基于主成分分析的視頻幀內(nèi)對象移除移除檢測算法

基于主成分分析的視頻幀內(nèi)對象移除移除檢測算法

0基于目標(biāo)的篡改檢測數(shù)字視頻編碼的取樣已成為信號(hào)行業(yè)的研究熱點(diǎn)。目前國內(nèi)外關(guān)于數(shù)字視頻篡改取證檢測的主要研究方法分為兩類:主動(dòng)取證和被動(dòng)取證。主動(dòng)取證技術(shù)是指將待取證的數(shù)字視頻中預(yù)先嵌入驗(yàn)證信息如數(shù)字指紋或數(shù)字水印,在取證的過程中通過驗(yàn)證所嵌入的驗(yàn)證信息是否完整來判斷視頻是否經(jīng)過篡改,但是由于需要事先將驗(yàn)證信息嵌入到生成的視頻中,主動(dòng)取證技術(shù)有很大的局限性。被動(dòng)取證技術(shù)又稱為盲取證技術(shù)針對視頻幀內(nèi)對象刪除篡改操作,文獻(xiàn)[2]指出對篡改區(qū)域進(jìn)行修復(fù)會(huì)破壞時(shí)域連續(xù)性,導(dǎo)致視覺上的不連貫,所以會(huì)產(chǎn)生“鬼影”,于是針對視頻修復(fù)時(shí)會(huì)產(chǎn)生“鬼影”提出一種新的篡改檢測方法,該方法對有損壓縮視頻的檢測具有較強(qiáng)的魯棒性,但是其算法時(shí)間復(fù)雜度較高。文獻(xiàn)[3]指出基于物體的篡改如移除物體后會(huì)通過后期的修復(fù)技術(shù)消除運(yùn)動(dòng)“鬼影”,這些被移除的物體的邊界或者邊界附近始終會(huì)有留下篡改的痕跡,并且篡改會(huì)破壞這些區(qū)域的統(tǒng)計(jì)特征,利用小波系數(shù)和梯度信息提取特征并通過SVM(SupportVectorMachine)分類器進(jìn)行分類,從而實(shí)現(xiàn)篡改視頻的檢測;但是該方法需要利用樣本數(shù)據(jù)庫進(jìn)行訓(xùn)練,對樣本數(shù)據(jù)庫的依賴程度較高。文獻(xiàn)[4]采用基于塊的運(yùn)動(dòng)估計(jì)方法從相鄰的視頻幀中提取運(yùn)動(dòng)信息,通過比較原始視頻和篡改視頻的運(yùn)動(dòng)矢量的大小和方向的差異,檢測視頻是否經(jīng)篡改;缺點(diǎn)是在遇到使用復(fù)雜的技術(shù)對目標(biāo)人物進(jìn)行刪除篡改時(shí),由于提取運(yùn)動(dòng)矢量的差異會(huì)比較困難,該方法可能會(huì)失效。文獻(xiàn)[5]基于壓縮感知理論使用KSVD(K-meansSingularValueDecomposition)算法對差異幀進(jìn)行特征提取,并構(gòu)造高斯隨機(jī)矩陣對特征進(jìn)行測量獲得低維壓縮子空間,獲得的低維壓縮子空間通過kmeans進(jìn)行分類,實(shí)現(xiàn)篡改視頻幀的檢測;但該方法不能定位具體的篡改位置。文獻(xiàn)[6]針對動(dòng)態(tài)物體被移除和幀復(fù)制的篡改,提出一種利用原始幀和篡改幀之間的噪聲變化的特征去檢測篡改視頻的被動(dòng)取證方法,該方法使用小波分解提取去噪后的視頻幀的傳感噪聲特征,再將使用EM(ExpectationMaximization)算法估計(jì)參數(shù)的GMD(GaussianMixtureDensity)作為貝葉斯分類器對篡改視頻進(jìn)行分類最后得出檢測結(jié)果;雖然利用噪聲變化的特征可以檢測篡改視頻,但是它對量化噪聲敏感,對于高壓縮的視頻會(huì)造成誤檢。