采用HEVC的视频内容认证

提出一种基于高效视频编码(HEVC)的视频内容认证算法.根据图像纹理特征产生特征码,将特征码用于修改帧间8×8编码单元的分割模式、帧间预测模式和运动向量,并保留最佳的编码单元分割模式及相应的预测模式和运动向量.实验结果表明:该算法对视频质量影响很小,嵌入水印后码率的变化也很小;同时,该算法具有较好的脆弱性,可以用于视频认证.     

基于纹理特征的H.264视频隐写算法

针对当前视频隐蔽通信算法对视频质量以及码率有较大影响的问题,结合H.264/AVC编码标准,提出了一种新的视频隐蔽通信算法。算法根据离散余弦变换特点,对块依据纹理块判别准则进行判断,修改某些低频系数来进行嵌入。实验结果表明,该算法对视频质量和码率有较小影响,并具有隐写容量大、抗隐写分析较好等优点。     

基于信息隐藏的视频隐蔽通信算法

针对当前视频隐蔽通信算法对视频质量以及码率有较大影响的问题,结合H.264/AVC编码标准,提出了一种新的视频隐蔽通信算法。算法根据离散余弦变换特点,对块依据纹理块判别准则进行判断,修改某些低频系数来进行嵌入。实验结果表明,该算法对视频质量和码率有较小影响,并具有隐写容量大、抗隐写分析较好等优点。     

一种基于运动检测的码率控制算法

运动检测和码率控制是面向监控的视频编码器重要的组成模块.传统视频编码器需要增加大量额外的存储器和电路完成以运动检测功能,且码率控制算法也比较复杂.为解决这两个问题,提出了一种基于运动检测的码率控制算法.在视频编码器的传统架构上,以较少的硬件消耗实现了运动检测,并以上述运动检测为基础实现了视频向量的复杂度分析和码率控制.实验结果证明,相对于传统算法,现提出的算法以较少的硬件消耗完成了运动检测和码率控制, 大幅降低了码率控制算法的计算量,达到了很好的效果,并对多种视频制式有较好的兼容性.     

基于边信息估计的JPEG图像隐写方法

基于JPEG图像的隐写方法通常利用原始图像的边信息来提高隐写安全性.然而现有的JPEG图像隐写方法在使用边信息时需要提前获取未压缩的原始图像,当原始图像不可获得时,往往不能把边信息用于设计隐写方法.文中提出了一种在不具有未压缩的原始图像的情况下,通过估计图像的边信息来提高JPEG图像隐写安全性的方法.首先,使用卷积神经网络对JPEG载体图像进行恢复,得到估计的原始图像;其次,通过得到的估计图像计算取整误差;然后利用取整误差来控制嵌入过程中离散余弦变换(DCT)系数的修改方向;最后结合DCT系数的失真代价和STC编码来实现隐写嵌入.文中提出的边信息估计方法能够应用于现有的JPEG图像自适应隐写方法,如JC-UED和J-UNIWARD.实验结果表明,该方法能较好地恢复图像的边信息,并能显著提高现有JPEG图像自适应隐写方法的安全性.     

一种基于浅层卷积神经网络的隐写分析方法

为提高隐写分析的检测准确率,提出了一种基于浅层卷积神经网络的图像隐写分析方法。与深度卷积神经网络相比,浅层卷积神经网络通过减少卷积层和禁用池化层,来加快神经网络收敛速度和减少隐写特征丢失,同时采用增加卷积核数、使用批正则化以及使用单层全连接层的方式,提高隐写分析网络的泛化性能。实验结果表明,针对S-UNIWARD隐写算法,在嵌入率为0.4 bpp和0.1 bpp时,检测准确率分别能达到96%和81.7%,同时在载体库源及嵌入率失配情况下,该方法仍能保持较好的检测性能。     

修改标志位的大容量无损HEVC信息隐藏方法

传统的视频信息隐藏方法大多通过修改视频的帧内预测模式、运动向量或预测残差系数来实现.然而,高效视频编码(HEVC)标准的高级运动向量预测(AMVP)技术同时利用相邻块的空域运动向量和时域运动向量来预测当前块的运动向量,通过在码流中保存预测运动向量的标志值来标识所使用的预测运动向量.基于这一特点,文中创新性地提出通过修改标志值来嵌入秘密信息.为了保证嵌密视频的质量,文中分析了标志值、预测运动向量以及运动向量残差之间的关系,然后对运动向量残差进行匹配修改,以此确保嵌密前后预测块的运动向量不变.实验结果表明,文中方法具有较大的嵌入容量和较小的比特率增加,且嵌密视频的质量与原始视频完全相同.     

