[go: up one dir, main page]

CN106060568A - 一种视频篡改检测及定位方法 - Google Patents

一种视频篡改检测及定位方法 Download PDF

Info

Publication number
CN106060568A
CN106060568A CN201610497768.3A CN201610497768A CN106060568A CN 106060568 A CN106060568 A CN 106060568A CN 201610497768 A CN201610497768 A CN 201610497768A CN 106060568 A CN106060568 A CN 106060568A
Authority
CN
China
Prior art keywords
feature
video
feature points
tampering
frame
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610497768.3A
Other languages
English (en)
Other versions
CN106060568B (zh
Inventor
徐杰
田兴发
李林科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610497768.3A priority Critical patent/CN106060568B/zh
Publication of CN106060568A publication Critical patent/CN106060568A/zh
Application granted granted Critical
Publication of CN106060568B publication Critical patent/CN106060568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
    • H04N19/89—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression involving methods or arrangements for detection of transmission errors at the decoder
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
    • G06F16/785—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content using colour or luminescence

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Storage Device Security (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本发明公开了一种视频篡改检测及定位方法，首先利用视频指纹算法提取原始视频待检测视频的全局特征向量和局部特征向量，再结合全局特征向量和局部特征向量分步实现由粗到精的视频篡改检测和定位分析。具体的讲，本发明融合全局Zernike特征和局部ORB特征的视频指纹提取，在保证视频指纹的提取效率和鲁棒性前提下，还能兼顾视频篡改检测及定位的准确性，且能适用于颜色篡改、裁剪篡改、缩放篡改和内容篡改等多方面的视频帧篡改检测。

