面向VVC相同編碼參數的視頻重壓縮取證方法

公衍超,吳 晗,楊楷芳,劉 穎,林慶帆,5,王富平,劉伯陽

(1.西安郵電大學 通信與信息工程學院,陜西 西安 710121;2.西安郵電大學 陜西省法庭科學電子信息實驗研究中心,陜西 西安 710121; 3.西安郵電大學 陜西省無線通信與信息處理技術國際聯合研究中心,陜西 西安 710121;4.陜西師范大學 計算機科學學院,陜西 西安 710119;5.新加坡XsecPro公司,新加坡 787820)

視頻安全是信息安全、網絡安全的重要體現[1],以檢測視頻內容篡改信息為目的的視頻取證技術是視頻安全的重要保障[2]。近年來,隨著視頻編輯軟件功能的日益強大和深度篡改技術的飛速發展[2],篡改者很容易對視頻進行“視覺不可察覺”的篡改,這對視頻取證技術提出了新的要求。在當前大部分視頻應用中,視頻信號依次要經過采集、編碼/壓縮、傳輸、存儲、解碼及顯示等操作,并且在編碼/壓縮、傳輸、存儲和解碼操作中是以視頻碼流的形式表達視頻內容[3-4]。篡改者通常在傳輸與存儲的過程中對視頻內容進行篡改,并且篡改后視頻內容必須要經過再次編碼壓縮后才能生成包含篡改信息的視頻碼流,完成整個篡改操作。因此,編碼壓縮次數成為判定原始視頻是否被篡改的一個必要條件。以檢測視頻編碼壓縮次數為目的技術被稱為視頻重壓縮取證技術,其在刑事偵查、法庭科學領域有著重要應用。

當前一些高效的視頻重壓縮取證技術已經被提出。由于不同視頻編碼標準采用不同的編碼技術,直接影響了壓縮碼流的語法語義及篡改遺留痕跡,因此視頻重壓縮取證技術都有其具體的適用標準。面向MPEG-2、MPEG-4及H.264/AVC標準,分別提出了有效的視頻重壓縮取證方法[5-11]。He等[5]基于局部運動矢量場計算預測殘差,可以得到重壓縮的痕跡。文獻[6]將塊效應強度和宏塊量化信息相結合,可以有效地防止有損壓縮引起的誤差。Vazque等[7]采用幀內模式宏塊和跳過模式宏塊的數量變化信息構造重壓縮特征。Li等[8]將解壓縮的視頻幀視為靜止圖像,提取像素鄰接矩陣差,采用半監督學習框架基于高斯密度的單分類器可以提高分類器的魯棒性。文獻[9]提取離散余弦變換系數特征基于卷積神經網絡在幀內定位雙壓縮區域,但這種方法計算復雜度較高。文獻[10]將宏塊類型和運動矢量信息構造為宏塊統計特征,然后計算兩次連續壓縮之間不同宏塊特征的數量,隨著壓縮次數的增加,不同宏塊特征的數量減少的趨勢趨于平緩。文獻[11]在文獻[10]的基礎上又考慮I幀的宏塊統計特征。文獻[5-9]是面向不同編碼參數重壓縮的情況,而文獻[10-11]則是面向相同編碼參數重壓縮的情況。相比于不同編碼參數,使用相同編碼參數重壓縮的視頻,其壓縮痕跡通常更小,重壓縮取證難度更大[11-12]。

MPEG-2、MPEG-4及H.264/AVC都是2003年之前發布的標準。2003年之后視頻快速向高清化發展,高清視頻及設備被大量普及。相應地,國際電信聯盟電信標準化部門(International Telecommunication Union-Telecommunication Standardization Sector,ITU-T)和國際標準化組織(International Organization for Standardization,ISO)/國際電工委員會(International Electrotechnical Commission,IEC)于2013年共同發布了首個面向高清視頻的國際視頻編碼標準—高效視頻編碼(High Efficiency Video Coding,HEVC)標準。面向HEVC標準,大量有效視頻重壓縮取證方法被提出[12-20]。文獻[13-17]針對不同編碼參數情況提出了重壓縮取證方法。具體地,文獻[13-14]是考慮使用不同量化參數(Quantization Parameter,QP)重壓縮的情況,文獻[15-17]則是考慮不同圖像組(Group of Picture,GOP)結構的重壓縮情況。文獻[12,18-20]針對相同編碼參數的情況提出了重壓縮取證方法。

