視頻目標(biāo)移除篡改的被動(dòng)取證

姚曄，胡偉通，任一支

（杭州電子科技大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，浙江 杭州 310018）

視頻目標(biāo)移除篡改的被動(dòng)取證

姚曄，胡偉通，任一支

（杭州電子科技大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，浙江 杭州 310018）

首先，對數(shù)字視頻目標(biāo)移除篡改的被動(dòng)取證概念及重要性進(jìn)行了介紹；然后，選擇了幾種具有代表性的視頻目標(biāo)移除篡改被動(dòng)取證算法，并將這些算法按照未來發(fā)展趨勢分為基于相關(guān)性分析的被動(dòng)取證和基于機(jī)器學(xué)習(xí)的被動(dòng)取證這兩大類，詳細(xì)介紹了這幾種算法的主要步驟和過程；最后，對本領(lǐng)域未來的研究趨勢進(jìn)行了展望。

數(shù)字視頻取證；視頻目標(biāo)移除篡改；篡改檢測；被動(dòng)取證

1 引言

隨著數(shù)字媒體編輯、修補(bǔ)技術(shù)的快速發(fā)展，“眼見為實(shí)”“有圖有真相”的觀點(diǎn)如今受到了嚴(yán)重沖擊[1,2]。特別是Premiere等視頻編輯軟件功能日益強(qiáng)大并具有簡單的操作性，使對圖像和視頻內(nèi)部特定目標(biāo)的篡改變得可行。篡改后的圖像或視頻經(jīng)過網(wǎng)絡(luò)傳播對公眾產(chǎn)生誤導(dǎo)，不僅會(huì)擾亂人們的日常生活，而且會(huì)嚴(yán)重威脅社會(huì)的和諧穩(wěn)定[3,4]。

視頻取證（video forensics）作為多媒體信息安全領(lǐng)域的一個(gè)新興研究方向，是指通過對數(shù)字視頻中固有特征的分析，獲取數(shù)字視頻的來源及后期處理的歷史，以確定數(shù)字視頻的可信度。通常，數(shù)字視頻取證技術(shù)可以分為兩類：主動(dòng)取證和被動(dòng)取證[3,5]，如圖1所示。主動(dòng)取證包括數(shù)字水印及數(shù)字簽名技術(shù)，但都需要提前在數(shù)字媒體內(nèi)容生成過程中嵌入驗(yàn)證信息或者生成散列值，甚至需要第三方認(rèn)證，在很多實(shí)際應(yīng)用中難以滿足。被動(dòng)取證則不需要依賴于數(shù)字水印等輔助數(shù)據(jù)，而是僅憑數(shù)字視頻本身判別其是否經(jīng)過篡改、合成、潤飾等偽造操作。

目前，數(shù)字圖像被動(dòng)取證研究領(lǐng)域已經(jīng)有較多公開發(fā)表的研究成果，而數(shù)字視頻被動(dòng)取證研究仍然處于起步階段，尚有較大的探索和完善的空間。與數(shù)字圖像相比，數(shù)字視頻由于具有時(shí)域連續(xù)性，承載著更豐富的信息量，在人們心目中更具有公信力，因此，針對數(shù)字視頻的篡改也就更具沖擊力和破壞力。

數(shù)字視頻的視頻目標(biāo)（object）移除篡改是指某個(gè)關(guān)鍵視頻目標(biāo)從原始視頻序列中被抹去，經(jīng)過視頻修補(bǔ)（inpainting）后，該視頻目標(biāo)在被篡改的每一幀中都不可見。借助專業(yè)的視頻編輯工具和軟件，被篡改視頻的真實(shí)性和完整性很難通過肉眼來分辨。

對數(shù)字視頻而言，視頻目標(biāo)的刪除或修改屬于嚴(yán)重的惡意篡改與偽造操作。視頻序列所包含的視頻目標(biāo)，特別是承載關(guān)鍵語義信息的視頻運(yùn)動(dòng)目標(biāo)的改變，往往直接影響人們對視頻內(nèi)容的理解和認(rèn)識(shí)。相對于雙重壓縮（壓縮域）、幀插入、幀刪除和幀復(fù)制（時(shí)域）等視頻篡改行為，面向視頻目標(biāo)移除篡改的視頻被動(dòng)取證研究更具緊迫性和重要性。

