和Y的樣本空間；p(x)、p(y)為樣本空間的邊緣分布；p(x,y)為ξ、ψ的聯(lián)合概率分布。進(jìn)一步的，歸一化互信息定義為

(4)

式(4)中：H(X)、H(Y)為X、Y的信息熵。宏塊在運(yùn)動(dòng)估計(jì)時(shí)會(huì)參考相鄰已編碼宏塊的運(yùn)動(dòng)矢量并構(gòu)造自己匹配塊搜索起點(diǎn)，主要考慮4個(gè)方向上的相鄰相關(guān)性，方向集合記作D={→,↓,,}，分別表示從左向右、從上往下、右下、左下4個(gè)方向。通過(guò)運(yùn)動(dòng)估計(jì)和運(yùn)動(dòng)補(bǔ)償，當(dāng)前幀的所有運(yùn)動(dòng)矢量組成一個(gè)運(yùn)動(dòng)矢量矩陣M。對(duì)M的2個(gè)分量從4個(gè)方向進(jìn)行掃描得到分量掃描鏈[13]，即

(5)

(6)

式中：Sh和Sv分別為水平分量和垂直分量的掃描鏈集合。將運(yùn)動(dòng)矢量分量的相關(guān)性可定義為掃描鏈集合的歸一化互信息的均值，公式表達(dá)為

(7)

如圖3所示，給出了隱寫(xiě)算法AMC[11]對(duì)序列mobile進(jìn)行隱寫(xiě)后，原始視頻運(yùn)動(dòng)矢量垂直分量的歸一化互信息和隱寫(xiě)前后垂直分量KL散度的聯(lián)合分布圖?？梢钥闯?，隱寫(xiě)前后運(yùn)動(dòng)分量分布的KL散度與未隱寫(xiě)運(yùn)動(dòng)分量的相鄰相關(guān)性(歸一化互信息)存在正相關(guān)關(guān)系。如果對(duì)具有較大相鄰相關(guān)性的分量進(jìn)行隱寫(xiě)，會(huì)導(dǎo)致隱寫(xiě)前后分量分布的KL散度更大，統(tǒng)計(jì)特性破壞更加明顯。因此，在隱寫(xiě)時(shí)應(yīng)該選擇相鄰相關(guān)性更小的運(yùn)動(dòng)矢量分量進(jìn)行隱寫(xiě)，能夠減少對(duì)分量分布的破壞。

圖3 分量歸一化互信息和隱寫(xiě)分量分布變化關(guān)系Fig.3 Relationship between NMI of component and distribution of steganographic components

2.2 代價(jià)函數(shù)設(shè)計(jì)與STC編碼

(8)

不失一般性，設(shè)m≥n，可以將重建塊進(jìn)一步劃分成N=m/n個(gè)大小為n×n的子圖像塊。Hi表示使用Hilbert空間填充曲線對(duì)第i個(gè)子圖像塊進(jìn)行掃描得到的像素序列。

STC是一種基于最小化失真框架的編碼，能夠在給定嵌入失真代價(jià)函數(shù)條件下最小化加性失真[15]。嵌入和提取如式(9)和式(10)所示。

(9)

ExtSTC(y)=Hy=m

(10)

式中:x為隱寫(xiě)載體;y為攜密載體;Γ為代價(jià)向量，即修改載體的代價(jià);m={0,1}αn為待嵌信息,α為嵌入率，n為載體長(zhǎng)度，安全的隱寫(xiě)嵌入率一般不超過(guò)0.5，使用CMVR作為嵌入率;c(m)為m對(duì)應(yīng)的陪集;H為通信雙方通信秘鑰確定的奇偶校驗(yàn)矩陣;D(x,y)為隱寫(xiě)載體x修改為y所付出的代價(jià)和。

選擇運(yùn)動(dòng)矢量分量的最低有效位作為隱寫(xiě)載體，進(jìn)行信息嵌入后，對(duì)原始載體進(jìn)行LSB匹配修改以滿足嵌入要求，規(guī)則如式(11)所示:

(11)

式(11)中：E(·)為原始載體的均值；c和s為隱寫(xiě)前后的運(yùn)動(dòng)矢量分量。如果第i個(gè)運(yùn)動(dòng)分量需要被修改，則根據(jù)當(dāng)前分量的值和原始分量的均值大小關(guān)系按式(11)進(jìn)行LSB匹配修改。

