数字视频伪造被动取证技术研究综述

数字视频伪造被动取证技术直接依据已获得的视频数据本身来判别其真实性, 具有更好的适应性, 逐渐成为取证研究领域的主流。为了从整体上梳理与描述数字视频伪造被动取证技术,分析了常见的视频伪造操作的特点和它们遗留的痕迹以及对视频被动取证的影响,从取证手段和采用技术2个角度,归纳与总结了基于数字视频来源、基于视频篡改遗留痕迹、基于深度学习框架和基于原始视频特征表征等视频被动取证的典型方法,并详细地探讨了视频伪造被动取证领域面临的挑战和未来的发展趋势。      

基于视频修复的运动目标删除篡改行为的检测算法

将运动对象从视频中删除是视频篡改的一种常见 形式,针对删除视频运动对象这一篡改操作, 提出了基于视频修复痕迹的检测方法。运动对象删除后需采用数字视频修复技术填补由于移 除操作产生的 黑洞,使得篡改后的视频遗留有修复痕迹;通过深入分析篡改视频中遗留的修复痕迹,对篡 改后未压缩视 频采用对称帧差法检测运动对象删除区域;对压缩后的篡改视频从运动光流场的角度,由视 频帧光流方向 的不一致性进行检测。实验结果表明,本文方法不依赖于原始视频,计算复杂度低,能够有 效检测运动对象删除操作,并在空时域上对篡改区域进行定位。     

视频篡改被动检测技术研究

随着网络和各种视频编辑软件的迅速发展,视频的传播和篡改也越来越容易,如何保证视频内容的完整性和安全性成为人们亟须解决的问题。视频篡改检测是一个目前国内外热门的研究领域,也是版权保护、广告跟踪、执法调查等问题的有效措施之一。文中详细介绍了视频篡改被动检测技术的研究背景、意义、定义、分类、检测原理和通用模型,以及目前国内外视频篡改被动检测技术的最新成果。     

一种新的多特征融合视频篡改检测方法

三网融合的视频防插播、防篡改技术已成为信息安全领域重点攻关的关键技术。针对多媒体业务被恶意篡改的问题,提出一种新的多特征融合的视频篡改检测方法：结合LM算法对BFGS进行融合改进,提出改进的BFGS神经网络,通过提取视频特征平均梯度和信息熵,采用改进的BFGS神经网络进行融合篡改检测。实验结果表明,该算法收敛速度快,学习精度高,能有效地对视频篡改进行检测。     

数字图像盲取证技术研究综述

数字图像盲取证作为一种不依赖任何预签名提取或预嵌入信息来鉴别图像真伪和来源的新课题,正逐步成为多媒体安全领域新的研究热点,本文首先介绍了这一领域当前的研究现状和进展,接着从图像篡改遗留痕迹特征、图像内在统计特性、成像设备一致性三个方面阐述了当前图像盲取证技术的主要方法,并分析了不足之处。     

数字图像拼接篡改盲取证技术研究

研究图像的篡改识别问题,由于数字图像能够被轻易的篡改并且很难发现改动痕迹,对篡改像素不融合现象识别不清,导致图像篡改很难被肉眼识别。为解决上述问题,从篡改者的角度对目前流行的篡改手段做了新的分类,详细分析了各种篡改取证技术的优缺点。提出了一种基于统计特征分类的盲检测算法,实验表明,从图像的双谱幅值和相角检测可以准确识别出篡改后的图像,为篡改图像的识别提供了依据。     

数字视频真实性和来源的被动取证技术

分析了多种视频篡改伪造行为的特点以及它们对视频被动取证的影响,然后从真实性和来源取证2个方面,归纳了基于视频伪造过程遗留的痕迹和基于视频捕获成像设备特性等被动取证的典型方法,并详细地探讨了本领域存在的问题和未来的发展趋势。     

DCT域视频转码技术综述

随着数字视频技术的广泛应用,实现各种视频编码格式之间转码的要求越来越迫.视频转码是数字媒体网络网关的关键技术.本文从DCT域视频转码的体系结构、关键技术及最优转码策略三个方面,介绍了现有的各种算法,分析和总结了各自的特点,提出了DCT域视频下采样帧内刷新体系结构和最优视频转码策略解的概念,并指出了下一步的研究方向.     