本文選擇了幾種最新的視頻目標(biāo)移除篡改被動(dòng)取證算法進(jìn)行介紹，并將這些代表性的最新算法按照未來發(fā)展趨勢分為基于相關(guān)性分析的被動(dòng)取證和基于機(jī)器學(xué)習(xí)的被動(dòng)取證這兩大類；然后，詳細(xì)介紹了這幾種算法的主要步驟和過程；最后，對本領(lǐng)域未來的研究趨勢進(jìn)行展望。

2 基于相關(guān)性分析的被動(dòng)取證

對視頻圖像中的目標(biāo)進(jìn)行移除篡改操作會(huì)影響篡改目標(biāo)區(qū)域的像素值或預(yù)測殘差值，從而導(dǎo)致篡改區(qū)域和非篡改區(qū)域的統(tǒng)計(jì)特征差異。基于相關(guān)性分析的視頻目標(biāo)移除篡改被動(dòng)取證，研究這些統(tǒng)計(jì)特征的異常，嘗試從運(yùn)動(dòng)矢量、光流、像素預(yù)測殘差等方面進(jìn)行相關(guān)性分析，提出若干種基于相關(guān)性分析的視頻被動(dòng)取證算法。

2.1 基于前景運(yùn)動(dòng)相關(guān)性分析的篡改檢測

對視頻序列中包含的運(yùn)動(dòng)目標(biāo)進(jìn)行刪除等篡改操作，一般都會(huì)影響運(yùn)動(dòng)目標(biāo)所在區(qū)域的運(yùn)動(dòng)信息，導(dǎo)致區(qū)域附近運(yùn)動(dòng)矢量大小和方向的不一致，或者運(yùn)動(dòng)目標(biāo)附近的光流信息出現(xiàn)異常。

Li等[6]提出一種基于運(yùn)動(dòng)矢量相關(guān)性分析的靜止背景視頻運(yùn)動(dòng)目標(biāo)刪除檢測方法。該方法通過分析靜止背景視頻，特別是監(jiān)控場景視頻中運(yùn)動(dòng)區(qū)域的異常運(yùn)動(dòng)特征，揭示運(yùn)動(dòng)目標(biāo)移除篡改的痕跡。監(jiān)控?cái)z像頭拍攝的視頻背景通常是靜止不動(dòng)的，而其中的運(yùn)動(dòng)目標(biāo)即前景是運(yùn)動(dòng)的。因此，監(jiān)控視頻中前景和背景的運(yùn)動(dòng)特征是不同的，前景的運(yùn)動(dòng)矢量具有明顯的一致性。如果作為前景的運(yùn)動(dòng)目標(biāo)被移除，則篡改區(qū)域的運(yùn)動(dòng)向量的一致性將被破壞，運(yùn)動(dòng)矢量大小和方向的相關(guān)性降低。該方法主要步驟如下。

1) 檢測運(yùn)動(dòng)目標(biāo)。①將待處理視頻幀分塊，計(jì)算每個(gè)小塊的運(yùn)動(dòng)矢量Vi,j；將Vi,j用大小Mi,j和方向Ai,j表示，其中i,j分別為分塊的行和列編號。②計(jì)算該視頻幀的運(yùn)動(dòng)矢量大小的均值記為Mmean，運(yùn)動(dòng)矢量方向的均值記為Amean。③遍歷該視頻幀的每個(gè)分塊的運(yùn)動(dòng)矢量，若存在Mi,j≥Mmean或Ai,j≥Amean，則標(biāo)記該分塊為前景運(yùn)動(dòng)目標(biāo)塊。④完成運(yùn)動(dòng)目標(biāo)檢測及前景和背景的分割。

2) 基于運(yùn)動(dòng)矢量的不一致性檢測篡改。被檢測出的運(yùn)動(dòng)目標(biāo)區(qū)域包括正常的運(yùn)動(dòng)目標(biāo)區(qū)域和篡改后的區(qū)域。正常運(yùn)動(dòng)目標(biāo)區(qū)域的運(yùn)動(dòng)矢量方向分布整齊，具有明顯的一致性；被篡改區(qū)域的運(yùn)動(dòng)矢量方向不規(guī)則，無明顯規(guī)律。基于此原理，該算法計(jì)算該視頻幀每個(gè)分塊的運(yùn)動(dòng)矢量方向Ai,j的方差σi,j；設(shè)置閾值Th，當(dāng)方差σi,j大于該閾值Th時(shí)，認(rèn)為該區(qū)域?yàn)榇鄹膮^(qū)域。

