視頻篡改檢測(cè)數(shù)據(jù)庫的構(gòu)建及測(cè)試*

胡永健 Salman Al-hamidi 王宇飛 劉琲貝 李猛

(華南理工大學(xué) 電子與信息學(xué)院， 廣東 廣州 510640)

數(shù)字視頻在社會(huì)各領(lǐng)域應(yīng)用廣泛.隨著技術(shù)發(fā)展,各種視頻編輯軟件,如Adobe Photoshop、Adobe After Effects、AppleFinalCut等迅速普及,普通人無需專業(yè)訓(xùn)練都可對(duì)視頻進(jìn)行篡改,在一些應(yīng)用場(chǎng)合(例如法庭作證),篡改視頻可能會(huì)導(dǎo)致嚴(yán)重后果.為了鑒定數(shù)字視頻的真實(shí)性,數(shù)字視頻取證技術(shù)成為多媒體信息安全領(lǐng)域中最為重要的研究課題之一,受到越來越多科研人員的關(guān)注[1- 2].在視頻取證技術(shù)中,視頻篡改檢測(cè)研究開展得最早,實(shí)際應(yīng)用價(jià)值也尤為重大.

根據(jù)視頻篡改的類型,視頻篡改檢測(cè)算法分為幀間篡改檢測(cè)與幀內(nèi)篡改檢測(cè)兩大類.對(duì)于視頻幀間篡改檢測(cè),較有代表性的算法包括利用速度場(chǎng)連續(xù)性[3]、光流連續(xù)性[4]、檢測(cè)幀復(fù)制[5]、僅從P幀和B幀抽取特征[6]、二次壓縮量化特性[7]、檢測(cè)幀序列的數(shù)字指紋是否一致[8]、基于結(jié)構(gòu)相似度均值商一致性[9]以及基于視頻內(nèi)容連續(xù)性[10]等.對(duì)于視頻幀內(nèi)篡改檢測(cè)較有代表性的算法包括基于像素估計(jì)[11]、利用視頻篡改特征痕跡[12]、利用統(tǒng)計(jì)矩特征的歸一化互相關(guān)性[13]、基于噪聲殘差相關(guān)性[14]、利用壓縮感知對(duì)特征向量降維后分類[15]、利用三維PatchMatch[16]、利用鬼影效應(yīng)[17]以及基于方向梯度直方圖特征[18]等.

目前新的視頻篡改檢測(cè)算法不斷涌現(xiàn)，但與算法發(fā)展不相適應(yīng)的是該領(lǐng)域一直缺少統(tǒng)一的標(biāo)準(zhǔn)測(cè)試視頻庫.明顯存在的問題有:①不同研究團(tuán)隊(duì)往往采用自行采集和編輯的視頻數(shù)據(jù)進(jìn)行實(shí)驗(yàn),通常規(guī)模較小,且少有公開,更無法判斷視頻是否經(jīng)過刻意挑選以突出算法的性能;②難以在統(tǒng)一實(shí)驗(yàn)條件下對(duì)不同視頻篡改檢測(cè)算法的性能進(jìn)行客觀公正的評(píng)價(jià);③建庫需要一定開銷,但不是每個(gè)研究者都能夠或愿意承受這筆開銷,同時(shí)重復(fù)建設(shè)也不經(jīng)濟(jì).因此,構(gòu)建具有一定規(guī)模且來源可靠、內(nèi)容豐富的公共標(biāo)準(zhǔn)實(shí)驗(yàn)數(shù)據(jù)庫,對(duì)推動(dòng)視頻篡改檢測(cè)研究的發(fā)展具有重要的現(xiàn)實(shí)意義.

目前國外能公開檢索到的視頻篡改檢測(cè)數(shù)據(jù)庫有SULFA[19]、VTD[20]和REWIND[21],其中REWIND庫包含了SULFA庫的部分視頻.這3個(gè)數(shù)據(jù)庫的局限性主要在于:①所含視頻數(shù)量較少,分別只包含110、52和20段視頻;②視頻來源單一或不詳,其中SULFA庫只涉及3臺(tái)攝像設(shè)備,VTD庫則從視頻網(wǎng)站上采集視頻,缺失關(guān)鍵的視頻原始信息,如拍攝設(shè)備、原始格式、是否存在多次壓縮或編輯等,REWIND庫也未提供視頻的原始信息;③視頻篡改類型單一,SULFA庫和REWIND庫都只包含幀內(nèi)篡改樣本.國內(nèi)尚未公開檢索到建庫的相關(guān)工作.