文獻(xiàn)[7]提出了一種可以自動(dòng)識(shí)別基于目標(biāo)的篡改并定位篡改位置的視頻被動(dòng)取證檢測方法,通過分析基于目標(biāo)的篡改和圖像隱寫術(shù)之間的相似性,將視頻片段中的基于目標(biāo)的篡改的檢測轉(zhuǎn)換為相應(yīng)視頻幀的運(yùn)動(dòng)殘差中的隱藏?cái)?shù)據(jù)的檢測;但該方法對于低比特率的視頻魯棒性較差。文獻(xiàn)[8]針對基于紋理和結(jié)構(gòu)的視頻目標(biāo)移除篡改,提出了一種利用Hessian矩陣的統(tǒng)計(jì)相關(guān)性來檢測和定位篡改區(qū)域的方法;但該方法不能針對背景發(fā)生變化的視頻進(jìn)行檢測。文獻(xiàn)[9]利用光流不一致性來檢測和定位篡改視頻區(qū)域;但該方法檢測精確度不高。文獻(xiàn)[10]針對視頻的logo被移除的篡改,提出了一種新的篡改檢測算法。該算法通過分析logo區(qū)域的空間和時(shí)域上的統(tǒng)計(jì)特性估計(jì)可疑區(qū)域,然后使用SVM提取可疑區(qū)域的特征,并將可疑區(qū)域和參考區(qū)域的特征進(jìn)行比較,從而判別可疑區(qū)域是否為篡改區(qū)域;但是對于logo被移除區(qū)域是非模糊的篡改該方法失效。本文針對幀內(nèi)對象刪除篡改操作,提出一種基于主成分分析(PrincipalComponentAnalysis,PCA)的視頻幀內(nèi)前景目標(biāo)移除篡改檢測算法。實(shí)驗(yàn)結(jié)果表明,所提出算法可以有效檢測靜止背景下運(yùn)動(dòng)對象被移除的篡改,并且對壓縮視頻有很好的魯棒性。1差異幀檢測方法數(shù)字視頻具有時(shí)域上連續(xù)的特性,而幀內(nèi)的對象刪除篡改操作會(huì)破壞這種一致性,雖然通過后期的修復(fù)技術(shù)可以掩蓋篡改痕跡,但是畫面的不連貫很難修復(fù)。對于這種畫面不連貫的情況,為了使篡改痕跡顯露,本文對差異幀進(jìn)行處理,將處理的結(jié)果用二值圖像來表示,然后對所有處理后的差異幀進(jìn)行圖像形態(tài)學(xué)操作,最后對每一幀的處理結(jié)果進(jìn)行組合,輸出檢測結(jié)果。該檢測算法的實(shí)現(xiàn)步驟為:1)獲取待測幀序列與基準(zhǔn)幀的差異幀(灰度化);2)利用自適應(yīng)稀疏算法對差異幀進(jìn)行稀疏表示,得到去噪后的差異幀;3)將去噪后的差異幀分為h×h的非重疊圖像塊;4)對差異幀進(jìn)行PCA變換,獲得圖像塊降維后的特征向量空間,接著利用得到的特征向量空間,提取差異幀每個(gè)像素的特征向量;5)對每個(gè)像素的特征向量使用kmeans進(jìn)行聚類,根據(jù)聚類結(jié)果構(gòu)造差異幀的二值矩陣;6)對所有處理后的差異幀進(jìn)行圖像形態(tài)學(xué)操作,最后輸出檢測結(jié)果。1.1基于系統(tǒng)運(yùn)算量的原則將待測的視頻轉(zhuǎn)化成幀序列圖像,對幀序列圖像進(jìn)行灰度化處理,從而減少運(yùn)算量。