Description

一种视频篡改检测及定位方法
技术领域
本发明属于视频检测技术领域，更为具体地讲，涉及一种视频篡改检测及定位方法。
背景技术
视频数据以其直观、方便和内容信息丰富成为了网络的主要信息承载形式。然而开放的互联网环境必然存在众多视频安全隐患，对视频的恶意篡改成为了视频攻击的主要形式，为不法分子用于传播不良信息提供了机会。此外，视频篡改形式也从单一的帧插入、添加到多种篡改结合。篡改的视频不仅存在内容的变化，也引入了噪声的干扰，增加了篡改检测的难度。基于以上问题，本文主要研究主动篡改检测，通过对待检测视频提取特征生成指纹数据并与原视频指纹进行对比来判定待检测视频是否存在篡改痕迹。
目前，视频主动篡改检测在特征提取方面主要包括以下研究：(1)全局特征的提取。包括颜色特征、纹理特征、形状特征以及亮度特征等，全局特征反映了视频帧的整体变化情况，但无法描述图像的细节信息。(2)视频局部特征提取。包括SIFT、Harris角点等算法，局部特征描述了图像的局部变化，可以很好地检测局部攻击，但无法反映视频帧的整体变化。(3)利用视频的空时域信息提取特征。虽然同时利用了视频的空域和时域信息来描述视频，但主要集中在特征提取的时间效率和鲁棒性方面，而在准确性和区分性方面没有很好的重视。(4)利用融合技术提取特征。通过对特征进行融合处理，具有一定的效率和鲁棒性，但融合处理后得到的特征比较粗糙，无法有效区分篡改类型。可以看出，以上方法都集中在视频指纹的提取效率和鲁棒性，而在视频篡改检测及定位的准确性方面没有很好的考虑。基于此，本文提出融合全局Zernike特征和局部ORB特征的视频指纹提取算法，分步实现由粗到精的视频篡改检测和定位分析。
发明内容
本发明的目的在于克服现有技术的不足，提供一种视频篡改检测及定位方法，融合全局和局部特征，分步实现由粗到精的视频篡改检测和定位分析。
为实现上述发明目的，本发明一种视频篡改检测及定位方法，其特征在于，包括以下步骤：
(1)、提取原始视频待检测视频的全局特征向量和局部特征向量
(1.1)、对原始视频和待检测视频进行预处理
在分辨率F1×F2下，分别对原始视频和待检测视频每间隔T帧提取一关键帧l0(i)、l1(i)，i＝1,2,…表示关键帧个数；
(1.2)、提取全局特征向量
(1.1.2)、帧格式转换：将关键帧l0(i)、l1(i)分别由RGB颜色空间转换为YCbCr颜色空间；
(1.2.2)、构建字符串特征向量：利用Zernike算法分别求取关键帧l0(i)、l1(i)在YCbCr颜色空间下Y、Cb和Cr各分量的前n阶Zernike矩，分别得到pn个Zernike矩；再将各个分量中每个Zernike矩由浮点型转换为字符串型，分别得到各个分量下的字符串特征向量和进而分别构建出字符串特征向量和
(1.2.3)、获取全局特征向量：利用密钥K1生成长度为3×pn且取值在[0,127]的随机向量M，利用密钥K1对字符串特征向量加密后，分别获取到全局特征向量Z0(i)＝[(Z'0(i)+M)mod128]和Z1(i)＝[(Z1'(i)+M)mod128]；待关键帧l0(i)、l1(i)处理完成后，i＝i+1，继续处理下一关键帧，待所有关键帧处理完毕后得到全局特征向量Z0＝[Z0(1),Z0(2),…]，Z1＝[Z1(1),Z1(2),…]；
(1.3)、提取局部特征向量
分别提取关键帧l0(i)、l1(i)的前N个特征点，每个特征点为256维的二值序列，每个特征点标记为和k＝1,2,…N；
利用密钥K2生成长度为256维的二值随机向量B，对特征点和进行加密，得到特征点向量和其中，表示求异或运算；进而得到关键帧l0(i)、l1(i)的局部特征向量和
待关键帧l0(i)、l1(i)处理完成后，i＝i+1，继续处理下一关键帧，待所有关键帧处理完毕后得到局部特征向量S0＝[S0(1),S0(2),…]和S1＝[S1(1),S1(2),…]；
(2)、视频篡改检测及定位
(2.1)、视频粗检测
计算全局特征向量Z0与Z1中对应关键帧之间的汉明距离|Z0(i)-Z1(i)|，若|Z0(i)-Z1(i)|≥阈值τ，则判定待检测视频帧存在篡改痕迹，并把该视频帧标记为篡改视频帧；
(2.2)、视频细检测
将篡改视频帧中部分特征点集不在对应的原始视频帧中或对应原始视频帧中部分特征点集不在篡改视频帧中的特征点集定位为篡改区域；
(2.3)、获取不匹配特征点集合
设为原始视频帧第k个特征点，表示篡改视频帧中的第k个特征点；
计算原始视频帧中的特征点与篡改视频帧中的特征点的汉明距离如果满足则将特征点判定为不匹配特征点将篡改区域中所有特征点处理完成后，得到不匹配特征点集合X0，X0＝{x1,x2,…,xQ}，其中，表示最短汉明距离，为次短汉明距离，Q表示不匹配特征点个数；
(2.4)、利用能量最小化算法去除不匹配特征点集合中的噪声特征点
根据特征点之间的欧式距离作为衡量特征点之间的能量大小，求出不匹配特征点集合中各特征点与其它所有特征点之间的距离之和EQ，其中，dm＝(xm,xn)欧式距离，m≠n且m,n∈Q；
通过对所有特征点处理后，得到能量集合E＝{E1,E2,…,EQ}；选出能量集合中最小能量的特征点，再以该特征点为中心，在不匹配特征点集合X0中选出距离最近的个特征点构成特征点集T，T＝{d1,d2,...,dI}，其中,dI-1≤dI,作为篡改区域的特征点描述；
