一种基于运动矢量的视频水印算法

运动矢量可作为视频水印嵌入点,利用运动矢量的相角可嵌入水印信息．抖动调制根据水印住来调制量化区间,基于运动矢量的相角抖动调制依据水印信息位把运动矢量的相角调制相应的区间而嵌入水印信息．其水印嵌入算法简单,对视频质量和码流的影响小,并可实现水印的盲检测和盲提取。     

基于SURF视频分割的视频水印算法

提出一种基于SURF快速鲁棒特征点的视频分割方法,结合独立分量分析,并通过奇异值分解变换进行视频水印的嵌入,使水印在具有较好的抗时间不同步攻击和抗共谋攻击的前提下,提高对抗几何攻击的鲁棒性。实验结果表明,该算法对几何攻击、丢帧和持续时间不变减少帧数等攻击均具有较好的鲁棒性。     

基于运动矢量区域特征的视频水印方案

H.264是一种高压缩比、高视频质量、高复杂度的新一代视频压缩标准,因为其高压缩率的特性,一些常用的水印方案无法直接运用于该视频压缩标准。提出了一种利用运动矢量的区域特性来隐藏水印信息的视频水印方案,该算法的最大特点为简单、实用,并且在隐藏水印信息的过程中还可以降低H.264编码中运动估计部分的运算复杂度。实验结果表明,通过该算法对视频图像嵌入水印后,主观上无法分别图像区别,PSNR值的波动被有效的控制在±0.1范围内,码率的增加在2%左右,并且插入的水印信息能够被100%的正确提取,运动估计中的搜索点减少1/2。由此表明,该算法是一种简单、高效的视频水印隐藏方案,并且细化区域的分类,可以达到使隐藏的水印信息加倍的效果。     

基于运动速度的视频水印算法

在运动矢量的基础上提出运动速度概念,并提出一种基于运动速度的压缩域视频流水印算法,给出相关检测性能分析.实验表明,该算法具有很强的鲁棒性,能抵抗一些格式上的变换.     

基于矩阵置乱的自适应视频水印算法

视频数字水印技术是当前水印研究中的一个热点。为了更好的保证视频水印的鲁棒性,提出了一种基于MPEG-2运动分量的自适应数字水印算法。该算法首先利用矩阵置乱来确定水印片段的目标图像组,然后结合人眼视觉系统选择水印比特嵌入的运动分量。实验结果表明,该算法不仅对于针对视频水印的特殊攻击具有高鲁棒性,且水印嵌入前后图像的峰值信噪比仅有微弱差异。     

基于DEMD的视频分割方法及其在视频水印中的应用

提出一种基于方向经验模式分解（directional empirical mode decomposition, DEMD）的视频分割方法,并结合独立分量分析（independent component analysis）技术实现视频水印的嵌入.基于DEMD的视频分割方法除去视频帧中反映图像内光照分布与能量的最低频率固有模态函数（intrinsic mode function, IMF）分量,并选择一种简单有效的运动补偿方法,解决了传统基于直方图方法对光照突变、镜头内物体运动和镜头运动及拉伸的敏感问题,减少了镜头边界识别的误检率,在保证召回率不受影响的前提下提高了视频分割的精确度.使用这种视频分割方法与ICA结合,对分割出的每个视频段进行ICA分析得到一系列独立分量帧,以这些独立分量帧为载体,采用一种改进的基于小波域量化的图像水印技术嵌入水印,实现对视频加入水印的过程.实验结果表明,这种视频水印方法对各种水印攻击均有较好的鲁棒性,同基于传统直方图方法的视频水印方法相比较,对丢帧和持续时间不变减少帧数等攻击具有更好的鲁棒性.     

基于混沌和运动矢量的视频水印算法*

针对新一代视频压缩标准H.264,提出一种基于混沌置乱以及运动矢量域的视频水印方案.该方案在运动矢量域自适应嵌入水印和提取经过混沌置乱的水印信息,再经过置乱逆变换恢复得到原水印信息.混沌序列的伪随机性和初值敏感性为水印的安全性提供了保证.实验结果表明,主客观视频质量都与原始视频序列相当,码率误差小.     

基于ICA运动目标检测的自嵌入视频认证水印

为了对视频中关键内容是否经受篡改实施有效验证和保护,提出了一种基于运动目标检测的自嵌入视频认证水印方案。由于运动目标集中了视频的关键信息,采用独立分量分析技术从连续的视频帧中分离出运动分量信息生成水印,并用奇异值分解方法对水印作预处理,采用DCT方法自嵌入到视频帧中去。实验结果表明,该水印方案在保证视频质量的前提下,对于常见攻击处理和局部篡改具有很好的鲁棒性,可以有效地验证视频关键信息是否遭到篡改,并且能够恢复出被篡改的关键内容,有效地保护视频完整性。     

基于DMWT和QIMM 的图像水印算法

利用多尺度分析的思想,对原始图像进行重复行信号预滤波,把标量小波变换扩展到多小波变换后选取变换出来的低频子带进行水印嵌入。为了保证水印信息的安全性,对水印进行加密置乱处理。然后结合量化索引模数调制（QIMM）的优越性能,根据水印的信息不同选择不同的子块进行嵌入并实现了水印的盲提取。实验证明,算法具有良好的视觉性和鲁棒性,并大大扩展了水印的容量。     

基于MPEG-2的视频水印算法

提出一种基于MPEG-2的视频水印方案,利用分组调制技术,将影视作品的版权信息嵌入到低频DCT系数中,以此来保护版权。实验结果表明,该算法生成的视频质量较高,同时算法在抵抗旋转、剪切、缩放、投影攻击方面具有较强的鲁棒性。     

基于运动矢量域与DCT域的混合视频水印方案

提出了一种基于运动矢量域与DCT域的混合视频水印方案.在基于压缩域视频水印方案中,传统的基于DCT域视频水印方案与近几年来兴起的基于运动矢量域视频水印方案日渐成为研究的重点与热点.结合这两种水印方案提出了一种混合视频水印的算法.该算法能够在保证视频质量以及有效控制码率增加的情况下,将水印同时嵌入运动矢量域以及DCT域中,并且达到两种水印互相纠错的目的.实验结果表明,水印嵌入后,主客观视频质量都与原始序列相当,而码率的增加也被有效地控制在1%以内.     

