林新棋，林云玫，林志新，孔祥增，嚴曉明

（1.福建師范大學數學與計算機科學學院，福州350007；2.福建省網絡安全與密碼技術重點實驗室，福州350117；3.電子科技大學信息與軟件工程學院，成都611731）

基于紋理譜的視頻幀間篡改檢測

林新棋1，2，林云玫1，林志新3，孔祥增1，2，嚴曉明1，2

（1.福建師范大學數學與計算機科學學院，福州350007；2.福建省網絡安全與密碼技術重點實驗室，福州350117；3.電子科技大學信息與軟件工程學院，成都611731）

為提高視頻篡改檢測算法的準確率，提出一種基于紋理譜的時間域視頻篡改檢測算法。計算視頻片段的紋理譜圖像序列的相關系數，根據閾值法判定視頻篡改位置。實驗結果表明，該算法能準確檢測出視頻幀刪除、復制以及插入3種篡改方式。在分辨率為352×288的視頻片段上，平均每幀處理時間不超過0.4 s，而查準度和查全率全部超過94%。

紋理譜圖像；視頻篡改；相關系數；異常度；閾值

1 概述

隨著計算機和各種多媒體相關的電子產品的普及，圖像、視頻逐漸成為人們生活中信息交流和傳遞的重要媒介，尤其是監(jiān)控視頻、新聞視頻等與人們的日常生活息息相關。然而，各種操作簡便的視頻編輯軟件可以免費下載，無需復雜的專業(yè)技術就可以對數字視頻進行編輯修改，使得一些視頻的真實性受到破壞，監(jiān)控視頻記錄真實的情況被篡改，新聞視頻反映的社會現象被歪曲，從而影響了人們的正常生活和正確判斷。因此，視頻的真實性、原始性的檢測技術成為近十年國內外多媒體領域的一個研究熱點，也是社會亟需解決的一個關鍵問題。

圖像紋理不僅反映了圖像的局部灰度或顏色變化，而且反映了圖像的局部空間相關性，包含了物體表面結構組織排列的重要信息以及它們與周圍環(huán)境的聯(lián)系，是圖像視覺內容的表示方法之一。相關文獻已經證明了紋理是視頻被動檢測技術的一種有效可行的特征之一，但是采用紋理共生矩陣來表示，存在計算量大和無法檢測刪除操作的缺點。本文選擇紋理譜方法表示紋理。首先計算視頻片段的紋理譜矩陣序列，接著計算紋理譜矩陣序列的相關系數以及紋理譜的異常度序列，最后根據設定的閾值，判斷異常度序列的異常度，超過閾值的位置即為被篡改的位置。

2 相關工作

近年來，視頻篡改檢測技術已取得一些建設性的成果。從發(fā)表的文獻可以看出，視頻篡改檢測技術主要分為主動認證和被動檢測2種技術。由于主動認證技術需滿足的附加條件較多，如事先嵌入特定信息，這些嵌入的特定信息需要額外的硬件設備，提高了產品的價格，而且嵌入的信息或多或少都會影響視覺質量。因此視頻篡改檢測主要采用被動檢測技術。這種技術借助視頻數據本身的統(tǒng)計信息某方面的特征進行篡改檢測，如設備噪聲、運動矢量、預測誤差、紋理、色彩等［1］。

基于噪聲的視頻篡改檢測方法思想源于數字圖像篡改檢測，發(fā)展相對比較成熟。這種方法主要步驟是運用去噪方法估計設備的模式噪聲，如CCD感光不均勻模式噪聲、鏡頭透鏡失真噪聲等，然后采用相關性或聚類的方法，利用被篡改信息中隱藏的噪聲特征的不一致性來檢測是否被篡改［2-3］。但是這種方法不適用于同源篡改。

針對常用的視頻編碼格式，文獻［4］提出二次壓縮檢測的視頻篡改檢測方法。隨后，以二次壓縮導致運動估計、量化誤差、預測殘差、塊效應等不一致性為基本依據的相關研究成果被提出［5-7］。但是這些方法均與編碼格式有關，是否適用其他編碼格式尚未得到考證。