3) 算法后處理。使用形態(tài)學(xué)操作消除孤立的小區(qū)域，得到最終的篡改區(qū)域。

李倩等[7]提出基于視頻修復(fù)痕跡檢測運(yùn)動(dòng)目標(biāo)刪除篡改的算法。運(yùn)動(dòng)目標(biāo)刪除后需采用視頻修復(fù)技術(shù)填補(bǔ)由于移除操作產(chǎn)生的空洞，修復(fù)后的篡改視頻會(huì)遺留修復(fù)痕跡。通過深入分析篡改視頻中遺留的修復(fù)痕跡，對篡改后未壓縮視頻采用對稱幀差法檢測運(yùn)動(dòng)目標(biāo)刪除區(qū)域；對篡改后二次壓縮的視頻從運(yùn)動(dòng)光流場的角度，由視頻幀光流方向的不一致性進(jìn)行檢測。其中，針對壓縮視頻的篡改檢測算法步驟如下。

1) 空域檢測及定位。光流在整個(gè)圖像范圍內(nèi)平滑變化，篡改操作會(huì)影響光流的平滑性。篡改區(qū)域的光流方向差異較大，則該區(qū)域標(biāo)準(zhǔn)差也較大。

將一副M×N的圖像劃分為互不重疊的k個(gè)小塊Ωi(i=1,2,…,k)，計(jì)算每一小塊內(nèi)光流方向的標(biāo)準(zhǔn)差σi。設(shè)置閾值T，當(dāng)標(biāo)準(zhǔn)差大于該閾值T時(shí)就認(rèn)為該區(qū)域?yàn)榇鄹膮^(qū)域。閾值T可根據(jù)k個(gè)分塊標(biāo)準(zhǔn)差的最大值m和均值σ自適應(yīng)確定。

2) 時(shí)域定位。時(shí)域定位的目的是在時(shí)間軸上確定運(yùn)動(dòng)目標(biāo)移除篡改操作的區(qū)間。將運(yùn)動(dòng)目標(biāo)從連續(xù)的視頻幀中抹除，篡改幀也會(huì)保持連續(xù)不間斷。為了避免逐幀檢測帶來的時(shí)間開銷，該算法采用二分查找法確定篡改區(qū)間。

2.2 基于時(shí)空域聯(lián)合相關(guān)性分析的篡改檢測

Lin等[8]提出一種基于時(shí)空域聯(lián)合相關(guān)性分析的視頻目標(biāo)篡改被動(dòng)檢測及篡改區(qū)域定位算法。該算法能夠檢測和定位基于TCP（temporal copy-and-paste）方法[9]和ETS（exemplar-based texture synthesis）方法[10]修復(fù)（inpainting）的視頻目標(biāo)移除篡改區(qū)域，并且可以應(yīng)用于運(yùn)動(dòng)背景視頻。文獻(xiàn)[8]所提出的算法包括3個(gè)主要步驟。

1) 視頻幀分組與對齊。視頻幀分組的目的是為了將視頻序列劃分為若干個(gè)片段，使每個(gè)片段內(nèi)攝像頭的運(yùn)動(dòng)量在一定范圍內(nèi)，從而不影響后續(xù)的分析和檢測。視頻幀分組通過計(jì)算幀偏移（frame motion）實(shí)現(xiàn)，當(dāng)幀偏移累計(jì)超過設(shè)定的閾值則重新劃分一個(gè)分組。分組后得到的若干個(gè)視頻幀分組還需要分別進(jìn)行分組內(nèi)的視頻幀對齊。視頻幀對齊操作基于計(jì)算得到的幀偏移值做像素點(diǎn)坐標(biāo)的整體偏移。