假設(shè)視頻幀大小為H×W,彩色圖像轉(zhuǎn)化為灰度圖像公式在得到可疑視頻序列后,將待測的可疑幀序列作為待測幀,記第k幀為I1.2圖像噪聲去噪機(jī)理鑒于差異幀存在許多噪聲信息,這些噪聲信息會(huì)降低篡改檢測的準(zhǔn)確度,因此需要在檢測之前盡可能地移除這些無用的多余的噪聲信息。近年來主流的去噪方法是通過稀疏分解去噪。傳統(tǒng)的去噪方式通過區(qū)分有用信息和噪聲信息的頻率不同來去噪。在含有噪聲的圖像中,傳統(tǒng)理論認(rèn)為有用信息集中在低頻區(qū)域,而無用的噪聲信息集中在高頻區(qū)域。然而這種理論并不總是正確的,存在有用信息集中在高頻區(qū)域,這些高頻區(qū)域的有用信息決定圖像的邊緣和細(xì)節(jié)等;另一方面無用的噪聲信息既含有高頻成分也含有低頻成分。也就是說,圖像信號(hào)中的有用信息的頻率和無用的噪聲信息的頻率存在重疊,通過區(qū)分頻率不同來去噪的傳統(tǒng)方法不能達(dá)到很好的去噪效果,導(dǎo)致去噪效果一般。而基于稀疏表示的圖像去噪是從圖像中提取稀疏成分,這些稀疏成分代表了圖像中的有用信息,并且這些稀疏成分可以很好地表示圖像的結(jié)構(gòu)信息,即保留了圖像的絕大部分信息,從而將圖像中有用信息和噪聲信息分開,實(shí)現(xiàn)噪聲去除。根據(jù)稀疏表示理論可知,一幅含噪聲圖像包含兩部分:一部分是圖像的稀疏成分,這部分包含圖像的結(jié)構(gòu)信息;另一部分是圖像去除稀疏成分后剩下的部分,即圖像的噪聲,該部分不包含圖像的結(jié)構(gòu)信息?；谙∈璞硎镜膱D像去噪,根據(jù)圖像中的稀疏成分來區(qū)分有用信息和噪聲信息,從而達(dá)到去噪效果。經(jīng)過圖像的稀疏分解可以得到圖像的一種線性表示其中〈R其中:其中:f與傳統(tǒng)的圖像去噪不同,基于稀疏分解的圖像去噪是提取圖像中的稀疏成分,再利用提取到的稀疏成分重構(gòu)圖像,從而達(dá)到圖像去噪的目的。本文采用KSVD算法1.3差異幀去噪優(yōu)化將去噪后的差異幀進(jìn)行非重疊分塊,即分成h×h的非重疊圖像塊。使用PCA提取分塊后差異幀中每個(gè)像素點(diǎn)(i,j)的特征得到向量U(i,j)。令集合I其中:T表示矩陣轉(zhuǎn)置。Γ為集合中的元素i利用協(xié)方差矩陣Σ可以求得差異幀中像素點(diǎn)(i,j)的投影向量U(i,j)。令λ將i其中:1≤s≤S,1≤S≤hPCA保留的特征向量空間W與均值向量?？梢詫⒖臻g中的像素點(diǎn)投影到低維空間。由于對應(yīng)r-S個(gè)特征值的特征向量被舍去了,導(dǎo)致原始的高維空間降維到低維空間,造成原始高維空間與低維空間不同。當(dāng)視頻幀受到噪聲影響時(shí),最小特征值對應(yīng)的特征向量往往與噪聲有關(guān),將這部分信息舍去可以在一定程度上起到去除噪聲的效果。前面已經(jīng)對差異幀進(jìn)行稀疏去噪,經(jīng)過PCA變換可以再次去除殘留的噪聲,通過兩次去噪,可以得到更優(yōu)的去噪結(jié)果。再次,數(shù)據(jù)降維的主要?jiǎng)訖C(jī)是使空間中像素點(diǎn)的采樣密度增大1.4特征分區(qū)聚類將投影得到的空間像素點(diǎn)的向量U(i,j)進(jìn)行特征聚類,取k=2,使用k-means算法進(jìn)行聚類,即將特征子空間分為兩個(gè)類,類1和類2。