2.3 隱寫(xiě)算法

隱寫(xiě)算法描述如下。

步驟1循環(huán)遍歷當(dāng)前幀的所有宏塊，對(duì)其進(jìn)行正常的運(yùn)動(dòng)估計(jì)和和補(bǔ)償，記錄下相應(yīng)重建宏塊的復(fù)雜度和運(yùn)動(dòng)矢量。

步驟2以重建宏塊的復(fù)雜度構(gòu)造隱寫(xiě)失真代價(jià)。

步驟3根據(jù)式(4)和式(5)對(duì)水平分量和垂直分量進(jìn)行掃描得到Sh、Sv。

步驟4根據(jù)式(7)計(jì)算Sh、Sv相關(guān)性，并選擇相關(guān)性小的掃描鏈對(duì)應(yīng)的分量構(gòu)造隱寫(xiě)載體x。

步驟5根據(jù)步驟2得到的失真代價(jià)函數(shù)，使用STC編碼進(jìn)行信息嵌入，得到攜密載體y。

步驟6根據(jù)得到的攜密載體對(duì)原始的運(yùn)動(dòng)分量進(jìn)行LSB匹配修改，如式(11)所示。

步驟7對(duì)運(yùn)動(dòng)矢量被修改的宏塊進(jìn)行運(yùn)動(dòng)補(bǔ)償?shù)玫叫畔⒌闹亟ê陦K。

步驟8完成一幀的信息嵌入，得到重建幀。

實(shí)際上，通信接收方提取時(shí)需要知道信息被嵌入到運(yùn)動(dòng)矢量水平分量還是垂直分量。其實(shí)并不難，可以根據(jù)通信雙方的密鑰來(lái)決定而非通過(guò)式(7)決定，后續(xù)幀按照式(7)選擇嵌入分量，并將選擇信息同秘密信息嵌入到前一幀中，因此在提取并解密出秘密消息后，后一幀的嵌入分量隨之獲得。另外，還可將第一幀的嵌入分量信息按照約定的格式混淆到待嵌信息并嵌入到第一幀，接受方分別對(duì)第一幀的水平和垂直分量進(jìn)行信息提取并解密，通過(guò)約定的格式便可判斷信息嵌入的分量，進(jìn)一步的獲取后續(xù)幀的嵌入分量。

2.4 提取算法

提取流程相對(duì)簡(jiǎn)單，只需要使用通信秘鑰產(chǎn)生奇偶校驗(yàn)矩陣，然后對(duì)隱寫(xiě)視頻的隱寫(xiě)分量的最低有效位按照式(10)進(jìn)行提取即可。通常，為了提高嵌入信息的安全性，嵌入之前會(huì)對(duì)秘密信息借助密碼學(xué)手段進(jìn)行加密操作，因此提取信息后還需要進(jìn)行解密操作才可以獲得真正的秘密信息。

圖4 全部測(cè)試視頻序列Fig.4 All of the test video sequences

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)樣本為34段CIF YUV420格式未壓縮的視頻序列，如圖4所示。本文算法及對(duì)比算法基于Xvid-1.3.2開(kāi)源MPEG-4編解碼框架實(shí)現(xiàn)。為了保證算法對(duì)比的有效性，對(duì)所有嵌入幀的宏塊大小統(tǒng)一為16×16，無(wú)特殊說(shuō)明，壓縮碼率為1 000 Kb/s，以運(yùn)動(dòng)矢量損壞比CMVR表示嵌入率α，每種算法都在CMVR={0.1，0.2，0.3，0.4}進(jìn)行信息嵌入。對(duì)比算法來(lái)自文獻(xiàn)[5-7,10-11]。綜合嵌入容量、安全性等因素，文獻(xiàn)[5]和文獻(xiàn)[6]嵌入閾值為0，即文獻(xiàn)[5]選擇運(yùn)動(dòng)矢量分量絕對(duì)值大于0的宏塊，文獻(xiàn)[6]選擇殘差大于0的宏塊，文獻(xiàn)[7]的次優(yōu)閾值選取為1.1。