文中對(duì)筆者正在建設(shè)的視頻篡改檢測(cè)數(shù)據(jù)庫(VFDD)[22]的相關(guān)工作進(jìn)行介紹.針對(duì)視頻篡改以及篡改檢測(cè)方法的技術(shù)特點(diǎn),VFDD在設(shè)計(jì)時(shí)充分考慮了不同的視頻場(chǎng)景及拍攝條件,所采用的拍攝設(shè)備也多樣,目前已經(jīng)包括不同型號(hào)的數(shù)碼攝像機(jī)、監(jiān)控?cái)z像機(jī)、智能手機(jī)等.設(shè)備的多樣性使得所采集的視頻豐富多樣,包括不同格式、編碼標(biāo)準(zhǔn)、幀率和分辨率等的視頻片段,有利于對(duì)視頻篡改檢測(cè)算法性能的全面測(cè)試.尤其值得指出的是,VFDD的建設(shè)既考慮了幀間篡改,也考慮了幀內(nèi)篡改.已完成的VFDD包括原始視頻505段、篡改過的視頻135段,共計(jì)640段,同時(shí)配有詳細(xì)的視頻信息描述.為驗(yàn)證VFDD的有效性,還選用了現(xiàn)有文獻(xiàn)中4種有代表性的視頻篡改檢測(cè)算法進(jìn)行了測(cè)試.

1 原始視頻獲取

人們接觸的視頻內(nèi)容以日常普通場(chǎng)景為主,視頻的拍攝設(shè)備也多種多樣,除攝像機(jī)、數(shù)碼相機(jī)等傳統(tǒng)設(shè)備外,智能手機(jī)、網(wǎng)絡(luò)攝像頭的使用也日益增多.為使VFDD更符合實(shí)際應(yīng)用需求,筆者采用多種類型的攝像設(shè)備對(duì)日常真實(shí)場(chǎng)景進(jìn)行實(shí)地拍攝.所采用的攝像設(shè)備類型包括數(shù)碼相機(jī)、網(wǎng)絡(luò)攝像頭、監(jiān)控?cái)z像機(jī)以及智能手機(jī)等,其中大部分設(shè)備類型均包含了兩種以上不同型號(hào)的設(shè)備.不同設(shè)備有自己獨(dú)特的視頻參數(shù)設(shè)置,多樣的設(shè)備來源確保庫中視頻更符合實(shí)際應(yīng)用中的多樣性特點(diǎn).表1列出了VFDD使用的設(shè)備信息以及所拍攝視頻的基本參數(shù)信息.

為進(jìn)一步增加視頻內(nèi)容的多樣化,設(shè)置了多種不同的拍攝條件,如拍攝地點(diǎn)有室內(nèi)和室外,拍攝時(shí)間有白天和晚上,拍攝設(shè)備是否具有支架固定,拍攝場(chǎng)所是否有燈光照明,視頻背景是靜止還是運(yùn)動(dòng),視頻前景物體是靜止還是運(yùn)動(dòng)等.拍攝條件的選擇如圖1所示,充分考慮了不同類型篡改檢測(cè)方法的技術(shù)特點(diǎn),可更全面、客觀地檢驗(yàn)不同算法的有效性.具體的拍攝條件包括8種類別:Ⅰ室內(nèi)白天有支架、有照明；Ⅱ室內(nèi)白天有支架、無照明；Ⅲ室內(nèi)白天無支架、有照明；Ⅳ室內(nèi)白天無支架、無照明；Ⅴ室內(nèi)夜晚有支架、有照明；Ⅵ室內(nèi)夜晚無支架、有照明；Ⅶ室外白天有支架、有照明；Ⅷ室外白天無支架、有照明.

表1 視頻拍攝設(shè)備及視頻參數(shù)Table 1 Video capturing devices and video parameters

圖1 視頻拍攝條件Fig.1 Video capturing conditions

表2列出了各個(gè)設(shè)備在上述8種不同拍攝條件下獲得的原始視頻數(shù)量以及按兩類篡改方式對(duì)其進(jìn)行篡改后的視頻數(shù)量.目前VFDD中共有原始視頻505段,平均時(shí)長為10 s.