將個(gè)數(shù)較多的類記為類1,個(gè)數(shù)較少的類記為類2,η相關(guān)區(qū)域像素值為“1”,表示為白色,相關(guān)區(qū)域像素值為“0”,表示為黑色。可以得到:其中‖‖1.5“開”運(yùn)算數(shù)據(jù)處理對得到的二值矩陣A進(jìn)行“開”運(yùn)算?！伴_”運(yùn)算可以刪除不包含模板形狀的對象區(qū)域,可以平滑對象輪廓,斷開圖像中狹窄的連接,并去掉細(xì)小的突出部分和孤立的點(diǎn)。“開”運(yùn)算定義為:其中:f為原圖像,b為算子。設(shè)待測視頻幀序列長度為L幀,每次間隔m幀進(jìn)行一次處理,令I(lǐng)(i)表示第i幀處理后的結(jié)果,將二值矩陣A(i)處理結(jié)果記為I(i)。判斷第i幀序列是否大于L,如果小于L則更新第i幀序列繼續(xù)處理,直到幀序列大于L。然后將每次幀序列處理的結(jié)果I(i)依次進(jìn)行“或”運(yùn)算1.6不可見的“鬼影”現(xiàn)存化視頻幀內(nèi)運(yùn)動(dòng)目標(biāo)被刪除篡改之后,為了保持視覺上的連續(xù)性,需要對篡改邊界區(qū)域進(jìn)行修復(fù)處理。盡管如此,仍然會(huì)在視頻幀內(nèi)遺留一些篡改痕跡,例如畫面不一致導(dǎo)致的陰影以及沒有完全移除運(yùn)動(dòng)目標(biāo)周圍的影子(稱之為“鬼影”)等。通過本文算法,將不可見的“鬼影”顯現(xiàn)化最終二值圖像中的白色區(qū)域顯示出來。而未經(jīng)篡改的原始視頻,沒有經(jīng)過幀內(nèi)目標(biāo)移除操作,當(dāng)進(jìn)行獲取差異幀操作時(shí)不會(huì)產(chǎn)生因畫面不一致所帶來的痕跡,故而檢測結(jié)果不會(huì)出現(xiàn)白色區(qū)域。因此:如果圖像I2實(shí)驗(yàn)結(jié)果與分析本文所使用的原始視頻來自公共視頻數(shù)據(jù)庫SurreyUniversityLibraryforForensicAnalysis(SULFA)。實(shí)驗(yàn)視頻共有20個(gè),這些視頻分別由CanonSX220(codecH.264)、NikonS3000(codecMJPEG)和FujifilmS2800HD(codecMJPEG)拍攝所得,視頻分辨率320×240,幀率為30frame/s。所選取的實(shí)驗(yàn)視頻均為背景靜止且有唯一的運(yùn)動(dòng)前景目標(biāo),使用視頻編輯軟件Mokey4.0.0對視頻幀進(jìn)行前景目標(biāo)刪除。實(shí)驗(yàn)所用計(jì)算機(jī)的配置為處理器Intel(R)Core(TM)i5-3470CPU@3.20GHz,內(nèi)存容量4.0GB,顯卡IntelHDGraphics,操作系統(tǒng)Windows764位,使用Matlab(R2015b)運(yùn)行代碼。圖1和圖2的實(shí)驗(yàn)結(jié)果給出了原始有目標(biāo)的視頻幀和篡改后的視頻幀以及使用本文所提算法對這些視頻幀檢測后的結(jié)果,其中圖1(a)為有運(yùn)動(dòng)目標(biāo)的原始視頻幀;圖1(b)為刪除運(yùn)動(dòng)目標(biāo)的篡改視頻幀;圖1(c)為使用本文算法對圖1(a)檢測的結(jié)果;圖1(d)為用本文提出的算法處理圖1(b)的結(jié)果。