以視頻內容為依據的研究方法受到重視。文獻［8］提出基于Y分量相關性的視頻篡改檢測方法。文獻［9］提出基于紋理共生矩陣的視頻幀間復制、插入篡改檢測方法。文獻［10］提出基于顏色內容的視頻幀間刪除、復制、插入篡改檢測方法。這類方法只跟視頻內容有關，獨立于編碼格式、硬件等因素。

3 視頻紋理譜表示

紋理譜方法是文獻［11］提出的使用局部紋理模式作為紋理基元來分析紋理的一種方法。視頻幀的局部紋理模式是一種體現視頻幀內像素點領域內灰度變化的紋理結構，在這種結構下所產生的像素點的映射值（通常取值介于0～255的整數）稱為該像素點的紋理譜值?；叶葓D像可以使用紋理譜圖像來描述其紋理結構，如圖1所示。

圖1 視頻幀的紋理譜圖像

文獻［12］首次提出局部二值模式（Local Binary Pattern，LBP）作為局部紋理模式。其基本思想是在圖像或視頻幀中的一個8-鄰域，將鄰域中心的像素值與鄰域內其他位置的像素值進行比較，若該位置上的像素值不小于中心像素值，則將該點賦值為1，否則賦值為0，然后將處理結果與一個權值模板對應相乘求和，即得到LBP值［12］。盡管不斷有人對紋理譜進行研究，提出很多改進方法，但是LBP理論簡單，計算開銷小，且能有效地刻畫像素鄰域內的灰度變化模式和空間相關性，因此，本文使用LBP來表示視頻幀的紋理視覺內容。

對于給定的視頻片段，其視頻幀灰度圖像序列表示為V=｛V（1），V（2），…，V（N）｝，第i幀視頻幀的灰度圖像V（i）用V表示，那么V就是一個二維矩陣，表示如下：

對于視頻幀中（x，y）處的像素，其紋理譜值記為LBP（x，y），計算過程如下：

（1）獲取視頻幀中（x，y）處的8-鄰域像素塊，記為矩陣Bxy，如式（1）所示，將像素塊Bxy中的每個像素按照式（3）轉化為二值像素塊，映射結果為同樣大小的矩陣，記為BBxy，如式（2）所示。

其中，i∈｛x-1，x，x+1｝，j∈｛y-1，y，y+1｝。這個映射過程很好地解釋了像素（x，y）與周邊像素的變化細節(jié)，變化大小依賴于閾值α。

（2）選擇合適的3×3權值模板，記為矩陣G，本文的權值模板為：

（3）將BBxy和權值模板G進行卷積，顯然卷積結果介于0～255之間，卷積結果定義為LBP（x，y），具體如式（4）所示。

對V中可操作的每個元素按照上面3個步驟逐一進行計算，獲得一個（n，m）二維數組LBP，數組中每個元素值是一個介于0～255之間的整數，將其視為灰度值，若LBP的顯示結果是一幅灰度圖像，稱為紋理譜圖像。圖2是一個像素的紋理譜計算過程，將圖中橢圓位置的像素180映射為紋理譜值137。

圖2 紋理譜計算過程示意圖

從圖1（c）可知，灰度圖像的紋理譜圖像確實可以反映圖像紋理的微觀變化，而且這種微觀變化能夠以可視化的方式顯示，比起紋理共生矩陣描述的圖像紋理更加符合人類視覺習慣，因而在圖像檢索、計算機視覺、遙感圖像分析等多個領域得到廣泛應用。

綜上可知，任何一個視頻片段，都可以用一個紋理譜圖像序列W=｛LBP（1），LBP（2），…，LBP（N）｝來表示該視頻片段的紋理視覺內容。

4 視頻幀間紋理譜相關性

由上節(jié)可知，對于給定的視頻幀，其紋理視覺內容可以使用紋理譜矩陣來表示，于是視頻幀間的視覺內容相似性問題就轉化為視頻幀間紋理譜矩陣相似性問題。目前度量2個矩陣或數組之間的相似性經常采用相關系數，隨后實驗統(tǒng)計結果證實了本文采用相關系數度量矩陣間相似性的合理性。

