-
公开(公告)号：CN118555407A
公开(公告)日：2024-08-27
申请号：CN202410761330.6
申请日：2024-06-13
Applicant: 中国科学院信息工程研究所
IPC: H04N19/503 , H04N19/593 , H04N19/467
Abstract: 本发明涉及一种基于视点间帧间预测模式扰动检测的立体视频隐写分析方法和装置。该方法包括：将待测H.264/AVC压缩立体视频划分成若干个帧组，每个帧组由左右视点均为B帧或均为P帧的N对视频帧组成，任意满足条件的视频帧属于且仅属于某个帧组；对所有帧组进行立体视频隐写分析特征的提取；采用基于立体视频隐写分析特征的分类器，对待测立体视频中的每个帧组进行立体视频隐写分类判决。本发明对不同视点的帧间预测模式所占比例进行统计建模，可有效反映隐写前后H.264/AVC立体视频中各种帧间预测模式所占比例的变化，能够有效检测基于帧间预测模式的立体视频隐写。
-
公开(公告)号：CN113222800B
公开(公告)日：2023-07-07
申请号：CN202110390410.1
申请日：2021-04-12
Applicant: 国网江苏省电力有限公司营销服务中心 , 国网江苏省电力有限公司 , 国家电网有限公司 , 中国科学院信息工程研究所
IPC: G06T1/00 , G06N3/0464
Abstract: 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统，包括：1、采集图像数据分为训练集与测试集；2、得到载体图像向量；3、使用水印嵌入网络得到水印图像，计算水印图像失真损失；4、将水印图像转化为有损水印图像；5、将有损水印图像输入水印提取网络中，提取出水印信息并计算信息提取损失；6、将载体图像向量与水印图像输入一个判别器，计算其差别；7、使用测试集重复步骤2至5计算测试集水印的鲁棒性以及不可感知性；8、根据整体损失调整对应参数，重复步骤3至8，直到测试集水印的鲁棒性水印图像的不可感知性达到阈值，完成训练；9、使用训练好的网络进行水印嵌入与提取。本发明还公开了一个利用该方法的系统。
-
公开(公告)号：CN112637605A
公开(公告)日：2021-04-09
申请号：CN202011253138.4
申请日：2020-11-11
Applicant: 中国科学院信息工程研究所
IPC: H04N19/625 , H04N19/467 , H04N19/13 , H04N19/176 , H04N19/91
Abstract: 本发明涉及一种基于分析CAVLC码字和非零DCT系数个数的视频隐写分析方法和装置。该方法包括：将待测压缩视频划分成若干个帧组；对于每个帧组，通过分析CAVLC熵编码码字和相邻4×4亮度宏块的非零DCT系数个数之间的相关性，获得视频隐写分析特征；利用获得的视频隐写分析特征，采用分类器对待测压缩视频中的每个帧组进行隐写分类判决。本发明提取四种类型的子特征，最终得到635维的隐写分析特征。本发明能够有效检测目前现有的DCT系数域的视频隐写方法，能够在一定程度上有效缓解隐写分析中的载体源失配现象，具有较大的适用范围，能对基于不同视频编码标准的DCT系数域视频隐写进行有效分析。
-
公开(公告)号：CN107682703B
公开(公告)日：2019-11-26
申请号：CN201711021119.7
申请日：2017-10-27
Applicant: 中国科学院信息工程研究所
IPC: H04N19/467 , H04N19/52 , H04N21/835 , H04N19/176
Abstract: 本发明涉及一种基于帧间预测模式回复特性检测的视频隐写分析方法及装置。该方法包括：将待测压缩视频解码后进行重压缩，得到校准视频；将待测压缩视频和校准视频划分成若干个帧组；对待测视频中的某个帧组，定位校准视频中的对应帧组，然后解析所述某个帧组和其对应帧组中相关宏块的帧间预测模式；构建帧间预测模式的状态转移矩阵，利用状态转移矩阵对所述某个帧组提取预设的隐写分析特征；据此对待测视频的所有帧组进行隐写分析特征提取；采用基于预设隐写分析特征的分类器，分别对待测视频中的每个帧组进行隐写分类判决。本发明能够有效检测基于帧间预测模式的视频隐写，易于推广至其他视频编码框架，可根据应用场景和实际需求进行特征定制。
-
公开(公告)号：CN107613303B
公开(公告)日：2019-10-22
申请号：CN201710805983.X
申请日：2017-09-08
Applicant: 中国科学院信息工程研究所
IPC: H04N19/467 , H04N17/00
Abstract: 本发明涉及一种基于量化参数奇异值检测的视频隐写分析方法和装置。该方法包括：1)将待测H.264/AVC压缩视频划分成若干个帧组，每个帧组由连续的视频帧组成，任意视频帧属于且仅属于某个帧组；2)对于某个帧组，提取其中每个宏块的量化参数；3)对该帧组中的每个视频帧包含的量化参数进行统计建模；4)根据量化参数的统计建模结果，对该帧组提取隐写分析特征；5)重复执行步骤2)至4)，依次对所有帧组进行隐写分析特征的提取；6)采用基于隐写分析特征的分类器，对待测视频中的每个帧组进行隐写分类判决。本发明能够对基于量化参数的视频隐写进行有效检测。