基于双通道卷积神经网络的视频目标移除取证算法

针对现有数字视频目标移除取证算法的伪造帧识别准确率低的问题,本文提出了一种基于双通道卷积神经网络的视频目标移除取证算法。该算法利用双通道结构,分别提取视频绝对帧差图像的RGB特征和噪声特征,并利用双线性池化对二者进行特征融合,而后通过分类层输出视频帧的分类结果,从而有效地识别经过篡改的视频帧。其中,RGB通道能够发现绝对帧差图像中不自然的篡改边界和对比度,噪声通道能够发现原始区域和篡改区域之间噪声的不一致性。此外,算法在网络前端增加了预处理层来放大篡改视频帧的伪造痕迹。实验结果显示,所提算法有效地提高了伪造视频帧的识别准确率,且相对于传统的单通道网络结构,双通道特征融合的方式取得了更好的检测性能。      

基于P、B帧MBNV特征的视频篡改检测方法

随着视频编辑软件的普及使用,视频篡改变得越来越容易。文中针对视频帧间篡改行为,分析讨论了视频帧中宏块数量在视频篡改情况下的变化规律,提出了基于视频P、B帧宏块数量变化(MBNV)特征的视频篡改检测算法,与现有算法不同的是:文中算法考虑了编码中常见的B帧在经历帧间篡改操作后的异常特性。算法通过对异常帧的判断提取,利用I帧的周期性特性,判断视频是否经过篡改,并对视频的篡改手段进行鉴别。实验证明,文中提出的方法对不同的视频编码方式和不同的比特率都有不错的检测效果。     

JPEG图像被动取证研究进展综述

数字图像被动取证是利用图像的固有属性对其真实性认证、拼接区域定位及篡改历史分析的技术。由于大多数图像都需要进行JPEG压缩以便存储和传输，基于JPEG格式的数字图像被动取证越来越受到关注。为了更加全面地对现有取证方法进行梳理与归纳，本文着重对JPEG图像相关的取证技术进行介绍，详细论述了双重JPEG压缩检测、量化矩阵估计和拼接检测与定位方法中的关键技术，分析现有方法存在的问题与面临的困难，并对未来发展方向进行展望。      

一种用于帧内篡改检测的压缩感知视频水印实现算法

 针对视频水印在帧内篡改检测方面定位精度的不足,通过压缩感知对MPEG-4(Moving Picture Experts Group-4)视频内容的特征表示,提出一种新的视频水印生成方法及其帧内篡改检测算法.该算法由压缩感知DCT(Discrete Cosine Transform)测量矩阵对I-VOP(Intra-Video Object Plane)图像提取U、V特征参数,生成基于内容的压缩感知视频水印数据并嵌入到图像Y分量的DCT中高频系数中实现帧内篡改检测.实验结果表明,与Hash视频水印算法比较,压缩感知视频水印数据具有更好的恢复能力,且水印算法对视频帧内篡改定位精度更高.     

一种基于自适应阈值选择的干扰检测方法

针对智能视频监控系统中的干扰检测问题,提出了一种新的检测方法,并将干扰类型进行了分类。该方法对智能视频监控系统中的遮挡、失焦、亮度异常、偏色和噪声污染5种干扰分别提取检测特征,实现了对不同类型干扰的分类检测。同时,采用了自适应更新阈值的方法,降低了检测方法的复杂度,提高了其实用性。实验结果表明:在能够满足监控系统实时性的要求下,与经典方法相比,检测性能较好,适用范围较广,分类正确率达到了92.2%。     