基于运动矢量的视频隐写算法

视频信息隐藏是一种将秘密信息嵌入到视频中实现隐蔽传输的技术.基于运动矢量(motion vector,MV)的视频隐写造成的运动矢量特性异常容易被隐写分析所检测,隐蔽通信的安全性降低.为了保持运动矢量相邻相关性和局部最优性,提出了一种基于运动矢量的视频隐写算法能够降低对运动矢量特性的破坏.首先,实验验证已有基于运动矢量的视频隐写算法对运动矢量不同分量的影响存在差异.然后,引入归一化互信息(normalized mutual information,NMI)衡量运动分量的相邻相关性,根据载体选择策略选择相邻相关性小的分量作为嵌入载体.最后,定义宏块纹理复杂度作为载体修改的失真代价,利用校验格编码(syndrome-trellis code,STC)对载体进行信息嵌入.实验结果表明,隐写视频的峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)降低不超过0.4％,一般低于0.25％;比特率增加0.29％ ～2.35％;算法被相关异常特征检测的错误率较高,具有更均衡的安全性.可见,算法各项性能指标表现良好,具有较好的抗隐写分析能力,隐写视频不可感知性较好.     

一个基于TSVM的GIF图像通用隐写检测方法

直推式支持向量机(TSVM)是一种从标记样本出发,对特定的未标记样本进行识别和分类的技术.本文分析了将TSVM应用到图像通用隐写检测中的可行性,提出并实现了基于TSVM的GIF图像通用隐写检测方法.实验结果表明,针对不同的GIF图像隐写工具,本文方法在较少标记样本条件下引入大量未标记样本,得到接近监督学习的通用检测效果.从而提高了GIF图像通用隐写检测的实用性.     

一种基于无监督学习的MB1隐写分析方法

为了提高针对混杂小样本集的MB1隐写算法的检测率,提出了一种泛化能力较强的MB1隐写分析方法.通过分析多种图像特征,在离散余弦变化(DCT)域选取对隐写敏感易变的特征,包括变分特征、块边界度量特征、共生矩阵特征和马尔可夫特征组成的108维特征向量,并以无监督学习中的支持向量数据描述法(SVDD)为分类器,使用含有混杂样本的小样本集进行训练,测试算法对隐写图像的检测率.实验结果表明,当检测相对嵌入率为40%以上的隐写图像时,检测率可靠度达到96%以上,明显高于其他2种基于支持向量机的经典算法.这说明本方法打破了其他方法对训练样本集的限制,提高了对混杂小样本集的MB1隐写算法的检测率.但由于它对混杂样本具有一定的容忍度,对较小嵌入率的隐写图像的检测率稍低.     

基于GAN的视频隐写算法

视频隐写术是一种将视频作为嵌入载体实现隐蔽通信的技术。为了解决视频隐写算法中最优修改概率矩阵生成困难的问题,提高信息传输的隐蔽性,提出了一种基于生成对抗网络(GAN)的视频隐写算法,该算法包含两种生成对抗网络,分别生成原始载体与修改概率矩阵,前者能够生成视频的静态后景、动态前景与掩模;后者将前景作为隐写生成器的输入,以提高修改概率矩阵的内容自适应性,并利用Tanh-simulator函数拟合最优嵌入函数,促进梯度的反向传播,基于三维卷积网络的隐写分析器作为隐写判别器,它与隐写生成器进行博弈训练以提高载密样本的抗检测性。实验结果表明,视频生成模块不仅能生成逼真的视频,且前景能够代表视频中的时空特征信息,本算法与经典的S-UNIWARD算法相比,在0.05 bpc、0.1 bpc、0.3 bpc的嵌入率下,抵抗彩色隐写分析器SCRM检测的能力提高了0.65%~3.26%。     

考虑载体误差的图像高效隐写算法

针对图像隐写容量小及抗检测性能差的问题,提出一种考虑载体误差向量的高效隐写算法.首先,通过图像压缩处理,获取载体图像的压缩参考值,与原始图像进行差值处理,获取载体误差向量;然后,通过空域滤波实现隐写图像基数矩阵的参数优化,比较给出隐写图像像素点集,并通过混合编码实现隐写信息的有条件载入.仿真结果表明,与传统方法相比,该方法明显提升了隐写容量,降低了隐写畸变效应,并提升了隐写的安全性能.     

基于CNN和LSTM的图像隐写分析

为了进一步降低隐写分析算法的检测错误率，文章提出一种基于卷积神经网络(convolutional neural network, CNN)和长短期记忆网络(long short-term memory, LSTM)的隐写分析算法。该算法利用CNN捕获载体图像的结构特征，同时利用LSTM捕获图像的前后时序特征。为了验证混合神经网络的有效性，该算法以XuNet和SRNet为基准隐写分析网络，探讨CNN与LSTM的有效组合方式。实验结果表明，所提方法可以有效提高隐写分析算法的检测能力。     

基于Multiwavelet广义高斯模型的图像盲隐写分析

针对目前图像盲隐写分析中提取的特征的有效性不高问题,提出了一种新的基于Multiwavelet广义高斯模型的图像盲隐写分析算法.采用Multiwavelet变换对样本图像进行多尺度分解,并使用广义高斯模型对每个子带的Multiwavelet系数进行建模,提取参数特征.利用这些参数特征训练支持向量机SVM(support vector machine)构成盲隐写分析算法的分类检测器.通过对大量图像样本进行测试,实验结果表明,和经典的Farid方法相比,提出的盲隐写分析算法提取的图像特征更加有效,具有更高的正确检测率.     

