基于最大似然估计的自适应阈值视频被动取证

摘要：基于分块级的模式噪声，提出一种基于最大似然估计的自适应阈值视频被动取证方法.它采用小波去噪和维纳滤波提取传感器的模式噪声，并通过固定大小的滑动窗口，计算分块级的能量梯度、信噪比和相邻帧相同位置块模式噪声的相关性构造特征值向量.在此基础上，采用最大似然估计得到判别篡改区域的自适应阈值.仿真实验结果表明，提出的方法对于复制粘贴的视频内容篡改取得了较好的取证效果，并且能够对较小区域的篡改进行定位.

关键词：视频被动取证；多特征向量；欧氏距离；最大似然估计

中图分类号：TP391 文献标识码：A

由于视频数据的数字化本质，以及视频编辑工具的功能越来越强大，使得视频数据易于被修改和伪造.传统的“眼见为实”的观念正在面临严峻的挑战.为了发现数字视频可能遭受的篡改伪造，视频取证技术受到了信息安全领域研究者的重视[1].根据是否需要辅助数据，视频取证技术可以分为主动取证和被动取证两类.主动取证是指通过预先在视频中嵌入水印[2]或者计算它的哈希值[3]，进行真实性鉴别.被动取证是指利用视频本身的统计特性进行分析，判断它的真实性并确定可能存在的篡改[4].

根据取证时所利用的特征不同，视频被动取证可以分为基于成像设备一致性的方法[5]、基于篡改过程遗留痕迹的方法[6-7]和利用自然视频统计特性的方法.在视频采集过程中，受到成像传感器和后处理方法的影响，会在输出的视频中留下与摄像机配置密切关联的痕迹.其中，传感器模式噪声（sensor pattern noise， SPN）是基于成像设备一致性的取证最常使用的特征[8-9].基于成像传感器的像素不均匀性，郭琳琳等[5]采用小波滤波器提取视频帧中相对稳定的残留噪声，并利用对多帧残留噪声取平均值的办法，获取视频的模式噪声，再通过分析抠像视频与正常视频的模式噪声的频谱差异，实现对抠像视频的检测.黄添强等[8]提出一种基于模式噪声聚类分析的视频篡改检测方法，它采用滤波器提取视频帧噪声，并且以这些视频帧噪声的统计特性作为样本，通过基于密度的聚类算法得到低密度区域对象，检测出被篡改的帧.此外，文献[9]通过对每一视频帧进行分块后提取该分块的模式噪声与相邻帧相应位置分块之间的量化残差组合成该分块的特征矩阵， 然后对特征矩阵通过多种数学统计方法， 包括LSA（Latent Semantic Analysis），CFA（Crossmodal Factor Analysis）和CCA（Canonical Correlation Analysis）进行多模式融合，实现视频内容的真实性取证.目前，现有基于模式噪声相关性的视频取证方法通常都需要预先设定一个相关性的阈值，而且阈值的选择对于结果的影响很大.

由于视频采集设备和环境的多样性，导致视频内容和视频质量同样具有多样性，在视频内容篡改取证时使用经验阈值不够合理.本文在提取分块级模式噪声的基础上，通过计算视频帧的空间统计特征（帧分块的能量梯度、帧分块的信噪比）与时阈的统计特征（相邻帧相应位置分块的相关性）组合成特征向量.并且，采用最大似然估计的方法，得出每一个视频帧的最优判别阈值.它可以避免为获得经验阈值的学习训练过程，也能够实现较小区域篡改的定位.

在选取视频帧特征时，块的能量梯度AEG、信噪比SNR在空间上能体现原始视频的一致性，而相邻帧分块相应位置噪声的相关性Cor则保持一致.

块的能量梯度是衡量视频质量的函数，在一定程度上代表了视频帧原有的内容特征.而信噪比则表明了去噪算法的优劣，对于同一原始视频帧来说，信噪比在不同分块区域应保持基本一致.在判定去噪算法（信噪比）在空间是否一致的基础上，在时间上选取相邻帧分块相应位置噪声的相关性作为特征值即进一步利用模式噪声的一致性.这3个特征值组合成特征向量对视频的被动取证起到相互补充相互促进的作用.

2基于最大似然估计的欧氏距离分类阈值

选取

在判别视频帧内容篡改区域时，以往采用的都是通过学习训练获得经验阈值.由于视频拍摄时环境等因素的变化会对视频帧的质量产生不同的影响，并且由于算法的局限性，在获取的模式噪声中包含有环境噪声等.因此，对于所有视频帧都采用相同的经验阈值显然是不可取的.本文采用最大似然估计的方法，获取每一帧的最优阈值.

2.1帧阈值最大似然估计样本总体

4结论

本文基于分块级的模式噪声，提出了一种基于最大似然估计的自适应阈值视频被动取证方法.它同时利用视频的时、空域统计特征值作为特征向量，并基于欧氏距离进行判别.在阈值的选取上，考虑了视频噪声的影响，通过每一帧进行最大似然估计得到最优阈值.但是，由于最大似然估计阈值的估计总体来源于当前帧分块的欧氏距离的集合，当篡改区域较大时，参与估计的篡改样本个数增加，会导致估计阈值发生偏移.进一步的研究是针对较大范围的视频内容篡改，进一步改进本文的阈值自动选择方法.

参考文献

[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， 卢炎生， 周燕. 基于压缩传感的半脆弱水印的视频篡改检测算法[J]. 电路与系统学报，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， 张静， 苏育挺. 一种基于模式噪声的视频抠像检测算法[J].四川大学学报：自然科学版，2011， 48（4）： 777-782.

[6]秦运龙， 孙广玲， 王朔中，等. 根据GOP异常进行视频序列剪辑篡改的盲检测[J]. 电子学报，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]黄添强， 吴铁浩， 袁秀娟，等. 利用模式噪声聚类分析的视频非同源篡改检测[J]. 计算机科学与探索，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.