Spies, thieves, and lies: the battle for multimedia in the digitalera

Multimedia security has become an immediate concern for content providers, artists, and the entertainment industry. The apparent panic over the need for an effective mechanism for digital media rights protection echoes in many of today's news stories. The fundamental cause for this frenzy is the leakage problem. The leakage problem involves the illegal duplication, unlawful tampering, and wrongful distribution of media. Because of the popularity of handheld digital cameras, online news magazines, and movies on digital versatile disk (DVD), traditional forms of analog media are being replaced with new digital counterparts. Advances in digital media storage, duplication, editing, and transmission technologies have made this alternative more flexible, scalable, and cost effective for emerging applications. Ironically, however, these same appealing conveniences have facilitated large-scale piracy of and unlawful tampering with digital content. Because of analog media's media, high-quality duplication is expensive and therefore inaccessible to the average consumer. Despite new legislation by governments and the ongoing efforts of the entertainment and high-tech industries, there has been little progress in preventing multimedia theft and tampering     

针对视频运动补偿帧率提升篡改的主动混噪取证算法

运动补偿帧率提升(MC-FRUC)是常见的视频时域篡改手段。现有方法依靠被动分析视频统计特征发现MC-FRUC篡改,然而,视频统计特性的非平稳性影响了取证性能的稳定性。该文提出一种主动混噪取证算法,通过预先混入统计特性已知的高斯白噪声,提高MC-FRUC取证的准确度。首先,利用伪随机序列生成高斯白噪声,加入原始视频序列。接着,由小波系数的绝对中位差预测各视频帧中混入高斯噪声的标准差。最后,检测高斯噪声标准差的时域变化周期性,通过硬阈值判决,自动甄别MC-FRUC篡改。实验结果表明,针对不同的MC-FRUC伪造方法,提出算法均表现出良好的取证性能,尤其是当采用去噪、压缩等操作后处理视频后,提出算法仍能确保较高的检测准确度。     

基于深度学习的视频编码发展现状与未来展望

近年来,深度学习技术不仅在人工智能领域取得了巨大成功,也为视频编码领域带来了新的发展机遇。文章从两个方面介绍了深度学习技术在视频编码领域的发展现状,即传统编码框架下深度学习视频编码工具和以深度学习模型为基础的视频编码新框架,并对相关代表性工作进行了详细介绍和性能分析。最后,对深度学习视频编码技术面临的挑战和未来发展方向做了分析和展望。     

基于DCT系数统计特性的HEVC视频双压缩检测算法

功能强大和使用简易的视频编辑软件可能会使数字视频遭受到各种不同形式的篡改,视频的真实性和完整性无法得到保证。双压缩是视频篡改的必要条件,双压缩检测则是视频取证的重要辅助手段。通过分析压缩过程中由量化误差引起的离散余弦变换(DCT)系数变化,提出了一种不同量化参数下的高效视频编码(HEVC)视频双压缩检测算法,利用DCT系数直方图和相邻DCT系数对奇偶组合统计特性构造22维联合特征集,最后将特征集用支持向量机(SVM)进行分类识别。实验结果证明了本文算法的有效性。     

Passive forensic based on spatio-temporal localization of video object removal tampering

To address the problem of identification of authenticity and integrity of video content and the location of video tampering area,a deep learning detection algorithm based on video noise flow was proposed.Firstly,based on SRM (spatial rich model) and C3D (3D convolution) neural network,a feature extractor,a frame discriminator and a RPN (region proposal network) based spatial locator were constructed.Secondly,the feature extractor was combined with the frame discriminator and the spatial locator respectively,and then two neural networks were built.Finally,two kinds of deep learning models were trained by the enhanced data,which were used to locate the tampered area in temporal domain and spatial domain respectively.The test results show that the accuracy of temporal-domain location is increased to 98.5%,and the average intersection over union of spatial localization and tamper area labeling is 49%,which can effectively locate the tamper area in temporal domain and spatial domain.