[发明专利]一种视频帧内帧间编码的通用信息隐藏检测方法

说明书

本发明公开了一种视频帧内帧间编码的通用信息隐藏检测方法，所述方法包括：步骤1)构建和训练视频隐写分析卷积神经网络；步骤2)基于视频隐写分析卷积神经网络对待检测图片实现视频帧内帧间编码通用信息隐藏检测。本发明的方法将特征提取和分类模块整合到一个可训练的网络模型框架下进行全局优化，以数据驱动的形式自动学习特征并实现分类，从而有效解决了现有方法所存在的问题；由于全局优化往往优于局部优化，因而本发明所述方法在理论上更具合理性。

技术领域

本发明涉及信息安全及深度学习技术领域，特别涉及一种视频帧内帧间编码的通用信息隐藏检测方法。

背景技术

随着网络技术和数字多媒体技术的日益成熟，特别是网络流媒体的迅速发展，使得图像、音频、视频等多媒体的传输和交换非常快捷方便。视频信息因其直观性、确定性和高效性等特点，已成为了一种广泛应用的信息隐藏载体。视频编码信息隐藏方法根据秘密信息嵌入位置的不同，可大致分为两类：其一是在原始图像或视频中嵌入秘密信息，其二是在图像或视频编码过程中嵌入秘密信息。第一类方法一般将视频视为运动图像，对视频帧像素进行操作，按照一定嵌入强度把秘密信息隐藏在像素之中。该类方法的实质是图像信息隐藏，方法直观、易于理解，但不能很好的抵抗压缩编码，即压缩编码后嵌入的信息可能丢失。此外，该类方法由于在像素上直接操作嵌入秘密信息，会引入较大失真；第二类方法将信息嵌入到图像视频编码处理过程之中，即在编码的过程中结合编码标准某方面的特性进行信息的嵌入，如帧内预测、帧间预测、DCT变换和熵编码。在视频编码过程中，大部分时间均在进行帧内编码和帧间编码，而帧内编码的预测模式和帧间编码的运动矢量均是由预测而来，本身就是一个不精确的过程，存在着一定的误差，为信息隐藏提供了很好的机会。此外，在整个视频编码过程中，预测模式和运动矢量数量很大，因此基于帧内编码预测模式调制的信息隐藏和帧间编码运动矢量调制的信息隐藏成为了视频编码信息隐藏的研究热点。

现有视频帧内帧间编码隐写分析方法主要存在有三个问题：一是采用“特征提取—特征分类”的框架，两个步骤相互独立，并未纳入统一框架进行全局优化；二是特征提取过程采用的是人工设计特征，而人工设计特征是一件非常费力、启发式(需要先验知识)的任务，特征设计、选取的好坏在很大程度上依靠经验和运气，而且它的调节需要大量的时间；三是现有方法通常只适用于检测特定的一种或一类隐写方法，例如只能检测帧内预测的I帧信息隐藏或者帧间预测的B/P帧信息隐藏。而在实际应用中事先无法知道秘密信息被隐藏在哪一类帧中，缺乏实用性。

基于数据驱动学习模式的深度学习方法已在计算机视觉、语义分析，语音识别以及自然语言处理等众多机器学习相关应用领域取得了成功的应用，并颠覆了这些领域基于“人工特征”的传统范式。将深度学习方法引入视频隐写分析领域已是大势所趋。

在针对帧内帧间编码调制的通用信息隐藏检测方法中，基于预测模式和运动矢量等特定编码域的隐写分析思想不再适用。因此，需要从图像域入手，即基于最终的图像像素值判定隐写状态。此时，可以对现有空域图像隐写分析方法中的核心思想及主要步骤进行借鉴。目前，空域图像隐写分析方法均包含三个步骤，分别是：残差计算、特征提取以及二分类。这三个步骤实际上可以被卷积神经网络模型很好地替代。残差计算实际上可以通过卷积运算实现，因此可用一个卷积层代替该步骤；卷积神经网络中多个级联的卷积层可被训练用于从原始数据中自主学习高层特征，对应于特征提取步骤；对于分类步骤而言，卷积神经网络中的Softmax分类器能够实现与SVM等分类器相同的作用。此外，传统方法中三个步骤是相互独立的，而基于卷积神经网络的信息隐藏检测方法能够将残差计算、特征提取与分类步骤纳入统一框架进行迭代与全局优化。由于全局优化往往优于局部优化，因而基于卷积神经网络的隐写分析方法在理论上更具合理性。