基于小波纹理分析的隐写分析研究

提出一种基于模型的隐写分析技术．图像的小波子带分解系数纹理可以建模为两参数广义高斯分布．同时采用极大似然方法进行两个参数的估计．分析发现隐写将改变图像的纹理特性,从而可以从子带分布模型参数的变化中判断是否隐藏信息．采用神经网络、支持向量机,回归分析和费歇尔判别分析分别进行比较验证．试验结果表明方法的有效性,同时对各分类器的性能进行了评价．     

基于参数特征偏移的神经网络隐写检测方法（英文）

目前,许多深度学习的预训练模型被发布出来用以帮助工程师和研究人员开发基于深度学习的系统或进行研究,从而减少了他们的工作量。过去的工作表明,秘密信息可以被嵌入到神经网络参数中且不影响模型的准确性,恶意开发者可以借此将恶意软件或其他有害信息隐藏到预先训练的模型中。因此,对这些隐写后的预训练模型进行可靠的检测非常重要。我们分析了现有的神经网络隐写方法,发现它们不可避免地会导致参数统计的偏差。针对LSB隐写,实验发现其会造成参数位平面随机性上的偏差;针对COR隐写和SGN隐写,实验发现其会造成参数分布上的偏差。基于这些偏差,我们提出神经网络隐写的隐写分析方法,即从良性和恶性模型中提取特征建立分类器。据我们所知,这是第一个检测神经网络隐写术的工作。实验结果表明,本文提出的检测算法能够可靠地检测出含有嵌入式信息的模型。值得注意的是,我们的检测方法即使在低负载下仍然有效。     

移动无线互联网接入中视频编码码率的控制策略

建立了用于接入移动无线互联网的视频编码转换模型,提出了自适应运动矢量估值方法.将编码转换码率控制分为图像层控制和宏块层两级,首先对每帧图像的编码比特数进行预分配,然后采用小波变换系数来表征图像特征,为帧内不同特征的宏块选用不同的量化因子,提出一种新的码率控制策略.模拟实验结果表明该方法在视频图像质量没有明显失真的前提下,提高了视频编码转换速度;编码转换输出码流和编码转换缓冲区占用量较稳定,重建图像的信噪比得到明显的改善.     

视频帧插值篡改的被动检测综述

视频帧插值是指利用运动补偿插值或者基于深度学习的视频帧合成并且插入到视频，属于视频特有的时域操作.传统的视频帧插值和深度视频帧插值都可以用于提升视频帧率上转，也可能用于提升虚假的视频码率，以吸引用户访问.系统地综述视频帧插值的被动检测技术.首先，分析视频帧插值技术的帧合成机理，尤其突出深度视频帧插值技术，包括其采用的深度网络模型及其特点，以挖掘遗留的细微痕迹.然后，从篡改手段和遗留痕迹的角度，总结基于手工特征和基于深度学习的视频帧插值被动检测的典型方法，并且从采用的特征和优缺点的角度进行比较.最后，指出视频帧插值篡改检测领域在深度学习时代存在的技术挑战和未来的发展趋势.     

一种基于混合蛙跳优化的JPEG图像隐写算法

在JPEG图像中隐写会引起图像DCT系数直方图变化和分块效应比,分析者可以根据这些特征变化察觉到秘密信息的存在。为了提高隐写的安全性,提出了一种基于混合蛙跳优化的JPEG图像隐写算法。对图像进行分块处理后,在每个块中采用混合蛙跳优化算法,寻找最优的置换矩阵来替换秘密信息。在隐写过程中,将置换矩阵和置换后的秘密信息隐藏于修改了量化表的DCT系数中,算法不需传递其他边缘信息。仿真实验表明,所提出的隐写算法与修改量化表隐写算法,基于粒子群优化隐写算法相比,在隐写容量增大的同时,具有更高的安全性。     

基于相关性与纹理度量的SVM隐写分析算法

为提高图像信息隐藏正确检测率,扩展隐写分析算法的适用范围,提出了一种新的基于最低有效位(LSB)的隐写分析方法,引入了一组基于相邻像素相关性和图像纹理复杂度的差值关系的高阶统计矩作为特征矢量。基于此特征量构造分类器,采用支持向量机(SVM)进行训练和分类。对1 600幅BMP图像在不同嵌入率情形下进行仿真实验,并与经典的RS(regular singular)隐写算法和GPC(gray-levelplane crossing)算法进行对比分析。结果表明,针对原始无损存储图像,基于该文建立的分类器的准确率高于目前的主流算法识别掩密图像,具有较可靠的盲检测性能。