2 視頻篡改操作

VFDD包含幀間篡改和幀內(nèi)篡改這兩類常見的視頻篡改方法,具體建庫細(xì)節(jié)如下.

表2 現(xiàn)有VFDD的構(gòu)成1)

1)Ⅰ-Ⅷ類拍攝條件下所得視頻數(shù)量按“原始視頻數(shù)量/幀間篡改視頻數(shù)量/幀內(nèi)篡改視頻數(shù)量”列出.

2.1 視頻幀間篡改

視頻幀間篡改以整幅視頻幀作為操作對(duì)象,包括視頻幀刪除、插入和重復(fù)等.視頻幀的整體增刪較為簡(jiǎn)便,故該類篡改手法在現(xiàn)實(shí)中常見.文中建庫使用的視頻幀間篡改主要步驟如下:首先用編輯工具(如利用OpenCV庫開發(fā)的C++程序)打開視頻,觀察需要篡改的視頻幀位置；然后對(duì)目標(biāo)視頻幀進(jìn)行刪除、插入或復(fù)制等操作,生成幀間篡改視頻；最后保存并輸出編輯后的視頻,添加到VFDD中.圖2描述了視頻幀間篡改的流程.VFDD目前共有57段幀間篡改視頻,數(shù)量分布詳見表2.

圖2 視頻幀間篡改操作流程圖Fig.2 Flowchart of video inter-frame forgery

2.2 視頻幀內(nèi)篡改

與幀間篡改的整幀移動(dòng)不同,幀內(nèi)篡改只對(duì)視頻幀內(nèi)部分區(qū)域進(jìn)行編輯,對(duì)視頻內(nèi)容的改變小,隱蔽性也更好.視頻幀內(nèi)篡改的主要步驟如下:首先用視頻編輯軟件(如Adobe AfterEffects CS6)打開原始視頻,將各幀保存成可編輯的獨(dú)立圖像文件(如Photoshop圖層文件).然后用圖像編輯軟件(如Photoshop CS6)對(duì)幀圖像需篡改的位置進(jìn)行編輯(如通過復(fù)制背景掩蓋目標(biāo)物體)，保存篡改后的視頻幀,并將其重新導(dǎo)入到視頻編輯軟件中.為徹底掩蓋目標(biāo)物體,需對(duì)前后包含物體的若干幀進(jìn)行編輯.為提高篡改效率,可將已導(dǎo)入的篡改幀與其他原始幀聯(lián)合生成各幀的掩膜,批量覆蓋視頻中所有需要篡改的區(qū)域.最后保存并輸出篡改后的視頻,添加到VFDD中.視頻幀間篡改的操作流程如圖3所示.所生成的部分幀內(nèi)篡改視頻示例如圖4所示,其中左列為原始視頻幀,右列為篡改視頻幀,可看到,篡改后幀內(nèi)的部分物體被去除,且篡改效果具有較高的隱蔽性.VFDD目前共有78段幀間篡改視頻,數(shù)量分布詳見表2.

圖3 視頻幀內(nèi)篡改操作流程圖Fig.3 Flowchart of video intra-frame forgery

圖4 幀內(nèi)篡改視頻示例Fig.4 Samples of intra-frame forgery

3 用于驗(yàn)證的4種篡改檢測(cè)算法簡(jiǎn)介

文中選取4種不同類型且有代表性的視頻篡改檢測(cè)算法驗(yàn)證VFDD的有效性,包括2種基于幀間篡改特征的檢測(cè)算法,1種基于幀內(nèi)篡改特征的檢測(cè)算法及1種基于視頻二次壓縮特征的檢測(cè)算法.

3.1 基于速度場(chǎng)連續(xù)性的幀間篡改檢測(cè)算法

文獻(xiàn)[3]中提出一種基于速度場(chǎng)連續(xù)性(VFC)的視頻幀間篡改檢測(cè)算法,對(duì)視頻幀的刪除與重復(fù)篡改進(jìn)行檢測(cè).速度場(chǎng)是度量視頻內(nèi)容變化劇烈程度的特征,幀間篡改位置兩側(cè)的視頻幀內(nèi)容差異往往大于正常非篡改視頻幀之間的差異,因而其速度場(chǎng)也與正常的速度場(chǎng)有所不同.利用這一特點(diǎn),可確定幀間篡改的位置.算法流程如圖5所示.