(2.5)利用最小外接矩形算法对篡改区域定位
将特征点集T中的特征点按照π/4角度旋转一周，记录每次旋转后投影在坐标系上的外接矩形参数，选取面积最小的矩形即为篡改区域。
本发明的发明目的是这样实现的：
本发明一种视频篡改检测及定位方法，首先利用视频指纹算法提取原始视频待检测视频的全局特征向量和局部特征向量，再结合全局特征向量和局部特征向量分步实现由粗到精的视频篡改检测和定位分析。具体的讲，本发明融合全局Zernike特征和局部ORB特征的视频指纹提取，在保证视频指纹的提取效率和鲁棒性前提下，还能兼顾视频篡改检测及定位的准确性，且能适用于颜色篡改、裁剪篡改、缩放篡改和内容篡改等多方面的视频帧篡改检测。
附图说明
图1是一种视频篡改检测及定位方法流程图；
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：
Zernike：泽尔尼克；
YCbCr：Y为亮度(luma)分量、Cb和Cr则为蓝色和红色偏移分量；
ORB(Oriented FAST and Rotated BRIEF)：有方向的FAST特征提取算法和基于旋转的BRIEF描述算法；
图1是一种视频篡改检测及定位方法流程图。
在本实施例中，如图1所示，本发明一种视频篡改检测及定位方法，其特征在于，包括以下步骤：
S1、提取原始视频和待检测视频的全局特征向量和局部特征向量
S1.1、对原始视频和待检测视频进行预处理
在分辨率F1×F2下，分别对原始视频和待检测视频每间隔T帧提取一关键帧l0(i)、l1(i)，i＝1,2,…表示关键帧个数；
在本实施例中，由于视频进行不同规格化处理所包含的内容信息存在一定程度的差异，当分辨率过小时会丢失视频的局部信息，当分辨率过大时会增加视频指纹提取的复杂度。因此，选择合适的分辨率对视频指纹提取很重要。本实施例中，选取分辨率F1×F2大小为320×240。
在关键帧的选取方面，根据帧间连续性，篡改的视频为了防止篡改区域画面突变，篡改帧数都会在几十帧以上。为了提高特征提取效率，并且不影响视频的篡改检测，本实施例中采用每5帧提取一个关键帧。
S1.2、提取全局特征向量
S1.1.2、帧格式转换：目前很多视频篡改检测方法都是把视频转换为灰度图像进行检测，忽略了视频的颜色篡改，对于视频的颜色篡改检测，需要在特征提取过程中融入颜色特征，因此，将关键帧l0(i)、l1(i)分别由RGB颜色空间转换为YCbCr颜色空间，这样可以融入颜色特征；
S1.2.2、构建字符串特征向量：利用Zernike算法分别求取关键帧l0(i)、l1(i)在YCbCr颜色空间下Y、Cb和Cr各分量的前n阶Zernike矩，分别得到pn个Zernike矩；再将各个分量中每个Zernike矩由浮点型转换为字符串型，分别得到各个分量下的字符串特征向量和进而分别构建出字符串特征向量和
在本实施例中，以采用Zernike算法求取图像的前5阶Zernike矩为例，如表1所示，可以得到图像的0阶Zernike矩1个，1阶Zernike矩1个，2阶Zernike矩2个，3阶Zernike矩2个，4阶Zernike矩3个，5阶Zernike矩3个，则图像的前5阶Zernike矩总共12个。则关键帧的每一分量Y/Cb/Cr分别可以得到12个Zernike矩。
表1是前5阶Zernike矩列表；
表1
S1.2.3、获取全局特征向量：利用密钥K1生成长度为3×pn且取值在[0,127]的随机向量M，利用密钥K1对字符串特征向量加密后，分别获取到全局特征向量Z0(i)＝[(Z'0(i)+M)mod128]和Z1(i)＝[(Z1'(i)+M)mod128]；待关键帧l0(i)、l1(i)处理完成后，i＝i+1，继续处理下一关键帧，待所有关键帧处理完毕后得到全局特征向量Z0＝[Z0(1),Z0(2),…]，Z1＝[Z1(1),Z1(2),…]；
S1.3、提取局部特征向量
分别提取关键帧l0(i)、l1(i)的前N个特征点，每个特征点为256维的二值序列，每个特征点标记为和k＝1,2,…N；
利用密钥K2生成长度为256维的二值随机向量B，对特征点和进行加密，得到特征点向量和其中，表示求异或运算；进而得到关键帧l0(i)、l1(i)的局部特征向量和在本实施例中，选取的密钥K1、K2均采用随机函数生成。
待关键帧l0(i)、l1(i)处理完成后，i＝i+1，继续处理下一关键帧，待所有关键帧处理完毕后得到局部特征向量S0＝[S0(1),S0(2),…]和S1＝[S1(1),S1(2),…]。
S2、视频篡改检测及定位
S2.1、视频粗检测
计算全局特征向量Z0与Z1中对应关键帧之间的汉明距离|Z0(i)-Z1(i)|，若Z0(i)-Z1(i)|≥阈值τ，则判定待检测视频帧存在篡改痕迹，并把该视频帧标记为篡改视频帧；
S2.2、视频细检测
将篡改视频帧中部分特征点集不在对应的原始视频帧中或对应原始视频帧中部分特征点集不在篡改视频帧中的特征点集定位为篡改区域；
S2.3、获取不匹配特征点集合
设为原始视频帧第k个特征点，表示篡改视频帧中的第k个特征点；
计算原始视频帧中的特征点与篡改视频帧中的特征点的汉明距离如果满足则将特征点判定为不匹配特征点将篡改区域中所有特征点处理完成后，得到不匹配特征点集合X0，X0＝{x1,x2,…,xQ}，其中，表示最短汉明距离，为次短汉明距离，Q表示不匹配特征点个数；