對于2個給定的相鄰視頻幀，其視頻幀紋理譜矩陣分別表示為A，B，如果幀的分辨率為（n+2）×（m+2），則紋理譜矩陣A，B均為n×m的矩陣，具體表示如下：

那么矩陣A和B之間的相關系數定義如式（6）所定義。

本文接下來的部分將借助矩陣之間的相關系數來度量視頻幀之間的紋理譜相關性，從紋理方面體現視頻幀之間的視覺內容相似性。

5 視頻幀間紋理譜異常度

對于給定的視頻片段，如果長度為N幀，那么根據第4節(jié)可以獲得N-1個紋理譜相關系數，用一維數組CORR=［c1，c2，…，cN-1］來表示，則CORR（i）表示紋理譜相關系數CORR中的第i個系數，該值的大小度量了第i個視頻幀和第i+1個視頻幀之間的紋理譜相關程度。圖3（a）、圖3（b）是視頻片段video-3-4和video-7-1的紋理譜相關系數曲線。

圖3 紋理譜相關系數曲線

可以看出：紋理譜相關系數值隨著幀序號改變而改變，時而大時而小，沒有規(guī)律，不易發(fā)現其異常位置，直接根據紋理譜相關系數來判斷視頻片段是否被篡改容易做出錯誤的結論；另一方面，不同視頻的紋理譜相關系數取值范圍存在較大的差異，在閾值判決法中，難以選擇恰當的閾值，容易造成錯判和遺漏。

因此，本文對視頻幀間紋理譜相關系數CORR引入度量分量異常程度的算子，期望這種算子能夠有助于判定異常位置。

2000年，Breunig等人提出局部離群因子孤立點經典檢測算法（LOF算法）［13］。該算法為每個數據建立一個離群因子模型來度量該數據的異常程度，不僅考慮到數據周圍的密度，而且考慮到數據之間的距離，排除將具有相同密度而具有不同距離的數據點視為相同的異常程度，在數據異常檢測中得到廣泛的應用，因此本文采用該算法來度量視頻幀間紋理譜相關系數的異常程度。下面3個子節(jié)給出相關的定義。

5.1 第k小距離

對于給定視頻片段的紋理譜相關系數CORR=［c1，c2，…，cN-1］，K為事先給定的一個正整數，現在將CORR中其他相關系數與CORR（i）的歐幾里得距離中第k小的距離定義為第i個紋理譜相關系數的第k小距離，記為distk（i），如式（7）所示：

其中函數small返回集合中數據從小到大排序后的第k個最小值。

根據定義，distk（i）可以度量數據CORR（i）附近聚集k個數據的密集程度。顯然該值越小，k個數據圍繞在CORR（i）周圍的密集程度的可能性越高，那么CORR（i）出現異常的可能性就降低了。因此，distk（i）在一定程度上刻畫了數據CORR（i）的異常程度。但是該值無法反映所聚集的k個數據之間的分散情況。

5.2 局部密度

對于CORR（i），根據5.1節(jié)，指標distk（i）難以完全刻畫數據CORR（i）的分散程度。本節(jié)利用數據間的距離來刻畫數據的分散情況，由此引入局部密度的度量公式。

首先定義數據CORR（i）的distk（i）去心領域，具體如式（8）所示：

5.3 異常度

從5.2節(jié)可知，一維數據中的局部密度可以反映該數據的異常程度，但是一個數據的異常情況和其周圍的數據密切相關，因此，對于數據CORR（i），將去心領域內數據的平均局部密度和數據CORR（i）的局部密度DenLoc（i）的比值定義為數據CORR（i）的異常度，記為DegAbn（i），如式（10）所示。

根據定義可知指標DegAbn（i）值的大小反映了紋理譜相關系數CORR=［c1，c2，…，cN-1］中第i個相關系數的異常程度。于是，對于給定的視頻片段，通過上述公式，使用序列｛DegAbn（1），DegAbn（2），…，DegAbn（N-1）｝刻畫該視頻片段對應的紋理譜相關系數的異常度。