基于运动矢量的抗几何攻击视频水印方案

许多数字图像和视频水印方案都无法抵挡几何变换攻击,即使是轻微的旋转、缩放、平移也将会破坏水印的同步,这就使得水印难以检测出来。为解决此难题,提出了一种新颖的视频水印算法。该算法利用了运动矢量特征的相对关系不易随几何失真变换而改变的特性,使得水印具有内在的抗几何失真的鲁棒性。该算法中,水印嵌入和检测时,不仅可根据平均运动矢量的方向和幅度确定水印模板的位置和方向,而且水印检测不需要原始视频。实验表明,该水印算法对几何变换攻击具有较强的鲁棒性。     

一种新的半脆弱视频水印方案

半脆弱视频水印是一种进行视频数据内容完整性认证的重要技术.为了得到具有更强认证能力的半脆弱视频水印信息,提出了一种新的方案,该方案采用DCT块组能量关系特征和块灰度均值特征相结合的双特征提取方法构成水印信息,然后将水印信息进行Turbo编码,再利用改进的DEW算法实现水印的嵌入.双特征提取算法可以克服单特征提取的不完备性,增强篡改判断和定位能力,Turbo编码可以提高水印信息的鲁棒性,降低认证虚警率.实验结果表明,该算法在不破坏视觉质量的基础上,能够对常见的篡改操作进行完备的认证,虚警概率小.     

基于纹理复杂度和运动方向的3D视频水印算法

3D视频的编码方法在HEVC（high efficiency video coding）的基础上有了较大的改动.针对这些改变,提出了一种基于纹理复杂度和运动方向的3D视频水印算法.首先,采用灰度共生矩阵和梯度矩阵分别对I帧中CTU（coding tree unit）和8 CU×8 CU（coding unit）纹理复杂度进行统计分析,将分析结果作为阈值选出P帧和B帧中纹理复杂度较高的8 CU×8 CU;其次,选择帧间预测模式为对称分割的块作为嵌入块,结合同位纹理块的运动矢量分量大小来确定嵌入的水印;最后,通过调制当前块运动矢量的搜索范围或修改区域最优运动矢量的大小来嵌入水印.本算法对不同视频序列平均嵌入容量达到613字节/帧,在不同QPs（quantization parameters）（25、30、35、40）值的重编码攻击下的平均误码率为13.31%,PSNR值平均下降仅为0.007 5 dB,对合成视点质量几乎没有影响,同时鲁棒性好.     

抵抗多种攻击的视频水印新方案

随着多媒体技术的发展,数字视频的版权保护变得越来越重要.为了设计一种更加实用的数字视频水印,提出了集成多种技术的、对多种攻击鲁棒的自适应、盲检测视频水印新算法.首先,利用Arnold置乱技术将水印置乱,并进行Turbo编码,以提高其安全性;然后,根据视频的特征,即归纳的频率敏感性、色度敏感性、运动敏感性、纹理敏感性和亮度敏感性选取关键帧,并运用分块技术将关键帧进行3维分块;再进行3维小波分解,选中低频区域作为嵌入域;此外,为了抵抗旋转、缩放攻击,采用了一种新方法,即用Zernike矩提取视频的旋转、缩放不变信息;最后采用盲检测技术提取水印.通过对典型视频数据的攻击和测试,得出了水印的鲁棒性指标.结果表明,本文水印适合多种内容特点的视频,能够抵抗目前常见的各类攻击,具有一定的实用价值.     

基于CIF-to-QCIF变换的压缩域视频水印算法

现有视频水印算法的设计目标主要是对有损压缩、重量化编码等处理具有鲁棒性,但很少考虑视频帧格式变换因素,使水印对这类处理不具有鲁棒性。论文结合视频帧格式由CIF到QCIF的变换设计了一个压缩域的视频盲水印算法,水印被嵌入到CIF格式的视频流中,既可以从CIF视频中提取也可以从QCIF视频中提取,实验结果表明提出的算法对MPEG重编码以及CIF到QCIF的视频格式变换具有鲁棒性,而且整个嵌入提取过程都基于DCT域,具有较低的计算复杂度。     

一种基于运动的视频层次化分析框架

运动信息是视频中最重要的特征之一.本文提出了一种新颖的基于运动的视频层次化分析框架.为了揭示视频流中的运动关系和在拍摄过程摄像机的运动信息即拍摄者的兴趣所在,提出了视频层次化结构来对视频流进行描述和检索.该运动层次化结构引入一个新的概念:基本运动单元(Basic Motion Unit,BMU).BMU反映的是MPEG-7中定义的基本摄像机操作,这样就可以把视频分割成BMU的集合.在BMU的基础上发现并挖掘出视频流中潜在的运动语义模式,最后根据运动活力(Motion Activity)将BMU聚类为运动节奏快慢的运动活力单元(Motion Activity Unit,MAU).该基于运动的视频分析框架不仅能够直观地捕获视频流在拍摄过程中拍摄者的注意力,而且为视频流的快速浏览和检索提供了新的思路.