近年來,視頻除了繼續向高清/超高清化發展之外,也在朝著高幀率、高色彩分量采樣深度、高動態范圍及360度全景等方向發展,包括HEVC在內的早期視頻編碼標準的編碼效率已經很難滿足現實需求。相應地,由ITU-T和ISO/IEC聯合制定的通用視頻編碼[21](Versatile Video Coding,VVC)標準應運而生。VVC是于2020年發布的最新一代國際視頻編碼標準,其壓縮效率大約是HEVC的2倍,是H.264/AVC的4倍[21],并且同時滿足超高清、屏幕內容、高動態/寬色域及360度全景等視頻內容的編碼需求。憑借著優異的壓縮效率及顯著的通用性,VVC具有廣闊的市場應用前景。

VVC采用了大量先進的編碼技術,不僅顯著提高了視頻編碼效率,同時也改變了壓縮碼流的語法語義與壓縮痕跡[21],使得當前提出的視頻重壓縮取證技術[5-20]不能有效地適用于VVC標準。因此,為了提升面向VVC標準重壓縮取證效率,擬提出面向VVC標準相同編碼參數的視頻重壓縮取證方法。將VVC壓縮視頻中與壓縮次數有密切關系的基礎碼流特征,通過建模得到高級碼流特征,將其與QP級聯作為支持向量機的輸入,從而得到取證結果。為了驗證所提方法的性能,在算法準確度、幀刪除視頻的重壓縮檢取證、算法復雜度方面進行驗證。

1 基礎碼流特征分析

VVC仍然采用基于塊的混合編碼框架,視頻圖像被分割為編碼樹狀單元(Coding Tree Unit,CTU)。VVC標準摒棄了HEVC標準采用的預測單元、變換單元概念,而是統一使用編碼單元(Coding Unit,CU),CU是VVC中進行幀內預測的基本單元。幀內預測利用相鄰CU的重建像素值為當前編碼CU中的原始像素值尋找最優預測值,并將原始像素值與預測值相減得到殘差,殘差是后續變換模塊的輸入。幀內預測技術可以有效消除原始像素間的空余冗余,顯著提高視頻編碼效率。

在幀內預測中CU劃分類型和最優預測值獲取是兩個關鍵步驟。前者決定了CU的大小與形狀,影響幀內預測的輸入,后者決定了最終預測殘差的特性,影響幀內預測的輸出。VVC中與上述兩個關鍵步驟密切相關的技術是CU劃分技術、幀內預測模式選擇和多參考行(Multiple Reference Line,MRL)技術。下面逐一介紹這些技術,并分析獲得上述技術中與視頻壓縮次數密切相關的基礎碼流特征。

1.1 編碼單元劃分

為了適應更加豐富的視頻內容及更多的視頻類型,VVC采用了更靈活的CU劃分技術以支持更多的CU形狀及更大的塊大小。VVC不再使用單一的四叉樹CU劃分方式,而是使用在四叉樹的基礎上嵌套了二叉樹和三叉樹的多類型樹(Multi-Type Tree,MTT)劃分方式。具體地,VVC中的CTU首先按照四叉樹方式劃分成不同的CU,然后四叉樹的葉子節點CU再按照MTT方式進行劃分。

VVC中幀內預測(Intra-prediction,I)幀亮度分量支持的CU類型,如表1所示。VVC采用拉格朗日率失真優化方法[3,21-22]為每一個CTU選擇一組最優的CU劃分類型,即在滿足CTU總碼率受限的情況下,選擇一組CU劃分類型,使得CTU的總失真最小。

