一種基于取證哈希的數字視頻篡改取證方法

魏 暉 楊高波 夏 明

(湖南大學信息科學與工程學院 長沙 410082)

1 引言

數字媒體的數字化本質以及圖像/視頻編輯工具的發展，使得它們可能被故意篡改偽造，傳統的“眼見為實”的觀念正在被顛覆。為了鑒別數字媒體的來源和真實性，近些年出現了主動取證和被動取證兩類數字媒體取證技術[1]。其中，主動取證需要在數字媒體內容生成過程中，預先嵌入數字水印或者感知哈希等輔助數據，被動取證則僅憑數字媒體本身判別其是否經歷篡改等處理。

根據取證所采用的特征，視頻被動取證分為成像設備的一致性[2]，偽造過程遺留的痕跡[3]和自然視頻本身統計特性[4]3類。然而，絕大多數被動取證方法都只對某種特定的篡改手段有效，且只能提供其真偽的二值判斷。此外，視頻被動取證仍然停留在設備追溯和篡改檢測的階段。隨著各種視頻編輯工具軟件的推出，實際的視頻篡改偽造往往聯合使用多種手段，以盡可能地掩蓋遺留的痕跡。在取證科學應用中，如果能夠準確地估計數字視頻所經歷的完整處理歷史，將有力地增強取證的說服力。

盡管單獨的篡改手段都會留下細微的痕跡，但多種篡改手段的痕跡相互疊加和混淆時，如果缺乏關于原始數字媒體的先驗知識，特別是邊信息(side information)時，純粹的被動取證技術難以滿足深層次取證的要求。文獻[5,6]結合傳統的感知哈希與被動取證，提出一種基于取證哈希的圖像取證框架。取證哈希是從篡改取證的角度出發，通過預先考慮篡改時原始視頻可能發生的改變，提取能夠反映這種改變的統計特征作為邊信息。取證哈希組件的構造綜合考慮了計算復雜度、哈希長度和取證能力的要求。其中，對齊組件(alignment component)通過提取SIFT[7]特征點作為邊信息，并以特征點本身的參數作為參考，實現圖像的幾何變換恢復。在同尺度和角度(common ground)的情況下，利用分塊邊緣方向直方圖構造完整性檢測組件(integrity check component)，對可能存在的內容篡改進行定位。該方法取得了較好的篡改定位取證效果，且能有針對性地估計整個圖像所經歷的操作。此外，針對圖像的內容認證分析，文獻[8]提出了取證簽名的概念，通過提取自適應的Harris角點[9]作為圖像的特征點，再根據鄰域特征點的統計構造緊湊的取證簽名。本質上，這里的取證簽名與文獻[5,6]的取證哈希是一致的，它們都是從方便取證的角度，通過預計可能出現的篡改操作，從源圖像提取對篡改手段魯棒的特征而構造的。

然而，視頻取證分析相對于靜止圖像來說更為困難，原因在于：(1)數字視頻總是經壓縮后存儲的，高的壓縮比會削弱或者破壞篡改過程遺留的痕跡；(2)視頻數據量大，取證的計算復雜度高；(3)視頻具有不同于靜止圖像的獨特性，幾乎所有的圖像篡改手段都可以對視頻幀進行，并且可擴展到時間維。盡管已經出現了少量的圖像取證哈希/簽名的文獻，但還沒有視頻取證哈希的文獻報道。本文在文獻[5-7]的啟發下，結合視頻篡改偽造的特點，提出了一種基于取證哈希的視頻篡改取證方法，嘗試估計可疑視頻的處理歷史。本文提出的方法暫時只考慮了背景靜止的視頻。本文工作的價值在于：(1)以模塊化的方式構建了視頻取證哈希的框架，在取證哈希的魯棒性，篡改定位能力與長度之間進行了有效的折中，且具有可伸縮性；(2)考慮了視頻的時域相關性，取證哈希組件更為緊湊；(3)內容感知的視頻縮放是一種新的視頻篡改手段，本文針對基于seamcarving的內容感知視頻縮放技術[10]，構造了相應的取證組件并進行取證。

