基于PU塊劃分模式與DCT系數(shù)共生矩陣的HEVC視頻重壓縮檢測算法研究一、引言1.1研究背景與意義隨著信息技術(shù)的飛速發(fā)展，數(shù)字視頻已廣泛應(yīng)用于各個領(lǐng)域，如網(wǎng)絡(luò)視頻、廣播電視、視頻監(jiān)控等。數(shù)字視頻的發(fā)展歷程豐富多樣，從早期在臺式計算機上增加簡單視頻功能的初級階段，到數(shù)字視頻在計算機中廣泛應(yīng)用成為主流的階段，再到普通個人計算機進入成熟多媒體計算機時代的高級階段，其發(fā)展不斷突破。在這一過程中，視頻壓縮技術(shù)發(fā)揮著關(guān)鍵作用，其中高效視頻編碼（HEVC，HighEfficiencyVideoCoding），也被稱為H.265，是一種具有重要影響力的視頻壓縮標(biāo)準。它旨在提供比之前的H.264/AVC標(biāo)準更高的壓縮效率，設(shè)計目標(biāo)是減少大約50%的數(shù)據(jù)大小，同時保持相同的視頻質(zhì)量，或者提供更高的視頻質(zhì)量而數(shù)據(jù)大小不變。HEVC具有更高的壓縮率，能有效減少存儲和傳輸成本，并且支持高達8K分辨率甚至更高分辨率的視頻壓縮，在高動態(tài)范圍（HDR）內(nèi)容上也有更好的視頻質(zhì)量表現(xiàn)。然而，視頻的易編輯性也帶來了嚴重的安全隱患。惡意篡改者可以利用各種視頻編輯軟件對視頻內(nèi)容進行修改，如刪除關(guān)鍵人物、改變事件發(fā)生的順序等，而這些篡改后的視頻可能會被用于誤導(dǎo)公眾、傳播虛假信息甚至作為虛假證據(jù)。在社交媒體平臺上，一些經(jīng)過篡改的視頻被大量傳播，引發(fā)公眾的誤解和社會的不穩(wěn)定。在司法領(lǐng)域，若作為證據(jù)的視頻被篡改，將會對司法公正造成極大的損害。因此，確保視頻內(nèi)容的真實性和完整性至關(guān)重要，視頻重壓縮檢測技術(shù)應(yīng)運而生。視頻重壓縮檢測能夠判斷視頻是否經(jīng)過二次或多次壓縮，從而為視頻的真實性提供重要線索。目前，針對HEVC視頻重壓縮檢測的研究具有重要的現(xiàn)實意義。一方面，隨著HEVC標(biāo)準在視頻領(lǐng)域的廣泛應(yīng)用，基于該標(biāo)準的視頻數(shù)量急劇增加，對這些視頻進行重壓縮檢測的需求也日益迫切。例如，在視頻監(jiān)控領(lǐng)域，大量采用HEVC編碼的監(jiān)控視頻需要進行重壓縮檢測，以確保監(jiān)控數(shù)據(jù)的真實性，為后續(xù)的事件分析和處理提供可靠依據(jù)。另一方面，現(xiàn)有的視頻重壓縮檢測方法在面對HEVC視頻時，存在檢測準確率不高、魯棒性差等問題。傳統(tǒng)的基于特征統(tǒng)計的方法在HEVC視頻復(fù)雜的編碼特性下，難以準確提取有效的特征；而一些基于深度學(xué)習(xí)的方法雖然取得了一定的效果，但對訓(xùn)練數(shù)據(jù)的依賴性較強，泛化能力不足。因此，研究一種高效、準確的基于PU塊劃分模式和DCT系數(shù)共生矩陣的HEVC視頻重壓縮檢測算法具有重要的理論和實際應(yīng)用價值。通過深入挖掘HEVC視頻編碼過程中PU塊劃分模式和DCT系數(shù)的特性，能夠為視頻重壓縮檢測提供新的思路和方法，提高檢測的準確率和魯棒性，從而更好地保障視頻內(nèi)容的真實性和完整性，維護社會的公平正義和信息安全。1.2國內(nèi)外研究現(xiàn)狀在視頻重壓縮檢測領(lǐng)域，國內(nèi)外學(xué)者開展了大量的研究工作，隨著HEVC標(biāo)準的廣泛應(yīng)用，針對HEVC視頻重壓縮檢測的研究逐漸成為熱點。早期的視頻重壓縮檢測主要集中在JPEG圖像和H.264視頻上。對于JPEG圖像，一些經(jīng)典的檢測方法利用圖像DCT系數(shù)的統(tǒng)計特性，如DCT系數(shù)直方圖、共生矩陣等，通過分析這些特征在重壓縮前后的變化來判斷圖像是否經(jīng)過重壓縮。在H.264視頻重壓縮檢測方面，研究人員從視頻的幀間預(yù)測、幀內(nèi)預(yù)測、變換系數(shù)等多個角度提取特征。有的方法利用宏塊的預(yù)測模式分布特性，分析重壓縮對預(yù)測模式的影響，以此作為檢測依據(jù)；還有的方法關(guān)注變換系數(shù)的統(tǒng)計特征，通過比較不同壓縮次數(shù)下變換系數(shù)的分布差異來實現(xiàn)重壓縮檢測。隨著HEVC視頻的普及，針對HEVC視頻重壓縮檢測的研究不斷涌現(xiàn)。國外一些研究團隊從HEVC編碼的基本原理出發(fā)，深入分析編碼過程中產(chǎn)生的特征變化。有的研究利用HEVC中編碼單元（CU，CodingUnit）、預(yù)測單元（PU，PredictionUnit）和變換單元（TU，TransformUnit）的劃分模式特點，提取相關(guān)特征進行重壓縮檢測。通過建立數(shù)學(xué)模型，分析單次壓縮和重壓縮視頻中PU塊劃分模式的概率分布差異，發(fā)現(xiàn)重壓縮會導(dǎo)致PU塊劃分模式的某些統(tǒng)計量發(fā)生變化，從而利用這些變化作為檢測重壓縮的線索。在DCT系數(shù)方面，研究人員分析了HEVC視頻重壓縮過程中DCT系數(shù)量化誤差的累積效應(yīng)，通過對DCT系數(shù)的共生矩陣進行分析，提取能夠表征重壓縮的特征。國內(nèi)的研究也取得了一定的成果。一些學(xué)者結(jié)合機器學(xué)習(xí)和深度學(xué)習(xí)方法，對HEVC視頻重壓縮檢測進行了深入研究。通過提取視頻的多種底層特征，如顏色特征、紋理特征、運動特征等，并將這些特征與PU塊劃分模式和DCT系數(shù)特征相結(jié)合，利用支持向量機（SVM，SupportVectorMachine）、隨機森林等機器學(xué)習(xí)算法進行分類，取得了較好的檢測效果。隨著深度學(xué)習(xí)的發(fā)展，一些研究采用卷積神經(jīng)網(wǎng)絡(luò)（CNN，ConvolutionalNeuralNetwork）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN，RecurrentNeuralNetwork）等深度學(xué)習(xí)模型，自動提取視頻的高層抽象特征，進一步提高了重壓縮檢測的準確率和效率。然而，現(xiàn)有的基于PU塊劃分模式和DCT系數(shù)共生矩陣的HEVC視頻重壓縮檢測方法仍存在一些不足之處。一方面，PU塊劃分模式和DCT系數(shù)特征在不同視頻內(nèi)容和編碼參數(shù)下的穩(wěn)定性有待提高。當(dāng)視頻內(nèi)容復(fù)雜多變，如包含大量運動場景、復(fù)雜紋理時，這些特征容易受到干擾，導(dǎo)致檢測準確率下降；不同的編碼參數(shù)，如量化參數(shù)（QP，QuantizationParameter）的變化，也會對PU塊劃分模式和DCT系數(shù)特征產(chǎn)生較大影響，使得基于這些特征的檢測方法的泛化能力受限。