S2.4、利用能量最小化算法去除不匹配特征点集合中的噪声特征点
根据特征点之间的欧式距离作为衡量特征点之间的能量大小，求出不匹配特征点集合中各特征点与其它所有特征点之间的距离之和EQ，其中，dm＝(xm,xn)欧式距离，m≠n且m,n∈Q；
通过对所有特征点处理后，得到能量集合E＝{E1,E2,…,EQ}；选出能量集合中最小能量的特征点，再以该特征点为中心，在不匹配特征点集合X0中选出距离最近的个特征点构成特征点集T，T＝{d1,d2,...,dI}，其中,dI-1≤dI,作为篡改区域的特征点描述；
S2.5、利用最小外接矩形算法对篡改区域定位
将特征点集T中的特征点按照π/4角度旋转一周，记录每次旋转后投影在坐标系上的外接矩形参数，选取面积最小的矩形即为篡改区域。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种视频篡改检测及定位方法，其特征在于，包括以下步骤：
(1)、提取原始视频待检测视频的全局特征向量和局部特征向量
(1.1)、对原始视频和待检测视频进行预处理
在分辨率F1×F2下，分别对原始视频和待检测视频每间隔T帧提取一关键帧l0(i)、l1(i)，i＝1,2,…表示关键帧个数；
(1.2)、提取全局特征向量
(1.1.2)、帧格式转换：将关键帧l0(i)、l1(i)分别由RGB颜色空间转换为YCbCr颜色空间；
(1.2.2)、构建字符串特征向量：利用Zernike算法分别求取关键帧l0(i)、l1(i)在YCbCr颜色空间下Y、Cb和Cr各分量的前n阶Zernike矩，分别得到pn个Zernike矩；再将各个分量中每个Zernike矩由浮点型转换为字符串型，分别得到各个分量下的字符串特征向量和进而分别构建出字符串特征向量和
(1.2.3)、获取全局特征向量：利用密钥K1生成长度为3×pn且取值在[0,127]的随机向量M，利用密钥K1对字符串特征向量加密后，分别获取到全局特征向量Z0(i)＝[(Z'0(i)+M)mod128]和Z1(i)＝[(Z′1(i)+M)mod128]；待关键键帧l0(i)、l1(i)处理完成后，i＝i+1，继续处理下一关键帧，待所有关键帧处理完毕后得到全局特征向量Z0＝[Z0(1),Z0(2),…]，Z1＝[Z1(1),Z1(2),…]；
(1.3)、提取局部特征向量
分别提取关键帧l0(i)、l1(i)的前N个特征点，每个特征点为256维的二值序列，每个特征点标记为和k＝1,2,…N；
利用密钥K2生成长度为256维的二值随机向量B，对特征点和进行加密，得到特征点向量和进而得到关键帧l0(i)、l1(i)的局部特征向量和
待关键帧l0(i)、l1(i)处理完成后，i＝i+1，继续处理下一关键帧，待所有关键帧处理完毕后得到局部特征向量S0＝[S0(1),S0(2),…]和S1＝[S1(1),S1(2),…]；
(2)、视频篡改检测及定位
(2.1)、视频粗检测
计算全局特征向量Z0与Z1中对应关键帧之间的汉明距离|Z0(i)-Z1(i)|，若|Z0(i)-Z1(i)|≥阈值τ，则判定待检测视频帧存在篡改痕迹，并把该视频帧标记为篡改视频帧；
(2.2)、视频细检测
将篡改视频帧中部分特征点集不在对应的原始视频帧中或对应原始视频帧中部分特征点集不在篡改视频帧中的特征点集定位为篡改区域；
(2.3)、获取不匹配特征点集合
设为原始视频帧第k个特征点，表示篡改视频帧中的第k个特征点；
计算原始视频帧中的特征点与篡改视频帧中的特征点的汉明距离如果满足则将特征点判定为不匹配特征点将篡改区域中所有特征点处理完成后，得到不匹配特征点集合X0，X0＝{x1，x2，…，xQ}，其中，表示最短汉明距离，为次短汉明距离，Q表示不匹配特征点个数；
(2.4)、利用能量最小化算法去除不匹配特征点集合中的噪声特征点
根据特征点之间的欧式距离作为衡量特征点之间的能量大小，求出不匹配特征点集合中各特征点与其它所有特征点之间的距离之和EQ，其中，dm＝(xm，xn)欧式距离，m≠n且m，n∈Q；
通过对所有特征点处理后，得到能量集合E＝{E1，E2，…，EQ}；选出能量集合中最小能量的特征点，再以该特征点为中心，在不匹配特征点集合X0中选出距离最近的个特征点构成特征点集T，T＝{d1，d2，...，dI}，其中，dI-1≤dI，作为篡改区域的特征点描述；
(2.5)、利用最小外接矩形算法对篡改区域定位
将特征点集T中的特征点按照π/4角度旋转一周，记录每次旋转后投影在坐标系上的外接矩形参数，选取面积最小的矩形即为篡改区域。
CN201610497768.3A 2016-06-28 2016-06-28 一种视频篡改检测及定位方法 Active CN106060568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610497768.3A CN106060568B (zh) 2016-06-28 2016-06-28 一种视频篡改检测及定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610497768.3A CN106060568B (zh) 2016-06-28 2016-06-28 一种视频篡改检测及定位方法