表1 VVC中I幀亮度分量支持的CU劃分類型

最優CU劃分類型信息經熵編碼后會被寫入到視頻碼流的頭信息中,因此,CU劃分類型屬于基礎碼流特征。下面進一步分析CU劃分類型與視頻壓縮次數的關系。理論上,首先,基于量化多對一的映射原理,使用VVC有損編碼模式編碼同一個視頻內容時,隨著壓縮次數的增加解碼視頻內容會越來越模糊,即視頻內容越來越簡單。其次,基于幀內預測去相關原理,CU劃分類型與輸入編碼視頻的內容復雜度具有密切關系,即視頻內容越簡單則對應選擇大尺寸CU劃分類型的概率越高。基于以上兩方面原因,理論上,CU劃分類型與視頻壓縮次數具有密切關系,即隨著壓縮次數增加,視頻碼流中大尺寸CU類型的比例會升高。下面通過實驗進一步驗證上述分析。

采用VVC測試模型VTM11.0[23]編碼標準測試視頻 Night,視頻的顏色空間及空間分辨率分別為YCbCr4∶2∶0及720P。檔次為main_10,編碼結構為LDP,QP為37,其他編碼參數參照配置文件encoder_lowdelay_P_vtm.cfg中的默認設置。按照包含的像素數,將表1所示的CU類型分為小尺寸CU和大尺寸CU兩類,小尺寸CU包括編號為1-7、9、10、13的CU,其他編號CU屬于大尺寸CU。Night序列所有I幀大尺寸和小尺寸CU占比隨著壓縮次數的變化如圖1所示。

圖1 Night中I幀CU劃分類型占比隨壓縮次數的變化

由圖1可以看出,隨著壓縮次數的增加,大尺寸CU的占比逐漸升高,小尺寸CU的占比逐漸降低。Night序列第1幀圖像第1次和第2次壓縮視頻碼流中對應的CU 劃分類型如圖2所示。圖2中不同大小的矩形塊表示不同劃分類型的CU,為了清楚地觀察CU劃分類型隨壓縮次數的變化,將左圖中方框區域放大如右圖。

圖2 Night序列第1幀圖像對應的CU劃分類型

由圖2可以驗證圖1得出的結論,即隨著壓縮次數的增加,視頻碼流中大尺寸CU劃分類型的占比會升高。

1.2 幀內預測模式

為了適應更加豐富的視頻內容,VVC采用了更多的幀內預測模式,包括傳統的DC模式和Planar模式,以及多達65種的角度預測模式[21],具體如圖3所示。圖3中實線箭頭表示VVC和HEVC都采用的33種角度預測模式,虛線箭頭表示VVC新增加的32種角度預測模式,角度方向從45°至-135°。另外,VVC支持矩形的CU,為了給矩形CU找到最優的參考像素,VVC新增加了寬角度幀內預測技術,使得矩形塊對應的角度模式被擴展為93種,擴展模式如圖3點線箭頭所示。

圖3 VVC采用的幀內預測模式

VVC也是采用拉格朗日率失真優化方法[3,21-22]為每一個CU選擇最優的幀內預測模式。最優幀內預測模式選擇思路與最優CU劃分選擇思路類似。并且CU的最優幀內預測模式信息也會經熵編碼后寫入視頻碼流的頭信息中,因此CU預測模式也屬于基礎碼流特征。下面進一步分析CU預測模式與視頻壓縮次數的關系。

如圖3所示,當使用角度預測模式時,CU像素的預測值由其對應角度方向的參考像素值得到,理論上各種角度模式適用于對應紋理方向的區域。當使用DC模式時,CU像素的預測值是其左側和上方所有參考像素的平均值,因此理論上DC模式適用于大面積的平坦區域。當使用Planar模式時,CU像素的預測值可以看成是水平和垂直兩個角度方向預測值的平均值,理論上Planar模式適用于像素值漸變的區域。基于量化多對一的映射原理,使用VVC有損編碼模式編碼同一個視頻內容時,隨著壓縮次數的增加,解碼視頻內容會變的越來越簡單,視頻內容方向性信息會逐漸模糊,平坦與漸變區域逐漸增多。最終導致角度預測模式的比例會逐漸降低,而DC與Planar模式的比例會逐漸升高。下面通過實驗進一步驗證上述分析。

