基于最大似然估計的自適應閾值視頻被動取證

摘要：基于分塊級的模式噪聲，提出一種基于最大似然估計的自適應閾值視頻被動取證方法.它采用小波去噪和維納濾波提取傳感器的模式噪聲，并通過固定大小的滑動窗口，計算分塊級的能量梯度、信噪比和相鄰幀相同位置塊模式噪聲的相關性構造特征值向量.在此基礎上，采用最大似然估計得到判別篡改區域的自適應閾值.仿真實驗結果表明，提出的方法對于復制粘貼的視頻內容篡改取得了較好的取證效果，并且能夠對較小區域的篡改進行定位.

關鍵詞：視頻被動取證；多特征向量；歐氏距離；最大似然估計

中圖分類號：TP391 文獻標識碼：A

由于視頻數據的數字化本質，以及視頻編輯工具的功能越來越強大，使得視頻數據易于被修改和偽造.傳統的“眼見為實”的觀念正在面臨嚴峻的挑戰.為了發現數字視頻可能遭受的篡改偽造，視頻取證技術受到了信息安全領域研究者的重視[1].根據是否需要輔助數據，視頻取證技術可以分為主動取證和被動取證兩類.主動取證是指通過預先在視頻中嵌入水印[2]或者計算它的哈希值[3]，進行真實性鑒別.被動取證是指利用視頻本身的統計特性進行分析，判斷它的真實性并確定可能存在的篡改[4].

根據取證時所利用的特征不同，視頻被動取證可以分為基于成像設備一致性的方法[5]、基于篡改過程遺留痕跡的方法[6-7]和利用自然視頻統計特性的方法.在視頻采集過程中，受到成像傳感器和后處理方法的影響，會在輸出的視頻中留下與攝像機配置密切關聯的痕跡.其中，傳感器模式噪聲（sensor pattern noise， SPN）是基于成像設備一致性的取證最常使用的特征[8-9].基于成像傳感器的像素不均勻性，郭琳琳等[5]采用小波濾波器提取視頻幀中相對穩定的殘留噪聲，并利用對多幀殘留噪聲取平均值的辦法，獲取視頻的模式噪聲，再通過分析摳像視頻與正常視頻的模式噪聲的頻譜差異，實現對摳像視頻的檢測.黃添強等[8]提出一種基于模式噪聲聚類分析的視頻篡改檢測方法，它采用濾波器提取視頻幀噪聲，并且以這些視頻幀噪聲的統計特性作為樣本，通過基于密度的聚類算法得到低密度區域對象，檢測出被篡改的幀.此外，文獻[9]通過對每一視頻幀進行分塊后提取該分塊的模式噪聲與相鄰幀相應位置分塊之間的量化殘差組合成該分塊的特征矩陣， 然后對特征矩陣通過多種數學統計方法， 包括LSA（Latent Semantic Analysis），CFA（Crossmodal Factor Analysis）和CCA（Canonical Correlation Analysis）進行多模式融合，實現視頻內容的真實性取證.目前，現有基于模式噪聲相關性的視頻取證方法通常都需要預先設定一個相關性的閾值，而且閾值的選擇對于結果的影響很大.

由于視頻采集設備和環境的多樣性，導致視頻內容和視頻質量同樣具有多樣性，在視頻內容篡改取證時使用經驗閾值不夠合理.本文在提取分塊級模式噪聲的基礎上，通過計算視頻幀的空間統計特征（幀分塊的能量梯度、幀分塊的信噪比）與時閾的統計特征（相鄰幀相應位置分塊的相關性）組合成特征向量.并且，采用最大似然估計的方法，得出每一個視頻幀的最優判別閾值.它可以避免為獲得經驗閾值的學習訓練過程，也能夠實現較小區域篡改的定位.

在選取視頻幀特征時，塊的能量梯度AEG、信噪比SNR在空間上能體現原始視頻的一致性，而相鄰幀分塊相應位置噪聲的相關性Cor則保持一致.