另一方面，當(dāng)前的研究在特征提取和融合方面還不夠完善。大多數(shù)方法只單獨考慮PU塊劃分模式或DCT系數(shù)共生矩陣的某一種特征，未能充分挖掘兩者之間的內(nèi)在聯(lián)系和互補性；在特征融合過程中，也缺乏有效的融合策略，導(dǎo)致融合后的特征不能很好地反映視頻的重壓縮特性，從而影響檢測性能。此外，現(xiàn)有方法對于一些復(fù)雜的重壓縮場景，如多次重壓縮、不同編碼標(biāo)準之間的轉(zhuǎn)換重壓縮等，檢測效果仍不理想，難以滿足實際應(yīng)用中對視頻真實性和完整性檢測的高要求。1.3研究內(nèi)容與方法本研究主要圍繞基于PU塊劃分模式和DCT系數(shù)共生矩陣的HEVC視頻重壓縮檢測算法展開，具體研究內(nèi)容包括以下幾個方面：深入研究HEVC編碼標(biāo)準中的PU塊劃分模式，分析單次壓縮和重壓縮視頻中PU塊劃分模式的差異，建立PU塊劃分模式與重壓縮之間的數(shù)學(xué)關(guān)系模型，提取能夠有效表征重壓縮的PU塊劃分模式特征。例如，通過大量實驗統(tǒng)計不同視頻內(nèi)容在單次壓縮和重壓縮下PU塊劃分模式的概率分布，找出具有顯著差異的特征參數(shù)。對HEVC視頻重壓縮過程中的DCT系數(shù)量化誤差進行分析，研究DCT系數(shù)在重壓縮前后的變化規(guī)律。在此基礎(chǔ)上，構(gòu)建DCT系數(shù)共生矩陣，提取DCT系數(shù)共生矩陣的特征，如對比度、相關(guān)性、能量和熵等，以反映視頻的重壓縮特性。將PU塊劃分模式特征和DCT系數(shù)共生矩陣特征進行融合，設(shè)計合適的特征融合策略，如加權(quán)融合、串聯(lián)融合等。利用支持向量機、隨機森林等機器學(xué)習(xí)算法對融合后的特征進行訓(xùn)練和分類，建立高效的HEVC視頻重壓縮檢測模型，并對模型的性能進行評估和優(yōu)化。在研究方法上，本研究采用了多種方法相結(jié)合的方式：通過廣泛查閱國內(nèi)外相關(guān)文獻，了解視頻重壓縮檢測領(lǐng)域的研究現(xiàn)狀、發(fā)展趨勢以及存在的問題，為本研究提供理論基礎(chǔ)和研究思路。對HEVC編碼標(biāo)準的原理、PU塊劃分模式、DCT變換及量化等關(guān)鍵技術(shù)進行深入的理論分析，從數(shù)學(xué)和信號處理的角度探討重壓縮對這些技術(shù)產(chǎn)生的影響，為算法設(shè)計提供理論依據(jù)。收集大量不同內(nèi)容、不同分辨率、不同編碼參數(shù)的HEVC視頻，構(gòu)建實驗視頻庫。在實驗過程中，對視頻進行單次壓縮和重壓縮處理，提取PU塊劃分模式和DCT系數(shù)共生矩陣特征，并利用機器學(xué)習(xí)算法進行訓(xùn)練和測試，通過實驗結(jié)果分析算法的性能，驗證算法的有效性和優(yōu)越性。1.4創(chuàng)新點本研究在特征提取和算法融合等方面具有顯著的創(chuàng)新之處，有效提高了HEVC視頻重壓縮檢測的準確性和魯棒性。在特征提取方面，本研究創(chuàng)新性地結(jié)合了PU塊劃分模式和DCT系數(shù)共生矩陣的特征。以往的研究大多單獨考慮PU塊劃分模式或DCT系數(shù)的某一種特征，未能充分挖掘兩者之間的內(nèi)在聯(lián)系和互補性。本研究深入分析了HEVC編碼過程中PU塊劃分模式和DCT系數(shù)在重壓縮前后的變化規(guī)律，發(fā)現(xiàn)PU塊劃分模式能夠反映視頻編碼過程中的預(yù)測方式和塊劃分策略，而DCT系數(shù)共生矩陣則能體現(xiàn)視頻在頻率域的特征分布和相關(guān)性。通過將這兩種特征進行有機結(jié)合，能夠從多個角度全面地描述視頻的重壓縮特性，提高特征的表征能力，從而更準確地檢測視頻是否經(jīng)過重壓縮。例如，在復(fù)雜視頻內(nèi)容中，PU塊劃分模式特征能夠?qū)σ曨l的結(jié)構(gòu)變化進行有效捕捉，而DCT系數(shù)共生矩陣特征則能對視頻的紋理和細節(jié)變化進行補充描述，兩者相互補充，使得特征提取更加全面和準確。在特征融合策略上，本研究設(shè)計了一種基于加權(quán)融合和串聯(lián)融合相結(jié)合的方法。針對PU塊劃分模式特征和DCT系數(shù)共生矩陣特征的不同特點，為它們分配了不同的權(quán)重，使得對重壓縮檢測貢獻較大的特征能夠在融合過程中占據(jù)主導(dǎo)地位。通過實驗優(yōu)化權(quán)重分配，使得融合后的特征能夠更好地反映視頻的重壓縮特性。將加權(quán)融合后的特征進行串聯(lián)，進一步豐富了特征信息，提高了特征的維度和表達能力，為后續(xù)的分類器提供了更全面、更有效的特征向量，從而提升了檢測的準確性。在算法選擇和優(yōu)化方面，本研究采用了支持向量機和隨機森林等多種機器學(xué)習(xí)算法，并對這些算法進行了參數(shù)優(yōu)化和性能比較。通過交叉驗證等方法，選擇了最優(yōu)的算法參數(shù)，使得算法在訓(xùn)練和測試過程中能夠更好地擬合數(shù)據(jù)，提高分類的準確性和穩(wěn)定性。還結(jié)合了集成學(xué)習(xí)的思想，將多個分類器的結(jié)果進行融合，進一步提高了檢測的魯棒性和泛化能力，使其能夠適應(yīng)不同視頻內(nèi)容、編碼參數(shù)和重壓縮場景的檢測需求。二、相關(guān)理論基礎(chǔ)2.1HEVC視頻編碼技術(shù)2.1.1HEVC編碼原理與框架HEVC作為新一代的視頻編碼標(biāo)準，其編碼原理基于混合編碼框架，主要包括幀內(nèi)預(yù)測、幀間預(yù)測、變換量化和熵編碼等核心過程。幀內(nèi)預(yù)測是利用當(dāng)前圖像幀內(nèi)已編碼的像素信息來預(yù)測當(dāng)前像素值，以此去除圖像的空間冗余。在HEVC中，對于亮度分量，提供了多達35種預(yù)測模式，包括平面模式、DC模式以及33種角度模式。平面模式適用于平坦區(qū)域，通過對相鄰像素的線性插值來預(yù)測當(dāng)前像素；DC模式則是用相鄰像素的平均值進行預(yù)測，常用于平滑區(qū)域；角度模式則根據(jù)不同的角度方向，利用相鄰像素的相關(guān)性進行預(yù)測，能夠更好地適應(yīng)圖像中的紋理和邊緣信息。對于色度分量，也有多種預(yù)測模式，如垂直模式、水平模式、DC模式等，這些模式充分考慮了色度信息與亮度信息之間的關(guān)系，提高了預(yù)測的準確性。幀間預(yù)測利用視頻序列中相鄰幀之間的時間相關(guān)性，通過在參考幀中尋找與當(dāng)前幀像素塊匹配的塊，來預(yù)測當(dāng)前幀的像素值，從而去除時間冗余。其核心步驟包括運動估計和運動補償。