[发明专利]基于深度学习的重获取视频检测方法、系统、设备及介质

说明书

本发明公开了一种基于深度学习的重获取视频检测方法、系统、设备及介质，所述方法包括：获取原始视频数据集和重获取视频数据集，所述重获取视频数据集通过拍摄设备对成像设备显示的原始视频数据进行采集获取；根据原始视频数据集和重获取视频数据集，获取训练数据集；对训练数据集中的训练视频数据进行预处理；以残差网络作为重获取视频检测模型，利用预处理后的训练视频数据对重获取视频检测模型进行训练，得到训练好的重获取视频检测模型；利用训练好的重获取视频检测模型对待测视频进行检测，判定是否为重获取视频。本发明能够实现重获取视频的检测，借鉴图像领域的研究方法和手段，一改传统的依靠手动提取特征的检测方法。

技术领域

本发明涉及一种基于深度学习的重获取视频检测方法、系统、设备及介质，属于计算机视频检测领域。

背景技术

数字媒体取证(digital media forensics)作为信息安全领域的一个新兴研究热点，是指从数字媒体中保持、收集、验证、识别、分析、解释和表示数字证据的科学技术问题。开展并深入数字多媒体取证研究能够有效打击虚假新闻、造假、诈骗、盗版侵权等违法行为，对维护社会稳定具有重要的意义。

数字多媒体取证技术分为主动取证和被动取证如图1所示。主动取证一般要求预先对图像添加数字签名或数字水印等信息，接收方通过检测预先插入的数字水印或签名来验证图像的原始性、真实性和完整性。被动取证也称作盲取证，是利用设备在采集多媒体数据的时候留下的痕迹或者数据本身的统计特征、编码特征等来进行取证。主要从两个方面进行取证：(1)图像来源取证，检测图像是通过哪种型号的数字设备拍摄还是经过计算机合成图像还是经过翻拍得到的图像；(2)图像篡改取证，依据篡改后遗留下来的痕迹来检测图像是否经过篡改。

数字图像篡改检测中值滤波器作为一种常用的噪声去除和图像增强工具，具有保留非线性和保留图像边缘信息的特点。CHEN等人首次将神经网络应用在中值滤波图像取证中，实现了检测小块和JPEG压缩图像块的中值滤波，并且在剪切粘贴图像伪造方面具有良好的检测效果。BAYAR等人在此基础上提出了一种新的卷积网络架构，能够抑制图像内容直接从训练视频数据中自动学习操作检测特性，而不依赖于预先选择的特征或任何预处理操作。ZHOU等人用一种双流更快的R-CNN网络进行端到端的训练来检测给定篡改图像的篡改区域，RGB流和噪声流的双流操纵检测模型不仅能够建模可视化篡改伪迹，还可以捕捉局部噪声特征的不一致性。ZHONG等人设计了Dense-InceptionNet网络，网络的特征提取模块中当前层的输入来自之前所有层的特征图的串联，接着通过特征相关匹配模块和分层后处理模块来实现图像复制-移动检测。

数字视频的篡改可以分为两种类型：(1)帧内伪造(Intra-fame forgery)，这发生在空间领域，包括帧的局部粘贴复制、抠像合成等；(2)帧间伪造(Inter-fame forgery)，这发生在时间域，包括帧复制、帧插入、帧删除三个方面。

视频可以被看作为一帧一帧的图像序列，在原始视频相邻帧之间具有连续性，针对视频的帧插入或删除篡改操作，在篡改边界产生跳跃点。基于这种原理，学者们提出了大量的基于不同特征以及离群点检测的算法。HUANG等人利用帧与帧之间内容的相关性来检测篡改，首先利用图像的灰度值特征计算两两相邻帧的相关性，然后将相关性分布图中低于阈值的离群点判定为篡改点。HAN等人从视频流中提取残差数据，并用空间能量和时间能量来捕获视频流中的异常，确定异常点来检测伪造帧。BAKAS等人提出基于Haralick编码帧相关性检测离群帧，进而进行数字视频篡改检测和定位。SUBRAMANYAM等人利用方向梯度直方图匹配来检测帧内篡改。

数字图像源取证主要是通过图像内容来确定图像的设备来源，利用不同成像设备硬件之间的差异性。在采集数字图像的过程中，设备在每个处理阶段都会留下相应的特征痕迹，不同的设备留下的特征痕迹往往不同，这些不同最终体现在图像层面，因此可以从图像中提取这些特征进行源设备辨识。