基于帧间共谋的视频隐写分析

第4期刘镔等：基于帧间共谋的视频隐写分析49基于帧间共谋的视频隐写分析刘镔，刘粉林，杨春芳(解放军信息工程大学 信息工程学院, 河南 郑州 450002)摘 要：基于视频序列的时域特性，提出一种应用帧间共谋策略的视频隐写分析算法。分析了视频序列中所含局部运动对隐写分析检测精度的干扰，将秘密信息和局部运动建模为双模噪声，据此提出基于视频帧间分块相关度的特征提取策略。隐写分析算法依据提取的特征应用GRNN分类器进行视频帧的分类，以识别含秘密信息的可疑视频帧，在一定程度上降低了局部运动的影响。实验结果表明该算法可实际应用于视频隐写分析。关键词：视频处理；信息隐藏；隐写分析；共谋中图分类号：TP391 文献标识码：A 文章编号：1000-436X(2009)04-0041-09Video steganalysis scheme based on inter-frame collusionLIU Bin, LIU Fen-lin, YANG Chun-fang(Information Engineering Institute, PLA Information Engineering University, Zhengzhou 450002, China)Abstract: An inter-frame collusion based video steganalysis scheme (ICS) was proposed by utilizing the temporal correlation among video frames to find out whether secret data was hidden in the frames or not. Motions existing in video sequence decreased the detection accuracy of steganalysis algorithms, which were taken into account in ICS steganalysis scheme by modeling motions and messages in video frame as a bimodal noise. Suspicious video frames were recognized by decision module employing GRNN classifier with features extracted by the inter-frame correlation strategy. Experimental results show the satisfying performance of the proposed scheme.Key words: video processing; information hiding; steganalysis; collusion1 引言收稿日期：2008-06-21；修回日期：2009-01-04基金项目：国家高技术研究发展计划（“863”计划）基金资助项目（2006AA01Z409）；河南省基础与前沿技术研究计划资助项目（082300410150）；解放军信息工程大学博士生学位论文创新基金资助项目（4142D32G）；郑州市科技计划资助项目（083SGYG21125）Foundation Items: The National High Technology Research and Development Program of China (863 Program) (2006AA01Z409); The Foundation and Frontier Technology Research Program of Henan Province (082300410150); The Ph. D candidate Innovation Program of PLA Information Engineering University(4142D32G); The Science-Technology Project of Zhengzhou (083SGYG21125)随着流媒体和网络技术的发展，多媒体传感器网络（MSN, multimedia sensor network）等新型网络系统的应用日渐广泛，数字视频正逐步取代文字和静止图像成为网络信息的主流。