基于局部代价非最优统计的视频隐写分析方法

技术领域

本发明涉及数字视频信息隐藏领域，尤其涉及一种数字视频运动矢量隐写的通用隐写分 析方法。

背景技术

随着视频压缩技术、网络通信技术以及网络流媒体业务的发展，视频已经逐渐成为网络 信息传递的主流媒体。家用摄像机、智能手机的日益普及，以及各种操作简便的视频编辑软 件的应用，使得人们可以方便地进行视频的录制、剪辑，并借助网络传播工具，如YouTube， 优酷等视频共享平台方便快捷地传递视频数据。而与此同时，由于视频具有绝对大的信息隐 藏冗余空间，已经是继图像之后最佳的隐秘通信载体。信息隐藏技术作为一种信息安全技术， 既可以用于保护国家、企业的重要信息以及版权所有者的利益，同时也可能被不法分子甚至 恐怖组织所利用，达到逃避监控和传播非法情报的目的。实现对非法使用信息隐藏工具进行 秘密情报信息传递行为的检测和预警，对于保证国家、军队、企业的情报信息安全具有重要 意义。

隐写分析技术(Steganalysis)是信息隐藏的对抗技术，通过对载体固有统计特性和隐写引起 载体特性细微改变的分析，检测数字图像、音频、视频等载体信息中是否存在隐秘信息和隐 秘通信的行为，从而达到对载密信息的破坏、检测、甚至提取秘密信息的目的。然而目前虽 然针对图像载体的隐写分析技术已经相对成熟，但是关于视频隐写分析的公开文献较少。由 于视频和图像之间的差异，使得视频隐写分析技术无法直接使用现有的图像隐写分析技术和 方法，需要依据自身载体信息特性和需要对抗的隐写算法的特点，进行针对性的统计分析。

利用运动矢量进行信息隐藏是当前视频隐藏算法的一种主要形式。从信息嵌入的数据量 角度看，视频压缩码流中各种数据元素之中，运动信息所占比重仅次于DCT系数信息；从信 息嵌入对载体数据质量影响的角度分析，对运动信息的轻微调制可以通过对应参考块的调整 来弥补，这使得嵌入信息后的视频质量没有任何质量损失；从信息嵌入的可行性角度看，由 于目前各种视频编码标准，包括MPEG-2，MPEG-4，H.264等，其算法在运动矢量的确定 上，都采取了较多的开放部分，使得各个系统可以采用自行设计的算法进行优化，因此在这 一环节上存在较大的不确定性，存在嵌入调制的基本条件。因此，运动矢量成为目前视频隐 写的重要嵌入域，而针对视频运动矢量的隐写分析技术研究则具有非常重要和迫切的需求。

参见文献[1]Y.T.Su,C.Q.Zhang,and C.T.Zhang,“A video steganalytic algorithm against  motion-vector-based steganography,”Signal Processing91,1901–1909(2011).其中率先对运动矢 量隐写分析算法进行了研究，针对MPEG-2视频，基于视频局部运动区域中相邻宏块运动矢 量之间存在较强的相关性，提出基于运动矢量相关性的隐写分析算法。但是，该方法对于低 嵌入率隐写的检测效果不好，而且其所基于的相邻宏块运动矢量相关性具有一定的局限性。

参见文献[2]Y.Cao,X.F.Zhao,and D.G.Feng,“Video steganalysis exploiting motion vector  reversion-based features,”IEEE Signal Process.Lett.19,35–38(2012).其中提出一种基于校准的 视频隐写分析方法，认为校准后的隐写视频的运动矢量具有恢复到隐写前对应运动矢量大小 的趋势，利用这一特点，通过比较校准后的和未校准的隐写视频的差异性来构造特征集，达 到区分隐写视频和非隐写视频的目的。该方法对于低嵌入率下的隐写视频有效，但由于其依 赖校准的缘故，对校准的正确性有较高要求。

参见文献[3]Yu Deng,Yunjie Wu,and Linna Zhou,“Digital video steganalysis using motion  vector recovery-based features,”Applied Optics,Vol.51,Issue20,pp.4667-4677(2012).其中也提 出一种基于校准的视频隐写分析方法，通过局部多项式核回归模型来实现校准，并通过比较 校准前后运动矢量的差别来构造特征。