3.2 不可感知性

隱寫(xiě)算法首要性能要求是隱寫(xiě)視頻必須具備不可感知性。通常，可以從主觀和客觀兩個(gè)方面進(jìn)行測(cè)試，從客觀指標(biāo)進(jìn)行不可感知測(cè)量。常見(jiàn)的評(píng)價(jià)指標(biāo)包括峰值信噪比PSNR和結(jié)構(gòu)相似性SSIM，其定義如式(12)和式(13)所示。

(12)

(13)

式中：MSE(x,y)為均方誤差；MAX為像素的最大值255；μx、σx和μy、σy分別為圖像x、y的均值和方差；σxy為協(xié)方差；c1、c2為常數(shù)。

為了更加清晰比較隱寫(xiě)視頻的PSNR和SSIM相對(duì)于原始視頻的變化程度，使用DPSNR和DSSIM表示其變化率，定義為

(14)

(15)

式中：o為未壓縮的視頻序列；c和s分別為原始?jí)嚎s視頻和隱寫(xiě)視頻。

如圖5所示，給出了對(duì)比算法和本文算法在嵌入率CMVR={0.2，0.4}下，部分隱寫(xiě)視頻的PSNR變化和SSIM變化情況。其中橫坐標(biāo)1～6分別代表視頻序列highway、night、bridge、crew、football和walk的序號(hào)?？梢钥闯?，不同隱寫(xiě)算法對(duì)PSNR和SSIM影響程度存在差異?？傮w來(lái)說(shuō)，文獻(xiàn)[5]算法和文獻(xiàn)[6]算法表現(xiàn)較差，文獻(xiàn)[7]算法和文獻(xiàn)[11]算法次之，本文算法和文獻(xiàn)[10]算法保持一致。在CMVR=0.2時(shí)，DPSNR和DSSIM不超過(guò)0.25%和0.20%；在較高嵌入率CMVR=0.4時(shí)，本文算法在5號(hào)(football)序列表現(xiàn)略差于文獻(xiàn)[10]算法，但DPSNR還是DSSIM都好于其他對(duì)比算法。因此，本文算法對(duì)視頻進(jìn)行隱寫(xiě)后能夠保持較高的視覺(jué)質(zhì)量，滿足隱寫(xiě)不可感知性的要求。

圖5 部分測(cè)試視頻PSNR和SSIM變化Fig.5 PSNR and SSIM variationfor parts of sequences

3.3 比特率變化

隱寫(xiě)不僅對(duì)隱寫(xiě)視頻視覺(jué)質(zhì)量會(huì)產(chǎn)生影響，由于修改運(yùn)動(dòng)矢量可能導(dǎo)致殘差增大，需要更多的比特對(duì)量化殘差進(jìn)行編碼，因此還會(huì)造成視頻比特率(bit rate，BR)的增加。因此，定義比特率增長(zhǎng)(BR increment，BRI)率來(lái)刻畫(huà)這一變化，其定義為

(16)

式(16)中：BRc和BRs分別為隱前后視頻的比特率。由于視頻編碼器會(huì)動(dòng)態(tài)的改變殘差塊的量化參數(shù)以調(diào)節(jié)壓縮強(qiáng)度，從而達(dá)到以目標(biāo)比特率進(jìn)行壓縮的要求。因此，為了有效地反映出隱寫(xiě)算法對(duì)視頻比特率的影響，排除編碼器動(dòng)態(tài)改變壓縮強(qiáng)度造成的比特率波動(dòng)，在算法進(jìn)行信息嵌入時(shí)，將量化參數(shù)統(tǒng)一設(shè)置為4，保證所有宏塊的殘差以相同的壓縮強(qiáng)度進(jìn)行壓縮。

表1給出了3.2節(jié)中的6段視頻序列使用不同隱寫(xiě)算法以嵌入率CMVR={0.2，0.4}進(jìn)行隱寫(xiě)后，比特率相比于未隱寫(xiě)視頻的比特率增長(zhǎng)情況?？梢钥闯?，除文獻(xiàn)[10]算法外，本文算法的比特率表現(xiàn)好于其他對(duì)比算法。在低嵌入率CMVR=0.2下，本文算法的比特率增長(zhǎng)控制在0.31%～0.70%，與文獻(xiàn)[10]算法0.17%～1.27%的增長(zhǎng)相比，基本一致。在高嵌入率CMVR=0.4條件下，本文算法在4號(hào)序列(bridge)上的比特增長(zhǎng)最高為2.35%，與文獻(xiàn)[11]算法的2.03%和文獻(xiàn)[10]算法的2.16%不相上下，但在其他視頻序列上，本文算法的比特增長(zhǎng)僅次于文獻(xiàn)[10]算法，優(yōu)于其他對(duì)比算法。因此，本文算法對(duì)視頻的比特率并不會(huì)產(chǎn)生明顯的影響。