運動估計是在參考幀中搜索與當(dāng)前幀像素塊最匹配的塊，確定其運動向量，運動向量表示當(dāng)前塊相對于參考塊的位移。在搜索過程中，采用了多種搜索算法，如全搜索算法、快速搜索算法等，以提高搜索效率和準確性。運動補償則是根據(jù)運動估計得到的運動向量，從參考幀中獲取預(yù)測塊，用于預(yù)測當(dāng)前幀像素塊，通過這種方式可以有效減少時間冗余，提高編碼效率。變換量化是將幀內(nèi)預(yù)測或幀間預(yù)測后的殘差信號進行處理，以進一步壓縮數(shù)據(jù)。變換的目的是將殘差信號從空間域轉(zhuǎn)換到頻率域，使其能量更加集中。在HEVC中，主要采用整數(shù)離散余弦變換（DCT，DiscreteCosineTransform），這種變換能夠有效地將信號的能量集中在低頻部分，便于后續(xù)的量化處理。量化則是對變換后的系數(shù)進行量化，根據(jù)量化參數(shù)（QP）對系數(shù)進行取舍和縮放，去除人眼難以察覺的高頻細節(jié)信息，從而達到數(shù)據(jù)壓縮的目的。量化參數(shù)QP越大，量化步長越大，對高頻系數(shù)的壓縮程度越高，但同時也會導(dǎo)致圖像質(zhì)量下降；QP越小，量化步長越小，圖像質(zhì)量越高，但壓縮比會降低。熵編碼是對變換量化后的系數(shù)以及其他編碼信息進行編碼，以實現(xiàn)無損壓縮。HEVC采用了上下文自適應(yīng)二進制算術(shù)編碼（CABAC，Context-AdaptiveBinaryArithmeticCoding）算法，該算法根據(jù)符號的上下文信息，自適應(yīng)地調(diào)整編碼模型，對出現(xiàn)概率較高的符號分配較短的碼字，對出現(xiàn)概率較低的符號分配較長的碼字，從而提高編碼效率。CABAC算法能夠充分利用視頻數(shù)據(jù)的統(tǒng)計特性，有效地減少冗余信息，進一步提高視頻的壓縮比。HEVC的編碼框架如圖1所示，視頻序列首先被分割為編碼樹單元（CTU，CodingTreeUnit），每個CTU可以遞歸地劃分為多個編碼單元（CU，CodingUnit），CU是進行預(yù)測、變換、量化和熵編碼等處理的基本單元。每個CU又可以進一步劃分為預(yù)測單元（PU，PredictionUnit）和變換單元（TU，TransformUnit），PU用于進行幀內(nèi)或幀間預(yù)測，TU用于進行變換和量化。經(jīng)過上述處理后，得到的編碼數(shù)據(jù)通過熵編碼模塊進行編碼，最終輸出壓縮后的視頻碼流。[此處插入HEVC編碼框架圖1][此處插入HEVC編碼框架圖1]2.1.2HEVC編碼的關(guān)鍵技術(shù)HEVC編碼之所以能夠取得比H.264更高的壓縮效率，關(guān)鍵在于采用了一系列先進的技術(shù)，這些技術(shù)在各個編碼環(huán)節(jié)發(fā)揮著重要作用，有效提升了編碼性能。四叉樹結(jié)構(gòu)的塊劃分是HEVC編碼的重要創(chuàng)新之一。在HEVC中，CTU可以通過四叉樹結(jié)構(gòu)遞歸地劃分為不同大小的CU，最大的CU尺寸可以達到64×64，最小可以達到8×8（在一些配置下最小可至4×4）。這種靈活的塊劃分方式能夠更好地適應(yīng)視頻內(nèi)容的局部特性，對于平坦區(qū)域可以使用較大的CU進行編碼，減少編碼開銷；對于紋理復(fù)雜或運動劇烈的區(qū)域，則可以使用較小的CU，提高預(yù)測精度和編碼效率。CU可以進一步劃分為不同大小和形狀的PU，幀內(nèi)編碼的CU可以使用2N×2N或N×N的平方劃分，幀間編碼的CU還可以使用非對稱的劃分方式，如2N×N、N×2N等。這種多層次、靈活的塊劃分結(jié)構(gòu)，使得編碼器能夠根據(jù)視頻內(nèi)容的特點，動態(tài)地調(diào)整塊的大小和劃分方式，從而更有效地去除視頻中的冗余信息，提高編碼效率。多種預(yù)測模式的運用也是HEVC編碼的關(guān)鍵優(yōu)勢。如前文所述，在幀內(nèi)預(yù)測方面，亮度分量有35種預(yù)測模式，色度分量也有多種預(yù)測模式，這些豐富的預(yù)測模式能夠更精確地描述圖像中不同區(qū)域的空間相關(guān)性，提高預(yù)測的準確性。在幀間預(yù)測中，除了傳統(tǒng)的基于塊的運動補償技術(shù)外，HEVC還引入了一些新的技術(shù)，如合并模式（MergeMode）和高級運動矢量預(yù)測（AMVP，AdvancedMotionVectorPrediction）。合并模式通過復(fù)用相鄰塊的運動信息，減少運動向量的傳輸，降低編碼比特數(shù)；AMVP則通過對相鄰塊的運動向量進行預(yù)測，選擇最優(yōu)的運動向量預(yù)測值，提高運動向量的編碼效率，進一步提升幀間預(yù)測的性能。整數(shù)DCT變換在HEVC編碼中起到了重要作用。DCT變換能夠?qū)D像的空間域信號轉(zhuǎn)換為頻率域信號，使得圖像的能量主要集中在低頻部分，而高頻部分則包含了圖像的細節(jié)信息。通過對變換后的系數(shù)進行量化，可以有效地去除高頻部分的冗余信息，實現(xiàn)數(shù)據(jù)壓縮。在HEVC中，采用了整數(shù)DCT變換，避免了傳統(tǒng)DCT變換中的浮點運算，降低了計算復(fù)雜度，同時保證了變換的準確性和可逆性。整數(shù)DCT變換與量化過程緊密配合，根據(jù)量化參數(shù)對變換后的系數(shù)進行量化處理，在保證一定圖像質(zhì)量的前提下，最大限度地減少數(shù)據(jù)量，提高編碼效率。自適應(yīng)環(huán)路濾波技術(shù)是HEVC編碼的另一個關(guān)鍵技術(shù)。在視頻編碼過程中，由于量化等操作會引入噪聲和塊效應(yīng)，影響圖像的主觀質(zhì)量。自適應(yīng)環(huán)路濾波技術(shù)通過對解碼后的圖像進行濾波處理，去除噪聲和塊效應(yīng)，提高圖像的視覺質(zhì)量。HEVC采用了多種濾波方式，如去塊濾波（DeblockingFilter）、樣點自適應(yīng)補償（SAO，SampleAdaptiveOffset）和自適應(yīng)環(huán)路濾波（ALF，AdaptiveLoopFilter）。去塊濾波主要用于消除塊邊界處的不連續(xù)性，使圖像的塊邊界更加平滑；SAO則根據(jù)圖像的局部特征，對像素值進行自適應(yīng)調(diào)整，進一步提高圖像的質(zhì)量；ALF則是一種更加高級的濾波方式，它能夠根據(jù)圖像的內(nèi)容和編碼參數(shù)，自適應(yīng)地調(diào)整濾波強度和方式，在去除噪聲和塊效應(yīng)的同時，保留圖像的細節(jié)信息，提升圖像的主觀和客觀質(zhì)量。這些濾波技術(shù)相互配合，根據(jù)視頻內(nèi)容和編碼參數(shù)的不同，自適應(yīng)地選擇合適的濾波方式和參數(shù)，有效地提高了視頻的解碼圖像質(zhì)量。