塊的能量梯度是衡量視頻質量的函數，在一定程度上代表了視頻幀原有的內容特征.而信噪比則表明了去噪算法的優劣，對于同一原始視頻幀來說，信噪比在不同分塊區域應保持基本一致.在判定去噪算法（信噪比）在空間是否一致的基礎上，在時間上選取相鄰幀分塊相應位置噪聲的相關性作為特征值即進一步利用模式噪聲的一致性.這3個特征值組合成特征向量對視頻的被動取證起到相互補充相互促進的作用.

2基于最大似然估計的歐氏距離分類閾值

選取

在判別視頻幀內容篡改區域時，以往采用的都是通過學習訓練獲得經驗閾值.由于視頻拍攝時環境等因素的變化會對視頻幀的質量產生不同的影響，并且由于算法的局限性，在獲取的模式噪聲中包含有環境噪聲等.因此，對于所有視頻幀都采用相同的經驗閾值顯然是不可取的.本文采用最大似然估計的方法，獲取每一幀的最優閾值.

2.1幀閾值最大似然估計樣本總體

4結論

本文基于分塊級的模式噪聲，提出了一種基于最大似然估計的自適應閾值視頻被動取證方法.它同時利用視頻的時、空域統計特征值作為特征向量，并基于歐氏距離進行判別.在閾值的選取上，考慮了視頻噪聲的影響，通過每一幀進行最大似然估計得到最優閾值.但是，由于最大似然估計閾值的估計總體來源于當前幀分塊的歐氏距離的集合，當篡改區域較大時，參與估計的篡改樣本個數增加，會導致估計閾值發生偏移.進一步的研究是針對較大范圍的視頻內容篡改，進一步改進本文的閾值自動選擇方法.

參考文獻

[1]ROCHA A， SCHEIRER W，Vision of the unseen： current trends and challenges in digital image and video forensics[J]. ACM Computing Surveys，2011， 43（4）： 26-40.

[2]曾凡智， 盧炎生， 周燕. 基于壓縮傳感的半脆弱水印的視頻篡改檢測算法[J]. 電路與系統學報，2011， 16（4）： 86-93.

[3]LI Min， VISHAL M.Robust video hashing via multilinear subspace projections[J]. IEEE Transactions on Image Processing，2012， 21（10）： 4397-4409.

[4]MILANI S， FONTANI M， BESTAGINI P，et al. An overview on video forensics[C]//APSIPA Transactions on Signal and Information Processing，2012， 1（e1）： 1-18.

[5]郭琳琳， 張靜， 蘇育挺. 一種基于模式噪聲的視頻摳像檢測算法[J].四川大學學報：自然科學版，2011， 48（4）： 777-782.

[6]秦運龍， 孫廣玲， 王朔中，等. 根據GOP異常進行視頻序列剪輯篡改的盲檢測[J]. 電子學報，2010， 38 （7）： 1597-1602.

[7]DONG Qiong， YANG Gaobo， ZHU Ningbo.A MCEA based passive forensics scheme for detecting framebased video tampering[J].Digital Investigation，2012， 9（2）： 151-159.

[8]黃添強， 吳鐵浩， 袁秀娟，等. 利用模式噪聲聚類分析的視頻非同源篡改檢測[J]. 計算機科學與探索，2011， 5（10）：914-920.

[9] CHETTY G， BISWAS M， SINGH R. Digital video tamper detection based on multimodal fusion of residue features[C]//The Fourth International Conference on Network and System Security， 2010.

[10]CHEN M， FRIDRICH J， GOLIAN M.Determining image origin and integrity using sensor noise[J].IEEE Transactions on Information Forensics and Security，2008， 3（1）： 74-90.

[11]CONOTTER V，O'BRIEN J F，FARID H. Exposing digital forgeries in ballistic motion information[J].IEEE Transactions on Information Forensics and Security， 2012， 7（1）： 283-296.