上述视频隐写分析方法都是针对MPEG-2或MPEG-4标准的视频隐写，由于MPEG-2和 MPEG-4视频的宏块划分方式统一，所以以上分析方法有一个共同的缺陷，就是无法适用于 H.264这类具有多种宏块分割模式的视频编码标准。

本发明的隐写分析是基于目前各种视频编码算法中的视频运动矢量生成原理的，因此， 在发明内容陈述之前，首先对视频码流中运动矢量生成的基本原理进行介绍。

目前数字视频的基本压缩原理是通过消除帧间的时间冗余和空间冗余来实现。其中时间 冗余是指相邻视频帧之间存在高度的相似性和相关性。现有视频压缩标准中，采用帧间预测 编码是消除视频时间冗余的一种通用方法，具体做法是把当前帧划分成相同大小的多个宏块， 在参考视频帧中进行块匹配搜索，搜索与待编码宏块相似度最高的宏块，定义该宏块为预测 块，把预测块近似当作当前待编码宏块，这个预测块与当前宏块的位置的相对偏移量叫作运 动矢量（motion vector，MV）。但是预测块还不完全等同于当前待编码宏块，当前宏块与预 测块之间存在一个差值，定义该差值为块残差，预测块要加上块残差才能恢复成当前宏块， 这个块残差就是帧间的空间冗余。因此，编码当前帧只需对帧中每个宏块的MV和残差进行 编码即可。为了达到良好的压缩效果，对MV和残差编码的码位应尽可能的少，由于编码码 位的多少用编码代价来衡量，即每个块的编码代价应最小。在参考帧中搜索与当前宏块最优 匹配的预测宏块以使编码代价最小的过程被称为运动估计（motion estimate，ME），运动估计 的直接目的是要找到最优的运动矢量，通过运动矢量得到最优的编码代价。因此可知所有编 码器都是以最小编码代码为目标，通过运动估计产生的当前宏块的编码代价应具有最优特性， 这也是本发明中隐写分析特征提出的基本原理。

上述视频编码原理属于视频编码标准的共性。据统计，仅在2011年，网络上采用H.264 编码标准的视频占网络视频总量的80%，目前的视频编码是以H.264标准为主导，先前的 MPEG-2、MPEG-4标准并存的局面。而当前基于视频运动矢量隐写的隐写分析方法都只针对 MPEG-2、MPEG-4标准的视频，对采用H.264标准的视频隐写无能为力，这给信息安全带来 了极大的隐患。因此，视频的隐写分析不仅要具有隐写方法上的通用性，还要有视频编码标 准和编码工具上的通用性。本发明主要解决以H.264、MPEG-4、MPEG-2标准视频为载体的 隐写，下面讲述H.264标准独有的一些编码特性。

以X264编码器为例讲述H.264标准中的运动估计过程。为了使运动估计更为精准，H.264 标准对16x16宏块采取更为细致的分割方式，即一个16x16宏块可以按4种尺寸进行划分：1 个16x16，2个16x8，2个8x16，4个8x8。这些划分成的子宏块称为宏块分割。其中，每个 8x8子宏块还可以进一步如下划分：1个8x8，2个8x4，2个4x8，4个4x4。对8x8子宏块 进行的划分称为子宏块分割。这些宏块分割和子宏块分割的划分方式统称为宏块分割模式， 所以，在H.264标准中，每一种宏块分割模式都可以成为运动补偿的基本单位，当前编码块 的尺寸大小可能是16x16到4x4中的任一种，而不再仅仅是16x16块这一种尺寸。对于一个 P宏块或B宏块，编码器对该宏块的所有宏块分割模式按一定方法遍历进行运动估计，求得 对应的MV和残差及其编码代价，根据编码代价选择最合适的宏块分割模式。对于P宏块或 B宏块的某一具体的分割模式，运动估计的具体流程是首先根据当前编码块的相邻块的MV， 利用中值预测法得到预测运动矢量（MVP），然后根据编码器设定好的运动搜索算法在参考 帧中对MVP所指向的预测块做整数像素精度的运动矢量搜索，最后在参考帧中对经过搜索 得到的整数像素精度的MV做1/2像素精度的运动矢量搜索和1/4像素精度的运动矢量搜索， 得到最终的分数像素精度的MV所指向的预测块。