2.2PU塊劃分模式2.2.1PU塊劃分模式原理PU塊劃分模式在HEVC視頻編碼中起著至關(guān)重要的作用，它是實現(xiàn)高效預(yù)測和數(shù)據(jù)壓縮的關(guān)鍵環(huán)節(jié)。PU作為預(yù)測的基本單元，其劃分模式的選擇直接影響到預(yù)測的準確性和編碼效率。在HEVC編碼中，CU可以進一步劃分為不同大小和形狀的PU，這種靈活的劃分方式能夠更好地適應(yīng)視頻內(nèi)容的局部特性。在幀內(nèi)預(yù)測中，PU塊的劃分主要有兩種方式：2N×2N和N×N。2N×2N模式適用于圖像中較為平坦的區(qū)域，此時整個PU塊采用相同的預(yù)測模式進行預(yù)測。在一片藍色的天空區(qū)域，由于其像素值變化較為平緩，使用2N×2N的PU塊劃分模式，通過一種簡單的預(yù)測模式，如DC模式（用相鄰像素的平均值進行預(yù)測），就可以準確地預(yù)測當(dāng)前PU塊的像素值，從而有效地去除空間冗余。N×N模式則適用于紋理較為復(fù)雜的區(qū)域，將PU塊進一步劃分為更小的N×N子塊，每個子塊可以獨立選擇預(yù)測模式。在一幅包含樹葉紋理的圖像中，紋理細節(jié)豐富且變化復(fù)雜，使用N×N模式，每個小的子塊可以根據(jù)自身的紋理方向和特征，選擇最合適的角度模式進行預(yù)測，能夠更精確地描述圖像的局部特性，提高預(yù)測的準確性。在幀間預(yù)測中，PU塊的劃分方式更加多樣化，除了2N×2N和N×N的平方劃分外，還包括非對稱的劃分方式，如2N×N、N×2N等。2N×N模式適用于水平方向運動較為明顯的區(qū)域，通過將PU塊在水平方向上進行劃分，能夠更好地匹配參考幀中對應(yīng)區(qū)域的運動情況，提高運動估計和補償?shù)臏蚀_性。在一個視頻中，一輛汽車在水平方向上快速行駛，對于汽車所在的區(qū)域，采用2N×N的PU塊劃分模式，能夠更準確地捕捉汽車的運動信息，減少預(yù)測殘差。N×2N模式則適用于垂直方向運動較為突出的場景，通過垂直方向的劃分，能夠更好地適應(yīng)垂直方向的運動變化。對于視頻中上下運動的電梯場景，采用N×2N模式可以更有效地描述電梯的運動特征，提高幀間預(yù)測的精度。PU塊還可以采用跳過（Skip）模式和合并（Merge）模式。Skip模式適用于當(dāng)前PU塊與參考幀中的對應(yīng)塊具有相同的運動信息，此時無需傳輸預(yù)測殘差和運動向量，大大減少了編碼比特數(shù)。在一個視頻中，背景區(qū)域沒有明顯的運動變化，對于這些背景區(qū)域的PU塊，可以采用Skip模式，直接復(fù)用參考幀中對應(yīng)塊的信息，實現(xiàn)高效編碼。Merge模式則是通過復(fù)用相鄰塊的運動信息，減少運動向量的傳輸，降低編碼開銷。在一個人物行走的視頻中，人物周圍的PU塊在運動上具有一定的相關(guān)性，采用Merge模式，復(fù)用相鄰塊的運動向量，能夠有效地減少編碼數(shù)據(jù)量，提高編碼效率。2.2.2PU塊劃分模式在視頻重壓縮檢測中的應(yīng)用潛力PU塊劃分模式在視頻重壓縮檢測中具有巨大的應(yīng)用潛力，能夠為判斷視頻是否經(jīng)過重壓縮提供重要線索。在HEVC編碼過程中，PU塊劃分模式的選擇是基于視頻內(nèi)容的局部特性和編碼器的決策策略，而重壓縮會改變視頻的編碼歷史和統(tǒng)計特性，從而導(dǎo)致PU塊劃分模式發(fā)生變化。當(dāng)視頻進行單次壓縮時，編碼器會根據(jù)視頻的原始內(nèi)容，選擇最優(yōu)的PU塊劃分模式，以達到最佳的編碼效果。對于一個包含簡單背景和少量運動物體的視頻，在單次壓縮時，背景區(qū)域會傾向于選擇較大的PU塊劃分模式，如2N×2N，以減少編碼開銷；而運動物體區(qū)域則會根據(jù)其運動方向和速度，選擇合適的非對稱劃分模式或較小的PU塊劃分模式，以提高預(yù)測精度。當(dāng)視頻進行重壓縮時，由于重壓縮過程中使用的編碼器參數(shù)、預(yù)測模型等可能與單次壓縮不同，會導(dǎo)致PU塊劃分模式的分布發(fā)生改變。如果重壓縮時使用了不同的量化參數(shù)，會使得視頻的殘差信號發(fā)生變化，進而影響編碼器對PU塊劃分模式的選擇。重壓縮后的視頻在一些原本平坦的區(qū)域，可能會因為量化誤差的累積，導(dǎo)致編碼器選擇更小的PU塊劃分模式，以更好地適應(yīng)信號的變化。通過分析PU塊劃分模式在單次壓縮和重壓縮視頻中的差異，可以提取出有效的特征來檢測視頻是否經(jīng)過重壓縮。可以統(tǒng)計不同PU塊劃分模式在視頻中的出現(xiàn)頻率，構(gòu)建PU塊劃分模式的概率分布特征。在單次壓縮視頻中，不同類型的PU塊劃分模式會呈現(xiàn)出一定的概率分布規(guī)律，而重壓縮會打破這種規(guī)律，使得某些PU塊劃分模式的出現(xiàn)頻率發(fā)生顯著變化。通過比較待檢測視頻與正常單次壓縮視頻的PU塊劃分模式概率分布，就可以判斷視頻是否經(jīng)過重壓縮。還可以分析PU塊劃分模式之間的轉(zhuǎn)換關(guān)系，即從一種PU塊劃分模式轉(zhuǎn)換到另一種模式的概率。在正常編碼過程中，PU塊劃分模式的轉(zhuǎn)換是有一定規(guī)律的，而重壓縮可能會導(dǎo)致這種轉(zhuǎn)換關(guān)系發(fā)生異常。通過研究這些異常的轉(zhuǎn)換關(guān)系，也能夠為視頻重壓縮檢測提供有力的依據(jù)。2.3DCT系數(shù)共生矩陣2.3.1DCT變換原理DCT變換，即離散余弦變換（DiscreteCosineTransform），是一種在數(shù)字信號處理和圖像處理領(lǐng)域廣泛應(yīng)用的正交變換。它的核心作用是將圖像從空間域轉(zhuǎn)換到頻率域，通過這種轉(zhuǎn)換，能夠揭示圖像中不同頻率成分的分布情況，從而為后續(xù)的信號處理和壓縮提供便利。從數(shù)學(xué)原理上看，對于一個大小為N\timesN的圖像塊f(x,y)，其二維DCT變換定義為：F(u,v)=\alpha(u)\alpha(v)\sum_{x=0}^{N-1}\sum_{y=0}^{N-1}f(x,y)\cos\left[\frac{(2x+1)u\pi}{2N}\right]\cos\left[\frac{(2y+1)v\pi}{2N}\right]其中，x,y=0,1,\cdots,N-1；u,v=0,1,\cdots,N-1；當(dāng)u=0時，\alpha(u)=\frac{1}{\sqrt{N}}，當(dāng)u\neq0時，\alpha(u)=\sqrt{\frac{2}{N}}，\alpha(v)$????????????\(\alpha(u)$?±?????????¨è????a????????-???$F(u,v)$è?¨?¤o?????￠??????é￠?????3???°???$(u,v)$è?¨?¤oé￠????????