與圖中video-3-4紋理譜相關系數相對的異常度曲線如圖4所示。

圖4 video-3-4紋理譜相關系數異常度曲線

從圖3（a）難以確定紋理譜相關系數序列中是否存在異?，F象。而圖4明顯地展示了紋理譜相關系數序列中存在2個異常數據。

因此，在紋理譜相關系數基礎上引入的異常度算子是有效的、可行的，有助于揭露視頻篡改的位置，對于檢測視頻片段是否被篡改是行之有效的。

6 篡改檢測算法

6.1 算法基本思想

對于單一鏡頭的視頻片段來說，其視覺內容具有很高的相似性，對應的紋理譜圖像序列也存在很高的相似性，因此，這樣的視頻片段的紋理譜相關系數變化幅度較小，相應的異常度變化比較平穩(wěn)。如果對單一鏡頭的視頻片段進行某些人為的篡改操作，那么視覺內容將會在篡改位置附近發(fā)生一些不易被人發(fā)現的微觀變化，這種微觀變化相對其他視覺內容來說可以看作是一個異常。在事先設定閾值的條件下，將紋理譜相關系數異常度序列中超過閾值的位置視為篡改位置，一旦某視頻片段檢測出異常位置，就認為該視頻被人為篡改過。

6.2 算法流程

根據算法基本思想，結合時間域上視頻幀間篡改流程、紋理譜矩陣、相關系數、異常度的理論框架，本文提出的算法流程如圖5所示。

圖5 本文算法流程

本文算法基本步驟描述如下：

（1）將待鑒定的視頻片段讀入M atlab操作系統(tǒng)；

（2）采用M atlab系統(tǒng)自帶的函數rgb2gray（）將彩色圖像轉化為灰度圖像，灰度級為256；

（3）采用式（1）～式（4）計算該視頻片段的紋理譜矩陣序列；

（4）采用式（5）～式（6）計算紋理譜矩陣序列的相關系數；

（5）采用式（7）～式（10）計算紋理譜矩陣序列相關系數的異常度序列；

（6）設定閾值beta=5，逐個判定異常度序列中是否存在超過閾值beta的異常度，并記錄位置；

（7）如果存在異常位置，則判定輸入視頻片段被認為篡改過，否則認為是原始視頻片段。

7 實驗與結果分析

7.1 實驗視頻集與實驗環(huán)境

為了評價所提出算法的性能，需要一個合適的篡改視頻測試集合。目前，在視頻篡改取證研究領域上尚未有公開的統(tǒng)一測試集，已有的各種算法都是使用自建的測試集來評價其性能，考慮到獲取別人自建數據集的困難性，本文亦采用自建的數據集。

首先，從網上下載8個公開YUV格式的視頻片段，分辨率均為352×288，長度有150幀、250幀、300幀和350幀，總長度為2 250幀，對現有的視頻依次命名為video-i，i=1，2，…，8。其次，分別使用索尼HDR和佳能LEGRIA的數碼攝像機拍攝MOV格式的視頻片段video-9和video-10，長度分別為500幀和1 499幀，分辨率均為1 920×1 080。

于是本文使用的原始視頻片段總共為10個，部分代表幀如圖6所示。在此基礎上，使用M atlab軟件將視頻片段轉化為幀序列，格式為jpg；其次，對原始視頻片段進行各種時間域上的篡改；最后，將篡改后的圖像序列使用Matlab程序再次轉化為視頻片段。為了便于后面的實驗，篡改后的視頻片段命名格式為video-i-j，其中，i序號表示該視頻片段videoi-j是由第i個原始視頻video-i篡改而來的，具體通過一個視頻片段來體現。video-3為原始視頻片段，它有2個刪除篡改操作，命名為video-3-1和video-3-2，1個插入篡改操作，命名為video-3-3，1個復制替換篡改操作，命名為video-3-4。其余類似，最后統(tǒng)計得：刪除篡改操作共有7個視頻片段，復制插入篡改操作共有5個視頻片段，復制替換篡改操作共有4個視頻片段，沒有篡改操作的視頻片段共有2個。實驗環(huán)境：W indow7-64位操作系統(tǒng)，奔騰8600雙核處理器，主頻2.4 GHz，內存2.0 GB，硬盤容量250 GB，M atlab版本R2014a。

圖6 原始視頻的部分代表幀

7.2 算法參數

由于視頻是高速的圖像播放序列，根據人眼視覺特性，幀率最小值為24 f/s，因此LOFS算法中的第k小距離參數k取值24。

其他的2個參數通過實驗總結獲得，如表1所示。

表1 參數取值

7.3 實驗結果

為了說明本文算法的效果，下面分別對每種篡改方式舉一個例子進行詳細說明。

7.3.1 刪除

對于篡改視頻片段video-1-1，該視頻片段是原始視頻video-1中第76幀～第149幀視頻幀刪除，目的是將穿黑色上衣男子放下皮包的過程刪除，這樣給人的錯覺是皮包原本就在走廊的凳子上。圖7和圖8分別是原始視頻video-1和篡改視頻video-1-1的紋理譜相關系數曲線。