本文內容組織如下：第2節闡述視頻取證哈希框架，并構造了幾種視頻取證哈希組件；第3節是實驗結果與分析；第4節總結全文。

2 視頻取證哈希組件的構造與篡改估計

本節提出的視頻取證哈希框架如圖1所示。采集的視頻經過預處理后，提取能夠反映其統計特征和內容特征的邊信息，構造取證哈希組件。取證哈希通過密鑰加密后，安全地粘附于視頻一起進行傳輸。取證時，對接收到的視頻(可能經歷了篡改偽造)按照相同的方法提取取證哈希，并與原始取證哈希進行匹配，從而完成必要的取證分析。本文的取證哈希組件主要有3個：幾何變換估計組件h1，運動對象增刪檢測組件h2和篡改定位檢測組件h3，它們以模塊化的方式一起工作。

2.1 取證哈希組件的構造

圖1 視頻取證哈希框架

2.1.1 幾何變換估計組件 幾何變換估計是指對待測視頻的旋轉、縮放等幾何變換和基于 seam-carving的感知縮放位置進行恢復。在位置、尺度和角度相同的條件下，通過對比原始視頻和可疑視頻，進行深層次的取證分析。構建幾何變換估計組件首先要選取特征點。根據SIFT, SURF和PCA-SIFT各自的特點，在大部分視頻哈希中，多采用 SURF或PCA-SIFT[11]作為視頻特征點生成哈希，原因在于：SURF和PCA-SIFT的描述符數據量和運算速度優于SIFT，更符合視頻數據量大，復雜度高的自然特征；但根據幾何變換組件的構建目標，幾何變換恢復的準確性應該最先考慮，由于 SIFT匹配的數量足夠多且準確率高，因而恢復效果更佳[12]。另外，采用碼簿(codebook)可實現SIFT特征點128維描述符的降維[13]，此處利用 SIFT作為特征點更能滿足該組件的要求。SIFT點的128維描述符，用于判斷SIFT點是否相似，但描述符數據量較大，故在生成幾何變換估計組件前，先對原始視頻的 SIFT特征點描述符進行分層聚類，將聚類集合表示成碼簿用于哈希的緊湊表示。每個 SIFT特征點描述符可用碼簿中的編碼所表示，此方法類似文本檢索。碼簿由數據發送者和接收者共享，只需生成一次就可以在以后每次的檢測中使用。

將原始視頻序列V的第1幀定義為I，提取I中SIFT響應值在0.05以上[6]的所有特征點，響應值越大特征點越穩定，數量也越少。然后利用碼簿將描述符映射成不同的碼字，每個碼字有1個對應的ID。每個SIFT點除描述符外還有相應的尺度ρ，方向θ和圖像中的位置x和y，這 4個量可用來對幾何變換進行估計，所以最終1個SIFT特征點可表示為一個5維向量Si( ID,x,y,ρ,θ)，幾何變換估計組件哈希則為h1={S1,S2,… ,Si, … ,Sn}，其中Si表示I中第i個SIFT特征點向量。在1000個碼字組成的碼簿中，每個Si需要大約50 bit，相比文獻[14]利用1000 bit只能生成5～10個SIFT特征點，此方法提升了哈希的緊湊性。

2.1.2 運動對象增刪檢測組件 運動對象的增加和刪除是一種常見的視頻篡改方式，出于對背景靜止視頻只有運動對象在變，背景不變的考慮，可將運動對象與背景分別用1和0的比特位進行標記。該組件生成的哈希為一串比特流，檢測時復雜度低，易于判斷視頻中運動對象的增加和刪除，具體方法見2.2.2節。

首先, 根據文獻[15]，對視頻所有幀在x-t方向使用prewitt算子，提取運動對象，如式(1)和式(2)：

其中y= { 1 ,2,… , r ow},row表示幀圖像的行數，Ixt表示視頻所有幀在x-t方向像素構成的圖像，共row幅，Ey和Exy表示Ixt利用prewitt算子所求的垂直方向能量圖和總能量圖，再生成視頻的總能量圖，即E=[E x1; E x2; … ; E xrow]。該方法能有效地提取出每幀運動對象的能量邊緣，如圖2所示。

