基于新型嵌入代價的運動向量域視頻隱寫方法
【專利摘要】本發(fā)明涉及一種基于新型嵌入代價的運動向量域視頻隱寫方法。該方法中的新型嵌入代價構造方法，充分考慮了運動向量改動對視頻內容的運動特性、運動向量的局部最優(yōu)性以及運動向量統計分布的影響，并使用權重參數動態(tài)調整三種代價在新型代價中的分配比重。該方法在選擇可替換運動向量時，采用了自適應選擇策略，可有效保持運動向量的局部最優(yōu)性，尤其是在高碼率的情況下，與現有隱寫方法相比可獲得更高的安全性。該方法可有效抵抗基于局部最優(yōu)性的隱寫分析方法、基于重壓縮的隱寫分析方法等多種隱寫分析。
【專利說明】
基于新型嵌入代價的運動向量域視頻隱寫方法
技術領域
[0001]本發(fā)明設及視頻隱寫（Steganograhpy )，尤其設及一種基于運動向量的新型嵌入 代價構造方法，W及應用該新型嵌入代價的自適應視頻隱寫方法，該方法屬于信息安全技 術領域中的信息隱藏子領域。
【背景技術】
[0002] 隱寫作為信息隱藏領域的重要分支，可通過將秘密消息嵌入到多媒體文件（如數 字圖像、音頻、視頻、文本等）中達到隱蔽通信的目的。隱寫前后的多媒體文件在視覺及統計 特性上是不可區(qū)分的，因而不會引起攻擊者的懷疑。隨著先進視頻壓縮技術和計算機網絡 技術的快速發(fā)展，數字視頻成為了多媒體應用中最具影響力的文件之一。由于數據量豐富 及應用普遍等優(yōu)點，數字視頻可作為秘密消息傳輸的理想媒介。
[0003] 運動向量(Motion Vector,MV)是壓縮視頻的特有參數，基于運動向量的視頻隱寫 方法通過修改運動向量將秘密消息嵌入到壓縮視頻中，目前在運動向量域已提出了一系列 的隱寫算法。最早的算法通過預設的篩選規(guī)則選擇運動向量子集，然后使用簡單的最低有 效位化east Signif i cant Bit，LSB)替換算法修改運動向量嵌入消息。如Kutter (F.Jordan,!.Kutter,and T.Ebrahimi.Proposal of a watermarking technique for hiding date in compressed 曰nd decompressed video,ISO/IEC Doc,JTC1/SC29/QWG11, Tech.Rep.M2281,Jul.1997.)，Xu(C.Xu,X.Ping,and T . Zhang .Steganography in compressed video stream,Proc. 1st Int.Conf.Innov Comput.Inf. Control,vol. I, pp.269-272,Sep.2006.)，Aly(H.Aly, ('Data hiding in motion vectors of compressed video based on their associated prediction error,"IEEE Trans .Inf. Forensics Security. ,vol .6,no. I ,pp. 14-18,Ma;r. 2011.)等提出的方法。近幾年，通過將成熟的編碼 技術例如濕紙碼(恥1化9日；1"〔0(1日3，胖?〔3)、51'〔碼（57]1化0111日-付日1118〇0(1日3,51'〔3)等應用 到視頻隱寫，實現了代價函數作用下的自適應隱寫方法，如Ca〇i(Y. Cao，X. Zhao，D. Feng， and R.Sheng.Video steganography with perturbed motion estimation,Proc.13th Int.Conf.IH,VO I.6958,no.I,pp.193-207,2011.)