[发明专利]一种基于双流CNN的帧内取证深度学习方法

说明书

本发明公开了一种基于双流CNN的帧内取证深度学习方法，包括：采集视频数据集，对所述数据集进行解码得到视频帧，采用双流CNN对输入视频帧进行特征提取；所述双流CNN分别在网络开头加入空域富模型在卷积层提取噪声残差以提取篡改特征和对所述输入视频帧的内容进行特征提取；所述双流CNN分别获得所提取到的特征后，将两部分特征进行融合处理，并利用通道注意力机制调整所述两部分特征的通道权重，得到的合并特征兼顾篡改特征和视频帧的内容特征，输出结果，完成帧内取证。本发明相较于传统技术方案检测效果有所提高，有较强的鲁棒性，降低了计算复杂度，提高了篡改检测的分类正确率。

技术领域

本发明涉及图像识别、目标检测的技术领域，尤其涉及一种基于双流CNN的帧内取证深度学习方法。

背景技术

随着视频社交App用户数量日益增加，越来越多的人在社交软件上热衷短视频的拍摄与分享，随着各类专业视频编辑软件，如Sony Vegas、会声会影、爱剪辑等的普及，使得视频编辑的门槛大幅降低，人们不再满足于单纯地拍摄分享短视频，而是使用视频编辑软件对视频短片进行精心的后期处理后再上传，正常使用视频编辑软件对原始视频进行后期处理本质上也是一种篡改，但是这种篡改对原始视频有着正面且无害的影响，比如常见的嵌入字幕、电影后期处理、视频艺术加工等，而恶意地篡改视频是指在视频帧序列中加入不存在的人或物从而产生不正确的舆论导向或是造成严重的社会影响。

取证技术分为主动取证和被动取证，其中被动取证无需往视频中额外添加版权信息，仅靠视频自身信息就可对视频的真实性和完整性进行判定，因此被动取证方法适用场景更为广泛，已成为当前信息安全领域的一个研究热点。视频被动取证大致分为帧内取证与帧间取证两种：帧内取证是对视频单帧内容进行特征提取，通过提取的特征是否包含篡改痕迹从而判断视频是否被篡改，而帧间取证是观察比较帧与帧之间的关联性是否异常，从而判断视频是否经过篡改。

随着深度学习在图像识别、目标检测等领域的广泛应用，研究者们开始使用深度学习对图像与视频帧内取证进行相关研究。Adobe公司提出将图像与其所对应的噪声作为双流输入到Faster R-CNN进行深度学习分类，可以很好地检测出图像的拼接、复制以及移除篡改区域，YeYao等提出将输入帧经过特定的高通滤波器得到残差信号，再经过特定结构的CNN进行篡改判别的深度学习方案，与直接使用各类隐写分析算法得到的篡改判别结果相比，其提出的算法取得更好的实验结果，但YeYao提出的网络结构中使用超大型池化层，这会造成特征图的信息严重丢失，对分类的正确性造成较大的负面影响，陈临强等提出使用C3D神经网络结合SRM的空域滤波器进行视频帧篡改检测，与不带SRM层的C3D网络相比，带SRM层的C3D取得更好的实验结果。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术方案检测效果差，局限性大，鲁棒性低，计算复杂度高，分类准确率低。

为解决上述技术问题，本发明提供如下技术方案：采集视频数据集，对所述数据集进行解码得到视频帧，采用双流CNN对输入视频帧进行特征提取；所述双流CNN分别在网络开头加入空域富模型在卷积层提取噪声残差以提取篡改特征和对所述输入视频帧的内容进行特征提取；所述双流CNN分别获得所提取到的特征后，将两部分特征进行融合处理，并利用通道注意力机制调整所述两部分特征的通道权重，得到的合并特征兼顾篡改特征和视频帧的内容特征，输出结果，完成帧内取证。

作为本发明所述的基于双流CNN的帧内取证深度学习方法的一种优选方案，其中：所述空域富模型部分高通滤波卷积核包括，