然后，利用最大似然估計確定每幀各自的閾值。將生成的能量圖分割成大小為N×N不重疊的塊，以當前幀所有分塊均方差的集合為估計總體S，求得最大似然估計值作為當前幀的閾值，如式(3)所描述。

其中s(t,n)表示第t幀的第n個分塊的均方差，Eij(t,n)表示每個像素的能量值，i和j表示當前分塊中的行和列，表示分塊能量均值。

最后，大于當前幀閾值的區域標記為 1，表示運動對象，否則用0標記表示背景，所有分塊的比特標記編碼成運動對象增刪檢測組件h2。因為從時間軸方向上看，若該分塊位置在所有幀上都為背景，則該分塊全部為 0，其它分塊位置也一樣，時間軸上連續1和連續0比較多，所以若h2采用游程編碼(run length coding)，能提高哈希長度的壓縮效率。

2.1.3 篡改定位檢測組件 視頻惡意篡改的目的就是為了改變視頻所表達的含義，背景和運動對象的變化都會直接導致視頻內容發生變化，所以對視頻篡改進行定位才能靈活地區分視頻中可信和不可信的部分，這更有利于取證分析的進行，此組件就是從該角度出發。

圖2 視頻各幀中在x-t方向上prewitt算子提取的能量圖

文獻[5]和文獻[14]說明采用分塊邊緣方向直方圖的方法能有效地對篡改進行檢測，該方法擁有較好的緊湊性，對尺度和旋轉變換具有魯棒性。本文同樣采用邊緣方向直方圖的方法[5]，將像素梯度方向非均勻量化到 4 個方向[0°, 45°, 90°, 135°]并計算分塊的方向直方圖。但是，在哈希h3的生成過程中，將背景和前景分開考慮，見圖 3。首先，生成背景的方向直方圖，將視頻每一幀同一分塊位置上h2中標記為0的塊的方向直方圖提取出來，剔除該分塊位置上偏差較大的幀分塊，求剩余該位置分塊的平均方向直方圖。如果遇到特殊情況，即該分塊位置上每幀的標記都為 1，則此分塊的背景方向直方圖各方向全為 0，待進一步在運動對象邊緣方向直方圖中檢測。接著，依次對h2中標記為1的運動對象的位置生成方向直方圖。這樣，由背景和運動對象兩組方向直方圖組合為哈希h3。背景和運動對象分開生成邊緣方向直方圖，使哈希更緊湊，因為對于背景來說，只用生成一組背景邊緣方向直方圖，且能檢測所有幀背景是否發生了修改。

2.1.4 哈希的可伸縮性 如果確定視頻沒有進行幾何變換，可以不需要h1中的參數ρ和θ；如果確定視頻沒有進行seam-carving的重縮放，可以不需要位置參數；如果只需要對運動對象進行檢測，可以只生成h2；如果針對其它篡改手段添加新的組件，搭建的框架同樣適用。

2.2 視頻取證哈希篡改估計方法

圖3 生成h3中各分塊邊緣方向直方圖

圖4 seams的估計與恢復

視頻中最引人注目的必定是運動對象，seamcarving視頻感知縮放需要在保持運動對象時域一致的情況下進行。圖4(b)中，曲線L2是唯一符合要求的seam，只要增加兩個約束就可很好地恢復視頻的seams變化。一是恢復的seams不經過所有幀的運動對象。圖5是將所有幀按時間軸方向疊加，只要seams恢復時不經過該能量疊加圖中白色部分即可，圖中白色部分為運動對象的能量邊緣；二是seams恢復的位置，應該在每行有所約束。

圖5 視頻各幀中運動對象疊加圖

幾何變換估計組件能很好地估計視頻幾何變換和seam-carving感知縮放的操作歷史，若需要對視頻的裁剪(cropping)進行檢測，該方法也是可行的，直接利用位置信息即可檢測到。

2.2.3 視頻篡改定位分析h3和都包含了背景邊緣方向直方圖和運動對象分塊邊緣方向直方圖。首先比較背景邊緣方向直方圖，通過對應分塊直方圖的歐氏距離來判定該位置是否被篡改，如式(4)所示。