-
Patent Agency Ranking
公开(公告)号：CN109819260A
公开(公告)日：2019-05-28
申请号：CN201910102368.1
申请日：2019-02-01
Applicant: 中国科学院信息工程研究所
IPC: H04N19/467 , H04N19/124 , H04N19/593 , H04N19/11 , H04N19/19 , H04N19/176 , H04N19/147
Abstract: 本发明涉及一种基于多嵌入域融合的视频隐写方法和装置。该方法不局限于单一的视频嵌入域进行密息的嵌入，而是融合了运动向量域、量化参数域以及帧内预测域三个嵌入域进行密息的嵌入。对于运动向量域部分，通过修改视频压缩编码框架中运动估计模块产生的运动向量以实施隐写嵌入；对于量化参数域，通过修改视频编码单元(宏块)的量化参数以实施隐写嵌入；对于帧内预测域，通过修改视频压缩编码框架中帧内预测模块产生的Intra4x4帧内预测模式以实施隐写嵌入。本发明特别适用于对嵌入容量以及隐写安全性要求较高的数字多媒体安全场景。
-
公开(公告)号：CN105915916B
公开(公告)日：2019-02-22
申请号：CN201610313236.X
申请日：2016-05-12
Applicant: 中国科学院信息工程研究所
IPC: H04N19/567 , H04N19/467
Abstract: 本发明涉及一种基于运动向量率失真性能估计的视频隐写分析方法。首先将待测压缩视频划分成若干个帧组，每个帧组由连续的视频帧组成，任意视频帧属于且仅属于某个帧组。然后对于某个包含若干运动向量的帧组进行隐写分析特征提取，包括：对于某个帧组中的每个运动向量，获得由该运动向量及其相邻运动向量组成的集合，计算所述集合中每个运动向量的率失真性能，然后对该帧组提取预设的隐写分析特征；重复执行上述步骤，依次对待测视频的所有帧组进行隐写分析特征提取。然后采用基于隐写分析特征的分类器，对待测视频中的每个帧组进行隐写分类判决。本发明能够有效检测目前现有的运动向量域视频隐写方法。
-
公开(公告)号：CN104853215B
公开(公告)日：2018-12-28
申请号：CN201510184721.7
申请日：2015-04-17
Applicant: 中国科学院信息工程研究所
IPC: H04N19/467 , H04N19/51
Abstract: 本发明涉及一种基于运动向量局部最优性保持的视频隐写方法。该方法建立了一种运动向量局部最优性的判定标准以及最佳候选运动向量的搜索算法，在此基础之上，通过构建合理的运动向量扰动代价计算模型并优选高效的隐写码，从而建立隐蔽信道以完成秘密信息的隐写嵌入，进而完成秘密信息的提取过程。该方法优选采用STC隐写码。该方法是一种基于运动向量局部最优性保持、拥有较高嵌入效率并且能够有效抵抗现有隐写分析攻击的运动向量域视频隐写方法，特别适用于对安全性要求较高的隐蔽通信场景。
-
公开(公告)号：CN107682703A
公开(公告)日：2018-02-09
申请号：CN201711021119.7
申请日：2017-10-27
Applicant: 中国科学院信息工程研究所
IPC: H04N19/467 , H04N19/52 , H04N21/835 , H04N19/176
Abstract: 本发明涉及一种基于帧间预测模式回复特性检测的视频隐写分析方法及装置。该方法包括：将待测压缩视频解码后进行重压缩，得到校准视频；将待测压缩视频和校准视频划分成若干个帧组；对待测视频中的某个帧组，定位校准视频中的对应帧组，然后解析所述某个帧组和其对应帧组中相关宏块的帧间预测模式；构建帧间预测模式的状态转移矩阵，利用状态转移矩阵对所述某个帧组提取预设的隐写分析特征；据此对待测视频的所有帧组进行隐写分析特征提取；采用基于预设隐写分析特征的分类器，分别对待测视频中的每个帧组进行隐写分类判决。本发明能够有效检测基于帧间预测模式的视频隐写，易于推广至其他视频编码框架，可根据应用场景和实际需求进行特征定制。
-
公开(公告)号：CN104853215A
公开(公告)日：2015-08-19
申请号：CN201510184721.7
申请日：2015-04-17
Applicant: 中国科学院信息工程研究所
IPC: H04N19/467 , H04N19/51
Abstract: 本发明涉及一种基于运动向量局部最优性保持的视频隐写方法。该方法建立了一种运动向量局部最优性的判定标准以及最佳候选运动向量的搜索算法，在此基础之上，通过构建合理的运动向量扰动代价计算模型并优选高效的隐写码，从而建立隐蔽信道以完成秘密信息的隐写嵌入，进而完成秘密信息的提取过程。该方法优选采用STC隐写码。该方法是一种基于运动向量局部最优性保持、拥有较高嵌入效率并且能够有效抵抗现有隐写分析攻击的运动向量域视频隐写方法，特别适用于对安全性要求较高的隐蔽通信场景。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.053 seconds)