使用VTM11.0編碼Night序列,其他編碼設置與上述描述的設置一致。Night序列所有I幀CU預測模式占比隨壓縮次數的變化情況具體如圖4所示。由圖4中數據可以看出,隨著壓縮次數的增加,視頻碼流中DC與Planar模式CU的占比逐漸增加,而其他角度預測模式CU的占比逐漸降低。通過Night序列第1幀第1次和第2次壓縮視頻碼流中CU 預測模式的變化情況,分析視頻壓縮次數影響CU預測模式的選擇,具體情況如圖5所示,圖中不同灰度表示不同的預測模式。為了清楚地觀察CU預測模式隨壓縮次數的變化,將左圖中方框區域放大如右圖所示。

圖4 Night中I幀CU預測模式占比隨壓縮次數的變化

圖5 Night序列第1幀圖像對應的CU預測模式

1.3 多參考行

VVC新采用的MRL技術顯著影響CU預測值的獲得。參考行的選擇不再只是相鄰行,具體如圖6所示。圖6中A～F段表示當前編碼CU可選的參考像素位置,在為當前編碼CU選擇參考像素時,包括HEVC在內的之前標準只支持從已編碼CU最臨近參考行中選擇,即圖6中所示的參考行0。為了適應更廣泛的視頻內容,為當前CU選擇最優的預測值,VVC標準支持從已編碼CU臨近3行中為當前編碼CU選擇參考像素,即圖6所示的參考行0、1、3。使用參考行0、1是因為其與當前編碼CU最近,具有更強的相關性。參考行3距離當前編碼CU比較遠,相比于參考行0、1,其可以補充提供其他有效參考信息。而參考行2很難提供額外的有效參考信息,同時權衡編碼復雜度,VVC不支持參考行2的使用[24]。

圖6 多參考行示例

參考行與幀內預測模式共同決定了參考像素的來源,決定了最終預測值。因此,在VVC中最優參考行的選擇是被整合到最優預測模式選擇過程中。CU的最優參考行信息經熵編碼后會被寫入視頻碼流的頭信息中,CU參考行信息也屬于基礎碼流特征。如前所述,隨著壓縮次數的增加,解碼視頻內容會越來越模糊、越來越簡單。此時,臨近行對應的相關性會增強,遠離行提供有效額外補充信息的幾率會降低。最終導致選擇參考行0的CU占比會增加,而選擇其他參考行CU的占比會降低。下面通過實驗進一步驗證上述分析。

使用VTM11.0編碼Night序列,其他編碼設置與上述描述的設置一致。具體的Night序列所有I幀CU參考行占比隨壓縮次數的變化情況如圖7所示。由圖7可以看出,隨著壓縮次數的增加,視頻碼流中參考行0的CU的占比逐漸增加,其他參考行CU的占比逐漸降低。通過圖8更加直觀地分析Night序列第1幀第1次和第2次壓縮視頻碼流中CU 參考行信息的變化情況。圖8中,不同灰度表示不同參考行信息。為了清楚地觀察CU參考行隨壓縮次數的變化,將左圖中方框區域放大如右圖。由圖8可以看出,視頻壓縮次數影響CU參考行的選擇。

圖7 Night中I幀CU參考行占比隨壓縮次數的變化

圖8 Night序列第Ⅰ幀圖像對應的CU參考行

2 高級碼流特征構建

前一部分已經分析確定了與視頻壓縮次數相關的基礎碼流特征,即CU劃分類型、幀內預測模式及參考行。此部分將基于這些特征構建高級碼流特征。高級碼流特征是后續支持向量機(Support Vector Machines,SVM)檢測視頻壓縮次數的輸入。

2.1 不同屬性CU占比

根據CU劃分類型、幀內預測模式及參考行計算不同屬性CU占比。定義第n次壓縮視頻第i個I幀第x列第y行CU的屬性矩陣為

Cn,i,x,y=[tn,i,x,y,mn,i,x,y,rn,i,x,y]

(1)

其中,

tn,i,x,y∈{1,2,3,…,Nt}mn,i,x,y∈{1,2,3,…,Nm}rn,i,x,y∈{1,2,3,…,Nr}

式中:n為壓縮視頻次數序號,n∈{1,2,3,…,Nd},Nd為視頻壓縮總次數;i為I幀序號,i∈{1,2,3,…,Nn,I},Nn,I為第n次壓縮視頻包含的I幀數量;x、y分別為第i個I幀在水平及垂直方向上包含的CU的序號,其中,x∈{1,2,3,…,w}、y∈{1,2,3,…,h},w、h分別為包含的CU最大數量;tn,i,x,y、mn,i,x,y、rn,i,x,y分別為第n次壓縮視頻第i個I幀第x列第y行CU選擇的劃分類型、預測模式及參考行編號;Nt、Nm、Nr分別為VVC標準支持的可選CU劃分類型、預測模式及參考行總數量。

當同一個I幀中相同空間位置CU相鄰兩次壓縮選擇的劃分類型、預測模式及參考行信息相同時,即定義其為相同屬性CU,反之則為不同屬性CU。相同屬性CU判別式為

Cn,i,x,y=Cn+1,i,x,y

(2)

式中,Cn+1,i,x,y為第n+1次壓縮視頻第i個I幀第x列第y行CU的屬性矩陣。Cn+1,i,x,y與Cn,i,x,y的定義類似,只是將式(1)中的n換成n+1,這里不再贅述。

第n次壓縮視頻第i個I幀第x列第y行CU的屬性標記為

(3)

式中,z為CU劃分類型編號,z∈{1,2,3,…,Nt}。最終第n次壓縮視頻所有I幀中選擇第z種CU劃分類型的不同屬性CU占比Pn,z,u[12]為

(4)

式中,Nn,i,z為第n次壓縮視頻第i個I幀選擇第z種CU劃分類型的CU數量。

2.2 CU劃分類型占比及量化參數

定義CU劃分類型占比作為第二個高級碼流特征。第n次壓縮視頻所有I幀中選擇第z種CU劃分類型的CU占比Pn,z為

(5)

式中,Nn,i,c表示第n次壓縮視頻第i個I幀包含的CU總數量。

選擇QP作為第三個特征。QP是VVC量化模塊中包含的重要編碼參數,其取值經熵編碼后會被記錄到視頻碼流中。另外,使用VVC壓縮視頻時選擇的QP越大則視頻會越模糊,會顯著影響CU劃分類型、預測模式及參考行的選擇。使用VTM11.0編碼Night序列,QP分別為27和47,其他編碼設置與上述描述的設置一致。Night序列第1幀圖像在不同QP下編碼對應的CU信息情況如圖9所示。可以看出,隨著QP取值的變化,CU劃分類型、預測模式與參考行信息都發生了明顯變化。

圖9 不同QP下Night序列第1幀對應的CU信息

3 視頻重壓縮檢測方法

基于構建的高級碼流特征,使用SVM提出面向VVC標準相同編碼參數的視頻重壓縮取證方法(Video Recompression Forensics for VVC,VVC-VRF)。視頻重壓縮取證問題是一個典型的二分類問題,包括1次壓縮視頻和多次壓縮視頻兩類。SVM適合于二分類問題[25- 26],且SVM對硬件的需求也比較低[26]。SVM原理是將線性不可分特征向量映射到高維空間以尋找用于分類的超平面, VVC-VRF中的特征向量具體指的是由Pn,z,u、Pn,z、QP級聯得到的多維高級碼流特征向量。VVC-VRF采用的是支持向量機庫[25](Library for Support Vector Machines,LIBSVM),評估函數H(·)為

H(Fset)=sgn(ωTG(Fset)+b)