先計(jì)算鄰近幀水平及垂直方向的速度場(chǎng)強(qiáng)度,再根據(jù)所得的一系列速度場(chǎng)強(qiáng)度計(jì)算水平及垂直方向的關(guān)聯(lián)因子序列.分別對(duì)兩個(gè)關(guān)聯(lián)因子序列進(jìn)行離群點(diǎn)檢驗(yàn),得到其中的離群點(diǎn).再根據(jù)所得水平及垂直方向序列中離群點(diǎn)的數(shù)量Nh及Nv,該算法可判斷視頻所遭到的幀間篡改類型為幀刪除還是幀重

圖5 基于VFC的檢測(cè)算法流程Fig.5 Flowchart of the VFC-based detection algorithm

復(fù).以Arm tech 200n ip監(jiān)控?cái)z像機(jī)拍攝的110幀視頻為例,刪除其第59幀至第75幀生成篡改視頻.利用VFC算法對(duì)原始視頻及篡改視頻計(jì)算速度場(chǎng)強(qiáng)度,結(jié)果如圖6所示,第59幀處明顯可見由視頻幀間篡改引起的異常峰值.

圖6 原始及篡改視頻速度場(chǎng)強(qiáng)度Fig.6 Velocity field intensity of the original and forged videos

3.2 基于光流連續(xù)性的幀間篡改檢測(cè)算法

文獻(xiàn)[4]中提出一種基于光流連續(xù)性(OFC)的視頻幀間篡改檢測(cè)算法,對(duì)視頻幀的刪除與插入篡改進(jìn)行檢測(cè).光流與視頻中物體的運(yùn)動(dòng)情況密切相關(guān),正常視頻中相鄰幀之間的光流具有較強(qiáng)連續(xù)性,而幀間篡改則會(huì)破壞連續(xù)性.利用光流連續(xù)性可對(duì)視頻幀間篡改進(jìn)行檢測(cè).算法流程如圖7所示.

針對(duì)幀插入篡改對(duì)光流連續(xù)性影響較大的特點(diǎn),將視頻劃分為一定長度(如16幀)互不重疊的檢測(cè)窗口,計(jì)算窗口中首幀與尾幀之間的光流.將光流大于閾值的窗口作為可疑對(duì)象,利用二分搜索方法將可疑窗口劃分為前后兩個(gè)窗口重復(fù)上述計(jì)算,直至確定篡改的準(zhǔn)確位置.針對(duì)幀刪除篡改光流強(qiáng)度變化較小的特點(diǎn),該算法計(jì)算每對(duì)相鄰幀間的光流,并將其中強(qiáng)度大于特定閾值者作為篡改的準(zhǔn)確位置.以華為榮耀X2手機(jī)拍攝的227幀視頻為例,刪除其第9至第25幀生成篡改視頻.利用該算法對(duì)原始視頻及篡改視頻計(jì)算光流強(qiáng)度,結(jié)果如圖8所示.圖中顯示的是視頻前100幀的光流強(qiáng)度情況,在第9幀處明顯可見由視頻幀間篡改引起的異常孤立尖峰.

圖7 基于OFC的檢測(cè)算法流程Fig.7 Flowchart of the OFC-based detection algorithm

圖8 原始及篡改視頻光流強(qiáng)度Fig.8 Optical flow intensity of the original and forged videos

3.3 基于像素估計(jì)的視頻二次壓縮檢測(cè)算法

文獻(xiàn)[11]中提出一種基于像素估計(jì)(PE)的視頻二次壓縮檢測(cè)算法,視頻篡改常常需要解壓與重新壓縮,通過檢測(cè)二次壓縮的痕跡可對(duì)視頻篡改進(jìn)行間接檢測(cè).視頻在拍攝過程中由于受到設(shè)備器件工藝及處理算法等因素影響,不可避免地存在噪聲,利用更大的量化步長進(jìn)行二次壓縮時(shí)會(huì)放大噪聲的影響,從而使得像素估計(jì)誤差增大.而利用更小的量化步長進(jìn)行二次壓縮則無此特殊現(xiàn)象.利用這一特點(diǎn),可對(duì)視頻的二次壓縮操作進(jìn)行檢測(cè).算法流程如圖9所示.