Publications (2)

Publication Number Publication Date
CN106060568A true CN106060568A (zh) 2016-10-26
CN106060568B CN106060568B (zh) 2018-12-18

Family

ID=57167404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610497768.3A Active CN106060568B (zh) 2016-06-28 2016-06-28 一种视频篡改检测及定位方法

Country Status (1)

Country Link
CN (1) CN106060568B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194922A (zh) * 2017-05-22 2017-09-22 华南理工大学 一种血管内超声图像序列关键帧的提取方法
CN108984648A (zh) * 2018-06-27 2018-12-11 武汉大学深圳研究院 数字动画的主特征提取及动画视频的检索和篡改检测方法
CN109657098A (zh) * 2018-12-26 2019-04-19 北京天融信网络安全技术有限公司 一种视频指纹提取方法及装置
CN109740546A (zh) * 2019-01-07 2019-05-10 福州大学 一种篡改区域经过几何变换的伪造视频检测方法
CN110084781A (zh) * 2019-03-22 2019-08-02 西安电子科技大学 基于特征点的监控视频篡改检测的被动取证方法及系统
CN110505497A (zh) * 2019-07-31 2019-11-26 湖南微算互联信息技术有限公司 一种云手机运行监测方法、系统、装置和存储介质
CN113099264A (zh) * 2021-04-21 2021-07-09 湖南天河国云科技有限公司 基于全局特征的区块链监控视频防篡改方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102307301A (zh) * 2011-05-30 2012-01-04 电子科技大学 一种基于关键帧的影音指纹生成方法
WO2012132530A1 (ja) * 2011-03-25 2012-10-04 日本電気株式会社 映像処理システム、映像処理方法、映像処理装置及びその制御方法と制御プログラムを格納した記憶媒体
CN103631932A (zh) * 2013-12-06 2014-03-12 中国科学院自动化研究所 一种对重复视频进行检测的方法
CN103747271A (zh) * 2014-01-27 2014-04-23 深圳大学 一种基于混合感知哈希的视频篡改检测方法和装置
CN104063706A (zh) * 2014-06-27 2014-09-24 电子科技大学 一种基于surf算法的视频指纹提取方法
CN104244016A (zh) * 2014-08-12 2014-12-24 中山大学 一种h264视频内容篡改检测方法
CN104954807A (zh) * 2015-06-25 2015-09-30 西安理工大学 抗几何攻击的视频复制篡改检测方法
CN105141969A (zh) * 2015-09-21 2015-12-09 电子科技大学 一种视频帧间篡改被动认证方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012132530A1 (ja) * 2011-03-25 2012-10-04 日本電気株式会社 映像処理システム、映像処理方法、映像処理装置及びその制御方法と制御プログラムを格納した記憶媒体
CN102307301A (zh) * 2011-05-30 2012-01-04 电子科技大学 一种基于关键帧的影音指纹生成方法
CN103631932A (zh) * 2013-12-06 2014-03-12 中国科学院自动化研究所 一种对重复视频进行检测的方法
CN103747271A (zh) * 2014-01-27 2014-04-23 深圳大学 一种基于混合感知哈希的视频篡改检测方法和装置
CN104063706A (zh) * 2014-06-27 2014-09-24 电子科技大学 一种基于surf算法的视频指纹提取方法
CN104244016A (zh) * 2014-08-12 2014-12-24 中山大学 一种h264视频内容篡改检测方法
CN104954807A (zh) * 2015-06-25 2015-09-30 西安理工大学 抗几何攻击的视频复制篡改检测方法
CN105141969A (zh) * 2015-09-21 2015-12-09 电子科技大学 一种视频帧间篡改被动认证方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194922A (zh) * 2017-05-22 2017-09-22 华南理工大学 一种血管内超声图像序列关键帧的提取方法
CN107194922B (zh) * 2017-05-22 2019-10-18 华南理工大学 一种血管内超声图像序列关键帧的提取方法
CN108984648A (zh) * 2018-06-27 2018-12-11 武汉大学深圳研究院 数字动画的主特征提取及动画视频的检索和篡改检测方法
CN109657098A (zh) * 2018-12-26 2019-04-19 北京天融信网络安全技术有限公司 一种视频指纹提取方法及装置
CN109657098B (zh) * 2018-12-26 2023-11-10 北京天融信网络安全技术有限公司 一种视频指纹提取方法及装置
CN109740546A (zh) * 2019-01-07 2019-05-10 福州大学 一种篡改区域经过几何变换的伪造视频检测方法
CN110084781A (zh) * 2019-03-22 2019-08-02 西安电子科技大学 基于特征点的监控视频篡改检测的被动取证方法及系统
CN110084781B (zh) * 2019-03-22 2021-11-09 西安电子科技大学 基于特征点的监控视频篡改检测的被动取证方法及系统
CN110505497A (zh) * 2019-07-31 2019-11-26 湖南微算互联信息技术有限公司 一种云手机运行监测方法、系统、装置和存储介质
CN113099264A (zh) * 2021-04-21 2021-07-09 湖南天河国云科技有限公司 基于全局特征的区块链监控视频防篡改方法及系统