(6)

式中:ω和b分別為SVM的系數;sgn(·)為符號函數;Fset為多維的特征向量;G(·)為將Fset映射到高維空間的函數,采用徑向基核函數。提出的VVC-VRF方法框架如圖10所示。

圖10 VVC-VRF方法框架

VVC-VRF方法的具體實施步驟如下。

步驟1在視頻通信系統中,編碼后的視頻都以視頻碼流的形式存儲。因此,視頻重壓縮取證的輸入是經過n次壓縮后的視頻碼流bn。首先從bn中提取QP、CU的劃分類型、預測模式及參考行信息。

步驟2根據式(1)確定bn對應的CU屬性矩陣Cn,i,x,y,根據式(5)計算bn對應的Pn,z。

步驟3使用VVC解碼器解碼bn為YCbCr格式視頻Yn,然后使用VVC編碼器在相同參數下再次壓縮Yn1次并獲得對應的視頻碼流bn+1。

步驟4進一步從bn+1中提取CU的劃分類型、預測模式及參考行信息,確定bn+1對應的CU屬性矩陣Cn+1,i,x,y,并結合步驟2獲得的Cn,i,x,y,根據式(2)—式(4)計算得到Pn,z,u。

步驟5將QP、Pn,z、Pn,z,u級聯并構造高級碼流特征Fset=[Q,Pn,1,u,…,Pn,Nt,u,Pn,1,…,Pn,Nt],其中Q為量化參數。

步驟6將Fset輸入SVM得到分類結果,判定bn是1次壓縮視頻碼流還是多次壓縮視頻碼流。特別地,SVM模型在使用前還需要經過訓練。

4 驗證結果及分析

4.1 實驗設置

選擇29個標準的包含不同內容特征的視頻序列構建原始視頻數據集。視頻的顏色空間和分辨率分別為YCbCr4∶2∶0和720P。為了進一步增加原始視頻序列的樣本數量,將每個原始視頻序列裁剪成視頻片段,每個視頻片段包含100幀,最終獲得117個原始視頻片段用于編碼壓縮。采用VTM-11.0編碼原始視頻片段和解碼對應的視頻碼流。編碼檔次為main_10,編碼結構為低時延編碼結構中的LDP和LDB。QP選擇標準[27]規定的4組取值,即22、27、32、37,并在此基礎上再增加42和47兩組取值代表中低碼率下的應用場景。其他編碼參數分別參照配置文件encoder_lowdelay_P_vtm.cfg和encoder_lowdelay_vtm.cfg中的默認設置。

將經過1次編碼生成的視頻碼流標記為正樣本,經過2次編碼生成的視頻碼流標記為負樣本。然后分別從正樣本和負樣本中隨機提取60%的樣本組成訓練集,其他40%的樣本組成測試集。訓練集用于VVC-VRF方法中SVM模型的訓練,測試集用于最終的性能測試。視頻重壓縮取證準確度As[12]定義為

(7)

式中,Ak、Aj分別為測試集正樣本和負樣本對應的重壓縮取證準確度。

4.2 重壓縮取證的準確度

文獻[12]提到的幀內預測單元預測模式(Intra Prediction Unit Prediction Mode,IPUPM)代表了當前視頻重壓縮取證領域先進水平。因此,將VVC-VRF方法與IPUPM方法進行對比,兩種方法對應的重壓縮取證準確度如表2所示。

表2 視頻重壓縮取證準確度As

針對LDP結構,VVC-VRF方法與IPUPM方法的重壓縮取證準確度分別為96.4%和91.1%,針對LDB結構,VVC-VRF與IPUPM方法的重壓縮取證準確率分別為96.0%和93.1%。相比于IPUPM方法,VVC-VRF方法取證準確度更高。VVC-VRF具有更高取證準確度的主要原因是其考慮了VVC支持的更多更豐富的CU劃分類型、預測模式及參考行信息,而IPUPM 方法只使用了部分CU劃分類型及預測模式信息。

