博弈论模型下基于运动矢量的视频隐写算法

针对目前大多数视频隐写算法不满足Kerckhoffs准则进行了研究,在博弈论隐写模型的基础上,提出了一种新的基于运动矢量修改的H.264视频隐写算法.该算法利用人眼视觉特性中对运动矢量的方向和速度特性敏感程度不同计算失真代价函数,再根据博弈论相关理论结合失真代价函数得到每个运动矢量的嵌入概率,实现了一种在理论上满足Kerckhoffs准则的视频隐写算法.实验结果表明,与同类型视频隐写算法相比,在满嵌时该算法的PSNR和SSIM的平均变化值分别降低了18.5％和12％,具有较好的安全性和不可感知性.     

以运动矢量残差为载体的视频隐写算法

目的 以运动矢量（MV）为载体的视频隐写算法会破坏同一帧内相邻宏块或者相邻帧相同位置宏块的运动矢量之间的相关性,从而容易被基于运动矢量时空相关性（temporal-spatial correlation）特征的隐写分析算法检测到。为了解决这个问题,在H.264/AVC的视频编解码标准下构建了一种能抵抗基于运动矢量时空相关性隐写分析的视频隐算法。方法 通过分析运动矢量残差（MVD）与运动矢量时空相关性的联系,证明了保持运动矢量残差的统计特征的隐写算法能够很好地保持视频运动矢量的时空相关性;通过分析运动矢量残差的统计特征设置了一种能保持其直方图特征的嵌入规则,使用4个标记符和一个队列来记录修改载体造成的特征改变,并进行相应的补偿操作,将秘密信息嵌入到视频压缩过程中的熵编码之前的运动矢量残差中;结合可变长度的矩阵编码,有效降低了嵌入秘密信息对载体的修改量。结果 实验结果表明,该算法能较好地保持运动矢量残差在隐写前后的直方图特征,具有较好的视觉不可见性,对视频峰值信噪比（PSNR）和码率影响都不超过0.5%,满载嵌入的情况下基于运动矢量时空相关性的隐写分析算法对其的检测正确率只有70%左右。结论 本文算法以运动矢量残差为隐写嵌入的载体,使用保持其直方图特征的嵌入规则,结合了矩阵编码以减低对载体的修改量,能较好抵抗基于运动矢量时空相关性的隐写分析。     

基于运动矢量多直方图修正的视频可逆隐写算法

针对基于直方图平移的视频隐写算法与视频内容相关性不强进行了研究,提出了一种基于运动矢量多直方图修正的H.264视频可逆隐写算法。该算法通过统计特定帧中宏块移动的速度特性和散乱度对人眼视觉的敏感程度设计修正参数,再根据修正参数设计多个二维直方图,最后在非特定帧中通过二维直方图修正算法嵌入信息。实验结果表明：与同类型视频隐写算法相比,嵌入容量平均提高8.2%,在满嵌时该算法的PSNR和SSIM的变化值分别平均降低19.9%和17.5%,该算法在保持较低的比特率变化下,具有更好的嵌入容量和不可感知性。     

一种低修改率的视频隐写方法

基于运动矢量和矩阵编码的视频隐写方法存在运动矢量修改率过高的问题。为此,提出一种低修改率的视频隐写方法。按照 H.264标准进行视频编码,通过预先定义的阈值选取幅值较大的运动矢量,根据相位角选取合适的运动分量,利用该分量在运动矢量中嵌入秘密信息,使用矩阵编码降低运动矢量的修改率。实验结果表明,该方法具有较高的载体数据利用率、较低的载体数据修改率和计算复杂度。     

基于运动估计的视频隐写检测算法

提出一种基于运动估计的的视频隐写检测算法。通过块均方误差的变化研究信息嵌入对运动估计的影响,发现运动矢量对隐写具有敏感性,且分块越小,对隐写越敏感。反映视频时变特性的运动矢量场被作为隐写检测中视频数据的表征,特征提取过程中,先取定分块大小,使用最小均方误差块匹配运动估计算法,得到运动矢量场。再提取运动矢量场3个方向相邻元素的共生矩阵,使用共生矩阵的主对角线及其相邻元素作为特征。使用支持向量机分类器实施检测,实验结果表明文中算法与Budhia的算法相比,具有更好的检测性能。     