相关术语解释

1）编码代价：对一个块进行编码时所需比特数目的多少，编码代价包括块的残差代价 和运动矢量代价，下文简称为代价，一个块的代价的计算公式为COST_blk=COST(D)+ COST(mv)，其中，COST_blk为该块的编码代价，D为运动补偿残差值，mv为运动矢 量，COST(D)为运动补偿残差值的编码代价，COST(mv)为运动矢量的编码代价（在 H264中是指运动矢量残差值的编码代价）。

2）八邻域运动矢量：设mv＝(h,v)是视频编码块的运动矢量，其中，h和v分别是mv的 水平分量和垂直分量。设函数f(x)＝x+k,k∈{-1,0,1}，且有f(mv)＝(f(h),f(v))，则 f(mv)的所有结果构成一个集合C，我们把集合C′＝C-{mv}称为mv的八邻域运动 矢量集合，八邻域运动矢量集合中的运动矢量叫做mv的八邻域运动矢量。

3）N邻域运动矢量：扩大mv的邻域半径，如由1变为d，得到 f(x)＝x+k,k∈{-d,...,-1,0,1,...,d}，则可得到mv的N邻域运动矢量，其中N= (2d+1)²-1。

4）局部代价非最优（Local Cost Not-Perfect，LCNP）：表示该块当前的编码代价与其N 邻域参考位置的编码相比，不是最小的，即在局部范围之内，当前块的编码并不是 最优的。

5）局部代价非最优概率（Rate of Local Cost Not-Perfect，RLCNP）：在一个待检测视频 段中，具有局部代价非最优特性的编码块的数目占该视频段中所有编码块数目的比 例。当RLCNP越高，说明该视频段中的编码效率非最优，RLCNP越低则说明该视 频段中的编码效率相对较优。

6）Cover：原始视频，没有经过隐写处理的视频

7）Stego：隐写视频，通过隐写处理的视频

8）校准：对压缩视频码流进行解码后，获得解码后的YUV原始视频图像序列，然后， 采用与原压缩视频相同的编码压缩参数进行压缩，生成校准后视频。由于运动矢量 是视频压缩过程所生成的临时变量，因此，通过校准处理后，视频的局部代价非最 优概率则更接近于其cover视频。

发明内容

本发明针对数字视频隐写的特点，从运动估计的基本原理入手，提出基于局部代价非最 优统计的视频运动矢量隐写分析算法。

本发明的技术方案为一种基于局部代价非最优统计的视频隐写分析方法，包括训练过程 和预测过程，

训练过程的流程包括以下步骤，

步骤1.1，输入训练样本集，训练样本集中的训练视频包括隐写视频和非隐写视频；对训练样 本集中的所有训练视频都计算特征ΔP，对任一训练视频计算特征ΔP包括以下子步骤，

步骤1.1.1，将训练视频作为原始视频X，计算原始视频X的局部代价非最优概率P1；

步骤1.1.2，对原始视频X进行校准，得到校准视频

步骤1.1.3，计算校准视频的局部代价非最优概率P2；

步骤1.1.4，计算特征ΔP＝P1-P2；

步骤1.2，通过分类器对训练样本集中的所有训练视频的特征ΔP进行训练得出阈值T； 预测过程的流程包括以下步骤，

步骤2.1，将待测视频作为原始视频X，计算原始视频X的局部代价非最优概率P1；

步骤2.2，对原始视频X进行校准，得到校准视频；

步骤2.3，计算校准视频的局部代价非最优概率P2；

步骤2.4，计算特征ΔP＝P1-P2，如果ΔP＞T，则认为待测视频是隐写视频，否则待测视频 是非隐写视频。

而且，对原始视频X或校准视频作为待处理视频计算局部代价非最优概率时，具体实 现方式如下，

（1）计算待处理视频中每个具有运动矢量的编码块B_i的局部代价非最优值NP_i，计算方式如 下，

a)通过块B_i及块B_i的运动矢量mv_i，在块B_i的参考帧中确定块B_i的参考块，记 为块

b)计算块B_i与块之间的亮度分量残差D_i，并计算块B_i的编码代价Cost_i如 下，

Cost_i＝COST(D_i)+COST(mv_i)