????é??è??è????a?????￠???????????¨??oé?′??????????′

???$f(x,y)$è￠?è????￠??oé￠???????????3???°$F(u,v)$????????????é￠???????é??$(u,v)$?ˉ1?o???????????????oé?′????????1?????????é￠????é?????è|??????

??????????13?????o???????¤§è?′è??????????

??o???é￠????é????¨?????￠???????3???°??-??

???è???¤§????ˉ?é?????????ˉ1?o?????????|?????°???????????￠???è???¤????è?°????????-?¤§é?￠?§ˉ???????????o??????é??é￠????é????????è|??????

????????????è??????o1??????è?1????????ˉ???é??é￠????é??????????|?????°?????????é?????è???¤?????????°????????-????′

?????????é????????????|??????????è?1???????o1?????????è???-??????¨è§?é￠?????????-???DCT?????￠?????￥???è?3??3é??è|?????????¨?????￥HEVC????

???o????????¨??§???é￠??μ??????§é?′é￠??μ??????°????·??????·??????????ˉ1????·??????·è??è??DCT?????￠????°?????·??????·?????oé?′???è????￠??°é￠?????????????????????·???è??é?????è|?é????-??¨???é￠?é?¨??????è??é??é￠?é?¨??????è??é??????ˉ1è???°????è???

·??¨?????-???é?????è???¨???-?????ˉ??￥?

1???é??????????°?ˉ1é??é￠??3???°è??è??è???¤§?¨??o|??????????????

??o?oo????ˉ1é??é￠????è???????ˉ??????????o|è???????????é?¤é?¨???é??é￠??????ˉ?ˉ1?????????è§?è§?è′¨é????±???è???°????é??è??DCT?????￠???é???????????????????ˉ??￥????????°????°?è§?é￠???°???é??????????°è§?é￠?????????????DCT?????￠è????·???è??é??é????-??1??§???????????3??§???è???¤??°???????????′

?1?é?′????????3??§è???????oé￠?????3???°?1?é?′???????ˉ1????????§???è??????-￥???é???o??????????????????¨?????a???????oo??????è????ˉ???è§?é￠???§??-????oo??????è?????????¤§é?￠?§ˉ???è????ˉ??o?????ˉ??￥??±???é￠??3???°????￥???°è?¨?¤o???è???oo??????é?￠é?¨???è?????è?￡???????o1????-??????±é??é￠??3???°?????°???é??è??DCT?????￠????°?è???o??????ˉè????￠??oé￠?????3???°?????¨é??????????ˉ??￥?

1????oo??????è§?è§???1??§????ˉ1é??é￠??3???°è??è??é????????????????????è????¨???èˉ??????????è|??????1?????°????????????????????°??°?????????????????????\##\##2.3.2??±??????é?μ????????±??????é?μ?????¨?§°??o??°?o|??±??????é?μ???GrayLevelCo-occurrenceMatrix???GLCM????????ˉ????§???¨?o????è?°????????-????′

??°?o|??oé?′?????3??§??????????·￥??·?????¨???????o1??????????????1??????????????????????±??-?é￠???????????1??3?????o???¨????????o???????????ˉ??o?o?????????-????′

??°?o|??????è????????????????·?????￥èˉ′?????±??????é?μé??è?????è??????????-??·?????1?????oé?′????????3?3?????|?è·??|????è§??o|????????¤??a????′

?????°?o|?o§????????o??°???é￠?????????￥?????o?????a???é?μ????ˉ1?o?????1???°?o|????????????è???????°?o|?o§??±???$L$??a?????±??????é?μ$P$??ˉ?????a$L\timesL$??????é?μ??????é?μ??-???????′

$P(i,j,d,\theta)$è?¨?¤o??¨è·??|???o$d$???è§??o|??o$\theta$?????????????????°?o|?????o$i$???????′

?????°?o|?????o$j$???????′

????????o??°????????°??????è·??|?$d=1$???è§??o|$\theta=0^{\circ}$???????°±??ˉ???è???°′?13??1?????????é??????′

??°?o|?????o$i$???$j$????????o??°????????°??????è§??o|$\theta=90^{\circ}$???????????ˉ???è???????′??1?????????é??????′

??°?o|?????o$i$???$j$????????o??°????????°?????±??????é?μè???¤??????

??????????¤??§??o1?????1??????è????ˉ?????¨??????????????-??·???é??è|???·???????????

???è??é??????1??§°??oè§??o?é??????????ˉ??±??????é?μ????????aé??è|???1????????????è?????????????o???\[ASM=\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}P^2(i,j,d,\theta)\]è??é???????

?o?????????°?o|????????????????¨??o|????o1???????2?????o|????????±??????é?μ??-???????′

??????è????oé????-?????3????o???°?o|?ˉ1??o??°???é￠????è??é????????è??é?????è???¤§???è??è?¨?¤o??????????o1???è????oè§??????????????????°?o|??????????ˉ1é????-?????¨????1??13??????è??è?2?¤???o????????-?????±?o?????′

??°?o|?????????è???°??????°?o|?ˉ1?????o??°è????oé????-?????±??????é?μ???è??é??????°±???è???¤§?????μ??ˉ??|?????aé??è|???1?????????è?????????????o???\[ENT=-\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}P(i,j,d,\theta)\log_2P(i,j,d,\theta)\]??μè?¨?¤o????????-?o1??????é?????????¨??o|????¤?????¨??o|????????±??????é?μ??-???????′

??????è????o?????￡?????3????§???°?o|?ˉ1??o??°???é￠????è????o??????????????μ???è???¤§???èˉ′?????????????o1???è????o?¤??????????è§?????????¨????1????????¤?????