、Yao(Y.Yao,W.Zhang,N.Yu, and X. Zhao .Def ining embedding distortion for motion vector-based video steganography .Multimedia Tools and Applications,74(24): 11163-11186,2014.)等提 出的方法。針對基于運動向量的隱寫，目前最為有效的分析方法是Ren(Y. Ren，L. Zhai， L.Wang,and T.Zhu.Video steganalysis based on subtractive probability of optimal matching feature. In Proceedings of the 2Nd ACM Workshop on Information Hiding and Multimedia Security,IH&MMSec'14,pages 83-90,New York, NY,USA,2014.ACM.)、Wang(K.Wang,H.Zhao,and H.Wang.Video steganalysis against motion vector-b曰sed steg曰nogr曰phy by 曰dding or subtracting one motion vector value. Information Forensics and Security, IEEE Transactions on,9(5):741-751, May 20 14 .)提出的基于局部最優(yōu)性的視頻隱寫分析方法。Zhang (H . Zhang，Y . and X. Zhao.Motion vector-based video steganography with preserved local optimality.Multimedia Tools and Applications,pages 1-17，2015.)、Ca〇2(Y.Cao， H.Zhang ,X. Zhao , and H.Yu.Video steganography based on optimized motion estimation perturbation.In Proceedings of the ACM Workshop on Information Hiding and Multimedia Security，IH&MMSec'15，pages 25-31,New York,NY,USA, 2015.ACM.)提出的方法可成功抵抗基于運動向量局部最優(yōu)性的隱寫分析。
[0004] 盡管現有的視頻隱寫方法都嘗試提出有效的代價函數并采用隱寫碼最小化嵌入 代價，但W上方法都無法保證較高的安全性。其具體原因為，上述的隱寫方法都是為抵抗某 種隱寫分析方法而設計的專用隱寫算法，因此當使用其他隱寫分析方法檢測時，其安全性 將急劇下降。例如化〇1的算法和Yao的隱寫方法無法抵抗基于局部最優(yōu)性的隱寫分析方法， 而Zhang和化O2的隱寫方法很有可能被基于校準的隱寫分析方法成功檢測。此外，大多數的 代價函數都是根據隱寫操作對單一視頻特性的影響定義的，由于嚴重依賴于選擇的壓縮視 頻，現有的代價定義對豐富多樣的視頻并非是通用的。因此，通過從多個角度考慮嵌入對視 頻的影響，提出一種新型的運動向量域嵌入代價的構造方法，對自適應視頻隱寫具有重要 意義。

【發(fā)明內容】

[0005] 本發(fā)明的目的是提出一種基于運動向量隱寫的新型嵌入代價構造方法，W及應用 該方法的自適應視頻隱寫方法。該嵌入代價構造方法充分考慮了運動向量改動對視頻內容 的運動特性、運動向量的局部最優(yōu)性W及運動向量統計分布的影響，并使用權重參數動態(tài) 調整=種代價在新型代價中的分配比重。使用本發(fā)明提出的新型代價構造方法進行隱寫， 可成功抵抗多種隱寫分析方法的檢測。