其中，COST(D_i)为块B_i与块之间的亮度分量残差D_i编码代价， COST(mv_i)为块B_i的运动矢量的编码代价；

c)分别对块B_i的N邻域运动矢量mv′_j计算各个邻域运动矢量的编码代价Cost_ij， 1≤j≤N，其中最小值记为MIN(Cost_ij)；计算方式如下，

Cost_ij＝CODT(D′_j)+COST(mv′_j)

其中，CODT(D′_j)为块与邻域运动矢量mv′_j之间的亮度分量残差D′_j编码 代价，COST(mv′_j)为邻域运动矢量mv′_j的编码代价；

d)计算块B_i的局部代价非最优值NP_i如下，

$N{p}_i=\left(\begin{array}{c}0,\mathrm{MIN}\left({\mathrm{Cost}}_{\mathrm{ij}}\right)\ge {\mathrm{Cost}}_i\\ 1,\mathrm{MIN}\left({\mathrm{Cost}}_{\mathrm{ij}}\right)<{\mathrm{Cost}}_i\end{array}\right)$

（2）计算待处理视频的LCNP概率M为待处理视频中具有运动矢量的编码块总数。

本发明在隐写分析方法中深入挖掘了运动矢量产生的基本原理，从运动矢量产生应保持 的局部最优特征入手，从而使得该隐写分析方法不再局限于某一特定的视频编码标准和编码 工具，可适用于MPEG-2，MPEG-4，H.264等采用帧间预测技术的视频编码格式，具有良好 而广泛的通用性和高的检测正确率。本项发明可应用于国家安全、军队、政府及企业部门， 实现对视频内容安全的有效检测和监控，防止非法人员通过视频数据传递大数据量的情报信 息，对于保障国家情报安全以及防止企业机密信息泄露方面等具有重要的研究意义和应用价 值。

附图说明

图1是通用隐写分析模型的训练过程图。

图2是通用隐写分析模型的预测过程图。

图3是本发明实施例的特征提取流程图。

图4是本发明实施例的用阈值检验特征的流程图。

图5是本发明实施例的八邻域运动矢量集合及运动矢量嵌入的示意图。

图6是本发明实施例的隐写分析检测过程示意图。

图7是本发明实施例的视频的LCNP概率与嵌入率的关系图。

图8是本发明实施例的校准前后不同嵌入率的stego与cover的LCNP概率校准残差对比 示意图。

图9是本发明实施例的cover及其不同嵌入率下stego的隐写特征示意图。

具体实施方式

本发明提供的一种数字视频通用隐写分析方法，包括训练过程和预测过程。训练过程包 括对训练样本集中所有视频进行校准、提取特征和计算阈值；预测过程包括对待测视频用同 样方式进行校准和提取特征，比较特征值与训练好的阈值的大小，根据比较判定该视频是否 为隐写视频。本发明的隐写分析检测思想如下：

在视频编码的时候，为了提高压缩效率，必须使视频的编码码流尽可能小。因此，在帧 间编码过程中，用于对运动矢量MV和残差块的编码比特数应尽量少，即当前块的编码代价 应最小，这就需要在运动估计过程中选择最优的运动矢量，使得下列式子的值最小

COST_blk=COST(D)+COST(mv)

其中，COST_blk为当前编码块总的编码代价，D和COST(D)分别为当前编码块与参考块之 间的残差和残差编码代价，mv和COST(mv)分别为待编码宏块的运动矢量和运动矢量的编码 代价（在H.264标准中，COST(mv)应是运动矢量残差的代价）。

视频帧间编码的目标则是保证所选择的MV的COST最小。从理论上讲，如果使用全局 搜索算法，则运动估计获得的MV应保持在整个参考帧内代价最小。但是在实际编码过程中 为了保证编码算法的计算效率，往往使用快速搜索算法代替全局搜索算法以提高搜索速度， 这就使得最终得到的MV往往是局部最优而非全局最优。

运动矢量信息隐藏的算法可归纳为两类：1）在运动估计/编码之后根据一定的选取规则 修改MV的一个或两个分量的幅度值，如LSB方法；2）在运动估计过程中根据选取规则选 择另一个MV来代替原来的MV。无论是哪种方法，都是在视频编码已选择好的最优MV上 进行修改和调整，都对一部分编码块的MV的数值大小造成了改动，使局部最优的MV不再 是局部最优的，继而使当前块的局部最优代价也不再是局部最优的。同时，一个块的编码代 价在编码端是否局部最优，这一特性在解码端仍然保留。

因此，在未经过运动矢量隐写的视频（cover）中，具有局部最优MV的编码块的比例是 比较大的，即具有局部代价非最优（Local Cost Not-Perfect，LCNP）的编码块的比例较低， 其值通常维持在一定的范围内。而在经过运动矢量隐写的视频（stego）中，由于信息的嵌入 很可能会破坏运动矢量的局部最优这一特性，具有局部代价非最优的编码块的比例较cover 而言通常较大，这一特点可以启示我们设计基于局部代价非最优统计的视频隐写分析方法来 区分cover和stego，这也是本专利中视频隐写分析方法的思想的来源。因此，本发明提出通 过检测待测视频中各个运动矢量所对应块的局部代价非最优概率P_NP，从而分析出该视频是否 存在运动矢量隐写。

隐写分析的特征构造方法如下：首先计算训练视频或待测视频的局部代价非最优概率； 然后对该视频进行解码和重新编码过程，获得校准视频；计算校准视频的局部代价非最优概 率；把校准前后视频的局部代价非最优概率做差运算，其差值作为判定视频运动矢量是否被 隐写的特征。

以下结合实施例和附图对本发明技术方案进行详细描述。

本发明的隐写分析方法采用模式识别的分类机制，分为训练和预测两大部分。训练部分 如附图1所示，包括对训练视频构成的训练样本集（即所有样本视频，包括cover和stego） 进行特征提取，之后对所选定特征用分类器进行训练，得到分类阈值，分类器可采用现有技 术实现；预测过程如附图2所示，对待测样本（即待测视频）进行同样的特征提取，用分类 阈值对特征进行预测检验得到最终结果。实施例的训练和预测都用到了校准和特征提取，特 征提取部分如附图3所示，对于原始视频，计算其LCNP概率P1；对原始视频进行校准，得 到校准视频，计算校准视频的LCNP概率P2；计算特征ΔP＝P1-P2；校准是指把压缩视频 码流解压到空域的YUV序列，并从压缩视频码流中获得视频压缩编码的相关参数，对视频 的YUV序列用同样的压缩编码参数进行重压缩编码，如果视频的运动矢量曾经被隐写过， 那么校准之后的视频的运动矢量和块残差将会恢复到嵌入之前的状态。预测部分用阈值对提 取的特征做判断的过程如附图4所示：如果ΔP＞T，则认为是隐写视频，否则是非隐写视频。 下面分别对隐写分析的训练部分和预测部分的做详细描述。

隐写分析的训练过程是为了得到LCNP概率特征的阈值，该阈值用来在预测过程中判断 待测视频是否隐写。具体实施时，阈值除了可以通过训练得到以外，还可以根据经验直接给 出。训练过程的流程如下：

步骤1.1，对训练样本集中的所有训练视频都计算特征ΔP，对任一训练视频计算特征ΔP 包括以下子步骤，

步骤1.1.1，对于训练样本集中的训练视频，作为原始视频X，计算其LCNP（局部代价非最 优）概率P1。

步骤1.1.2，对原始视频X进行校准，得到校准视频

步骤1.1.3，计算校准视频的LCNP（局部代价非最优）概率P2。

步骤1.1.4，计算特征ΔP＝P1-P2。

步骤1.2，通过分类器对所有特征ΔP进行训练得出阈值T。

隐写分析的预测过程是对待测视频提取特征，利用训练过程得到的阈值对特征进行判断， 得出预测结果。预测过程的流程如下：

步骤2.1，将待测视频，作为原始视频X，计算其LCNP（局部代价非最优）概率P1。

步骤2.2，对原始视频X进行校准，得到校准视频

步骤2.3，计算校准视频的LCNP（局部代价非最优）概率P2。

步骤2.4，计算特征ΔP＝P1-P2，如果ΔP＞T，则认为待测视频是stego，否则待测视 频是cover。

本发明的发明方法的核心创新性主要体现在特征构造提取方面，下面对特征构造的原理 和方法做一描述。

设mv＝(h,v)是一个运动矢量，h和v分别是mv的水平分量和垂直分量。设 f(x)＝x+k,k∈{-d,...,-1,0,1,...d}，且有f(mv)＝(f(h),f(v))，则f(mv)的所有结果构成一个 集合C，本发明把集合C′＝C-{mv}（C′＝C/{mv}）称为mv的N邻域运动矢量集合，N= (2d+1)²-1。在具体实施的过程中，本领域技术人员可以选择d值的范围以确定局部最优的 搜索范围，当d＝1时，为八邻域运动矢量集合。

参见文献[4]C.Xu,X.Ping,and T.Zhang,“Steganography in compressed video stream,”in  Proceedings of IEEE First International Conference on Innovative Computing,Information and  Control(IEEE,2006),pp.269–272（2006）.参见文献[5]H.A.Aly,“Data hiding in motion vectors of  compressed video based on their associated prediction error,”IEEE Trans.Inform.Forensics  Security6,14–18(2011).在文献[4]和文献[5]的隐写方法中，隐秘信息的嵌入是采用LSB匹配或 LSB替换，实际是对原来运动矢量的一个或两个分量做加1或减1操作，这对运动矢量修改 的结果使嵌入后的MV偏离最佳MV一个单位距离（一个单位距离在H.264标准中最小是一 个1/4像素距离，在MEPG-2和MEPG-4标准中最小是一个1/2像素距离），即嵌入后的MV 属于最佳运动矢量的八邻域运动矢量集合。

MV的八邻域运动矢量集合及其示例如附图5所示：在附图左侧中，中心(h,v)是最优MV， (h,v)所在的区域是该运动矢量所对应块的左上角像素位置。假设局部最优MV为mv＝(h,v)， 嵌入信息后的MV为mv′，则mv′∈C′。单独对h或v进行修改，mv′可能是(h,v-1)、(h,v+1)、 (h-1,v)或(h+1,v)中的一个；同时修改h和v，mv′将可能是(h-1,v-1)、(h+1,v-1)、 (h-1,v+1)或(h+1,v+1)这4个对角线位置中的一个。在附图右侧中，表示当mv的水平分量 和垂直分量同时分别嵌入1和-1时，mv改变成了mv′，结果使运动矢量指向的预测块P变成 了另一个预测块P′，块残差也由D变成了D′。

设一个块与mv和mv′所各自指向的预测块之间的残差代价分别为COST(D)和 COST(D′)，因此得到

COST＝COST(D)+COST(mv)

COST′＝COST(D′)+COST(mv′)

由于mv是局部最优的，mv′又处于mv的临近位置，所以有COST＜COST′。

参见文献[6]Y.Cao,X.Zhao,D.Feng,and R.Sheng,“Video steganography with perturbed  motion estimation,”Lect.Notes Comput.Sci.6958,193–207(2011).其中的隐写方法得到的mv′ 不一定属于mv的八邻域运动矢量集合，但可以通过扩大mv的邻域范围来解决这个问题，例 如使mv的邻域半径由1变为d，得到f(x)＝x+k,k∈{-d,...,-1,0,1,...,d}。

在隐写分析的时候，从待测压缩视频流中获取一个块的MV，解码得到这个MV对应的 重建块，计算重建块与这个运动矢量所指向的预测块的残差代价与MV的代价，得到编码代 价COST；再计算重建块与所有邻域运动矢量所指向的预测块的编码代价，得到另外M个不 同的COST′_1～M，其中最小值记为MIN(COST′_1～M)。如果该MV没有被修改，则在较高概率下有 COST＜MIN(COST′_1～M)；若该MV曾经被修改，则出现COST＞MIN(COST′_1～M)的概率极大。

当然，即使MV没有被修改，也会有COST＞MIN(COST′_1～M)的情况；纵然MV被修改了， 也仍然可能会出现COST＜MIN(COST′_1～M)这种情况。原因如下：1）在运动估计过程中选取 最优运动矢量时采用的是快速搜索算法，而无论哪种快速搜索算法都会存在搜索盲区，也就 是说即使根据搜索算法找到了最优的运动矢量，在其周围也可能存在更优的运动矢量因为算 法的局限而没有被考虑到；2）快速搜索算法是在一定的搜索区域内进行的，如果得到的最优 运动矢量位于搜索区域边界，则该运动矢量只能是在搜索区域内是最优的，在搜索边界之外 还可能存在更优的运动矢量，而对最优运动矢量的嵌入可能会得到搜索边界之外的更优的运 动矢量。经过大量实验证明，这些例外情况出现的概率通常保持在一定范围内。

