基于深度学习与统计特征模型的视频重编码检测技术研究

In recent years, the authenticity and the originality of the digital video content has been seriously focused on, because the number of cases has increasingly grown. The forgery videos are spread abusively on the internet and the surveillance videos are suspected to its authenticity. Both the intra-frame and inter-frame video forgery must go through the recompression process. The recompression detection methods are internationally recognized theories and methods for countering video forgery. The research of recompression detection methods has become one of the hot issues on video forensics and one breakthrough point..To counter the digital tampering techniques, this project proposed the re-compression detection technology based on deep learning and statistic features model. The MPEG-4 and H.264 coding standard is focused in our project because this standards is a mainstream of video compression at present. This project proposes the novel mathematical tools and statistical feature models, such as, macroblock pattern statistical feature, motion residual distribution statistical feature, Markov statistics feature of macroblock states, intra-prediction pattern statistical feature, and so on. This project also has the study of the novel machine learning methods on video forensics, such as training and classifying methods of deep learning model, training and classifying methods of optimized SVM model. The project will provide the universal and efficient tampering detection methods. The video forensics system based on recompression detection will be designed and implemented in this project. The results of this project can be applied in digital judicial authentication and public security technical investigation.

近年来，随着互联网篡改视频的泛滥传播和监控视频真实性争议案例的不断曝出，视频内容原始性和完整性鉴定的需求更加凸显。数字视频无论是帧内篡改，还是帧间篡改，都必然会经过视频重压缩编码的过程，因此对视频重编码检测是国际公认的篡改视频检测的基础手段和先验方法。视频重压缩检测方法已经成为数字视频取证领域的研究热点和突破焦点。.本课题提出基于深度学习模型与系数统计特征的视频重编码痕迹检测技术研究工作。本课题研究围绕MPEG-4/H.264新编码标准展开，包括：提出多个新的统计特征模型，例如，宏块模式统计特征，运动残差分布模式统计特征，宏块状态马尔可夫统计特征，帧内预测模式分布统计特征等；结合新型机器学习方法，提出深度学习模型训练与分类方法、优化SVM分类器模型训练与分类方法等；以期研究并提出具有较好普适性的视频篡改痕迹检测的解决方案及系统原型设计。该研究成果可应用于司法电子证据鉴定、公安技侦分析等领域

该课题属于信息内容安全领域范畴。以数字视频为主的信息传播方式已经成为人们工作、学习、娱乐载体等应用，例如，YouTube，腾讯视频等视频网站及社交网站。由于PS技术和AI技术的不断发展，伪造生成及合成伪造视频越来越难以检测。在国家信息安全层面，篡改的数字视频已经严重威胁到国家信息安全和司法公正公平。在社会安全和个人隐私安全方面，篡改已经造成非常严重的社会诚信问题和侵犯个人隐私问题。本课题研究的主流编码标准视频重压缩痕迹被动检测理论及方法可以在海量视频数据中快速发现可疑篡改视频。这一研究极具研究价值和经济价值。.本课题研究基于MPEG2/4、H.264/AVC、H.265/HEVC编码的视频重压缩痕迹被动检测方法研究。本课题研究内容是围绕着视频重压缩痕迹检测的核心难题，提出了基于块效应强度特征、帧内预测模式特征、平均预测残差特征、宏块模式特征、运动场特征、PU块类型统计特征、预测单元预测模式变化统计特征、DCT系数融合TU块类型统计特征、光流特征及质量下降机制等新的特征模型，来有效检测视频重压缩痕迹是否存在。同时也研究了基于深度网络模型的智能分析方法，例如，基于卷积神经网络的视频重定位I帧的检测方法，基于遗传卷积网络来解决重定位I帧的检测问题等新方法。综上所述，本课题的研究成果表明，在视频重压缩痕迹被动检测领域，已经取得了良好的性能和检测准确率。以上内容发表2篇IEEE TIFS期刊论文及其他28篇成果。.关键数据方面，本课题成果表明：在MPEG2/4编码的检测准确率达到了98.43%；在AVC编码下重压缩检测准确率最好结果达到了99.22%；在HEVC编码下重压缩检测准确率达到了99.73%。.综上所述，本课题科学意义在于解决不同编码视频重压缩痕迹被动检测的难题，丰富了视频重压缩痕迹人工检测理论和智能检测方法理论。以上研究成果对数字视频的内容安全检测具有重要的理论价值和经济价值。