圖9 基于PE的檢測(cè)算法流程Fig.9 Flowchart of the PE-based detection algorithm

設(shè)定碼率變化量Δ,對(duì)待測(cè)視頻進(jìn)行解壓,并用原碼率增加和減小一個(gè)Δ的新碼率進(jìn)行重新壓縮,得到兩段重壓縮視頻.對(duì)需要預(yù)測(cè)的視頻幀,利用處于同一個(gè)圖像組(GOP)中的其他視頻幀進(jìn)行估計(jì),將像素真實(shí)值與估計(jì)值相減即可得到估計(jì)誤差.計(jì)算估計(jì)誤差在以0為中心的小區(qū)間內(nèi)的集中程度EN,EN越大表示預(yù)測(cè)越準(zhǔn)確.將高碼率視頻的EN與低碼率視頻的EN相減,以其差值作為檢測(cè)特征.若待測(cè)視頻未經(jīng)過二次壓縮,高碼率視頻的EN應(yīng)大于低碼率視頻的EN,二者之差應(yīng)大于一定閾值.若待測(cè)視頻經(jīng)過量化步長縮小的二次壓縮,則此時(shí)低碼率視頻的碼率仍可能高于待測(cè)視頻的原始碼率,導(dǎo)致高低碼率視頻的EN相差較小,二者之差小于閾值.利用EN差值的特點(diǎn),可判斷待測(cè)視頻是否進(jìn)行了二次壓縮.文中以三星Galaxy Note4手機(jī)拍攝的600 kb/s碼率原始視頻為例,用900 kb/s碼率進(jìn)行二次壓縮,以100 kb/s為變化量，利用該算法分別計(jì)算EN差值,結(jié)果如圖10所示.

圖10 原始及二次壓縮視頻EN差值

Fig.10ENdifference of the original and double-compressed videos

從圖10中可見二次壓縮視頻各幀的EN差值小于原始視頻.

3.4 基于局部篡改檢測(cè)的幀內(nèi)篡改檢測(cè)算法

文獻(xiàn)[12]中提出一種利用局部篡改檢測(cè)(LTD)的視頻幀內(nèi)篡改檢測(cè)算法.對(duì)于背景靜止的視頻,將局部靜止區(qū)域復(fù)制覆蓋到特定位置后,相鄰幀在該篡改位置的差值將接近于0.利用這一特點(diǎn),可對(duì)視頻中幀內(nèi)篡改的位置進(jìn)行檢測(cè).算法流程如圖11所示.

圖11 基于LTD的檢測(cè)算法流程Fig.11 Flowchart of the LTD-based detection algorithm

求取待測(cè)視頻每對(duì)相鄰幀的差值,得到幀差值序列,并對(duì)幀差值序列二值化,將其中為0的點(diǎn)置為1,不為0的點(diǎn)置為0.然后用最小尺寸為4×4×5的三維結(jié)構(gòu)體對(duì)二值化的幀差值序列進(jìn)行三維的形態(tài)學(xué)腐蝕,將腐蝕后仍為1的點(diǎn)的位置映射回視頻幀中,最終得到存在幀內(nèi)篡改的像素點(diǎn)準(zhǔn)確位置.仍以圖4(i)與4(j)所示的幀內(nèi)篡改為例,該視頻由Canon IXUS230HS拍攝,共153幀,對(duì)第31到第50

幀的右下位置進(jìn)行了區(qū)域覆蓋篡改.檢測(cè)結(jié)果如圖12所示,視頻幀右下方的篡改區(qū)域(即白色區(qū)域)被準(zhǔn)確檢測(cè)出來.

圖12 基于LTD的檢測(cè)算法結(jié)果示例

Fig.12 Example of detection result of the LTD-based algorithm

4 4種算法在VFDD中的測(cè)試結(jié)果

以篡改視頻為正樣本,原始視頻為負(fù)樣本,用靈敏度和特異度作為評(píng)價(jià)指標(biāo).其中靈敏度Se即真陽性率,表示將篡改視頻正確判斷為篡改的比例:

(1)

式中,P表示正樣本(即篡改視頻)的總數(shù),TP表示被正確地判斷為存在篡改的視頻的數(shù)量.特異度Sp即真陰性率,表示將原始視頻正確地判斷為非篡改視頻的比例:

(2)

式中,N表示負(fù)樣本即原始視頻的總數(shù),TN表示被正確地判斷為非篡改視頻的數(shù)量.4種檢測(cè)算法在VFDD中的檢測(cè)結(jié)果如表3所示.檢測(cè)時(shí)靈敏度與特異度均取中等閾值,以反映算法在一般情況下的檢測(cè)性能.