圖7 video-1紋理譜值相關系數異常度曲線

圖8 video-1-1紋理譜值相關系數異常度曲線

從圖7可知，原始視頻video-1中的紋理譜值相關性異常度均低于4，這表明原始視頻片段中幀間相關性比較強。從圖8可知，篡改視頻video-1-1的紋理譜值相關性異常度曲線中存在一個明顯的異常，位置在第75幀，其值等于9.774，大大超過本文所設置的閾值β=5。這表明第75幀和第76幀之間的紋理譜值相關性異常度比視頻片段video-1-1中其他視頻幀之間的紋理譜值相關性異常度要大很多，這種情況與操作在視頻片段video-1上的刪除篡改操作相吻合。綜上可知，本文算法能有效地檢測出時間域視頻幀間刪除篡改。

7.3.2 插入

對于篡改視頻片段video-3-3，該視頻片段是將原始視頻video-3中的第210幀～第230幀這21幀復制并插入到原來第149幀～第150幀之間生成的，目的是改變啞語所表達的意思。圖9、圖10分別是原始視頻video-3和篡改視頻video-3-3的紋理譜相關系數曲線。

圖9 video-3紋理譜值相關系數異常度曲線

圖10 video-3-3紋理譜值相關系數異常度曲線

從圖9可知，原始視頻video-3中的紋理譜值相關性異常度均低于5，這說明尚未篡改的原始視頻片段的紋理譜相關性較大。從圖10可知，篡改視頻video-3-3的紋理譜值相關性異常度中存在2個明顯的異常，位置在第149幀和第170幀處，其值分別大約等于13.38和10.28，大大超過本文所設置的閾值β=5。這表明第149幀和第150幀、第170幀和171幀之間的紋理譜值相關性異常度比視頻片段video-3-3中其他視頻幀之間的紋理譜值相關性異常度要大，這與實際將原來第210幀～第230幀這21幀復制并插入到原來第149幀和第150幀之間的篡改操作相符合。此結果表明本文算法可以檢測出時間域視頻幀間復制插入篡改，也就是可以檢測出同源間插入篡改。

7.3.3 復制

視頻片段video-7-2是將原始視頻video-7中的第220幀～第240幀之間的復制后替換原來第120幀～第140幀之間的幀而生成的。目的是將火車和球的運動順序進行調整，給人的感覺是火車突然后退了的錯覺。圖11和圖12分別是原始視頻片段video-7和篡改視頻片段video-7-2的紋理譜相關系數曲線。

圖11 video-7紋理譜值相關系數異常度曲線

圖12 video-7-2紋理譜值相關系數異常度曲線

從圖11可知，原始視頻video-7中的紋理譜值相關性異常度均低于2，這說明原始視頻片段的紋理譜存在很強的相關性，進一步說明視頻幀之間的視覺內容存在很大的相似性。從圖12可知，篡改視頻video-7-2的紋理譜值相關性異常度中存在2個明顯的異常，位置在第119幀和第140幀處，其值分別大約等于9.386和9.339，大大超過本節(jié)所設置的閾值β=5。這表明第119幀和第120幀、第140幀和第141幀之間的紋理譜值相關性異常度比視頻片段video-7-2中其他視頻幀之間的紋理譜值相關性異常度要大得多，這與實際將原來第220幀～第240幀之間的幀復制后替換原來第120幀～第140之間的幀的篡改操作相符合。此結果表明本文算法可以檢測出時間域視頻幀間復制替換篡改。

7.3.4 篡改檢測性能

上文通過篡改和原始視頻片段的紋理譜值相關性異常度曲線的對比證明了本文算法可以檢測出視頻幀間的刪除、復制插入和復制替換3種時間域篡改。但是否具有普適性還有待于驗證。表2為本文算法和文獻［9］算法的檢測結果。

表2 本文算法和文獻［9］算法檢測出的異常位置

如果實際篡改操作位置的異常點出現在檢測表中，就斷定該視頻片段遭到人為篡改。進一步，采用信息檢索領域中常用的查準率Rp和查全率Rr 2個指標來評價算法的性能。統(tǒng)計和計算結果如表3所示。