2) 時(shí)空域相關(guān)性分析。時(shí)空域相關(guān)性分析在單個(gè)視頻幀分組內(nèi)部進(jìn)行。如圖2所示，記視頻幀所在平面為X-Y，時(shí)間軸為T。相關(guān)性分析針對X軸和T軸構(gòu)成XT平面，以實(shí)現(xiàn)時(shí)空域聯(lián)合分析的目的。相關(guān)性分析對每一個(gè)XT平面應(yīng)用Sobel算子卷積獲取像素點(diǎn)相對于鄰近時(shí)空域像素點(diǎn)的相關(guān)性變化矩陣，經(jīng)過累加、分割等運(yùn)算后，最終為該視頻幀所在分組計(jì)算得出GCAP（group coherence abnormality pattern）值。具體計(jì)算過程見文獻(xiàn)[8]的正文及附錄中的偽代碼和參考代碼。

圖2 時(shí)空域平面XTi示意

3) 篡改區(qū)域檢測及定位。對視頻幀分組內(nèi)的每一個(gè)XT平面，將其相關(guān)性系數(shù)依次與視頻幀分組的GCAP值做相似性比較，若滿足一定的閾值，則標(biāo)記為被篡改平面。所有被標(biāo)記為篡改的二維平面組成了三維的序列，經(jīng)過坐標(biāo)變換和區(qū)域關(guān)聯(lián)運(yùn)算，指示出在時(shí)空域上連續(xù)的篡改區(qū)域，完成了篡改區(qū)域的檢測及精確定位。

2.3 基于像素殘差相關(guān)性分析的篡改檢測

Bestagini等[11]將視頻圖像的目標(biāo)篡改劃分為如圖3所示的兩類：基于圖像的篡改和基于視頻的篡改；并分別提出相應(yīng)的篡改檢測和篡改區(qū)域定位算法。

圖3 視頻序列篡改操作分類

基于圖像的篡改操作如圖3(a)所示。這種篡改操作是用同一副小圖像X替換視頻序列中連續(xù)的區(qū)域V，得到最終的篡改視頻序列。其中圖像X可以來自于被篡改視頻幀內(nèi)，也可以來自外部圖像。文獻(xiàn)[11]用幀差法檢測此類篡改。利用幀差法依次計(jì)算相鄰兩幀相同位置點(diǎn)的像素差值Rt；若像素殘差值Rt等于零，則該像素點(diǎn)可能

i,j i,j為被篡改，標(biāo)記為1，否則標(biāo)記為0；得到掩碼圖像Mt；對掩碼圖像Mt進(jìn)行形態(tài)學(xué)操作去除離散的干擾點(diǎn)，并取空間上和時(shí)間上連續(xù)性最大（相關(guān)性最強(qiáng)）的集合，作為檢測出的篡改區(qū)域。

基于視頻的篡改操作如圖3(b)所示。這種篡改操作是用被篡改視頻序列內(nèi)部的一小段視頻片段X替換待篡改區(qū)域V。針對此類篡改檢測，文獻(xiàn)[11]提出首先利用幀差法依次計(jì)算相鄰兩幀相同位置點(diǎn)的像素差值Rti,j，得到殘差圖像R；然后將R劃分為互不重疊的子塊B；記從時(shí)間點(diǎn)n開始的第m個(gè)時(shí)間上連續(xù)的子塊序列為Bmn；篡改檢測基于如下的相關(guān)性計(jì)算公式得出

其中，F(xiàn)表示傅里葉變換，?表示復(fù)共軛（complex conjugate）。該公式計(jì)算結(jié)果的意義為子塊序列Bnm與殘差序列圖像R的相關(guān)性，相關(guān)性越強(qiáng)表示復(fù)制篡改的可能性越大。最后，取三維空間上相關(guān)性最大的子塊序列Bmn作為檢測出的篡改區(qū)域。

Mathai等[12]提出基于矩特征（moment feature）的歸一化互相關(guān)系數(shù)的視頻篡改檢測及定位算法，解決圖3(b)的視頻片段復(fù)制篡改檢測問題。該算法首先計(jì)算預(yù)測誤差二維數(shù)組，然后提取矩特征，計(jì)算各個(gè)子塊的矩特征的歸一化互相關(guān)性，檢測視頻圖像的復(fù)制篡改。算法的主要步驟如下。

1) 計(jì)算預(yù)測誤差二維數(shù)組。對當(dāng)前像素點(diǎn)x，其預(yù)測誤差表示為Δx=x?x=x?sign(x){|a|+ |b|?|c|}，其中a、b、c分別為當(dāng)前像素點(diǎn)x相鄰的右方、下方和右下方像素點(diǎn)的像素值。當(dāng)前幀所有的像素點(diǎn)（即二維平面圖像）的預(yù)測誤差構(gòu)成了預(yù)測誤差二維數(shù)組。