表3 4種算法在VFDD中的檢測(cè)效果Table 3 Detection results of the four algorithms in VFDD %

表3結(jié)果有以下特點(diǎn):①不同算法之間存在明顯性能差異,說明VFDD庫能有效反映不同算法各自的特點(diǎn);②同一算法對(duì)不同攝像設(shè)備拍攝的視頻存在明顯的性能差異,說明VFDD庫能有效反映算法應(yīng)用的局限性,避免得出片面的評(píng)價(jià)結(jié)果;③進(jìn)一步觀察數(shù)據(jù)來源可見,對(duì)于攝像質(zhì)量較高的設(shè)備(如Canon EOS70D(W)、Canon EOS1200D等單反相機(jī))所拍攝的視頻,各種檢測(cè)算法的效果要普遍優(yōu)于攝像質(zhì)量較低的設(shè)備(如羅技C910網(wǎng)絡(luò)攝像頭)所拍攝的視頻.這一現(xiàn)象真實(shí)反映了現(xiàn)有算法設(shè)計(jì)者多只考慮某一類視頻的現(xiàn)狀,導(dǎo)致算法性能具有較大局限性.反之,VFDD庫的測(cè)試結(jié)果可為算法設(shè)計(jì)者提供改善算法性能有價(jià)值的參考信息.4種算法在不同閾值下的整體性能可從圖13的ROC(接收器操作特性)曲線體現(xiàn).其中靈敏度和特異度為平均值.

圖13 4種驗(yàn)證算法的ROC曲線Fig.13 ROC curves of the four evaluation algorithms

5 結(jié)語

文中針對(duì)目前視頻篡改檢測(cè)缺乏統(tǒng)一標(biāo)準(zhǔn)測(cè)試視頻庫,難以對(duì)篡改檢測(cè)算法的性能進(jìn)行全面、客觀評(píng)價(jià)的問題,提出構(gòu)建標(biāo)準(zhǔn)的視頻篡改檢測(cè)數(shù)據(jù)庫,并具體構(gòu)建了一個(gè)庫(VFDD).文中對(duì)VFDD中視頻的拍攝設(shè)備、拍攝條件及編碼參數(shù)進(jìn)行了詳細(xì)介紹,并介紹了利用所拍攝原始視頻進(jìn)行幀間篡改及幀內(nèi)篡改的操作過程.最后,利用文獻(xiàn)中的4種不同篡改檢測(cè)算法對(duì)VFDD進(jìn)行了有效性測(cè)試，實(shí)驗(yàn)結(jié)果證明了VFDD的有效性.標(biāo)準(zhǔn)視頻篡改檢測(cè)數(shù)據(jù)庫的建設(shè)不僅有利于評(píng)估不同篡改檢測(cè)算法的性能,還可促進(jìn)篡改檢測(cè)算法的設(shè)計(jì),為完善篡改檢測(cè)算法的性能提供依據(jù).后續(xù)將選擇更多攝像設(shè)備進(jìn)一步充實(shí)VFDD.

參考文獻(xiàn)：

[1] SHIHT K,TSAI J C,TANG N C,et al.Video forgery [C]∥Proceedings of Future Generation Information Technology.Jeju Island:Springer,2009:7- 11.

[2] WANG W.Digital video forensics [D].Dartmouth:Dartmouth College,2009.

[3] WU Y,JIANG X,SUN T,et al.Exposing video inter-frame forgery based on velocity field consistency [C]∥Proceedings of 2014 IEEE International Conference on Acoustics,Speech and Signal Processing.Florence:IEEE,2014:2674- 2678.

[4] CHAO J,JIANG X,SUN T.A novel video inter-frame forgery model detection scheme based on optical flow consistency [C]∥Proceedings of the 11th International Workshop on Digital Forensics and Watermarking.Shanghai:Springer,2012:267- 281.

[5] WANG W,FARID H.Exposing digital forgeries in video by detecting duplication [C]∥Proceedings of the 9th ACM Workshop on Multimedia & Security.Dallas:ACM,2007:35- 42.