表3 統(tǒng)計和計算結果

7.4 結果分析

7.4.1 算法性能指標分析

從檢測結果可以看到，無論使用哪種篡改方式，本文算法除了篡改視頻片段video-1-3沒有正確判斷之外，其他的篡改或未篡改視頻片段均能正確給出結果，因此本文算法具有很高的篡改檢測效果。

對于篡改視頻片段video-1-3，其紋理譜值相關性異常曲線如圖13所示。

圖13 video-1-3紋理譜值相關系數異常度曲線

從圖13可以看出，實際上，相對本視頻片段來說，在第50幀處異常達到最大值，而第50幀正是替換的最后一幀，從這個角度看，利用紋理譜相關性異常度可以檢測出。而算法沒有檢測出的原因是因為該點的異常值沒有超過事先預定的閾值β。

對于篡改視頻片段video-3-2，雖然算法可以確定該視頻是被認為的篡改。但是本來只存在1個異常位置，而算法卻檢測出3個異常為位置。

而文獻［9］無法檢測幀刪除篡改，而且在插入和替換篡改方式中都存在誤檢的異常點，另外在替換篡改方式中也漏檢一個異常點。由此可見，本文的算法比文獻［9］算法具有更好的篡改檢測效果。

表3數據表明，利用本文算法的篡改查準率和查全率比文獻［9］算法均有了明顯提高。本文算法的查準率為100%，比文獻［9］算提高了9.09%。而查全率上，本文算達到94.44%，比文獻［9］算提高了接近40%。統(tǒng)計指標顯示了本文算法具有更高的查準率和查全率。

7.4.2 算法時間效率分析

本節(jié)分析算法的時間效率，用于分析的視頻分辨率為352×288。將本文算法分別在50，100，150，200，250，300幀長度的若干視頻片段上運行，將同一長度的視頻片段運行所開銷的時間按照式（11）計算平均每個視頻幀的時間效率：

其中，si為長度為M幀的視頻片段檢測算法程序運行所需的時間；N表示總共有N個長度為M的視頻片段。

另一方面，在同樣的視頻片段上，測試基于紋理共生矩陣的視頻幀間相關系數計算算法的時間開銷，這里計算的紋理共生矩陣僅僅是水平方向的，沒有考慮其他方向，按照式（11）計算平均值，結果如圖14所示。

圖14 算法運行時間

從圖14可知，本文算法運行時間基本比較穩(wěn)定，在分辨率352×288的視頻片段中平均每幀所需要的時間基本不超過0.4 s。而基于紋理共生矩陣的視頻篡改檢測算法運行時間基本上也比較穩(wěn)定，但是其平均每幀的時間開銷明顯高于本文算法，基本在每幀7 s左右。所以，從時間效率上分析，基于紋理譜的視頻篡改檢測算法性能明顯優(yōu)于基于紋理共生矩陣的視頻篡改檢測算法。

綜上可知，無論是從精確度指標或查全率指標，還是從時間效率分析，基于紋理譜的視頻篡改檢測算法性能明顯優(yōu)于基于紋理共生矩陣的視頻篡改檢測算法。

8 結束語

為能在準確地檢測視頻篡改的同時減少算法的運行時間，本文提出基于紋理譜的視頻篡改檢測算法，該算法簡單，計算開銷小。實驗結果表明，本文算法可檢測幀刪除、幀插入和幀復制3種篡改方式。另外，本文算法未在異源篡改方式上進行分析，今后將在多鏡頭篡改類型上做進一步分析和研究。

［1］ 譚茂洲，蔣興浩，孫錟鋒.視頻篡改被動檢測技術研究［J］.信息安全與通信保密，2012，（3）：68-69.

［2］ 李曉梅.基于殘留噪聲相關性的視頻篡改檢測算法［J］.信息技術，2013，（10）：103-105.

［3］ Kobayashi M，Okabe T，Sato Y.Detecting Video Forgeries Based on Noise Characteristics［C］//Proceedings of the 3rd Pacific Rim Symposium.Berlin，Germany：Springer，2009：306-317.