?????o1??????????????-?????±?o??o1??????è????°?ˉ??????°?o|?ˉ1?????o??°è????oé????o?????±??????é?μ?????μ????°±???è???¤§????ˉ1?ˉ??o|?1???ˉ??±??????é?μ???é??è|???1????1??????????è?????????????o???\[CON=\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}(i-j)^2P(i,j,d,\theta)\]?ˉ1?ˉ??o|?????

?o???????????????°?o|????o1????2??o1????·±?μ??¨??o|????o1????2??o1è???·±????ˉ1?ˉ??o|è???¤§???è§?è§???????è???????°???????1?????ˉ1?ˉ??o|?°????????2??o1?μ???????????¨??3??????¨????1???·?????????è?1??????????????-???è?1????¤??????°?o|?·????è???¤§?????±??????é?μ????ˉ1?ˉ??o|????°±???è???¤§????????3??§????o|é???o???oé?′??°?o|??±??????é?μ????′

??¨è??????????1????????????????¨??o|??????è?????????????o???\[COR=\frac{\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}(i-\mu_i)(j-\mu_j)P(i,j,d,\theta)}{\sigma_i\sigma_j}\]?????-???\(\mu_i,\mu_j分別是灰度值i和j的均值，\sigma_i,\sigma_j分別是灰度值i和j的標(biāo)準差。相關(guān)性值大小反映了圖像中局部灰度的相關(guān)性，當(dāng)矩陣元素值均勻相等時，相關(guān)值就大；相反，如果矩陣像元值相差很大則相關(guān)值小。在一幅具有規(guī)則紋理的圖像中，由于紋理具有一定的重復(fù)性和相關(guān)性，共生矩陣的相關(guān)性值就會較大。2.3.3DCT系數(shù)共生矩陣構(gòu)建與特征提取DCT系數(shù)共生矩陣的構(gòu)建是基于DCT變換后的系數(shù)，它能夠進一步挖掘視頻在頻率域的特征，為視頻重壓縮檢測提供有力的支持。在構(gòu)建DCT系數(shù)共生矩陣時，首先對視頻幀進行分塊處理，通常將視頻幀劃分為多個大小相同的塊，如8×8或16×16的塊。對每個塊進行DCT變換，得到對應(yīng)的DCT系數(shù)矩陣。以8×8的塊為例，經(jīng)過DCT變換后，會得到一個8×8的DCT系數(shù)矩陣，其中包含了不同頻率的系數(shù)。然后，針對這些DCT系數(shù)，計算其共生矩陣。與傳統(tǒng)的灰度共生矩陣類似，DCT系數(shù)共生矩陣也是通過統(tǒng)計具有特定空間位置關(guān)系的DCT系數(shù)對的出現(xiàn)頻率來構(gòu)建?？梢越y(tǒng)計相鄰DCT系數(shù)（如水平相鄰、垂直相鄰等）的共生情況，構(gòu)建一個共生矩陣。假設(shè)DCT系數(shù)的取值范圍被量化為K個級別，那么DCT系數(shù)共生矩陣Q就是一個K\timesK的矩陣，其中元素Q(m,n,d,\theta)表示在距離為d、角度為\theta的條件下，DCT系數(shù)級別為m和n的系數(shù)對同時出現(xiàn)的次數(shù)。當(dāng)距離d=1，角度\theta=0^{\circ}時，就是統(tǒng)計水平方向上相鄰DCT系數(shù)級別為m和n同時出現(xiàn)的次數(shù)。從DCT系數(shù)共生矩陣中提取特征是實現(xiàn)視頻重壓縮檢測的關(guān)鍵步驟。通過計算共生矩陣的一些統(tǒng)計特征，可以得到能夠有效表征視頻重壓縮特性的特征向量。對比度是一個重要的特征，它反映了DCT系數(shù)共生矩陣中元素的分布差異。在視頻重壓縮過程中，由于量化等操作的變化，DCT系數(shù)的分布會發(fā)生改變，從而導(dǎo)致共生矩陣的對比度發(fā)生變化。如果重壓縮時采用了不同的量化參數(shù)，會使得DCT系數(shù)的量化誤差發(fā)生改變，進而影響系數(shù)對的出現(xiàn)頻率，使得對比度發(fā)生變化。相關(guān)性特征也具有重要意義，它反映了DCT系數(shù)之間的相關(guān)性。重壓縮可能會破壞DCT系數(shù)之間原有的相關(guān)性，導(dǎo)致共生矩陣的相關(guān)性特征發(fā)生變化。能量和熵等特征也能從不同角度反映視頻的重壓縮特性。能量反映了DCT系數(shù)共生矩陣中元素分布的集中程度，重壓縮可能會使系數(shù)分布更加分散或集中，從而改變能量值。熵則表示DCT系數(shù)分布的不確定性，重壓縮可能會增加或減少這種不確定性，導(dǎo)致熵值的變化。為了更直觀地說明，假設(shè)有一個視頻幀，在單次壓縮后，其DCT系數(shù)共生矩陣的對比度為C_1，相關(guān)性為R_1，能量為E_1，熵為S_1。當(dāng)該視頻幀進行重壓縮后，由于量化參數(shù)的改變，DCT系數(shù)的分布發(fā)生了變化，此時共生矩陣的對比度變?yōu)镃_2，相關(guān)性變?yōu)镽_2，能量變?yōu)镋_2，熵變?yōu)镾_2。通過比較C_1與C_2、R_1與R_2、E_1與E_2、S_1與S_2的差異，可以判斷視頻是否經(jīng)過重壓縮。如果差異較大，則說明視頻很可能經(jīng)過了重壓縮；如果差異較小，則視頻經(jīng)過重壓縮的可能性較小。在實際應(yīng)用中，可以將這些特征進行組合，形成一個多維的特征向量，作為后續(xù)分類器的輸入，以提高視頻重壓縮檢測的準確性。三、基于PU塊劃分模式的重壓縮檢測算法設(shè)計3.1算法思路本研究提出的基于PU塊劃分模式的HEVC視頻重壓縮檢測算法，核心思路是通過深入分析PU塊劃分模式在單次壓縮和重壓縮視頻中的變化規(guī)律，提取能夠有效表征重壓縮的特征，進而實現(xiàn)對視頻是否經(jīng)過重壓縮的準確判斷。在HEVC編碼過程中，PU塊劃分模式的選擇是基于視頻內(nèi)容的局部特性和編碼器的決策策略。對于不同的視頻內(nèi)容，編碼器會根據(jù)像素的空間相關(guān)性、運動信息等因素，選擇最合適的PU塊劃分模式，以達到最佳的編碼效果，實現(xiàn)高效的數(shù)據(jù)壓縮。在一個包含靜態(tài)場景的視頻中，如一幅風(fēng)景畫面，由于畫面中的物體相對靜止，像素之間的空間相關(guān)性較強，編碼器會傾向于選擇較大的PU塊劃分模式，如2N×2N，以減少編碼開銷，提高編碼效率。