[6] SHANABLEH T.Detection of frame deletion for digital video forensics [J].Digital Investigation,2013,10(4):350- 360.

[7] AGHAMALEKIJ A,BEHRAD A.Inter-frame video forgery detection and localization using intrinsic effects of double compression on quantization errors of video coding [J].Signal Processing:Image Communication,2016,47:289- 302.

[8] HU Y,LI C T,WANG Y,et al.An improved fingerprinting algorithm for detection of video frame duplication forgery [J].International Journal of Digital Crime and Forensics,2012,4(3):20- 32.

[9] 張珍珍,侯建軍,李趙紅,等.基于MSSIM商一致性的視頻插幀和刪幀篡改檢測(cè) [J].北京郵電大學(xué)學(xué)報(bào),2015,38(4):84- 88.

ZHANG Zhen-zhen,HOU Jian-jun,LI Zhao-hong,et al.Video-frame insertion and deletion detection based on consistency of quotients of MSSIM [J].Journal of Beijing University of Posts and Telecom,2015,38(4):84- 88.

[10] 黃添強(qiáng),陳智文,蘇立超,等.利用內(nèi)容連續(xù)性的數(shù)字視頻篡改檢測(cè) [J].南京大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,47(5):493- 503.

HUANG Tian-qiang,CHEN Zhi-wen,SU Li-qun,et al.Digital video forgeries detection based on content continuity [J].Journal of Nanjing University(Nature Sciences),2011,47(5):493- 503.

[11] SUBRAMANYAM A V,EMMANUEL S.Pixel estimation based video forgery detection [C]∥Proceedings of IEEE International Conference on Acoustics,Speech and Signal Processing.Vancouver:IEEE,2013.

[12] BESTAGINI P,MILANI S,TAGLIASACCHI M,et al.Local tampering detection in video sequences [C]∥Proceedings of IEEE International Workshop on Multimedia Signal Processing.Pula:IEEE,2013:488- 493.

[13] MATHAI M,RAJAN D,EMMANUEL S.Video forgery detection and localization using normalized cross-correlation of moment features [C]∥Proceedings of IEEE Southwest Symposium on Image Analysis and Interpretation.Santa Fe:IEEE,2016:149- 152.

[14] HSU C C,HUNG T Y,LIN C W,et al.Video forgery detection using correlation of noise residue [C]∥Proceedings of IEEE 10th Workshop on Multimedia Signal Processing.Cairns:IEEE,2008:170- 174.

[15] SU L,HUANG T,YANG J.A video forgery detection algorithm based on compressive sensing [J].Multimedia Tools and Applications,2015,74(17):6641- 6656.

[16] D’AMIANO L,COZZOLINO D,POGGI G,et al.Video forgery detection and localization based on 3D patchmatch [C]∥Proceedings of IEEE International Conference on Multimedia & Expo Workshops.Torino:IEEE,2015:1- 6.

[17] ZHANG J,SU Y,ZHANG M.Exposing digital video forgery by ghost shadow artifact [C]∥Proceedings of the First ACM workshop on Multimedia in forensics.Beijing:ACM,2009:49- 54.

[18] SUBRAMANYAM A V,EMMANUEL S.Video forgery detection using HOG features and compression properties [C]∥Proceedings of the 14th IEEE International Workshop on Multimedia Signal Processing.Banff:IEEE,2012:89- 94.

[19] QADIR G,YAHAHYA S,HO A T S.Surrey University Library for Forensic Analysis [DB/OL].[2012- 07- 31].http:∥sulfa.cs.surrey.ac.uk..

[20] ISMAEL A S O,AHMED A A,SULONG G.Video tampering dataset [DB/OL].[2016- 07- 31].https:∥www.youtube.com/channel/UCZuuu-iyZvPptbIUHT9tMrA.

[21] BESTAGINI P,MILANI S,TAGLIASACCHI M,et al.REWIND Video:Copy-move forgeries dataset [DB/OL].[2013- 07- 31].https:∥sites.google.com/site/re windpolimi/downloads/datasets/video-copy-move-forgeries-dataset.

[22] AL-HAMIDI S.華南理工大學(xué)視頻篡改檢測(cè)數(shù)據(jù)庫VFDD [DB/OL].[2017- 05- 01].http:∥www2.scut.edu.cn/misip/.