2) 計(jì)算矩特征。

①對預(yù)測誤差二維數(shù)組應(yīng)用一級Haar小波變換得到包括測試圖像在內(nèi)的共計(jì)5個(gè)子帶。

②對每個(gè)子帶求直方圖，并對直方圖做DFT變換，得到一階特征函數(shù)（characteristic function）。

③用式(2)計(jì)算矩特征lM其中，l=(1,2,3)表示3個(gè)最底層的矩編號，H(xi)表示xi的特征分量，K表示當(dāng)前子帶中不同系數(shù)的個(gè)數(shù)。

④依次對5個(gè)子帶分別執(zhí)行前2個(gè)步驟，共計(jì)得到預(yù)測誤差二維數(shù)組的15個(gè)矩特征。

3) 幀分區(qū)及區(qū)域分塊。假設(shè)待檢測的視頻總幀數(shù)為M，將每一幀圖像劃分為4個(gè)不重疊的區(qū)域（regions），記為R1,R2,R3,R4；N個(gè)連續(xù)視頻幀的區(qū)域組成區(qū)域塊（blocks），記為B(t,Ri)，其中，t為區(qū)域起始視頻幀編號，i={1,2,3,4}；則M幀視頻共計(jì)可以組成4×(M?N)個(gè)區(qū)域塊，每個(gè)區(qū)域塊的矩特征大小為N×15。

4) 矩特征的歸一化相關(guān)性。對某一時(shí)刻t的區(qū)域塊B(t,Ri)，計(jì)算該區(qū)域塊與其他所有區(qū)域塊的矩特征的歸一化相關(guān)性γ，取δ=max(γ)；依次計(jì)算其他所有時(shí)刻的區(qū)域塊相關(guān)性，繪制δ?t分布圖，求出圖中δ的5個(gè)峰值點(diǎn)。

5) 區(qū)域塊復(fù)制篡改的檢測及定位。最后，通過式(3)確定復(fù)制的區(qū)域塊，標(biāo)記為篡改區(qū)域，完成檢測及定位。

其中，λ為給定的閾值，MSE為均方誤差，t′為δ?t分布圖中δ所在的5個(gè)峰值點(diǎn)，代表復(fù)制篡改的可能匹配點(diǎn)。如果遍歷完所有時(shí)刻t，都沒有滿足式(3)的區(qū)域塊，則可以認(rèn)為被檢測視頻為原始未篡改視頻。

3 基于機(jī)器學(xué)習(xí)的被動(dòng)取證

機(jī)器學(xué)習(xí)已經(jīng)被廣泛應(yīng)用于視頻圖像處理、視頻智能分析等領(lǐng)域，并且取得了較好的效果。當(dāng)前，已經(jīng)有不少學(xué)者開始在多媒體安全領(lǐng)域，利用基于機(jī)器學(xué)習(xí)的方法解決隱寫分析、多媒體被動(dòng)取證等問題。基于機(jī)器學(xué)習(xí)的視頻運(yùn)動(dòng)目標(biāo)移除篡改的被動(dòng)取證，研究篡改操作相關(guān)的特征提取及表征方法，以機(jī)器學(xué)習(xí)的方式訓(xùn)練分類器，然后用訓(xùn)練好的分類器實(shí)現(xiàn)篡改視頻（幀）和非篡改視頻（幀）的分類，完成視頻運(yùn)動(dòng)目標(biāo)移除篡改的被動(dòng)取證。

3.1 基于目標(biāo)輪廓統(tǒng)計(jì)特征分類的篡改檢測

Chen等[13]提出一種基于視頻對象目標(biāo)輪廓統(tǒng)計(jì)特征分類的篡改偽造被動(dòng)取證方法。通過分析視頻對象目標(biāo)本身及其可變寬度的邊界區(qū)域的統(tǒng)計(jì)特性，提取小波細(xì)節(jié)系數(shù)矩特征及各通道梯度強(qiáng)度等6種統(tǒng)計(jì)特征構(gòu)成特征向量，再通過支持向量機(jī)（SVM）訓(xùn)練分類器，實(shí)現(xiàn)自然視頻目標(biāo)（natural objects）和篡改偽造視頻目標(biāo)(forged objects)的分類和檢測。其中，6種統(tǒng)計(jì)特征分別為：一階絕對矩（均值）、二階矩（方差）、三階中心矩（非對稱性）、四階中心矩（峰度系數(shù)）、RGB各通道平均梯度、RGB各通道邊緣強(qiáng)度。