[0006] 在圖像隱寫中，秘密消息傾向于嵌入到紋理復雜區(qū)域。同理可得，在視頻隱寫中， 對運動豐富區(qū)域的運動向量進行改動不易引起隱寫分析者的懷疑。因此，對于給定宏塊 (Macroblock，MB)，其運動越劇烈則對應的運動向量更適合用來進行隱寫。作為運動預測的 結果，運動向量代表了當前宏塊與其預測宏塊之間的偏移。因此，運動向量可W在一定程度 上表示當前宏塊的運動。此外，若宏塊屬于靜態(tài)背景，其與相鄰宏塊之間的量化參數 (如antization Parameter,QP)差值較小。因此，可根據宏塊間的量化參數差值判定宏塊屬 于靜態(tài)背景或前景物體?；赪上原理，本發(fā)明給出了"基于運動特性的代價(Motion Characteristic Based Disto;rtion，MCDr的定義。對于位于第t帖中（i J)位置的宏塊，其 對應的運動向量用mvi, j, t表示，mvi, j, t的基于運動特性的代價被定義為：
[0007]
[000引
[0009] 其中，是宏塊的對應運動向量，|MVi,j,t|是運動向量的幅值，I AQPi,j,t 是量化參數差值的絕對值。若當前宏塊的運動向量幅值或量化參數差值較大，則表示該宏 塊還有豐富運動，更適合用于隱寫。
[0010] 作為運動向量的固有特性，局部最優(yōu)性已被用于基于運動向量的隱寫分析方法。 從原始視頻提取的運動向量是局部最優(yōu)的，當對運動向量進行改動時，該特性將會被破壞。 為了保持運動向量的局部最優(yōu)性，需構造可替換運動向量（Substitutab 1 e MV，SMV)的集 合，即該集合中的各運動向量都是局部最優(yōu)的。在本發(fā)明中，使用兩種方法構造可替換運動 向量集:一種利用有損壓縮中的失真信息進行構造，由于解碼端得到的殘差通常不同于編 碼端的殘差信息，因此可利用兩者間的差異尋找可用的可替換運動向量；另一種方法通過 擾動運動預測過程，在給定的捜索區(qū)域內尋找可替換運動向量。因此，運動向量mvi, j, t"基于 局部最優(yōu)性的代價化ocal Optimality Based Disto;rtion，LOD)"被定義為：
[0011]
[0012]其中nmvi,j,t是利用壓縮失真得到的可替換運動向量，Kn表示nmvi,j,t的個數， 畑1￥：1^,1；是通過干擾運動預測得到的可替換運動向量，1(。表示畑1￥：1^,1；的個數。1111巾=3曰(^+入《 Rmv,是率失真優(yōu)化(Rate Distodion化timized，畑0)模型的拉格朗日代價函數，A是拉格 朗日參數，Rmv表示編碼運動向量的比特數，sadmv表示當前宏塊與運動向量mv指向的參考宏 塊間的殘差絕對值之和。上述代價構造方法分別基于率失真模型計算了使用兩種可替換運 動向量構造方法的嵌入代價，該方法可在兩種可替換運動向量構造方法中自適應選擇較優(yōu) 的方法構造可替換運動向量集。因此，可為每個運動向量選擇可替換運動向量，替換后運動 向量仍具有局部最優(yōu)性，可抵抗基于局部最優(yōu)性的隱寫分析。
[0013]由于運動向量可表示視頻內容的運動信息，因此運動向量間存在較強的相關性， 同一帖中的運動向量間存在空間相關性，相鄰帖間同一位置的運動向量存在時間相關性。 對運動向量的改動會導致對空間時間相關性的改動，因此為提高隱寫的安全性，應定義"基 于統計分布的代價（Sl:atistical Distribution Based Disto;rtion，SDD)"。
[0014]在本發(fā)明中，運動向量m V i, j, t的"基于統計分布的代價（S t a t i S t i C a I Distribution Based Distortion,S孤y'被定義為：
[0015]
[0016]