其中Vi和表示某分塊的邊緣方向直方圖量化值，i表示量化的4個方向的索引值。

為了提高運算效率，對于運動對象分塊邊緣方向直方圖，在運動對象增刪檢測的基礎上，只對h2和中標記比特相同且都為1的分塊位置進行篡改定位檢測。同樣，根據哈希對應分塊的歐氏距離判別該位置是否被篡改。歐氏距離大于閾值的表示分塊直方圖所對應的分塊不相似，該分塊可能被篡改。

3 實驗結果及分析

選取背景靜止的視頻進行預處理，且分成小段視頻序列，實驗在小段視頻序列中進行。視頻大小為480×360生成下列4類篡改視頻：

(1)驗證幾何變換估計組件的性能 先將原始視頻生成5種seam-carving感知縮放尺寸的篡改視頻，分別為原始尺寸的80%(見圖6)，90%, 110%和120%, 150%(要防止視頻的Jittery效應，還無法進行過大的視頻seam-carving刪除[10])，然后進行幾何變換，分別將它們旋轉3°, 10°, 15°, 45°和90°，尺度縮放因數為0.5, 0.8, 1.2, 1.5。

(2)運動對象增刪檢測 添加的運動對象來自同源視頻，將視頻解碼成連續的單幀圖像，將運動對象逐幀覆蓋視頻背景中對應區域，該方法雖然復雜，但對視頻質量影響較小，如圖 7(a)；類似，在背景上添加靜止的小車的視頻如圖7(b)所示。

3.1 視頻幾何變換估計與恢復

幾何變換估計結果如表1所示。可以看出，估計的結果比較理想，旋轉估計平均錯誤在0.5°以下，尺度因數估計平均錯誤不到1%。幾何變換不能完全恢復原始視頻的原因在于：特征點雖然經過了RANSAC提純，但仍可能存在誤匹配點，并且特征點的尺度和方向也不能完全精準地估計出幾何變換的參數。

圖6 seam-carving感知縮放為原始尺寸80%的視頻幀

圖7 視頻幀的篡改

表1 取證哈希的幾何變換估計

圖8是視頻第50和100幀seam-carving恢復的情況。從圖 8(a)中可以看到，直接以圖像取證哈希的方式恢復 seams會造成運動對象產生 Jittery現象，而本文方法考慮了視頻全局，從而保持了運動對象的一致性，同時提高了seams恢復的準確性，如圖8(b)所示。為了定量比較兩種方法進行恢復的正確率，定義：

其中ΔDi表示實際兩相鄰特征點的 seams像素數量，ΔD?i表示兩種方法檢測得到的seams像素數量，n表示視頻序列的幀數。結果為：將文獻[6]的圖像取證哈希方法直接擴展到視頻時，恢復的正確率為68.75%，而本文方法的正確率為84.01%。

3.2 運動對象增刪檢測結果

選取分塊尺寸N=32，對運動對象的檢測結果如圖9所示。灰白色的區域為所添加的運動對象，與原始視頻幀(圖 2(a))比較可知，該方法能比較完整地檢測出添加運動對象的位置。但是，由于不能精確定位運動對象的邊緣，在運動邊緣處會產生誤判。當然，對于運動對象刪除的情況，檢測的結果也大致一樣。

為了討論該組件的檢測準確性，定義該組件的漏檢率PFN和誤檢率PFP如下：

圖8 視頻幀seam-carving恢復

圖9 視頻添加運動對象的檢測結果

其中Numu表示每幀篡改區域中未檢測出的像素數量，Numw表示每幀可信區域中誤判為篡改的像素數量，Numtu表示每幀中篡改區域的像素數量，Numtw表示每幀中可信區域的像素數量，實驗共有500幀圖像。從圖10中可以看出，該組件對運動對象增刪的漏檢率不到3%，誤檢率不到10%。