海量的视频信息资源为基于信息隐写的隐蔽通信提供了必要的环境，使得基于视频信息隐写的隐蔽通信及其对抗技术日益为信息安全研究领域所关注1,2。数字视频自身的数据量远远大于静止图像等载体，因此它一般具有可观的绝对隐藏容量，从而能够为视频信息隐写的实施提供一个稳定的数据载体。基于这一原因，近年来出现了大量的以数字视频为载体的信息隐写新算法38。该类算法分别在视频序列的原始域3、变换域46和压缩域7,8几方面实施秘密信息的嵌入操作。需要指出的是，由于精确的人类视觉时间域掩蔽效应模型尚未完全建立，目前视频隐写技术的发展滞后于图像隐写技术。固定的视频编码标准和视频时间域上的高度相关性也给视频隐写技术提出了一些有别于图像隐写的特殊要求，如嵌入前后须保证视频数据的语法结构合乎编码规则，同时保证视频文件的大小不发生明显变化以及视频时间域相关性不会严重降低等。现有的视频隐写算法大多难以完全满足上述要求，因而为成功检测视频中隐藏的秘密信息提供了可能。隐写分析算法主要基于载体数据的某种统计特性将会被秘密信息的嵌入操作所破坏的特点，对信息量大小和统计特性偏差之间的对应关系进行分析，实现对隐藏信息的检测。现有隐写分析算法可分为2类：检测特定类型隐写算法的方法，如分析法9、RS分析法10、SPA分析法11、DIH分析法12和结构分析方法13等。适用范围较广的通用盲检测算法1418，即应用分类技术对载体数据集合和载密数据集合实施划分，该类算法需要构造合适的具有敏感区分能力的统计量并预先构建训练数据对分类检测器进行训练。从文献发表的情况来看，目前隐写分析的研究主要集中在检测以静态图像为载体的隐写算法方面，视频隐写分析的研究刚刚开始起步2,15。主要原因是视频序列之间在时间域上存在较大差异，导致较难寻找对秘密信息嵌入操作敏感的统计特性，即难以为载体视频和载密视频建立精确的描述模型。尽管视频序列可以被视为多帧静止图像的顺序组合，但由于视频隐写与图像隐写的区别较大，将静止图像信息隐写分析方法直接引入到视频隐写分析中将难以取得理想的检测效果。特别是数字视频虽然具有绝对大的嵌入容量，但为了保证秘密信息的安全性，隐写算法所选嵌入信息的位置往往较为分散。倘若直接应用常规的图像隐写分析算法，则需要处理完整的视频序列，将会面临较大规模的运算任务，导致算法效率过低，无法满足实际检测要求。基于视频时间域上的相关性，充分利用相邻帧所具有的边信息，是设计视频隐写分析算法的可行思路。文献19中对利用相邻帧去除视频水印的帧间共谋技术进行了分析，指出通过某视频帧相邻多帧的共谋可以获得该视频帧的一个不含有水印信息的估计版本。该技术也被陆续应用于视频隐写分析中2,15。文献2中应用共谋攻击和ARE非参量方法检测秘密信息，文中使用了帧插补（frame interpolation）的共谋攻击方法，利用当前帧的前后相邻2帧插补出当前帧的估计信息并与当前帧的实际信息求差，将该差值作为统计特征计算的数据来源，文献15中假设视频中每帧都含有最大嵌入容量的类高斯分布秘密信息，应用相邻多帧共谋攻击获得载体视频帧的估计信息，与实际视频帧信息求差后提取视频统计特征，并利用分类器实施载体视频和载密视频的分类。需要指出的是，文献15的中“秘密信息逐帧满嵌”的假设较为苛刻。更重要的是，文献2,15给出的分类特征提取策略假设嵌入的秘密信息为相邻帧差别的主要成分，而该假设与实际情况存在较大差异，如视频中的运动也将导致相邻帧出现差别。因此文献2,15方法应用于含局部运动的视频时，其直接共谋策略将会给检测引入新的干扰，从而显著地降低其检测秘密信息的准确度。而此2篇文献中针对此问题所提出的改进方案，即基于块匹配的共谋算法，将为视频隐写分析带来较大的运算负担，难以有效解决局部运动所引发的问题。本文尝试给出一类新的帧间共谋视频隐写分析（ICS，video steganalysis based on inter-frame collusion）算法，基于对存在局部运动的相邻视频帧的共谋结果的分析，通过选取非运动块数据计算对嵌入操作敏感的统计特征，以实现快速定位可疑载密视频帧。同时对可能出现较高虚警率的原因进行分析，并给出了降低检测虚警率的策略。本文第2节将给出对视频共谋隐写分析相关模型的描述；第3节对ICS框架进行介绍；第4节对提取特征的有效性和判定准则的性能进行分析；第5节给出实验结果；第6节为结束语。