而在一個包含動態(tài)場景的視頻中，如一場體育比賽，畫面中物體的運動較為劇烈，像素之間的空間相關(guān)性較弱，編碼器會根據(jù)物體的運動方向和速度，選擇合適的非對稱劃分模式或較小的PU塊劃分模式，如2N×N、N×2N或N×N，以提高預(yù)測精度，更準確地描述視頻內(nèi)容。當(dāng)視頻進行重壓縮時，由于重壓縮過程中使用的編碼器參數(shù)、預(yù)測模型等可能與單次壓縮不同，會導(dǎo)致PU塊劃分模式發(fā)生變化。重壓縮時使用了不同的量化參數(shù)，會使得視頻的殘差信號發(fā)生變化，進而影響編碼器對PU塊劃分模式的選擇。在單次壓縮時，某個區(qū)域可能因為像素變化較為平緩而選擇了2N×2N的PU塊劃分模式；但在重壓縮時，由于量化參數(shù)的改變，該區(qū)域的殘差信號發(fā)生了變化，編碼器可能會認為該區(qū)域的像素變化變得復(fù)雜，從而選擇N×N的PU塊劃分模式，以更好地適應(yīng)信號的變化。重壓縮過程中使用的預(yù)測模型不同，也會導(dǎo)致PU塊劃分模式的改變。不同的預(yù)測模型對視頻內(nèi)容的理解和處理方式不同，會根據(jù)自身的算法特點選擇不同的PU塊劃分模式?；谝陨显恚舅惴ㄊ紫葘σ曨l幀進行分塊處理，將視頻幀劃分為多個編碼單元（CU），然后對每個CU進一步劃分成不同的預(yù)測單元（PU）。在這個過程中，詳細記錄每個PU的劃分模式，包括其大小、形狀以及在幀內(nèi)或幀間預(yù)測中的具體模式。對于幀內(nèi)預(yù)測的PU，記錄其是采用2N×2N還是N×N的劃分模式，以及具體的預(yù)測模式（如平面模式、DC模式、角度模式等）；對于幀間預(yù)測的PU，記錄其劃分模式（如2N×2N、2N×N、N×2N、N×N）、運動向量、合并模式或跳過模式等信息。通過大量的實驗和數(shù)據(jù)分析，統(tǒng)計不同類型視頻在單次壓縮和重壓縮下PU塊劃分模式的概率分布。對于包含不同場景（如室內(nèi)、室外、人物、風(fēng)景等）、不同運動程度（如靜止、緩慢運動、快速運動等）的視頻，分別統(tǒng)計其單次壓縮和重壓縮后的PU塊劃分模式概率分布。建立PU塊劃分模式概率分布模型，將待檢測視頻的PU塊劃分模式概率分布與該模型進行對比。如果待檢測視頻的PU塊劃分模式概率分布與單次壓縮視頻的模型差異較大，而與重壓縮視頻的模型更為接近，則判斷該視頻經(jīng)過了重壓縮。通過這種方式，能夠有效地利用PU塊劃分模式的變化特征，實現(xiàn)對HEVC視頻重壓縮的準確檢測。3.2特征提取在基于PU塊劃分模式的重壓縮檢測算法中，特征提取是關(guān)鍵環(huán)節(jié)，其準確性直接影響到后續(xù)重壓縮檢測的效果。本算法主要從視頻幀的I幀和P幀中提取PU塊劃分模式特征，通過對這些特征的分析來判斷視頻是否經(jīng)過重壓縮。在視頻序列中，I幀是獨立編碼的幀，它包含了完整的圖像信息，不依賴于其他幀進行解碼，主要用于去除空間冗余。P幀則是基于前向預(yù)測的幀，它利用前面的I幀或P幀作為參考幀進行預(yù)測編碼，主要去除時間冗余。由于I幀和P幀在編碼方式和作用上的不同，它們的PU塊劃分模式也具有不同的特點，因此分別對I幀和P幀進行特征提取能夠更全面地反映視頻的重壓縮特性。對于I幀，首先將其劃分為多個編碼單元（CU），CU是HEVC編碼中的基本處理單元，其大小可以根據(jù)視頻內(nèi)容的復(fù)雜度進行自適應(yīng)調(diào)整，最大可以達到64×64，最小可以為8×8。對于每個CU，進一步劃分為不同的預(yù)測單元（PU），在I幀中，PU的劃分模式主要有2N×2N和N×N兩種。統(tǒng)計不同尺寸PU模式的變化情況，具體來說，計算2N×2N模式的PU在I幀中出現(xiàn)的頻率f_{2N\times2N}^I，以及N×N模式的PU出現(xiàn)的頻率f_{N\timesN}^I。還記錄每種模式下不同預(yù)測方向的使用頻率，在2N×2N模式下，預(yù)測方向包括平面模式、DC模式和33種角度模式。假設(shè)平面模式的使用次數(shù)為n_{plane}^{2N\times2N}，DC模式的使用次數(shù)為n_{DC}^{2N\times2N}，第k種角度模式的使用次數(shù)為n_{angle,k}^{2N\times2N}（k=1,2,\cdots,33），則平面模式的使用頻率為p_{plane}^{2N\times2N}=\frac{n_{plane}^{2N\times2N}}{n_{total}^{2N\times2N}}，DC模式的使用頻率為p_{DC}^{2N\times2N}=\frac{n_{DC}^{2N\times2N}}{n_{total}^{2N\times2N}}，第k種角度模式的使用頻率為p_{angle,k}^{2N\times2N}=\frac{n_{angle,k}^{2N\times2N}}{n_{total}^{2N\times2N}}，其中n_{total}^{2N\times2N}為2N×2N模式的PU總數(shù)。在N×N模式下，同樣記錄各種預(yù)測方向的使用頻率。通過這些統(tǒng)計信息，可以構(gòu)建I幀的PU塊劃分模式特征向量\mathbf{F}_I=[f_{2N\times2N}^I,f_{N\timesN}^I,p_{plane}^{2N\times2N},p_{DC}^{2N\times2N},p_{angle,1}^{2N\times2N},\cdots,p_{angle,33}^{2N\times2N},\cdots]。對于P幀，其PU塊劃分模式除了2N×2N和N×N外，還包括2N×N、N×2N等非對稱劃分模式，以及跳過（Skip）模式和合并（Merge）模式。統(tǒng)計不同尺寸PU模式的出現(xiàn)頻率，如2N×2N模式的PU出現(xiàn)頻率f_{2N\times2N}^P，2N×N模式的PU出現(xiàn)頻率f_{2N\timesN}^P，N×2N模式的PU出現(xiàn)頻率f_{N\times2N}^P，N×N模式的PU出現(xiàn)頻率f_{N\timesN}^P，Skip模式的PU出現(xiàn)頻率f_{Skip}^P，Merge模式的PU出現(xiàn)頻率f_{Merge}^P。記錄每種模式下運動向量的統(tǒng)計信息，對于采用運動補償?shù)腜U（如2N×N、N×2N、N×N等模式），統(tǒng)計運動向量的水平分量mv_x和垂直分量mv_y的均值\overline{mv_x}、\overline{mv_y}，以及它們的方差\sigma_{mv_x}^2、\sigma_{mv_y}^2。