[0017] 其中MVt是原始運動向量集，康示從隱寫視頻第t帖得到的運動向量集，原始運 動向量被t域中的運動向量my/ i,j,t替換，m/ i,j,t是可替換運動向量。d表示運動向 量水平或垂直分量的二階差值，/ e 一.T.A、巧表示該統計分布在時間和空間上的計算 的不同方向，貸/'表示基于運動向量水平或垂直分量的統計分布，MVXt、MVYt分別表示原始運 動向量的水平分量集和垂直分量集，MVX\、MVY/t分別表示改動后的運動向量的水平分量集 和垂直分量集。
[0018] 由于可W通過獨立改動引入的非負加性代價度量嵌入影響，運動向量的總 體代價可通過下列方式計算得到
[0019]

[0020] 其中H和W分別表示視頻帖中縱向和橫向的宏塊個數，MVt是原始運動向量集，MV^t 是改動運動向量集。變量巫i, /i, t表示運動向量mvi, j, t的代價函數，其計算方法如下
[0021]
[0022]
[0023]
[0024]
[00 巧]其中 WMCDi, j,t、WL0Di,j, t、WSDDi,j,t 分別是 MCDi, j,t、L0Di,j, t、SDDi,j,t 的權重代價。 解)。,,和,為較小的正數常景，用于保證代價為正數。參數屬/rn .、Aoo、屬W .用于動態(tài) 分配=種代價函數的權重
其 中K是可替換運動向量的個數，巧f (MK)是統計分布差值。
[0026] 本發(fā)明所采用的技術方案主要包括W下步驟(如無特殊說明，W下步驟均由計算 機和電子設備的軟硬件執(zhí)行）：
[0027] (1)嵌入代價定義。對于每個視頻帖，若其是I帖，則該視頻帖中無運動向量信息， 對其進行正常編碼;若其不是I帖，則在運動預測過程中獲取其運動向量矩陣和預測殘差矩 陣。對于視頻帖中的各宏塊，使用上述的計算方法計算其代價
[0028] (2)消息嵌入。根據消息長度和視頻帖數計算嵌入率，輸入步驟（1)計算的代價和 原始運動向量，使用± 1雙層STCs(Syn化ome-trellis Codes)碼或其他隱寫碼進行嵌入。嵌 入完成后得到改動的運動向量，使用改動后的運動向量進行視頻編碼。
[0029] (3)消息提取。解碼視頻帖獲取運動向量矩陣。使用STCs(Syndrome-trellis Codes)或其他隱寫碼解碼提取二進制消息序列。
[0030] 本發(fā)明的新型嵌入代價構造方法對視頻隱寫領域的有益效果為有效提高了現有 基于運動向量視頻隱寫的安全性，具體包括：
[0031] (1)本發(fā)明方法在抵抗多種隱寫分析方法檢測時，均能保持較高的安全性。本發(fā)明 定義的代價綜合考慮了視頻的運動特性、運動向量的局部最優(yōu)性和統計分布，并且使用控 制參數動態(tài)分配=種代價的權重。因此，本方法可有效抵抗基于局部最優(yōu)性的隱寫分析方 法、基于重壓縮的隱寫分析方法等多種隱寫分析。
[0032] (2)使用本發(fā)明方法對不同碼率的視頻進行隱寫時，均能保持較高的安全性。本發(fā) 明方法在選擇可替換運動向量時，采用了自適應選擇策略。該策略可有效保持運動向量的 局部最優(yōu)性，尤其是在高碼率的情況下，與現有隱寫方法相比可獲得更高的安全性。
【附圖說明】
[0033] 圖1是基于新型嵌入代價的運動向量域視頻隱寫流程圖；
[0034] 圖2是視頻帖的運動向量和量化參數信息示意圖；
[0035] 圖3是利用有損壓縮構造可替換運動向量集的示意圖；
[0036] 圖4是利用運動捜索構造可替換運動向量集的示意圖；
[0037] 圖5是運動向量空間相關性示意圖；
[0038] 圖6是運動向量時間相關性示意圖；
[0039] 圖7是使用AoSO隱寫分析方法檢測的ROC曲線圖；
[0040] 圖8是使用MVRBR隱寫分析方法檢測的ROC曲線圖。
【具體實施方式】
[0041] 下面結合附圖和具體實施例對本發(fā)明方法作進一步描述。