2 帧间共谋隐写分析相关模型在视频信息隐写中，隐写系统可用一个四元组表示，用随机变量代表载体视频信号，用代表载密视频，为秘密信息，为秘密信息的嵌入映射，即嵌入器将秘密信息和载体视频合成为载密视频。(1)其中，代表嵌入强度因子，为视频帧索引值。具体的嵌入过程可以通过调整嵌入因子实现，用式(1)表示。为接收方的提取映射，使用密钥提取出秘密信息。显然，在隐写分析时分析者仅能够得到载密视频。2.1 视频隐写系统安全性描述隐写分析的实施通常利用了隐写系统的安全性漏洞，本文首先给出衡量视频隐写系统安全性的2个概念。定义1 （秘密信息M的绝对隐蔽性）对于隐写系统，含密视频和秘密信息之间的互信息为零()，即条件熵满足时，称隐写系统可使隐写后的秘密信息具有绝对隐蔽性。定义2 （载体视频F的绝对安全性）在截获总帧数为N的全部载密视频帧(其中)后，载密帧与载体视频中某帧的互信息为零()时，称载体视频帧具有绝对安全性。由定义2知，只有当载密视频被大幅改动时才能满足载体视频的绝对安全性条件，但此时实质上已经接近于将载体视频直接置乱成噪声，这将与隐写的隐蔽性约束（即信息嵌入不影响载体的视觉效果）相违背。可见，就视频隐写分析而言，存在正确估计出载体视频帧的可能性。由于视频隐写系统在一系列相似的视频帧中嵌入不同的秘密信息，使得攻击者可以得到多幅含有不同秘密信息的相似载密视频帧，通过实施帧间的平均共谋攻击，有可能利用帧间相关性和秘密信息的随机性高质量地恢复出载体视频帧。命题1 （多帧成功共谋的可行性）对某一视频序列实施隐写分析时，增加所利用载密视频帧的数量将可能降低攻击者正确估计出载体视频帧的难度。事实上，由信息论中条件熵定义知 特别地， 。因此，增加所利用载密视频帧的数量有可能降低载体帧的不确定性。由命题1可知，应用同一视频序列中某帧的多个相邻帧对其载体帧实施估计的性能将会优于单独使用的情形。因此，ICS分析框架中将使用多帧共谋的策略实施对载体视频帧的估计。2.2 噪声模型的构建依据文献15中给出的对秘密信息、载体视频和嵌入强度的假设，放松其中对视频序列中相邻帧相关度须服从一阶马尔可夫模型的假设，给出本文假设如下。1) 各载体视频帧都有相同的均值和方差，即，。2) 信息服从高斯分布，且均值，可知；其方差。3) 、和之间是相互独立的。线性共谋为共谋攻击的一种简单形式。可描述为在以某帧为中心，半径为的大小的滑动窗口范围内求取除以外其他视频帧的平均值，作为对帧的估计值。(2)其中，N为序列中帧的总数。当1kL或N-LkN时，即待估计的帧处于视频序列的边缘时，共谋窗口将取式(2)中的第和第这2种非对称形式。定义视频帧和之间的差异为噪声。分析式（2）所示的线性共谋可知，的来源分为2个部分。来自于中可能存在的秘密信息；噪声产生的主要原因在于当视频中物体存在局部运动时，共谋操作将对相邻帧中描述运动物体的部分像素值做较大幅度的修改，甚至使得视觉效果发生改变，从而把新的噪声引入到中。此处记该类噪声为B，噪声成分B通常是非高斯分布的。可见，噪声是一种由高斯噪声和非高斯噪声B迭加成的双模混合噪声。双模噪声是一种简单混合噪声，从整体上说属于非高斯噪声，但其兼容了高斯噪声和非高斯噪声的一些特性。本文的视频隐写分析中考虑的双模噪声可表示为如下2类形式。1) 当秘密信息为噪声的主要成分时，可视为高斯过程加码间干扰过程，其概率密度为20 (3)绝对值的均值为2) 而当局部运动较剧烈，即时，模型1的概率密度函数可转化为如下形式20：(4)其中，为标准正态函数，为符号函数。此时噪声绝对值的均值为3 ICS框架的描述3.1 ICS框架的功能模块本节给出如图1所示的ICS隐写分析框架，该框架将利用视频序列在时间域上的相关特性挖掘相邻视频帧中有助于隐写分析的信息，对视频序列中隐含的秘密信息进行检测。由图1可见，应用ICS框架对视频序列实施隐写分析时，待测视频序列将依次通过运动分类、共谋攻击、分类判决等模块。图1 ICS隐写分析框架其中，运动分类模块将对视频序列中存在的运动类型进行判断。通常视频序列中可能的运动包括由摄像机运动产生的全局运动和由物体运动产生的局部运动，这些运动将造成相邻视频帧之间内容的差异。构造隐写分析方法时，需要首先判断存在的运动类型，以采取相应措施降低其对检测精度所带来的影响。