3.2 基于隱寫分析的視頻目標(biāo)操作篡改檢測

Tan等[14,15]根據(jù)圖像隱寫分析算法的機(jī)器學(xué)習(xí)檢測思想，提出一種可應(yīng)用于高級視頻編碼標(biāo)準(zhǔn)的視頻目標(biāo)移除篡改檢測方法，并且能夠定位到發(fā)生篡改操作的視頻序列的起始幀和結(jié)束幀。

視頻目標(biāo)篡改和圖像隱寫都需要對圖像的殘差值進(jìn)行修改。對視頻目標(biāo)篡改操作的被動(dòng)取證，可以采用隱寫分析算法提取隱寫分析特征集、進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練和異常分析的方法。文獻(xiàn)[14]選擇了548維的CC-PEV頻域圖像隱寫分析特征集，取得較好的視頻目標(biāo)篡改檢測效果。算法的主要過程如下。

1) 用V表示長度為N的視頻序列

其中，F(xiàn)(k)=(F(k)i,j)∈′{0,1,…,255}n1×n2表示第k個(gè)視頻幀的大小為n1×n2的8 bit灰度圖像。

2) 定義共謀操作（collusion operator），公式為

其中，ψ運(yùn)算是時(shí)域上相鄰像素點(diǎn)的聚合函數(shù)(aggregate function)，如像素值的加權(quán)平均；共謀操作在大小為L=2Lh+1的滑動(dòng)窗口內(nèi)對所有視頻幀進(jìn)行ψ運(yùn)算，輸出共謀操作的結(jié)果C(k)。

3) 用來提取CC-PEV特征集的運(yùn)動(dòng)殘差定義為

其中，|·|表示絕對值運(yùn)算，R(k)表示運(yùn)動(dòng)殘差值，可以看做是一幅8 bit深度的灰度圖像。

4) 特征集提取及篡改檢測。文獻(xiàn)[14]為了提高檢測效率，提出選擇部分P幀來提取CC-PEV特征集的方法。特征提取及篡改檢測的流程如圖4所示。

圖4 特征集提取及篡改檢測流程

5) 視頻篡改幀的定位。步驟4)的篡改檢測流程將輸入視頻劃分為3類：原始視頻（pristine）、篡改視頻（forged）和雙重壓縮視頻（innocent double compressed）。為了進(jìn)一步定位出篡改視頻中篡改操作的視頻起始幀和結(jié)束幀，文獻(xiàn)[15]提出加權(quán)學(xué)習(xí)的判決策略，并給出詳細(xì)的篡改幀精確定位算法。

4 未來展望

根據(jù)國內(nèi)外多媒體安全領(lǐng)域的被動(dòng)取證研究熱點(diǎn)和趨勢分析，預(yù)計(jì)未來幾年視頻目標(biāo)移除篡改的被動(dòng)取證研究可能的發(fā)展方向包括以下幾個(gè)方面。

1) 算法的頑健性有待提高，經(jīng)重編碼有損壓縮視頻的篡改檢測率需進(jìn)一步提升。視頻目標(biāo)的篡改操作一般要經(jīng)歷視頻解碼、篡改、重編碼壓縮等步驟。視頻的被動(dòng)取證需分析篡改操作引起的篡改區(qū)域的統(tǒng)計(jì)特征或相關(guān)性的變化，從而找出視頻圖像篡改操作的痕跡。重編碼壓縮，特別是高壓縮比的二次編碼壓縮，將使這些統(tǒng)計(jì)特征或相關(guān)性消失，導(dǎo)致現(xiàn)有的視頻目標(biāo)篡改檢測算法的檢測率明顯下降或檢測算法失效。因此，未來的視頻被動(dòng)取證研究中，算法的頑健性是一項(xiàng)必須考慮的評價(jià)指標(biāo)。