[0042] 本實施例是在H.264/AVC視頻編碼標準下對壓縮視頻流實現基于運動向量的隱 寫，其僅僅是本發(fā)明提出的新型嵌入代價構造方法在H.264/AVC標準中的應用，可W充分說 明該方法的效果。但本發(fā)明提出的是一個通用的方法，除本實施例之外，該方法可應用于其 他視頻壓縮標準下基于運動向量的隱寫。故基于本發(fā)明方法提出的其他實施例，都屬于本 發(fā)明的保護范圍。
[0043] 圖1為基于新型嵌入代價的運動向量域視頻隱寫流程圖，其方法主要包括W下步 驟：
[0044] (1)定義嵌入代價。對長度為N的視頻中的每帖Ft,若該帖是I帖，則正常編碼;若該 帖不是I帖，則通過視頻編碼的運動預測過程，獲取運動向量矩陣MVt和預測殘差矩陣Et。對 視頻帖中的各宏塊MBiJ,使用下列方法計算其代價
[0045] a)計算基于運動特性的代價。圖2為H.264視頻流"Snatch.264"中視頻帖中運動向 量和量化參數信息，其中（a)圖為H. 264視頻帖，（b)圖為運動向量和量化參數信息，線段表 示運動向量的幅值和方向，宏塊灰度表示量化參數值的大小。由此可見運動向量幅值和量 化參數差值均能表示宏塊的運動，基于W上原理，可求得MCDi,j,t。
[0046] b)計算基于局部最優(yōu)性的代價。在局部最優(yōu)性保持的方法里，重點和難點是構造 可替換運動向量集。本發(fā)明方法提出了兩種構造方法并使用自適應選擇策略在兩種方法中 進行選擇。一種構造方法是利用視頻有損壓縮過程中的信息失真進行隱寫。圖3分別顯示了 運動向量的鄰居殘差絕對值之和（SAD，Sum of Absolute Difference)矩陣W及其可 替換運動向量nmvi, j, t在編解碼端的情況，在該情況下存在能保持運動向量的局部最 優(yōu)性。因此，該方法中運動向量mvi, j, t的可替換運動向量集構造方法如下：
[0047]
[004引
[0049]
[0050] 其中，SMV(mvi,j,t)是可替換運動向量集，Kn是的可替換運動向量的個數， 化i曲borsi,j,t是的鄰居區(qū)域，，表示解碼端得到的當前宏塊與指向的參考 宏塊間的殘差絕對值之和：
。 ?'V
[0051] 另外一種方法是通過擾動運動預測過程選擇指定運動捜索區(qū)域內的可替換運動 向量。如圖4所示，該方法中運動向量mvi, j, t的可替換運動向量集構造方法如下：
[0化2]
[0化3]
[0化4]
[0055] 其中是Kc的可替換運動向量的個數，SearcMreai, j,t是宏塊MBi, j,t在參考帖 中的指定捜索區(qū)域，是解碼端得到的當前宏塊與CW乂y指向的參考宏塊間的殘差絕 對值之和。在本發(fā)明中，使用LODi,公式中的自適應的選擇策略選擇可替換運動向量，基于 該策略可計算保證在高碼率下仍能保持局部最優(yōu)性。根據W上原理，可計算其基于局部最 優(yōu)性的代價LO化,j,t。
[0056] C)計算基于統計分布的代價。運動向量的統計特性包括在同一帖中的空間相關性 W及相鄰視頻帖間的時間相關性。W運動向量的水平分量為例，如圖5所示，其空間相關性 下的統計分布為
[0化7]
[005引其中，f € {一，下，八\巧示在空間內的四個方向，▽荀.,WFX,)是在不同方向上計 算的二階差值。如圖6所示，其時間相關性下的統計分布為
[0化9]
[0060] 巧日W分別表示視頻帖的高和寬中 的宏塊個數。因此，基于上述特性可算得基于統計分布的代價S孤
[0061] d)計算新型嵌入代價?；诓襟Ea)、b)、c)算得的=種代價，動態(tài)分配其權重參數， 計算各運動向量的嵌入代價。
[0062] (2)嵌入秘密消息。若二進制消息序列長度為1，視頻帖中的P帖數為Np,則載體的 長度為n = HXWXNpX2,通過每個運動向量的平均嵌入比特數(bits per motion vector, bpmv)度量隱寫嵌入率，且嵌入率為r = l/n。嵌入的第一層信道為運動向量水平和垂直分量 之和的LSB位，第二層信道為次LSB位，使用±lSTCs(SyrKlrome-trellis Codes)隱寫碼進行 隱寫。嵌入完成后得到改動后的運動向量矩陣使用改動后的運動向量編碼視頻帖，得 到嵌入消息后的壓縮視頻流。
[0063] (3)提取秘密消息。在接收端解碼壓縮視頻得到運動向量矩陣使用STCs (Syn化ome-trellis Codes)解碼提取二進制消息序列。
[0064] 本實施例使用基于H.264/AVC標準的X264編解碼器對視頻進行編解碼操作，視頻 庫由30個標準的YUV4: 2:0視頻序列構成，視頻為CIF格式(分辨率為352 X 288)，長度為150 帖到300帖變化不等。在本實驗中，使用30巧S進行視頻編碼。為了檢驗本發(fā)明方法在不同情 況下的隱寫效果，本實驗對不同碼率(包括500kbps、1000化ps、3000kbps、10000kbps)的視 頻集進行隱寫，隱寫時分別使用了0.25bpmv和0 . f5bpmv兩種不同的嵌入率（embedding rate，邸）。此外，本實驗將該隱寫方法與化O2和化O的隱寫方法效果進行對比。
[0065] 為了測試本發(fā)明方法的安全性，本實驗使用AoSO和MVRB郎急寫分析方法對隱寫的 視頻進行分析，特征提取的帖組長度為12帖，使用60%的視頻序列對LibSVM分類器進行訓 練，剩余的序列進行檢測，通過對真陽性率和真陰性率求均值可得到平均檢測率。
[0066] 表1.使用AoSO隱寫分析的檢測率（％ ) ^pr\z. ~7l
[006引表1為使用AoSO視頻分析算法檢測得到的檢測率，其對應的ROCUeceiver 化eration化aracteristic)曲線圖如圖7所示。通過對比發(fā)現，在S種隱寫方法中，由于未 保持運動向量的局部最優(yōu)性，Yao的方法在所有情況下安全性均最差。Cao2的方法在低碼率 (500化PS和1000化PS)的情況下表現較好，但隨著碼率升高其安全性急速下降。本發(fā)明提出 的方法在所有碼率的情況下均能保持較好的安全性。
[0069] 表2.使用MVRB郎急寫分析的檢測率（％ )
[0070]
[0071 ]當使用MVRB郎急寫分析方法進行檢測時，得到的檢測率如表2所示。其對應的ROC曲 線圖如圖8所示，Cao2的方法在=種方法中表現最差，Yao的方法安全性優(yōu)于化〇2的方法。本 發(fā)明的隱寫方法表現在各種情況下均保持了較高的安全性。
[0072] 由W上【具體實施方式】中的實施例可知，本發(fā)明新型嵌入代價構造方法可W有效提 高基于運動向量隱寫算法的安全性。對不同碼率的視頻進行隱寫W及采用多種隱寫分析方 法對隱寫視頻進行檢測時，均能保持較低的檢測率，充分保證了視頻隱寫的安全性。
[0073] W上實施例僅用W說明本發(fā)明的技術方案而非對其進行限制，本領域的普通技術 人員可W對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明的精神和范圍，本 發(fā)明的保護范圍應W權利要求書所述為準。
【主權項】
1. 一種基于運動向量隱寫的嵌入代價構造方法，其特征在于，包括W下步驟： 1) 利用宏塊的運動向量和宏塊間的量化參數差值，計算運動向量的基于運動特性的代 價； 2) 通過構造可替換運動向量集保持改動后的運動向量的局部最優(yōu)性，并計算基于局部 最優(yōu)性的代價； 3) 利用運動向量的統計特性計算基于統計分布的代價，所述統計特性包括在同一視頻 帖中的空間相關性W及相鄰視頻帖間的時間相關性； 4) 根據基于運動特性的代價、基于局部最優(yōu)性的代價和基于統計分布的代價，計算運 動向量的總體代價，并使用權重參數動態(tài)分配Ξ種代價的權重。2. 如權利要求1所述的方法，其特征在于，步驟1)中，對于位于第t帖中（i，j)位置的宏 塊，其對應的運動向量用表示，的基于運動特性的代價定義為：其中，是宏塊的對應運動向量，|MVi,j,t|是運動向量的幅值，I AQPi,j,t|是 量化參數差值的絕對值。3. 如權利要求1所述的方法，其特征在于，步驟2)所述可替換運動向量集使用兩種方法 構造:一種是利用有損壓縮中的失真信息進行構造，另一種是通過擾動運動預測過程，在給 定的捜索區(qū)域內尋找可替換運動向量;在兩種構造方法中自適應選擇較優(yōu)的可替換運動向 量構造方法，保證改動后運動向量的局部最優(yōu)性。4. 如權利要求3所述的方法，其特征在于，步驟2)中運動向量的基于局部最優(yōu)性 的代價定義為：其中，nmvi, j, t是利用壓縮失真得到的可替換運動向量，Κη表示nmvi, j, t的個數，cmvi, j, t是 通過干擾運動預測得到的可替換運動向量，Kg表示cmvi, j, t的個數;Jmv= sadmv+λ · Rmv，是率 失真優(yōu)化模型的拉格朗日代價函數，λ是拉格朗日參數，Rmv表示編碼運動向量的比特數， sadmv表示當前宏塊與運動向量mv指向的參考宏塊間的殘差絕對值之和。5. 如權利要求1所述的方法，其特征在于，步驟3)中運動向量的基于統計分布的 代價定義為：其中，MVt是原始運動向量集，表示從隱寫視頻第t帖得到的運動向量域，原始運動 向量被t域中改動的運動向量m/ i,j,t替換，my/ i,j,t是可替換運動向量;d表示運動 向量水平或垂直分量的二階差值，/ € {^，下，戶，\，巧表示該統計在時間和空間上的實施的 不同方向，//,'表示基于運動向量水平或垂直分量的統計分布，MVXt、MVYt分別表示原始運動 向量的水平分量集和垂直分量集，MVX\、MVY/1分別表示改動后的運動向量的水平分量集和 垂直分量集。6. 如權利要求4所述的方法，其特征在于，步驟4)中運動向量mvi, j, t的總體代價通過下 式計算得到：其中，Η和W分別表示視頻帖的高和寬中的宏塊個數，MVt是原始運動向量集，MV/1是改動 運動向量集;變量Φ i, j, t表示運動向量mvi, j, t的代價函數，其計算方法如下： &i,j,t(mvi,j,t，mv'i,j,t)=WMCDi,j,t.WLODi,j,t.WSDDi,j,t，其中，WMCDi, j, t、WLODi, j, t、WS孤i, j, t分別是MCDi, j, t、LODi, j, t、SDDi J, t的權重代價；嗎噸井 和為較小的正數常量，用于保證代價為正數；參數A/巧,,、Λοο, ,、用于動態(tài) 分配Ξ種代價函數的權重岸 中K是可替換運動向量的個數，巧林巧)是統計分布差值。7. -種視頻隱寫方法，其特征在于，包括W下步驟： 1) 對于每個視頻帖，若其是I帖，則對其正常編碼;若其不是I帖，則在運動預測過程中 獲取其運動向量矩陣和預測殘差矩陣;對于視頻帖中的各宏塊，使用權利要求1~6中任一 權利要求所述的方法計算運動向量的嵌入代價； 2) 根據消息長度和視頻帖數計算嵌入率，輸入步驟1)計算的代價和原始運動向量，然 后使用隱寫碼嵌入秘密消息，嵌入完成后得到改動的運動向量，使用改動后的運動向量進 行視頻編碼，得到嵌入秘密消息后的壓縮視頻流。8. 如權利要求7所述的方法，其特征在于:在提取秘密消息時，使用隱寫碼解碼壓縮視 頻得到運動向量矩陣，然后提取二進制消息序列。
【文檔編號】H04N19/467GK105979269SQ201610390552
【公開日】2016年9月28日
【申請日】2016年6月3日
【發(fā)明人】王培培, 曹紜, 趙險峰
【申請人】中國科學院信息工程研究所