当存在由摄像机移动所引发的全局运动时，ICS框架将通过常见的全局运动估计算法，根据误差函数估计运动模型（仿射模型、双线性模型和投影运动模型等）的参数对摄像机的运动实施估算，并将估算的结果传送到共谋攻击模块，全局运动对隐写分析的影响较容易消除。而当视频序列中存在前景物体的局部运动时，对该类运动实施精确估计将带来较大的运算代价，影响隐写分析的实时性。在ICS框架中不再估计视频的局部运动，而直接进行共谋攻击等后续的处理。共谋攻击模块的功能为获得序列中各视频帧的载体估计版本，并得到对应估计数据和实际数据的差值序列。该模块中，首先设定共谋窗口的大小，即确定参与共谋的相邻帧数量。如视频序列中存在全局运动，则按照全局估计模块得到的运动模型参数对相邻帧进行校准，然后应用如式(2)的线性共谋得到各视频帧的载体估计值，并获得其与实际视频帧的差值。分类判决模块将从各视频帧与其估计版本的差值数据中提取对信息嵌入敏感的统计特征，通过预先训练分类器，判断视频帧是否含有秘密信息，统计特征和判决准则将在后续小节中展开介绍。3.2 帧间特征的提取在分类判决模块提取视频帧间特征时，首先对各待检测的视频帧及其载体的估计进行均匀分块，并计算帧中的帧间分块和对应的帧中分块的相关系数。(5)其中，w和h分别为分块的宽度和高度，和为分块内各像素的均值。在ICS中，将预设分块间相关系数的门限T，并选取相关系数取值大于的分块组成序列参与分类特征的构造。门限的选取与序列中存在运动的剧烈程度有关，本文假设局部运动中前景运动物体内像素总个数占整个视频帧像素总数的1/2以下，因此可取帧内所有分块相关系数的中位数作为预设门限。ICS中的分类特征将从帧与的相关系数大于门限的分块差值序列中提取，分别计算各分块差值的峰度、熵和四分位点（25-percent）。峰度用来衡量序列分布的“形状”，定义为(6)其中，和代表分布的方差和均值。高斯分布的峰度较接近于3，其他分布由于形状的不同将会导致峰度的取值与3相差较大。熵用来衡量一个给定分布的“随机性”，定义为(7)其中，为差值序列分布的估计值。给定方差的情况下，高斯分布可得到最大熵值。待检测视频为载体视频情况下，差值序列中将存在较多的零值，因此从载密视频中计算得到的熵值应该比载体视频中计算得到的熵值要大。四分位点用来衡量给定分布的“扩散程度”。载密视频中差值序列的扩散程度将高于载体视频的情况。通过计算一个视频帧的各分块的峰度、熵和四分位点可得到相应3个序列，则这3个序列的均值和方差即为ICS中的分类特征：f11=mean(kurtosis)、f12=var(kurtosis)、f21=mean(entropy)、f22=var(entropy)、f31=mean(25-percent)、f32=var(25-percent)。3.3 基于分类算法的判决模块在ICS的判决模块主要基于模式识别方法构建分类器，以判定待检测的视频样本中是否含有秘密信息（如图2所示）。现有盲检测技术一般都分为训练和检测2个过程，ICS视频隐写分析中的判决模块对载密视频的识别可归纳为如下几个步骤。图2 ICS视频隐写分析中的分类判决原理ICS视频隐写分析中的分类判决算法。输入：训练视频样本集，检测视频样本集，特征提取策略，分类器。输出：判决结论。step1 选择数量多、类型广（包括新闻、风景、体育等类型）的视频序列样本构建用于分类器学习的载体视频样本库和具有不同信息嵌入容量的载密视频样本库；step2 对样本视频进行预处理，主要包括根据预先设定的共谋窗口大小对样本视频序列进行共谋攻击，以及根据预设分块大小对待检测视频帧和共谋视频帧进行分块，并计算对应分块的相关系数等；step3 特征提取，根据预设门限选取满足要求的视频帧分块，并计算被选取的样本视频各帧块与其对应共谋视频帧块之间的差值，从其中提取ICS算法所需的各个分类特征：f11、f12、f21、f22、f31、f32；step4 为所选用的分类器设置合适的参数；step5 训练分类器，从训练样本库中提取的分类特征作为已选定分类器的输入，实施训练，得到分类器的相关参数；step6 检测视频，将待测视频样本的特征向量作为已训练好的分类器的输入，进行分类，得到分类结果；step7 分类判决模块中分2步得到判决结论：将依据分类器对各视频帧是否含有秘密信息进行初步判定；基于已有结果将检测结果进行修正，即将已判定为载体视频帧的对应共谋窗口内各帧判定为载体帧（扩展策略），其他帧判定为可疑帧。