[发明专利]基于新型嵌入代价的运动向量域视频隐写方法

摘要

本发明涉及一种基于新型嵌入代价的运动向量域视频隐写方法。该方法中的新型嵌入代价构造方法，充分考虑了运动向量改动对视频内容的运动特性、运动向量的局部最优性以及运动向量统计分布的影响，并使用权重参数动态调整三种代价在新型代价中的分配比重。该方法在选择可替换运动向量时，采用了自适应选择策略，可有效保持运动向量的局部最优性，尤其是在高码率的情况下，与现有隐写方法相比可获得更高的安全性。该方法可有效抵抗基于局部最优性的隐写分析方法、基于重压缩的隐写分析方法等多种隐写分析。

主权项

1.一种基于运动向量隐写的嵌入代价构造方法，其特征在于，包括以下步骤：1)利用宏块的运动向量和宏块间的量化参数差值，计算运动向量的基于运动特性的代价；对于位于第t帧中(i,j)位置的宏块，其对应的运动向量用mv_i,j,t表示，mv_i,j,t的基于运动特性的代价定义为：其中，MV_i,j,t是宏块MB_i,j,t的对应运动向量，|MV_i,j,t|是运动向量的幅值，|ΔQP_i,j,t|是量化参数差值的绝对值；2)通过构造可替换运动向量集保持改动后的运动向量的局部最优性，并计算基于局部最优性的代价；运动向量mv_i,j,t的基于局部最优性的代价定义为：其中，nmv_i,j,t是利用压缩失真得到的可替换运动向量，K_n表示nmv_i,j,t的个数，cmv_i,j,t是通过干扰运动预测得到的可替换运动向量，K_c表示cmv_i,j,t的个数；J_mv＝sad_mv+λ·R_mv，是率失真优化模型的拉格朗日代价函数，λ是拉格朗日参数，R_mv表示编码运动向量的比特数，sad_mv表示当前宏块与运动向量mv指向的参考宏块间的残差绝对值之和；3)利用运动向量的统计特性计算基于统计分布的代价，所述统计特性包括在同一视频帧中的空间相关性以及相邻视频帧间的时间相关性；运动向量mv_i,j,t的基于统计分布的代价定义为：其中，MV_t是原始运动向量集，MV_t'表示从隐写视频第t帧得到的运动向量域，原始运动向量mv_i,j,t被MV_t'域中改动的运动向量mv_i'_,j,t替换，mv_i'_,j,t是可替换运动向量；d表示运动向量水平或垂直分量的二阶差值，表示该统计在时间和空间上的实施的不同方向，表示基于运动向量水平或垂直分量的统计分布，MVX_t、MVY_t分别表示原始运动向量的水平分量集和垂直分量集，MVX′_t、MVY′_t分别表示改动后的运动向量的水平分量集和垂直分量集；4)根据基于运动特性的代价、基于局部最优性的代价和基于统计分布的代价，计算运动向量的总体代价，并使用权重参数动态分配三种代价的权重；运动向量mv_i,j,t的总体代价通过下式计算得到：其中，H和W分别表示视频帧的高和宽中的宏块个数，MV_t是原始运动向量集，MV_t'是改动运动向量集；变量Φ_i,j,t表示运动向量mv_i,j,t的代价函数，其计算方法如下：Φ_i,j,t(mv_i,j,t,mv_i'_,j,t)＝WMCD_i,j,t·WLOD_i,j,t·WSDD_i,j,t，其中，WMCD_i,j,t、WLOD_i,j,t、WSDD_i,j,t分别是MCD_i,j,t、LOD_i,j,t、SDD_i,j,t的权重代价；和为较小的正数常量，用于保证代价为正数；参数用于动态分配三种代价函数的权重，其中K是可替换运动向量的个数，是统计分布差值。