Also Published As

Publication number Publication date
CN106060568B (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN106060568B (zh) 一种视频篡改检测及定位方法
Lu et al. Multimedia forensic hash based on visual words
Chihaoui et al. Copy-move image forgery detection based on SIFT descriptors and SVD-matching
CN107844779A (zh) 一种视频关键帧提取方法
Wang et al. Perceptual hashing‐based image copy‐move forgery detection
Hsu et al. Detection of copy-move forgery image using Gabor descriptor
CN102930537A (zh) 一种图像检测方法及系统
CN104616297A (zh) 一种用于图像篡改取证的改进型sift算法
CN104636764B (zh) 一种图像隐写分析方法以及其装置
Du et al. Towards face presentation attack detection based on residual color texture representation
Selvaraj et al. Enhanced copy–paste forgery detection in digital images using scale‐invariant feature transform
CN110136125A (zh) 一种基于层次特征点匹配的图像复制移动伪造检测方法
Li et al. Image Forgery Detection Using Tamper‐Guided Dual Self‐Attention Network with Multiresolution Hybrid Feature
CN110334622A (zh) 基于自适应特征金字塔的行人检索方法
CN106683074B (zh) 一种基于雾霾特性的图像篡改检测方法
Li et al. Distinguishing computer graphics from photographic images using a multiresolution approach based on local binary patterns
CN106055632A (zh) 基于场景帧指纹的视频认证方法
Kang et al. Edge and feature points based video intra-frame passive-blind copy-paste forgery detection
Atallah et al. Robust dense‐field based copy‐move forgery localization using generic radial harmonic Fourier moment invariants
Du et al. Image hashing for tamper detection with multiview embedding and perceptual saliency
Cao et al. Perceptual authentication hashing for digital images based on multi-domain feature fusion
Kumar et al. Towards recent developments in the field of digital image forgery detection
Wang et al. Multi‐DS Strategy for Source Camera Identification in Few‐Shot Sample Data Sets
Rajkumar et al. A robust and forensic transform for copy move digital image forgery detection based on dense depth block matching
CN106815852A (zh) 基于四元数极谐变换的彩色图像取证方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant