[发明专利]视频拷贝检测方法及其系统

说明书

本发明适用于多媒体信息处理技术领域，提供了一种视频拷贝检测方法及其系统，所述方法包括：获得所述图像训练集中的图像标签Y，将每张图像标签Y进行拷贝攻击获得第一图像X；构造深度特征提取模型的训练模型，对其进行训练获得深度特征提取模型；获得每张第二图像的第一深度特征以及第一DCT系数特征进行融合后的第一融合特征，并保存为融合特征数据库；提取所述查询视频的第三关键帧，将其第二深度特征以及第二DCT系数特征进行融合获得第二融合特征；将每个所述第二融合特征与每个所述第一融合特征进行匹配计算，获得所述查询视频的检测结果。借此，本发明提高视频特征的辨别力和鲁棒性以及提高视频拷贝检测系统的准确度。

技术领域

本发明涉及多媒体信息处理技术领域，尤其涉及一种视频拷贝检测方法及其系统。

背景技术

随着科技的发展和互联网的广泛普及，数字视频盗版问题日益突出，基于内容的视频拷贝检测技术是一种通过比较待检测视频与原始视频的相似程度，判断待检测视频是否构成盗版侵权的方法，视频侵权不仅包括对原视频的复制，更包括对视频的缩放、裁剪、旋转、模糊、插入文本或图形的等操作，基于内容的视频拷贝检测对视频版权保护和管理起到至关重要的作用。

传统视频拷贝检测技术主要分为基于全局特征和基于局部特征的方法。有代表性的全局特征包括颜色直方图、GIST特征、DCT系数等，基于全局特征的方法对于大规模视频检索简单有效，可以检测颜色亮度等变化，但对于局部的拷贝变化如画面剪切、平移等效果不佳。代表性的局部特征包括SIFT、SURF、BRIEF特征等，局部特征对多种拷贝攻击具有较高的可分度，匹配精度高，但是该特征描述符维度过高，单个关键帧可能产生成百上千个局部特征，同时计算开销大，特征提取速度和匹配速度慢。

近几年随着深度学习方法的引入，大量基于深度学习的方法在计算机视觉领域涌现并取得了巨大成功，卷积神经网络在提取图像特征方面表现出强大的能力，卷积神经网络使用多层神经网络，通过卷积运算提取输入信号的特征，通过池化层在提取的特征基础上进行池化抽象，得到较高层次的深度特征，但现有使用深度学习的拷贝检测技术往往只使用预训练神经网络模型的倒数第二层或者倒数第三层直接提取深度特征，而没有针对拷贝检测这一任务进行针对性的设计和训练，这样提取到的特征辨别力不够强，同时单一深度特征构造的视频信息无法全面的描述视频内容，缺乏广泛的鲁棒性，造成拷贝检测准确率不高的问题。

申请人为大连理工大学，发明人为李豪杰、王领、暴雨，公开日为2017年5月10日，公开号为CN106649663A，发明名称为“一种基于紧凑视频表征的视频拷贝检测方法”的中国发明专利申请中，公开了稠密提取库视频和查询视频的关键帧，提取所述库视频和查询视频的关键帧的图像稀疏特征，使用池化方式，将所述库视频和查询视频的图像稀疏特征分别进行融合，形成简洁视频特征。该发明申请虽然使用了深度学习的方法提取视频的深度特征，但它直接使用在图像分类任务上进行预训练的网络模型进行特征提取，忽略了拷贝检测任务的独特性，没有针对拷贝检测任务进行设计和再训练，其提取到的深度特征辨别力不强，同时该方法稠密提取视频的所有帧，并将所有视频帧输入到神经网络中得到4096维的深度特征，计算量大，机器计算负担重，该方法还有只获取每秒视频的紧凑视频表征导致在进行库视频匹配时造成拷贝定位结果粗糙的问题。

综上所述，现有的拷贝视频的检测技术在实际使用上显然存在不便与缺陷，所以有必要加以改进。

发明内容

针对上述的缺陷，本发明的目的在于提供一种视频拷贝检测方法及其系统，大大提高视频特征的辨别力和鲁棒性，同时提高视频拷贝检测系统的准确度。

为了实现上述目的，本发明提供一种视频拷贝检测方法，所述方法包括以下步骤：