[发明专利]基于DFL-CNN网络的视频帧内对象移除篡改检测方法

说明书

本发明公开了一种基于DFL‑CNN网络的视频帧内对象移除篡改检测方法，通过构建DFL‑CNN网络，DFL‑CNN网络整合视频的全局卷积特征以及二次滤波分别得到的局部卷积特征用于进行视频帧内对象移除篡改检测；获取视频训练集及视频测试集，输入视频训练集到DFL‑CNN网络进行训练，得到训练完毕的DFL‑CNN网络；输入视频测试集到训练完毕的DFL‑CNN网络进行检测，输出视频帧内对象移除篡改检测结果。本发明方法降低了预处理过程的复杂度，通过构建DFL‑CNN网络提取视频更有判决力的局部特征进行预测分类从而提高视频帧内对象移除篡改检测结果的准确度。本发明方法具有计算度简单、检测准确率高的优点。

技术领域

本发明涉及视频标注技术领域，尤其涉及基于DFL-CNN网络的视频帧内对象移除篡改检测方法。

背景技术

随着互联网技术和移动终端设备的快速发展，数字视频在人们的生活中已经必不可少，数据量已呈现爆炸式增长，且司法证据已经越来越受到重视。然而，随着各种视频编辑软件等多媒体处理技术的发展，使得人们更容易的篡改数字视频和图像，导致多媒体信息的不可靠。考虑到人眼对视频中的运动物体更为敏感，因而篡改的常见形式是基于运动物体的篡改，例如对视频中某一帧帧内区域复制－粘贴到同一段视频中的某一帧或连续多帧的某一区域这种篡改模式，即单帧同源视频复制－粘贴篡改方法。

目前，在Tan等人提出的方法中，Tan等人采用共谋残差算法得到视频帧序列的运动残差图像，将基于对象的视频篡改检测巧妙地转化为基于运动残差的图像篡改检测。Tan使用了最初为频域图像隐写分析而构建的CC-PEV特征提取器来提取运动残差图像中的隐写特征，利用图像隐写算法来检测运动残差图像是否被篡改，以此达到检测篡改视频帧的目的。但Tan等人的方法存在计算度复杂且检测准确率偏低的缺点。

接着，Yao等人提出一种基于深度学习的视频对象移除篡改检测方法，该方法对视频序列进行预处理时，首先将视频序列经过前处理转换为灰度差分图像，通过最大值池化减小卷积的计算量、通过高通滤波增强图像的差值信号；然后用非对称的图像子块划分策略得到数量相近的正样本和负样本；最后基于深度学习理论训练CNN神经网络模型。用训练得到的网络模型，测试待检测的视频序列的每一个视频图像帧，得出待检测视频序列每一帧是否存在视频对象移除篡改的判定结果。然而，该方法采用的网络结构为较为简单基础的传统CNN网络模型，且预处理过程较为复杂，适用性较低。

综上所述，现有的视频对象移除篡改检测方法存在准确度低及适用性差的问题。

发明内容

本发明为解决现有的视频对象移除篡改检测方法存在准确度低及适用性差的问题，提供了一种基于DFL-CNN网络的视频帧内对象移除篡改检测方法。

为实现以上发明目的，而采用的技术手段是：

基于DFL-CNN(Discriminative Filter Learning-Convolutional NeuralNetworks)网络的视频帧内对象移除篡改检测方法，包括以下步骤：

S1.构建DFL-CNN网络，所述DFL-CNN网络整合视频的全局卷积特征以及二次滤波分别得到的局部卷积特征用于进行视频帧内对象移除篡改检测；

S2.获取视频训练集及视频测试集，输入所述视频训练集到DFL-CNN网络进行训练，得到训练完毕的DFL-CNN网络；

S3.输入所述视频测试集到训练完毕的DFL-CNN网络进行检测，输出视频帧内对象移除篡改检测结果。