例如，如附图6左侧所示，最佳运动矢量(h,v)经过修改后变成(h-1,v+1)；如附图6右 侧所示，在分析的时候求得(h-1,v+1)的八邻域运动矢量，计算当前重建块与(h-1,v+1)所 指向的预测块之间的编码代价COST以及与八邻域运动矢量对应的编码代价COST′，可得到 (h-1,v+1)所对应的编码代价COST不是最小的，即可判断(h-1,v+1)是修改过的运动矢量。

于是当COST＞MIN(COST′_1～M)时，本发明就认为该块的编码代价不是局部最优的，对所 有块做同样的操作，就可统计出一个视频中LCNP概率。通过实验，可得出stego的嵌入率 越高，运动矢量修改的比例越高，LCNP在整个视频中的比例也就越大。如附图7所示，有8 个隐写视频，记为隐写视频1、隐写视频2、隐写视频3、隐写视频4、隐写视频5、隐写视 频6、隐写视频7。每一条线段代表一个stego视频，共7个stego视频；横坐标是同一个stego 的不同嵌入率，纵坐标是各个stego在不同嵌入率下的LCNP在视频中所占的比例，可以看 到，当stego的嵌入率增加时，其LCNP概率基本上呈线性递增趋势。

但是往往不能得到一个stego所对应的cover，也就不能得到cover中的LCNP概率。运动 矢量的修改只影响压缩效果而不影响重建视频的内容质量，使用与第一次编码同样的参数对 重建视频重新进行压缩编码，本发明把这个过程叫做校准，校准所得的运动矢量将具有恢复 成原始运动矢量的趋势，即校准生成的运动矢量在很大程度上与cover类似。所以在本隐写 分析方法中，本发明使用校准的方法来近似得到cover，即把stego经过解码、重编码来得到 校准后的stego。通过实验证明，校准后的stego与cover具有很大的相似性，如附图8所示， 横坐标是cover与不同嵌入率下的stego（包括cover未校准、cover校准、25％、50％、75％、 100％嵌入率下的stego），纵坐标是各自的LCNP概率，可以看到，各嵌入率下的stego经过 校准后与cover的LCNP概率所占的比例大致相同。

实验表明，不同种类的cover视频在校准前后，LCNP概率的差值通常在一个极小的范围 内，而stego的LCNP概率与校准后的LCNP概率相减，其差值与cover校准前后的LCNP概 率的差值相比较更易呈现出线性关系。如附图9所示，是7个cover视频以及该cover在不同 嵌入率下所形成的stego，图中描述了它们在校准前后LCNP概率的差值走势。横坐标是cover 和stego的不同嵌入率，纵坐标是校准前后LCNP概率的差值，可以看出，cover在校准前后 的LCNP概率的差值非常小，随着嵌入率的增加，stego在校准前后的LCNP概率的差值也线 性递增。因此，只要先通过训练把cover在校准前后的LCNP概率的差值限定在阈值T之内， 再得到待测视频在校准前后的LCNP概率的差值，通过对它与T的比较就可判断待测视频是 stego还是cover，所以，本发明把视频的LCNP概率减去校准视频的LCNP概率的差值作为 特征。

以上是对LCNP概率特征构造原理的描述，下面是实施例特征构造的方法。

实施例的步骤1对训练样本集中的所有训练视频分别提取特征ΔP、步骤2对待测视频提 取特征ΔP的实现一致。在时间上连续的多个视频帧称为一个视频段，待求取LCNP概率的视 频段记为待处理视频，待处理视频包括P帧和B帧，针对待处理视频中任一具有运动矢量的 块B_i（块B_i的尺寸大小可能是视频编码分块模式中的任意一种，如4x4，1≤i≤M，M是待 处理视频中具有运动矢量的编码块总数，即待处理视频中所有P帧和B帧中块的个数相加之 和，下同），设其运动矢量为mv_i，块B_i的参考块为，把C_i取0或1表示mv_i是否被隐写， 则该视频帧的LCNP概率的计算过程如下：