2) 與機(jī)器學(xué)習(xí)理論相結(jié)合，提出通用的視頻目標(biāo)篡改檢測理論模型和算法值得期待。機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)已經(jīng)在圖像和視頻信息處理領(lǐng)域取得廣泛應(yīng)用；機(jī)器學(xué)習(xí)在視頻被動(dòng)取證中的應(yīng)用才剛開始，相關(guān)的研究成果不多。主要問題包括：用來訓(xùn)練的篡改樣本庫不足，導(dǎo)致現(xiàn)有算法的實(shí)用性不高；現(xiàn)有的篡改特征提取方法來自于圖像處理、隱寫分析領(lǐng)域，視頻取證領(lǐng)域的機(jī)器學(xué)習(xí)還缺乏專門的理論模型支持。因此，與機(jī)器學(xué)習(xí)理論相結(jié)合，有利于發(fā)展多特征聯(lián)合的取證技術(shù)，也有利于提高視頻目標(biāo)篡改算法的通用性，是未來的研究趨勢。

3) 取證與反取證技術(shù)互相促進(jìn)、協(xié)同發(fā)展。隨著多媒體內(nèi)容特效處理的需求，用于視頻編輯的視頻修復(fù)技術(shù)[16]一直以來被研究和不斷完善。同時(shí)，視頻修復(fù)技術(shù)除了被用來實(shí)現(xiàn)視頻篡改外，也被用于視頻反取證，提高了視頻取證的難度。隨著高級視頻修復(fù)技術(shù)的提出，視頻取證的算法也會(huì)迎來新的挑戰(zhàn)，這將促進(jìn)視頻取證研究的發(fā)展。

5 結(jié)束語

本文對數(shù)字視頻目標(biāo)移除篡改的被動(dòng)取證概念及重要性進(jìn)行了介紹，然后將現(xiàn)有的目標(biāo)移除篡改被動(dòng)取證算法分為兩類，詳細(xì)介紹了幾種基于相關(guān)性分析和基于機(jī)器學(xué)習(xí)的被動(dòng)取證算法，并提出了本領(lǐng)域未來的可能研究趨勢。

視頻被動(dòng)取證中視頻目標(biāo)移除篡改的檢測與定位研究具有挑戰(zhàn)性和緊迫性。視頻目標(biāo)移除篡改的檢測對維護(hù)正常的法律秩序、確保新聞媒體的真實(shí)性、維護(hù)社會(huì)穩(wěn)定具有非常重要的意義，研究成果將為司法取證、刑偵取證、視頻信息安全等領(lǐng)域提供新思路和新方法，具有重要的研究價(jià)值和廣闊的應(yīng)用前景。

未來幾年，隨著數(shù)字視頻更廣泛的應(yīng)用和普及，特別是高清視頻監(jiān)控的普及，以及完整性、可信性的緊迫需求，數(shù)字視頻的被動(dòng)取證技術(shù)將迎來更多的關(guān)注。在圖像和視頻的被動(dòng)安全領(lǐng)域，相關(guān)的系統(tǒng)理論、關(guān)鍵技術(shù)和評價(jià)標(biāo)準(zhǔn)等研究成果將逐步完善，成熟的技術(shù)也有望從實(shí)驗(yàn)室走向工業(yè)應(yīng)用，為社會(huì)公共安全提供服務(wù)。

[1] 徐正全, 徐彥彥. 可視媒體信息安全[M]. 北京: 高等教育出版社, 2012. XU Z Q, XU Y Y. Visual media information security[M]. Beijing: Higher Education Press, 2012.

[2] 楊銳, 駱偉祺, 黃繼武. 多媒體取證[J]. 中國科學(xué):信息科學(xué), 2013(12): 1654-1672. YANG R, LUO W Q, HUANG J W. Multimedia forensics[J]. Scientia Sinica: Informationis, 2013(12): 1654-1672.

[3] 陳威兵, 楊高波, 陳日超, 等. 數(shù)字視頻真實(shí)性和來源的被動(dòng)取證[J]. 通信學(xué)報(bào), 2011(6): 177-183. CHEN W B, YANG G B, CHEN R C, et al. Digital video passive forensics for its authenticity and source[J]. Journal on Communications, 2011(6): 177-183.

[4] 馮春暉, 徐正全, 鄭興輝, 等. 數(shù)字可視媒體取證[J]. 通信學(xué)報(bào), 2014(4): 155-165. FENG C H, XU Z Q, ZHENG X H, et al. Digital visual media forensics[J]. Journal on Communications, 2014(4): 155-165.