4 ICS算法的性能分析4.1 帧间特征有效性分析视频序列一个非常重要的特征在于视频中的对象是运动的，图3为3段含局部运动的标准视频序列中的示例帧，其中自上而下3个视频序列分别为silent.avi、hall.avi和akiyo.avi。对象在运动过程中必然会出现遮挡暴露现象，从而引发运动区域像素值的变化。然而现有的视频隐写分析特征提取方法并没有考虑视频中的局部运动。因此在获得统计特征的过程中运动区域必然出现统计偏差，导致无法区分是由于运动变化引起的灰度变化还是信息嵌入引起的灰度变化，使得判断结果出现较高的虚警率。在ICS中，特征提取过程中考虑了视频中存在的局部运动。本文假设前景实体运动区域不超过整个视频帧面积的1/2时，运动形式为所考虑的局部运动。由前述分析知，NK中的2类成分分别为类高斯噪声和非高斯噪声，具有不同的分布形式，高斯噪声遍布整个视频帧，而非高斯噪声B只存在于视频帧的局部。在ICS隐写分析中将对待检测视频及其共谋版本实施分块，能够在一定程度上将2种类型的噪声成分分离。通过分析2.2节所定义的共谋攻击双模噪声对相关系数计算的影响，可知当视频中不存在剧烈的局部运动时，即第1类双模噪声的情况下，噪声的主要成分为嵌入的秘密信息；而当视频存在较剧烈的局部运动时，即第2类双模噪声的情况下，噪声的主要成分为噪声成分B。 第30帧 第40帧 第55帧 第135帧 第23帧 第113帧 第203帧 第283帧 第8帧 第26帧 第32帧 第284帧图3 含局部运动标准视频示例帧同时由假设A2可知，秘密信息M是零均值的，可得到。当双模噪声噪声存在时，视频帧分块和之间的协方差将变小而共谋帧中块的标准差将增大，从而导致相关系数的下降。ICS中通过设定门限值T，剔除相关系数较小的块使其不再参与特征计算。当隐写信息为降低相关系数的主要因素时，由于假设其为遍布整个视频帧的高斯噪声，仍能检测其存在性；而当局部运动导致的噪声成分B为降低相关系数的主要因素时，视频分块的去除能够降低其对隐写分析的影响，而增强对秘密信息存在性识别的敏感程度。4.2 共谋窗口大小的选取1) 共谋攻击性能分析文献15给出了在帧间相关系数服从一阶马尔可夫模型时，共谋攻击估计载体视频帧的性能分析。即共谋有效时有下式成立： (8)其中，为载体视频的方差，为嵌入信息的方差，为嵌入强度，为相邻帧的相关系数，为共谋窗口大小，。值得注意的是，文献15中假设样本视频序列满足相邻视频帧分布服从一阶马尔可夫模型，本文未给出该假设，当取时，由几何不等式能够推导出如式(8)的相同结果。式(8)反映了信息嵌入强度、视频帧方差、帧间相关系数、共谋窗口大小等因素与共谋攻击成功的关系，其可以转化为如下形式：(9)式(9)描述了不同共谋窗口大小下的嵌入强度上限的变化情况，该变化趋势的示意图可如图4所示。可见，在不同的帧间相关系数的情况下，共谋窗口半径时通过共谋攻击能够检测到较小信息嵌入强度的隐写信息，即此时的共谋攻击能力较强。图4 不同共谋半径情况下的嵌入强度上限2) 检测结果高虚警原因分析帧间共谋的使用能够利用视频帧邻域信息对载体帧信息进行估算，但同时使得载密帧所含有的秘密信息可能扩散到其邻近的不含密的载体帧中，从而造成判决结果虚警率的结构性偏高。如表1所示，以共谋窗口半径时为例，分析当前帧和共谋帧含秘密信息的情况对判决结果造成的影响，以说明帧间共谋带来较高虚警率的原因。表1共谋视频帧含密情况举例12345678实际情况Xn-1无有有无无有无有Xn无无无无有有有有Xn+1无有无有无无有有共谋结果无有有有无有有有判决结论Xn载体载密载密载密载密载密载密载密从表1中可以看出，当第1种情况时，即帧Xn-1、Xn和Xn+1都不含秘密信息时，共谋得到的帧显然也不含有秘密信息，当比较Xn和时，差别接近0，因而在该种情况下通过提取隐写分析算法所选定的特征统计量，可正确地判定帧Xn中不含信息。而在剩余的7种情况中，由于通过比较Xn和可能发现差异较大，因而有较大可能会判定当前视频序列中含有秘密信息。当对秘密信息存在性的检测结果精确到帧级别时，在第2、3、4种情况下，Xn中虽不含秘密信息仍会以较大可能被判别为载密视频，从而显著增大了检测结果的虚警率。如3.3节对分类判决模块的描述可知，ICS在判决模块产生判决结果时分2步判断视频帧Xk的含密情况，从而在一定程度上达到了降低基于共谋攻击隐写分析的虚警率的目的。以表1情况为例子进行说明。