基于运动矢量相位角和卷积码的大容量视频隐写算法

为提高视频隐写中秘密信息的嵌入容量,提出一种基于运动矢量相位角和卷积码的大容量视频隐写算法。通过研究视频流中每一个帧组里的Ｐ帧和Ｂ帧上的运动信息,将秘密信息经过交织变换,用相位角的值表示不同的数字序列并作为卷积码的基本生成矩阵,使用卷积码来嵌入秘密信息。实验表明,该算法具有嵌入容量大、不可见性好和稳健性强等特点,在保持良好视频质量的前提下,可以达到视频隐写中大容量嵌入的目的。     

基于压缩视频的隐写算法研究

视频隐写是以视频为载体的隐写技术,根据嵌入时载体视频是否经过压缩编码将视频隐写分为基于原始视频的隐写和基于压缩视频的隐写两个大类。该文介绍了几种常见的基于压缩视频的隐写算法,给出了一般原理模型,对AC系数、DC系数和运动矢量等编码单元上隐写算法进行了简单介绍,提出了提高隐藏率的基本思想。     

基于运动矢量直方图不变的数字视频隐写算法

针对现有基于运动矢量(MV)的数字视频隐写算法对载体直方图统计特性带来较大改变这一问题,提出一种基于运动矢量直方图不变的数字视频隐写算法。利用保持直方图数据映射方法,把秘密信息隐藏在视频运动矢量中;同时,利用数据匹配编码对嵌入之前的秘密信息进行编码处理,得到了与视频运动矢量统计特征基本匹配的数据流,使算法接近于信息论下的完美安全。实验结果表明：算法有效控制了运动矢量直方图的改变,同时码率的增加也被有效地控制在1%以内,隐写分析检出率平均下降了30%~50%。     

基于运动矢量的视频隐写方法

为减小秘密信息嵌入对载体视频的修改率,提出了一种基于运动矢量及线性分组码的视频隐写方法。该方法在原始视频进行H.264压缩过程中将秘密信息嵌入到其运动矢量中。线性分组码的使用不仅可大幅提高载体视频的运动矢量利用率,而且可有效降低运动矢量修改率。所提算法不仅具有计算复杂度低、视觉不可见性高的特点,而且可以实现秘密信息的盲提取。实验表明,该方法在保持良好的视频质量的前提下,可以满足隐蔽通信对于高嵌入容量的需求。     

像素差自适应隐写方案*

提出了一种新的基于相邻像素差的自适应隐写算法。该算法结合图像位平面性质以及人眼对像素值起伏剧烈的区域敏感性较差的视觉特性,根据相邻像素高五位比特值之差的不同选择不同的嵌入策略,通过改变每对像素的最低三位比特值实现信息嵌入。通过理论分析和实验证明,该算法具有较高的嵌入容量,具有良好的隐写安全性,同时算法复杂度低,实现简单。     

一种基于变长位平面的自适应视频水印算法研究*

针对视频水印嵌入强度在平衡水印系统的鲁棒性和不可见性时存在的问题,提出了一种变长位平面分解的视频水印算法。该算法根据8位灰度水印图像在位平面分解后各位平面在重构水印图像时的权值不同,将不同的位平面嵌入在不同数量的DCT中低频系数中,并利用HVS和Watson视觉模型的亮度掩蔽特性自适应的调整水印嵌入的强度从而实现了自适应地嵌入水印。实验表明,该视频水印系统在满足鲁棒性的同时具有高度的透明性。     

基于码分多址的视频水印

应用通信领域的码分多址技术对视频水印方案进行一次探讨,将待嵌入的水印信息使用循环码编码以后,使用码分多址技术对视频每一帧中Blue分量进行水印嵌入操作。通过相关检测提取水印,不需要原始视频文件,嵌入和提取算法简单易懂。通过仿真实验,使用该方法嵌入水印信息不影响视频流的完整性和一致性,人的感官系统不能分辨出嵌入水印以后的视频和原始视频之间的区别。该水印系统可以应用在视频版权保护和监视特定视频是否播放的场合。     