表1 比特率增長(zhǎng)對(duì)比

3.4 抗隱寫(xiě)檢測(cè)

基于前文分析，運(yùn)動(dòng)矢量隱寫(xiě)會(huì)導(dǎo)致運(yùn)動(dòng)矢量的相關(guān)性和最優(yōu)性的異常，可能被已知或潛在的隱寫(xiě)分析方法所檢測(cè)，導(dǎo)致隱蔽通信這一事實(shí)暴露。因此，隱寫(xiě)算法應(yīng)該具備一定的抗隱寫(xiě)檢測(cè)能力以保證算法的安全性。本節(jié)進(jìn)行了隱寫(xiě)檢測(cè)實(shí)驗(yàn)，通過(guò)在不同比特率BR={500 Kb/s，1 000 Kb/s}壓縮下使用不同嵌入率CMVR={0.1，0.2，0.3，0.4}對(duì)視頻進(jìn)行隱寫(xiě)。分別使用針對(duì)運(yùn)動(dòng)矢量局部最優(yōu)性異常AoSO[12](18維)和相鄰相關(guān)性異常[13](392維)的特征提取器對(duì)隱寫(xiě)視頻進(jìn)行特征提取，使用LibSVM[17]工具箱對(duì)特征進(jìn)行分類(lèi)模型的訓(xùn)練，兩種特征訓(xùn)練時(shí)都采用高斯核進(jìn)行分類(lèi)器的訓(xùn)練。

為了保證足夠的訓(xùn)練和測(cè)試樣本，壓縮編碼時(shí)僅將第一幀設(shè)置為關(guān)鍵幀，因此每個(gè)模型的訓(xùn)練和測(cè)試共有7 886(32×239+149+89)幀可以進(jìn)行隱寫(xiě)特征的提取。首先將34段YUV視頻隨機(jī)等分為訓(xùn)練樣本和測(cè)試樣本，并將訓(xùn)練樣本和測(cè)試樣本在比特率BR下進(jìn)行壓縮生成原始視頻。然后，隱寫(xiě)算法在BR和CMVR的不同組合下進(jìn)行隱寫(xiě)，生成隱寫(xiě)視頻。最后提取所有視頻的最優(yōu)性異常特征AoSO[12]和相關(guān)性異常特征[13]，對(duì)算法在不同嵌入條件下(即比特率和嵌入率的不同組合)的訓(xùn)練集進(jìn)行單獨(dú)的分類(lèi)模型訓(xùn)練，共得到96(2×2×4×6)分類(lèi)器模型。得到模型后，對(duì)相應(yīng)的測(cè)試集進(jìn)行分類(lèi)，以測(cè)試相應(yīng)算法的抗隱寫(xiě)檢測(cè)能力。

如圖6所示，給出了不同隱寫(xiě)算法在比特率BR={500 Kb/s、1 000 Kb/s}，嵌入率CMVR=0.1條件下的最優(yōu)性異常特征分類(lèi)器和相關(guān)性異常特征分類(lèi)器的接受者操作特征曲線(receiver operating characteristic curve，ROC)。ROC曲線越偏離隨機(jī)猜測(cè)曲線(圖6中灰色的對(duì)角線)，則表明對(duì)應(yīng)的隱寫(xiě)算法越容易被檢測(cè)，反之則表明隱寫(xiě)算法能夠更好的保持視頻的相應(yīng)特征，不容易被檢測(cè)，隱寫(xiě)安全性越高。

圖6 CMVR=0.1時(shí)分類(lèi)模型的ROC曲線Fig.6 ROC curve of classification model while CMVR=0.1