为表述方便，为表1的8种情况分别编码，帧中含密情况记为1，不含密情况记为0。则按照Xn-1、Xn和Xn+1的顺序可编码为000，101，100，111。当分类器匹配到000后，将会判决当前帧不含信息，ICS的扩展策略将根据相邻帧已被判定不含密的事实，设置此种情况下当前帧的邻域各帧为不含秘密信息帧，从而使得100和001这2种情况的当前帧获得符合实际情况的判决结果。命题2 （扩展策略对降低虚警率的作用）设共谋窗口长度为n，则应用扩展策略可使分类判决虚警率降低(n-1)(2n-1)/(n22n)。证明 记共谋窗口大小为n，对窗口中各帧含密的所有可能情况编码Ci，|Ci|=n，其中，i=1,2n。不失一般性，对应信息随机嵌入到视频序列的情况，假设某编码Ci的中心位置值取0，则当Ci为n长的全零编码时，可正确判决当前帧不含秘密信息，显然其概率为1/2n。在不应用扩展策略时，共谋窗口滑动n帧过程中，编码Ci非全零的概率为1-1/2n，对应的虚警概率增加值为(n-1)/n。应用扩展策略后，可正确识别载体视频帧，即可将虚警概率降低(2n-1)/2n)(n-1)/n)/2n，即(n-1)(2n-1)/(n22n)。可见，当取n=3的共谋窗口时，虚警率降低的效率达到最佳情况。综上，由1)和2)这2方面的分析可知，在ICS视频隐写分析中，共谋窗口取n=3时，能够得到较优的检测结果。5 实验结果本节实验将验证ICS框架中分类判决可疑视频帧时，特征选取策略对含局部运动视频序列的有效性。实验对象为336个avi格式的监控录像视频帧序列，各序列长度均为500frame，分别取自8段摄像头实际拍摄的avi格式的监控录像，具有静止的背景和局部运动的前景物体。对于待检测视频序列，对其中存在的运动类型进行分析，对局部运动实施估计，得到如图5所示的运动估计结果。根据运动物体大小确定对视频帧平均分块的规模。如图6所示，将该待检测视频帧(a) 监控视频序列sample1.avi的第45帧(b) 监控视频序列sample3.avi的第604帧图5 视频局部运动块检测示意图(a)监控视频序列sample2.avi的分块(b) 局部运动块去除图6 视频帧分块策略和局部运动块去除的示意图分为8864个图像块，计算待检测视频帧及其共谋版本对应分块的相关系数。由于假定局部运动的物体所占图幅大小与整帧面积比是小于1/2的，因此本实验中可选定所有64个分块相关系数数值的中位数作为门限T。相关系数小于门限T的分块将不再参与分类特征f11、f12、f21、f22、f31、f32的计算。实验中，应用LSB随机隐写和SS扩频隐写在336个视频中分别嵌入25%、50%、75%和100%的秘密信息。应用n=3的共谋窗口分别对各视频序列实施共谋攻击，并训练广义回归神经网络(GRNN, generalized regression neural network)分类器（扩散因子设为1.20）实施载密视频和载体视频的分类，得到的检测正确率均值与文献15中方法的比较结果如表2所示。从结果可以看到，ICS方法判断可疑视频帧时的正确率和虚警率都优于文献15中的方法。表2 不同嵌入比率载密视频序列的检测正确率比较嵌入比率嵌入方法文献15方法ICS正确率虚警率正确率虚警率1.00LSB0.9050.958SS0.8780.9550.75LSB0.8660.1810.9470.075SS0.8340.1170.9390.0660.50LSB0.7940.3290.9320.117SS0.7280.3100.9100.1030.25LSB0.7870.2880.9120.122SS0.7150.2320.9080.1200.00LSB0.8630.1370.9710.029SS0.8200.1800.8570.143对336段视频按20%、40%、60%、80%的比率随机选取视频帧嵌入类高斯分布的秘密信息，载密帧的单帧容量从25%、50%、75%和0中随机选取，应用n=3,5,7的共谋窗口分别对各视频序列实施共谋攻击，检测得到的平均正确率和平均虚警率情况如表3所示，当n=3时的检测效果较好。6 结束语对视频隐写分析技术的研究目前尚处于起步阶段，由于数字视频个体形态差异巨大，如何寻找合适的敏感统计量更好地表征秘密信息的嵌入，以及可行的压缩视频隐写分析特征构造等都需要进一步的深入研究。