基于人眼HVS模型的改进型小波水印算法

现如今为了实现多媒体版权的保护和认证等功能,视频水印技术研究在很多方面都取得了巨大的进步,而原始域的视频水印算法由于其极高复杂度和广阔的应用前景引起了很多研究者的关注。该文利用最能体现水印不可见性的HVS系统模型,首先对视频帧做四次小波变换,找到视频帧中人眼能够接受的不同嵌入强度,然后选取嵌入强度最大的前N个位置,在相应位置的二次小波系数中写入水印。实验结果表明,该文提出的视频水印算法对MPEG编解码、视频剪切等攻击都具有良好的抵抗性。     

基于H．264／AVC视频流的双水印算法

针对H．264／AVC编码标准的新特性,提出一种基于H．264／AVC低比特率视频流的双水印算法,将鲁棒水印嵌入DCT域中,把脆弱水印嵌入运动矢量残差中,达到对视频版权保护和视频内容完整性认证的双重目的。实验结果表明,该算法对视频质量和码率的影响较小,鲁棒水印能有效抵抗高斯噪声、低通滤波、重编码以及轻微的抖动失真等常见的视频攻击,脆弱水印对视频内容的轻微修改具有较强的敏感性。     

基于熵模型的高透明性自适应视频水印算法

提出一种基于视频运动估计熵模型的自适应视频水印算法.该算法将人类视觉系统(human visual system,简称HVS)与视频分块运动估计(block motion estimation of video)相结合,获取视频序列帧中与运动相关的视频运动信息,然后利用熵模型对视频序列帧中的运动信息进行统计,从而得到一组基于视频序列帧间运动信息与人类视觉屏蔽特性相结合的非线性计算公式.利用该组计算公式,可以根据视频帧的内容自适应地计算每个方块的水印最大嵌入强度.实验结果表明,熵模型与非线性公式的引入较大幅度地提高了视频水印的透明性,并且能够有效地抵抗常见的针对视频水印的攻击,具有较高的安全性和鲁棒性.     

基于熵模型的高透明性自适应视频水印算法

提出一种基于视频运动估计熵模型的自适应视频水印算法.该算法将人类视觉系统(human visual system,简称HVS)与视频分块运动估计(block motion estimation of video)相结合,获取视频序列帧中与运动相关的视频运动信息,然后利用熵模型对视频序列帧中的运动信息进行统计,从而得到一组基于视频序列帧间运动信息与人类视觉屏蔽特性相结合的非线性计算公式.利用该组计算公式,可以根据视频帧的内容自适应地计算每个方块的水印最大嵌入强度.实验结果表明,熵模型与非线性公式的引入较大幅度地提高了视频水印的透明性,并且能够有效地抵抗常见的针对视频水印的攻击,具有较高的安全性和鲁棒性.     

融合人工蜂群和混沌映射的混合视频水印算法

为了解决运动矢量搜索效率低下、水印信息嵌入单一等问题,融合自适应人工蜂群 和Powell 局部搜索,提出一种基于独立分量分析的运动目标检测方法。首先采用自适应搜索参数 动态调整邻域搜索范围,使人工蜂群算法快速收敛于全局最优,然后将人工蜂群输出的所有蜜源 进行K 均值聚类,克服K 均值聚类结果对初始聚类中心的依赖,再将聚类划分结果进行Powell 局部搜索,加快方法收敛的速度。采用独立分量设计运动目标最优化问题,并利用改进方法求解 最优解,从而提取视频序列中的运动分量。利用Logistic-正弦映射进行混沌加密,对加密后的水 印图像进行Arnold 映射置乱,将最终水印信息嵌入B 帧和P 帧中,在提高视频数据抗攻击的同 时,增强视频数据的真实完整性。仿真结果表明,该混合水印嵌入算法在鲁棒性和脆弱性方面有 良好的表现。     

Extracting representative motion flows for effective video retrieval

In this paper, we propose a novel motion-based video retrieval approach to find desired videos from video databases through trajectory matching. The main component of our approach is to extract representative motion features from the video, which could be broken down to the following three steps. First, we extract the motion vectors from each frame of videos and utilize Harris corner points to compensate the effect of the camera motion. Second, we find interesting motion flows from frames using sliding window mechanism and a clustering algorithm. Third, we merge the generated motion flows and select representative ones to capture the motion features of videos. Furthermore, we design a symbolic based trajectory matching method for effective video retrieval. The experimental results show that our algorithm is capable to effectively extract motion flows with high accuracy and outperforms existing approaches for video retrieval.