[发明专利]一种基于熵的视频运动矢量隐写检测方法

说明书

本发明公开了一种基于熵的视频运动矢量隐写检测方法；本方法采用滑动窗口选取局部区域内若干运动矢量，计算选取的运动矢量在水平分量H，垂直分量V，方向D，和长度L四个变量各自最低4bit的熵，得到一个滑动窗口内的16维熵值；通过在视频帧内移动滑动窗口，得到多组熵值，计算出16维熵均值，作为隐写分析特征。通过该方法，可以捕捉视频运动矢量隐写带来的“熵增加”异常，实现运动矢量的隐写检测。

技术领域

本发明涉及计算机信息安全技术领域，尤其涉及一种基于熵的视频运动矢量隐写检测方法。

背景技术

随着数字图像信息隐藏及检测技术的发展，以数字视频为载体的信息隐藏技术近年来同样发展迅速。在视频隐写术中，基于帧内预测、频域和运动矢量隐写算法纷纷出现。众多隐写域中，基于运动矢量的隐写算法具有隐藏容量大，画面失真小等特点。因此，运动矢量隐写以及隐写的检测成为视频信息隐藏领域中研究热点。

在隐藏方法方面，隐藏算法使用多种策略降低隐写造成的画面失真：选择运动矢量中绝对值较大的分量进行隐写；通过选择重建块和参考块差异较大的宏块进行运动矢量隐写；使用湿纸编码选择低代价通道进行信息嵌入；使用STC和湿纸编码相互结合，实现嵌入代价最小化。算法隐蔽性越来越好，但是算法编码一般以单帧内所用运动矢量为一个编码单元，尚未达到全视频宏块最小代价，且未考虑运动矢量相关性的保持问题。而由于使用一种或多种编码，嵌入算法较复杂，不便于实现。

面对各类隐写算法，运动矢量的隐写分析检测也开始发展起来：使用相邻差值相关性构造隐写分析特征进行隐写检测；使用多个帧在时空上的相关性检测运动矢量隐写；使用运动矢量指向最优参考块特性进行隐写分析，当运动矢量被调整后，宏块最优概率下降。

目前运动矢量隐写检测算法主要依据运动矢量相关性和局部最优性，存在两方面不足：(1)使用相邻相关性的隐写检测方法大多基于各类相邻概率构造检测特征，尚未见到基于信息熵的特征构造方法；(2)基于运动矢量局部最优的隐写检测方法需要借助有残差的宏块重建后进行最优概率统计，当宏块残差不存在或者隐写算法选择残差较小的宏块进行隐写时该类方法检测能力较弱。

发明内容

本发明的目的是提供一种基于熵的视频运动矢量隐写检测方法。该方法采用滑动窗口选取局部区域内若干运动矢量，计算选取的运动矢量在水平分量H，垂直分量V，方向D，和长度L四个变量各自最低4bit的熵，得到一个滑动窗口内的16维熵值。通过在视频帧内移动滑动窗口，得到多组熵值，计算出16维熵均值，作为隐写分析特征。通过该方法，可以捕捉视频运动矢量隐写带来的“熵增加”异常，实现运动矢量的隐写检测。

一种基于熵的视频运动矢量隐写检测方法，包括如下步骤：

步骤1，检测者准备好cover非隐写样本，并在cover样本上进行隐写嵌入，得到对应的stego隐写样本；

步骤2，提取视频每帧HVDL特征，并对cover样本和stego样本加入标签，获得对等的cover和stego训练样本特征；所述的HVDL特征是依据运动矢量(H,V)计算得到的16维特征；其中H表示水平分量，V表示垂直分量，D是运动矢量的方向，L是运动矢量的长度；

所述的提取方法包括以下步骤：

步骤2.1，解码一个包含运动矢量的视频帧，获取该帧内每个宏块的运动矢量数值；此时视频帧转化为各大小尺寸的宏块及其宏块运动矢量(H,V)的组合；

步骤2.2，对步骤2.1得到的包含运动矢量视频帧，选取滑动窗口；滑动窗口内的运动矢量不止一个，看作是一个二维变量(H,V)；将运动矢量(H,V)这个2维变量扩展成16维变量，并计算窗口内该16维变量熵值，最后移动滑动窗口计算出多组熵值；

所述的步骤2.2包括以下步骤：