ICS框架通过分块提取帧间相关表3混合嵌入容量的检测结果均值单帧容量共谋窗口n帧嵌入比率0.800.600.400.20正确率虚警率正确率虚警率正确率虚警率正确率虚警率0.7530.9790.0820.9400.1770.9200.1850.9130.08950.9660.0970.9110.1800.9150.1840.9020.08370.9510.0880.9090.1440.9200.1790.8990.0750.2530.8800.0620.8450.1370.8900.1110.8150.06350.8770.0570.8380.1340.8820.1150.8080.06270.8450.0600.8030.1120.8560.0930.7850.0540.0030.9710.0290.9710.0290.9710.0290.9710.02950.8930.1070.8930.1070.8930.1070.8930.10770.8500.1500.8500.1500.8500.1500.8500.150特征的方法，消除视频内容中局部运动对隐写分析的干扰，能够有效对海量视频资源实施快速检测，为视频隐写分析算法的实用化提供了新的途径。参考文献：1马华东, 陶丹.多媒体传感器网络及其研究进展J. 软件学报.2006, 17(9): 2012-2028.MA H D, TAO D. Multimedia sensor network and research progressesJ. Journal of Software, 2006, 17(9):2012-2028.2JAINSKY J, KUNDUR D, HALVERSON D. Towards digital video steganalysis using asymptotic memoryless detectionA. Proc of 9th ACM Workshop on Multimedia & SecurityC. 2007.3HARTUNG F, GIROD B. Watermarking of uncompressed and compressed video J. Signal Processing, Special Issue on Copyright Protection and Access Control for Multimedia Services, 1998, 66(3): 283-301.4LANGELAAR G, LAGENDIJK R. Optimal differential energy watermarking of DCT encoded images and videoJ. IEEE Transactions on Image Processing, 2001, 10(1):148-158.5YE D, ZOU C, DAI Y, et al. New adaptive watermarking for real-time MPEG videos J. Applied Mathematics and Computation, 2007,185: 907-918.6SARKAR A, MADHOW U, CHANDRASEKARAN S, et al. Adaptive MPEG-2 video data hiding schemeA. Proc of SPIE Security, Steganography, and Watermarking of Multimedia Contents IXC. 2007. 7LING H, LU Z, ZOU F. New real-time watermarking algorithm for compressed video in VLC domainA. Proc of International Conference on Image Processing 2004C. 2004. 2171-2174.8LU C, CHEN J, FAN K. Real-time frame-dependent video watermarking in VLC domainJ. Signal Processing: Image Communication, 2005, 20: 624-642.9PROVOS N, HONEYMAN P. Detecting steganographic content on the InternetA. Proc of Internet Society Network and Distributed System Security SymposiumC. 