[5] 曹剛, 趙耀, 倪蓉蓉. 多媒體內(nèi)容認(rèn)證[J]. 中國計(jì)算機(jī)學(xué)會(huì)通信, 2011, 7(2) : 38-44. CAO G, ZHAO Y, NI R R. Multimedia content authentication[J]. China Computer Federation Communications, 2011, 7(2): 38-44.

[6] LI L D, WANG X W, ZHANG W, et al. Detecting removed object from video with stationary background[C]//IWDW. 2013: 242-252.

[7] 李倩, 王讓定, 徐達(dá)文. 基于視頻修復(fù)的運(yùn)動(dòng)目標(biāo)刪除篡改行為的檢測算法[J]. 光電子·激光, 2016(2): 182-190.LI Q, WANG R D, XU D W. Detection to video moving object deletion based on video inpainting[J]. Journal of Optoelectronics·Laser, 2016(2): 182-190.

[8] LIN C S, TSAY-JYH J. A passive approach for effective detection and localization of region-level video forgery with spatio- temporal coherence analysis[J]. Digital Investigation, 2014, 11(2): 120-140.

[9] PATWARDHAN K A, GUILLERMO S, MARCELO B. Video inpainting under constrained camera motion[J]. IEEE Transactions on Image Processing, 2007, 16(16): 545-553.

[10] ANTONIO C, PATRICK P, KENTARO T. Region filling and object removal by exemplar-based image inpainting[J]. IEEE Transactions on Image Processing, 2004, 13(9): 1200-1212.

[11] BESTAGINI P, MILANI S, TAGLIASACCHI M. Local tampering detection in video sequences[C]//MMSP. 2013:488-493.

[12] MATHAI M, RAJAN D, EMMANUEL S. Video forgery detection and localization using normalized cross-correlation of moment features[C]//SSIAI. 2016:149-152.

[13] CHEN R C, YANG G B, ZHU N B. Detection of object-based manipulation by the statistical features of object contour[J]. Forensic Science International, 2014, 236(3): 164-169.

[14] TAN S Q, CHEN S D, LI B. GOP based automatic detection of object-based forgery in advanced video[C]//2015 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA). 2015: 719-722.

[15] CHEN S D, TAN S Q, LI B, et al. Automatic detection of object-based forgery in advanced video[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2015:1.

[16] EBDELLI M, LE M O, GUILLEMOT C. Video inpainting with short-term windows: application to object removal and error concealment[J]. IEEE Transactions on Image Processing. 2015, 24(10): 3034-3047.

姚曄（1978-），男，湖北隨州人，博士，杭州電子科技大學(xué)講師，主要研究方向?yàn)槎嗝襟w安全、視頻智能分析。

胡偉通（1986-），男，浙江樂清人，博士，杭州電子科技大學(xué)講師，主要研究方向?yàn)槎嗝襟w安全、移動(dòng)終端安全。

任一支（1981-），男，安徽安慶人，博士，杭州電子科技大學(xué)副教授，主要研究方向?yàn)樯鐣?huì)計(jì)算、網(wǎng)絡(luò)安全。

Passive forensics for video object removal tampering

YAO Ye, HU Wei-tong, REN Yi-zhi

(School of CyberSpace Security, Hangzhou Dianzi University, Hangzhou 310018, China)

Firstly, the concept and importance of digital video object removal tampering forensics were introduced. Then, several current passive forensics algorithms for object removal tampering were selected and divided into two categories that based on correlation analysis and based on machine learning algorithm according to development trends. The selected passive forensics algorithms were introduced in detail. Finally, some possible research trends in video object removal tampering detections in the future were looked forward to.

digital video forensics, video object tampering, tampering detection, passive forensics

TP309

A

10.11959/j.issn.2096-109x.2017.00123

2016-09-25；

2016-11-15。通信作者：姚曄，yaoye@hdu.edu.cn

上海市信息安全綜合管理技術(shù)研究重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)目（No.AGK2015004）；測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)目（No.14S01）

Foundation Items: The Open Research Fund of Shanghai Key Laboratory of Integrated Administration Technologies for Information Security (No.AGK2015004), The Open Research Fund of State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (No.14S01)