可以看出，在嵌入率CMVR=0.1時(shí)，本文算法無(wú)論在比特率為500 Kb/s還是1 000 Kb/s，使用相關(guān)性異常[13]特征分類(lèi)模型都不能有效區(qū)分隱寫(xiě)視頻和原始視頻，本文算法抗相關(guān)性異常特征檢測(cè)的結(jié)果明顯優(yōu)于所有對(duì)比算法。在抗最優(yōu)性異常[12]特征檢測(cè)時(shí)，本文算法在低比特率下，和文獻(xiàn)[10]算法具有相同的性能表現(xiàn)；在BR=1 000 Kb/s時(shí)，抗最優(yōu)性異常[12]特征檢測(cè)表現(xiàn)略次于文獻(xiàn)[10]算法。綜合來(lái)看，本文算法在抗最優(yōu)性異常檢測(cè)和相關(guān)性異常特征檢測(cè)方面好于其他對(duì)比算法，因此本文算法具有較好的抗隱寫(xiě)分析能力，算法安全性較好。

圖7 抗隱寫(xiě)分析檢測(cè)錯(cuò)誤率Fig.7 Detection error rate against anti-steganalysis

為了更加詳細(xì)對(duì)算法在不同嵌入條件下的抗隱寫(xiě)分析能力進(jìn)行對(duì)比，圖7給出了4種嵌入率和2種比特率下抗最優(yōu)性異常[12]特征和相關(guān)性異常[13]特征檢測(cè)的表現(xiàn)，縱坐標(biāo)為隱寫(xiě)算法被隱寫(xiě)特征檢測(cè)的錯(cuò)誤率，其值越高代表該算法抵抗相應(yīng)的隱寫(xiě)分析能力越強(qiáng)?？梢钥闯觯疚乃惴ㄔ诳瓜嚓P(guān)性異常特征檢測(cè)時(shí)，無(wú)論在何種嵌入率和比特率之下，都具有最高的檢測(cè)錯(cuò)誤率，即算法抗相關(guān)性異常檢測(cè)表現(xiàn)最優(yōu)，算法能保持運(yùn)動(dòng)矢量的相鄰相關(guān)性，即本文提出的對(duì)相鄰相關(guān)性小的分量進(jìn)行信息嵌入的思路是正確的。在較高的比特率下，算法的抗隱寫(xiě)檢測(cè)表現(xiàn)相對(duì)更好。在抗最優(yōu)性異常特征檢測(cè)時(shí)，本文算法在低嵌入率下能夠保持與文獻(xiàn)[10]算法一致的檢測(cè)錯(cuò)誤率，但隨著嵌入率的提升，算法抗最優(yōu)性異常特征檢測(cè)的表現(xiàn)相比于文獻(xiàn)[10]算法有一定的差距，但仍然優(yōu)于其他對(duì)比算法。

由于視頻本身存在大量的運(yùn)動(dòng)矢量，完全可以滿足信息的嵌入容量要求，通常為了提高隱蔽通信的安全性，算法一般不進(jìn)行高強(qiáng)度的信息嵌入。因此，本文雖然在高嵌入條件下抗局部最優(yōu)性異常特征檢測(cè)表現(xiàn)弱于文獻(xiàn)[10]的算法，但仍然優(yōu)于其他所有對(duì)比算法，因此具有較強(qiáng)的實(shí)用性。

4 結(jié)論

提出了一種能夠保持運(yùn)動(dòng)矢量相鄰相關(guān)性的視頻隱寫(xiě)算法。首先證明隱寫(xiě)前后的運(yùn)動(dòng)分量分布的KL散度與未隱寫(xiě)運(yùn)動(dòng)分量的相鄰相關(guān)性存在一定程度的正相關(guān)，然后引入歸一化互信息對(duì)分量相鄰相關(guān)性進(jìn)行衡量，同時(shí)為了嵌入盡量保持運(yùn)動(dòng)矢量的局部最優(yōu)性，定義宏塊復(fù)雜度作為失真代價(jià)函數(shù)，并基于最小化失真框架和STC進(jìn)行隱寫(xiě)，最后進(jìn)行LSB匹配修改。

本文算法完全滿足不可感知性要求，PSNR和SSIM降低最壞不超過(guò)0.4%，一般低于0.25%；比特率增加控制在0.29%～2.35%；抗相關(guān)性異常隱寫(xiě)分析表現(xiàn)優(yōu)于對(duì)比算法，抗最優(yōu)性異常隱寫(xiě)分析具有較高的錯(cuò)誤率?？傮w來(lái)看，本文算法性能指標(biāo)均衡，具有較高的隱寫(xiě)安全性和較強(qiáng)的實(shí)用性。