2002. 209-221.10FRIDRICH J, GOLJAN M. Practical steganalysis of digital images-state of the artA. Proc of SPIE: Security and Watermarking of Multimedia Contents IVC. 2002. 1-13.11DUMITRESCU S, WU X, WANG Z. Detection of LSB steganography via sample pair analysisJ. IEEE Transactions on Signal Processing, 2003, 51(7): 1995-2007.12张涛, 平西建. 基于差分直方图实现LSB信息伪装的可靠检测 J. 软件学报, 2004, 15(1):151-158.ZHANG T, PING X J. Reliable detection of spatial LSB steganography based on difference histogramJ. Journal of Software, 2004, 15(1):151-158.13KER A. Steganalysis of embedding in two least-significant bitsJ. IEEE Transactions on Information Forensics and Security, 2007, 2(1): 46-54.14AVCIBAS I, MEMON N, SANKUR B. Steganalysis using image quality metricsJ. IEEE Transactions on Image processing, 2003, 12(2):221-229.15BUDHIA U KUNDUR D, ZOURNTOS T. Digital video steganalysis exploiting statistical visibility in the temporal domainJ. IEEE Transactions on Information Forensics and Security, 2006, 1(4):502-516.16LYU S, FARID H. Steganalysis using higher-order image statisticsJ. IEEE Transactions on Information Forensics and Security, 2006, 1(1): 111-119.17HARMSEN J, PEARLMAN W. Steganalysis of additive noise modelable information hidingA. Proc of SPIE: Security, Steganography, and Watermarking of Multimedia Contents V 5020C. 2003. 131-142.18XUAN G, SHI Y, GAO J. Steganalysis based on multiple features formed by statistical moments of wavelet characteristic functionsA. Proceedings of 7th International Information Hiding Workshop. Barcelona Spain: LNCS 3727C. 2005. 262-277.19DOERR G, DUGELAY J. Security pitfalls of frame-by-frame approaches to video watermarkingJ. IEEE Transactions on Signal Processing, （下转第59页）