［4］ Wang Weihong，Farid H.Exposing Digital Forgeries in Video by Detecting Double MPEG Compression［C］// Proceedings of the Multi-media and Security Workshop. New York，USA：ACM Press，2006：37-47.

［5］ 秦運龍，孫廣玲，張新鵬.利用運動矢量進行視頻篡改檢測［J］.計算機研究與發(fā)展，2009，46（zl）：227-233.

［6］ Wang Weihong，Farid H.Exposing Digital Forgeries in Video by Detecting Double Quantization［C］//Proceedings of the 11th Workshop on Multimedia and Security. Washington D.C.，USA：ACM Press，2009：39-48.

［7］ 王 琬，蔣興浩，孫錟鋒.基于首位數字特征的雙重MPEG壓縮檢測算法［J］.電子與信息學報，2012，34（12）：3046-3050.

［8］ 黃添強，陳智文，蘇立超，等.利用內容連續(xù)性的數字視頻篡改檢測［J］.南京大學學報，2011，9（5）：493-504.

［9］ 袁秀娟，黃添強，陳智文，等.基于紋理特征的視頻篡改檢測［J］.計算機系統(tǒng)應用，2012，21（6）：91-95.

［10］ 李海濤，林新棋，吳 鵬，等.基于顏色內容一致性的視頻篡改檢測［J］.福建師范大學學報：自然科學版，2014，30（2）：26-33.

［11］ He Dongchen，Wang Li.Texture Features Based on Texture Spectrum［J］.Pattern Recognition，1991，24（5）：391-399.

［12］ Ojala T，Pietikainen M，Hardwood D.A Comparative Study of Texture Measures with Classification Based on Feature Distribution［J］.Pattern Recognition，1996，29（1）：51-59.

［13］ Breuning M M，Kriegel H P，Raymond T N，et al.LOF：Identifying Density-based Local Outliers［C］// Proceedings of ACM SIGMOD International Conference on Management of Data.New York，USA：ACM Press，2000：427-438.

編輯 顧逸斐

Detection of Video Inter Frame Forgery Based on Texture Spectrum

LIN Xinqi1，2，LIN Yunmei1，LIN Zhixin3，KONG Xiangzeng1，2，YAN Xiaoming1，2
（1.School of Mathematics and Computing Science，Fujian Normal University，Fuzhou 350007，China；
2.Fujian Provincial Key Laboratory of Network Security and Cryptology，Fuzhou 350117，China；
3.School of Information and Software Engineering，University of Electronic Science and Technology of China，Chengdu 611731，China）

In order to improve the accuracy and time efficiency of the tam per video detecting algorithm，a new algorithm based on texture spectrum is proposed.The algorithm is implemented in three stages：firstly，the spectrum image sequences of the video clip is computed；then，the correlation coefficient and abnormality degree of texture spectrum image sequences are defined and calculated；finally，the forgery places are detected by threshold approach.Experimental results show that the proposed method can effectively localize the tamped position of the frame duplication，insertion，deletion tampers.The average consumption of time is 0.4 s per frame in resolution 352×288.The precision and recall are all exceeding 94%.

texture spectrum image；video forgery；correlation coefficient；abnormality degree；threshold

林新棋，林云玫，林志新，等.基于紋理譜的視頻幀間篡改檢測［J］.計算機工程，2015，41（11）：314-321.

英文引用格式：Lin Xinqi，Lin Yunmei，Lin Zhixin，et al.Detection of Video Inter Frame Forgery Based on Texture Spectrum［J］.Computing Engineering，2015，41（11）：314-321.

1000-3428（2015）11-0314-08

A

TP391.41

10.3969/j.issn.1000-3428.2015.11.054

福建省教育廳基金資助項目（JA12075，JA10064，JB11036）；福建省科技廳高校產學合作科技基金資助重大項目（2012H6006）；福建省高等學校科技創(chuàng)新團隊基金資助項目（IRTSTFJ，J1917）；福建師范大學創(chuàng)新團隊基金資助項目（IRTL1207）。

林新棋（1972-），男，副教授、博士，主研方向：多媒體技術，編碼理論；林云玫、林志新，碩士研究生；孔祥增，實驗師、博士研究生；嚴曉明，副教授、碩士。

2014-09-15

2014-10-11 E-m ail：xqlin@fjnu.edu.cn