圖1的(d)和圖2的(d)表明背景靜止的視頻且?guī)瑑?nèi)目標(biāo)被移除即該視頻經(jīng)過篡改,檢測的結(jié)果確實(shí)出現(xiàn)白色塊狀或帶狀區(qū)域;而圖1的(c)和圖2的(c)表明原始的未篡改視頻,檢測結(jié)果確實(shí)無白色區(qū)域。這表明本文提出的算法確實(shí)能夠檢出運(yùn)動(dòng)目標(biāo)被刪除的篡改視頻。為了檢驗(yàn)算法對有損壓縮視頻的檢測效果,本文對8個(gè)不同壓縮比的視頻進(jìn)行檢測,檢測結(jié)果如表1所示。結(jié)果表明算法對有損壓縮視頻可以進(jìn)行有效的檢測,對有損壓縮視頻具有很好的魯棒性;而且對于未篡改的視頻片段也具有較高的檢測準(zhǔn)確性。文獻(xiàn)[6-7]方法對高壓縮的視頻和低比特率的視頻檢測魯棒性較差,會(huì)產(chǎn)生誤檢;而本文給出的算法針對差異幀,通過對差異幀的像素點(diǎn)使用PCA進(jìn)行處理,獲取像素點(diǎn)的特征并使用k-means進(jìn)行分類,使得檢測算法對有損壓縮視頻誤檢率低,并且不受視頻格式影響。二分類問題常用的評價(jià)指標(biāo)為準(zhǔn)確率(precision)和召回率(recall)以及F1值。本文用正類和負(fù)類對樣本視頻進(jìn)行標(biāo)記。令實(shí)驗(yàn)中的原始未篡改的視頻為正類,經(jīng)過幀內(nèi)對象刪除篡改的視頻記為負(fù)類。設(shè)TP為正類預(yù)測為正類數(shù)目;FN為正類預(yù)測為負(fù)類數(shù)目;FP為負(fù)類預(yù)測為正類數(shù)目;TN為負(fù)類預(yù)測為負(fù)類的數(shù)目。本文準(zhǔn)確率(precision)定義為:召回率(recall)定義為:此外還有F1值,是基于查準(zhǔn)率與召回率的調(diào)和平均(harmonicmean)定義的:本文對視頻素材進(jìn)行篡改檢測,通過統(tǒng)計(jì)并計(jì)算上述3個(gè)度量指標(biāo),結(jié)果如表2所示。從表2可以看出,本文提出算法的檢測指標(biāo)均超過90%,這表明本文提出的算法具有一定的有效性,可用視頻篡改鑒定。文獻(xiàn)[5]提出了基于壓縮感知的視頻幀內(nèi)目標(biāo)移除篡改檢測算法,本文算法與文獻(xiàn)[5]的算法進(jìn)行比較,比較結(jié)果如表2所示。本文算法準(zhǔn)確度、召回率以及F1值均優(yōu)于文獻(xiàn)[5]的算法的。實(shí)驗(yàn)結(jié)果表明,本文所提出的算法可以有效地進(jìn)行視頻幀內(nèi)對象刪除篡改檢測,并且不受壓縮比的影響,對有損壓縮視頻具有很好的魯棒性。3篡改痕跡的檢測本文提出了基于PCA的視頻幀內(nèi)前景目標(biāo)移除篡改檢測算法,利用稀疏表示的方法將視頻差幀內(nèi)的噪聲去除,將去噪后的差異幀使用PCA提取特征并分類,最終獲得檢測結(jié)果。如果直接對視頻差異幀進(jìn)行特征提取,由于視頻幀有干擾噪聲存在,實(shí)驗(yàn)結(jié)果將出現(xiàn)大量的白點(diǎn),這些白點(diǎn)會(huì)干擾檢測結(jié)果,導(dǎo)致篡改痕跡不能被顯示,并且容易對未篡改的視頻造成誤檢;而使用稀疏表示對差幀