4.3 幀刪除視頻的重壓縮檢取證

幀刪除是一種常見的視頻篡改手段,篡改者刪除原始視頻中包含敏感信息的一些幀達到掩蓋或混淆真相的目的。由于VVC編碼框架中幀間預測等技術的使用,使得相鄰幀的編解碼信息具有很強的參考依賴。因此,將原始視頻做幀刪除處理后,必須將剩余的幀重新壓縮才能形成完整的視頻碼流供后續傳輸或存儲。視頻重壓縮取證也適用于幀刪除篡改視頻的取證場景。

選擇LDP結構下編碼的視頻進行幀刪除操作以驗證VVC-VRF方法與IPUPM方法的取證準確度。具體地,對LDP編碼結構下第1次壓縮后的解碼視頻隨機刪除5幀,然后再將刪幀后的視頻重新編碼。其他編碼設置及過程與前面設置描述的一致,實驗結果如表3所示。

表3 幀刪除視頻的重壓縮取證準確度As

VVC-VRF方法與IPUPM方法面向幀刪除視頻的重壓縮取證準確度平均分別為94.4%和87.2%,VVC-VRF方法提高了幀刪除視頻的重壓縮取證準確度。對比表2和表3可以看出,VVC-VRF方法與IPUPM方法在面對幀刪除視頻時,其重壓縮取證準確度都有所下降,這主要是因為幀刪除操作會顯著改變后續重壓縮面向視頻的內容特性,例如幀數量減少及幀序號對應關系被打亂等,會影響基礎碼流特征與壓縮次數的關系,最終導致重壓縮取證準確度下降。

4.4 算法的復雜度

實用的重壓縮取證方法除了具有更高取證準確度外,更低的取證復雜度也是必要的。從算法復雜度角度可以將VVC-VRF方法和IPUPM方法分為編碼和其他步驟兩部分。相比于其他步驟,編碼操作非常耗時,占了取證的大部分時間。另外,編碼是計算機獨立運行的操作,沒有人為干預。因此,選擇對比VVC-VRF方法與IPUPM方法中包括的編碼時間以消除人為操作步驟對取證運行時間的干擾,從而盡量客觀公正地對比方法復雜度。

在同一臺服務器上完成VVC-VRF方法與IPUPM方法中的編碼操作。服務器主要配置為Win10操作系統,CPU為AMD Ryzen Threadripper 3960X 24-Core Processor,主頻基準速度為3.80 GHz,內存256 G,具體實驗結果如表4所示。

表4 視頻重壓縮取證中的編碼時間

對于所有測試視頻,VVC-VRF方法與IPUPM方法對應的平均編碼時間分別為5 239 s和10 114 s,VVC-VRF方法可以節省48.20%的編碼時間,顯著降低了重壓縮取證復雜度。這是因為VVC-VRF方法取證步驟中只包含1次編碼操作,而IPUPM方法取證步驟中則包含了2次編碼操作。

5 結語

面向VVC標準相同編碼參數情況,提出了一種有效的視頻重壓縮取證方法。提取與視頻編碼次數密切相關的CU劃分類型、幀內預測模式及參考行信息作為基礎碼流特征,基于基礎碼流特征得到不同屬性CU占比、CU劃分類型占比和QP,完成高級碼流特征的選取。然后將高級碼流特征輸入SVM,得到重壓縮取證結果。實驗結果表明,與IPUPM方法相比,VVC-VRF方法可以有效提高相同編碼參數下視頻重壓縮取證的準確度,并且在幀刪除的情況下VVC-VRF方法的取證準確度仍然較高。另外,與IPUPM方法相比,由于VVC-VRF方法的取證過程包含更少的編碼次數,因此VVC-VRF方法可以明顯降低視頻重壓縮取證的時間。通過以上分析可以看出,VVC-VRF方法在重壓縮取證準確度及復雜度上都具有優異的性能。后續將在探索更有效的基礎碼流特征,構建更有效的高級碼流特征及重壓縮取證技術實際工程應用轉化及方法結構適配等方面展開研究。