3.3 篡改定位檢測結果

因為篡改定位的精度要求更高，采用分塊尺寸N=16生成邊緣方向直方圖，各直方圖歸一化后判決閾值為0.05的實驗結果比較理想。如圖 11(a)所示，修改視頻某處篡改定位效果相當好，出現誤判的位置是因為背景的平均邊緣方向直方圖有量化誤差，但這不影響對篡改定位結果的判斷。相比文獻[14]所提方法，本文算法在誤檢率不到8%時，正確率達到90%，如圖11(b)所示，說明該組件具有良好的檢測性能。之所以檢測正確率有誤差，主要是因為少量被篡改塊中的像素沒有使邊緣直方圖發生顯著變化。

4 結束語

結合幾種視頻篡改操作的特點，通過構造取證哈希組件，提出了一種基于取證哈希的視頻主動取證方法。它以模塊化的方式構建，且具有可伸縮性，能夠根據取證的要求調整取證哈希的長度。實驗結果表明，提出的視頻取證哈希能夠有效地估計靜止背景的原始視頻可能經歷的篡改方式，實現了更深層次的取證。進一步的研究將考慮如何將現有的哈希組件運用到運動背景的視頻中，并且針對基于幀的視頻操作，包括添加/刪除視頻和幀重組，構造相應的幀操作取證哈希組件，使本文的取證框架能夠同時實現幀操作的取證。此外，希望通過對不同篡改方式所遺留的混淆處理效應進行分離，并借助處理鏈模型，估計視頻處理歷史，更好地還原視頻編輯處理過程。

圖10 運動對象增刪檢測的漏檢率和誤檢率

圖11 篡改定位檢測

[1] Milani S, Fontani M, Bestagini P,et al.. An overview on video forensic[J].APSIPA Transactions on Signal and Information Processing, 2012, 1(e2): 1-18.

[2] Kang Xin-gui, Li Yinxiang, Qu Zhenhua,et al.. Enhancing source camera identification performance with a camera reference phase sensor pattern noise[J].IEEE Transactions on Information Forensics and Security, 2012, 7(2): 393-402.

[3] Wang W H and Farid H. Exposing digital forgeries in ballistic motion[J].IEEE Transactions on Information Forensics and Security, 2012, 7(1): 283-296.

[4] Dong Q, Yang G, and Zhu N. A MCEA based passive forensics scheme for detecting frame-based video tampering[J].Digital Investigation, 2012, 9(2): 151-159.

[5] Lu W, Varna A L, and Wu M. Forensic hash for multimedia information[J]. Proceedings of the SPIE on Media Forensic and Security, 2010, 7541: 39-48.

[6] Lu W, Varna A L, and Wu M. Multimedia forensic hash based on visual words[C]. Proceedings of 2010 IEEE 17th International Conference on Image Processing, Hong Kong,2010: 989-992.

[7] Lowe D. Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision, 2004,60(2): 91-110.

[8] Wang X, Xue J, Zheng Z,et al.. Image forensic signature for content authenticity analysis[J].Journal of VisualCommunication and Image Representation, 2012, 23(5):782-797.

[9] Zhao W, Gong S, Liu C,et al.. Adaptive Harris corner detection algorithm[J].Computer Engineering, 2008, 34(10):212-214.

[10] Rubinstein M, Shamir A, and Avidan S. Improved seam carving for video retargeting[J].ACM Transactions on Graphics, 2008, 27(3): 1-9.

[11] Yang G, Chen N, and Jiang Q. A robust hashing algorithm based on SURF for video copy detection[J].Computers and Security, 2012, 31(1): 33-39.

[12] Juan Luo and Gwun O. A comparison of SIFT, PCA-SIFT and SURF[J].International Journal of Image Processing,2009, 3(4): 143-152.

[13] Csurka G, Dance C R, Fan L,et al.. Visual categorization with bags of keypoints[C]. Proceedings of ECCV Workshop on Statistical Learning in Computer Vision, 2004: 1-22.

[14] Roy S and Sun Q. Robust hash for detecting and localizing image tampering[C]. Proceedings of IEEE International Conference on Image Processing. Singapore, 2007, Vol.6:117-120.

[15] Slot K and Truelsen R. Content-aware video editing in the temporal domain[D]. [Master dissertation]. Department of Computer Science, Copenhagen University, 2008.