一、计算原始视频X的LCNP概率P1，即将原始视频X记为待处理视频，执行以下步骤：

2）在待处理视频中计算每个具有运动矢量的编码块B_i的局部代价非最优值NP_i，其 中1＜i＜M，NP_i∈{0,1}，M为待处理视频中具有运动矢量的编码块的个数，此处 M即原始视频X中所有P帧和B帧中块的个数相加之和；当该块的当前运动矢量 为局部最优代价时，则NP_i＝0，否则，NP_i＝1。块B_i的局部代价非最优值NP_i的 计算方法如下：

a)通过块B_i及mv_i，在该块的参考帧中确定其参考块

b)计算B_i与之间的Y分量（即亮度分量）残差D_i，并计算B_i的编码代价：

Cost_i＝COST(D_i)+COST(mv_i)

其中，COST(D_i)为块B_i与块之间的亮度分量残差D_i编码代价， COST(mv_i)为块B_i的运动矢量的编码代价；

c)分别对B_i的N邻域运动矢量mv′_j（其中1≤j≤N）计算各个邻域运动矢量的 编码代价，其中最小值记为MIN(Cost_ij)；计算方式如下，

Cost_ij＝CODT(D′_j)+COST(mv′_j)

其中，CODT(D′_j)为块与邻域运动矢量mv′_j之间的亮度分量残差D′_j编码 代价，COST(mv′_j)为邻域运动矢量mv′_j的编码代价；

d)计算该块的局部代价非最优值NP_i：

$N{p}_i=\left(\begin{array}{c}0,\mathrm{MIN}\left({\mathrm{Cost}}_{\mathrm{ij}}\right)\ge {\mathrm{Cost}}_i\\ 1,\mathrm{MIN}\left({\mathrm{Cost}}_{\mathrm{ij}}\right)<{\mathrm{Cost}}_i\end{array}\right)$

3）计算待处理视频的LCNP概率P1

$P1=\frac{\underset{i=1}{\overset{M}{\Sigma }}N{P}_i}{M}$

二、对原始视频X实现校准，生成校准视频

对原始视频X进行解码，将其解码为YUV序列，然后，采用相同的编码算法（如 H.264，MEPG-4，MPEG-2等）进行再次压缩，成为压缩码流，即校准视频

三、计算校准视频的LCNP概率P2

对校准视频进行解码，依据步骤1的方法，计算校准视频的LCNP概率P2。即 在校准视频中执行1）计算每个具有运动矢量的编码块B_i的局部代价非最优值NP_i， 然后根据NP_i得到校准视频的LCNP概率。，此处M即校准视频中所 有P帧和B帧中块的个数相加之和。

四、计算ΔP＝P1-P2，把ΔP作为原始视频X的LCNP特征。

与之前提到的现有隐写分析算法相比，本发明具有以下优势：

1）通用性强。由于发明的隐写分析方法把运动估计的基本原理和运动矢量嵌入的过程 相结合，从根本上把握住了基于运动矢量隐写的实质，所以无论是MPEG-2、MPEG-4 还是H.264的视频，由于其运动估计的基本思想是一致的，本发明中的方法都可适 用，因此具有广泛的通用性。在本说明书中虽然是以采用H.264标准的视频来作分 析的，但也可以应用在其他视频标准之上。

2）特征维数低。由于视频的LCNP概率深刻反映了运动矢量隐写的本质，仅用一维特 征就能有效的区分stego和cover，大大降低了复杂度。

3）检测率高。在实验过程中选取了参考文献[4]、[5]、[6]中的三种视频的运动矢量隐写 算法，对其不同嵌入率的视频选择不同的隐写分析方法进行检测。通过结果对比， 可以明显看出基于局部代价非最优统计的视频隐写分析方法在低嵌入率视频的检测 率方面较其他几种隐写分析方法有明显的优势。因此，LCNP概率能有效的反映数字 视频的运动矢量隐写的特点，本发明在该方面具有重要意义。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技 术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不 会偏离本发明的精神或者超越所附权利要求书所定义的范围。