假設(shè)在2N×N模式下，有n_{2N\timesN}個PU，其運動向量的水平分量分別為mv_{x,1}^{2N\timesN},mv_{x,2}^{2N\timesN},\cdots,mv_{x,n_{2N\timesN}}^{2N\timesN}，垂直分量分別為mv_{y,1}^{2N\timesN},mv_{y,2}^{2N\timesN},\cdots,mv_{y,n_{2N\timesN}}^{2N\timesN}，則水平分量的均值為\overline{mv_x}^{2N\timesN}=\frac{1}{n_{2N\timesN}}\sum_{i=1}^{n_{2N\timesN}}mv_{x,i}^{2N\timesN}，方差為\sigma_{mv_x}^{2,2N\timesN}=\frac{1}{n_{2N\timesN}}\sum_{i=1}^{n_{2N\timesN}}(mv_{x,i}^{2N\timesN}-\overline{mv_x}^{2N\timesN})^2，垂直分量同理。通過這些統(tǒng)計信息，構(gòu)建P幀的PU塊劃分模式特征向量\mathbf{F}_P=[f_{2N\times2N}^P,f_{2N\timesN}^P,f_{N\times2N}^P,f_{N\timesN}^P,f_{Skip}^P,f_{Merge}^P,\overline{mv_x}^{2N\timesN},\overline{mv_y}^{2N\timesN},\sigma_{mv_x}^{2,2N\timesN},\sigma_{mv_y}^{2,2N\timesN},\cdots]。將I幀和P幀的特征向量進行融合，得到最終的PU塊劃分模式特征向量\mathbf{F}=[\mathbf{F}_I,\mathbf{F}_P]。這個特征向量綜合了I幀和P幀的PU塊劃分模式信息，能夠更全面、準確地反映視頻的重壓縮特性，為后續(xù)的重壓縮檢測提供有力的數(shù)據(jù)支持。在一個包含人物運動的視頻中，I幀的PU塊劃分模式特征可以反映人物和背景的靜態(tài)結(jié)構(gòu)信息，而P幀的PU塊劃分模式特征可以體現(xiàn)人物運動的動態(tài)信息，通過融合兩者的特征，能夠更準確地判斷視頻是否經(jīng)過重壓縮。3.3特征選擇與優(yōu)化在基于PU塊劃分模式的HEVC視頻重壓縮檢測算法中，特征選擇與優(yōu)化是提升檢測性能的關(guān)鍵步驟，直接影響到算法的準確性和效率。通過合理的特征選擇與優(yōu)化，可以去除冗余特征，保留最具代表性和區(qū)分度的特征，從而提高檢測模型的性能。在提取PU塊劃分模式特征后，面對眾多的特征維度，需要進行特征選擇以去除冗余和不相關(guān)的特征。采用互信息分析方法來評估每個特征與重壓縮標(biāo)簽之間的相關(guān)性?；バ畔⒛軌蚝饬績蓚€隨機變量之間的依賴程度，在本算法中，用于衡量每個PU塊劃分模式特征與視頻是否經(jīng)過重壓縮這一標(biāo)簽之間的依賴關(guān)系。對于I幀的特征向量\mathbf{F}_I，計算每個特征分量與重壓縮標(biāo)簽之間的互信息。假設(shè)特征分量f_{2N\times2N}^I與重壓縮標(biāo)簽y之間的互信息為MI(f_{2N\times2N}^I,y)，通過計算可以得到各個特征分量的互信息值。根據(jù)互信息值的大小，設(shè)定一個閾值T_{MI}，去除互信息值小于閾值的特征。如果某個角度模式的使用頻率p_{angle,k}^{2N\times2N}與重壓縮標(biāo)簽的互信息值MI(p_{angle,k}^{2N\times2N},y)小于閾值T_{MI}，則認為該特征與重壓縮的相關(guān)性較弱，將其從特征向量中去除。通過這種方式，能夠篩選出與重壓縮相關(guān)性較強的I幀特征，得到優(yōu)化后的I幀特征向量\mathbf{F}_I^{'}。對于P幀的特征向量\mathbf{F}_P，同樣采用互信息分析方法進行特征選擇。計算每個特征分量，如不同尺寸PU模式的出現(xiàn)頻率f_{2N\times2N}^P,f_{2N\timesN}^P,f_{N\times2N}^P,f_{N\timesN}^P,f_{Skip}^P,f_{Merge}^P，以及運動向量的統(tǒng)計信息\overline{mv_x}^{2N\timesN},\overline{mv_y}^{2N\timesN},\sigma_{mv_x}^{2,2N\timesN},\sigma_{mv_y}^{2,2N\timesN}等與重壓縮標(biāo)簽之間的互信息。根據(jù)互信息值與閾值T_{MI}的比較，去除相關(guān)性較弱的特征，得到優(yōu)化后的P幀特征向量\mathbf{F}_P^{'}。在特征選擇之后，還可以對保留的特征進行優(yōu)化處理，以進一步提高特征的質(zhì)量和檢測性能。對特征進行歸一化處理，使不同特征之間具有相同的尺度，避免某些特征因數(shù)值較大而對模型訓(xùn)練產(chǎn)生過大的影響。對于I幀特征向量\mathbf{F}_I^{'}中的頻率特征f_{2N\times2N}^I,f_{N\timesN}^I等，由于它們的取值范圍在[0,1]之間，無需進行歸一化處理。對于一些數(shù)值范圍較大的特征，如P幀中運動向量的方差\sigma_{mv_x}^{2,2N\timesN},\sigma_{mv_y}^{2,2N\timesN}等，可以采用最小-最大歸一化方法，將其歸一化到[0,1]范圍內(nèi)。具體公式為：x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}其中，x為原始特征值，x_{min}和x_{max}分別為該特征在訓(xùn)練數(shù)據(jù)集中的最小值和最大值，x_{norm}為歸一化后的特征值。通過歸一化處理，能夠使特征在模型訓(xùn)練過程中具有更好的表現(xiàn)，提高模型的收斂速度和準確性。還可以采用主成分分析（PCA，PrincipalComponentAnalysis）方法對特征進行降維處理。PCA是一種常用的線性變換方法，它能夠?qū)⒏呔S數(shù)據(jù)轉(zhuǎn)換為低維數(shù)據(jù)，同時保留數(shù)據(jù)的主要特征。將優(yōu)化后的I幀特征向量\mathbf{F}_I^{'}和P幀特征向量\mathbf{F}_P^{'}合并為一個特征矩陣\mathbf{X}，對\mathbf{X}進行PCA變換。PCA變換的核心步驟是計算特征矩陣\mathbf{X}的協(xié)方差矩陣，然后求解協(xié)方差矩陣的特征值和特征向量。根據(jù)特征值的大小，選擇前k個最大特征值對應(yīng)的特征向量，組成一個投影矩陣\mathbf{W}。將特征矩陣\mathbf{X}與投影矩陣\mathbf{W}相乘，得到降維后的特征矩陣\mathbf{X}_{PCA}。通過PCA降維，不僅可以減少特征的維度，降低計算復(fù)雜度，還可以去除特征之間的相關(guān)性，提高特征的獨立性和有效性。在實際應(yīng)用中，需要根據(jù)實驗結(jié)果和檢測性能要求，合理選擇降維后的維度k，以達到最佳的檢測效果。3.4分類器選擇與訓(xùn)練在基于PU塊劃分模式的HEVC視頻重壓縮檢測算法中，分類器的選擇與訓(xùn)練至關(guān)重要，它直接決定了檢測算法的準確性和可靠性。經(jīng)過綜合考慮和對比分析，本研究選擇支持向量機（SVM）作為分類器，其具有良好的分類性能和泛化能力，能夠有效地處理高維數(shù)據(jù)和非線性分類問題，在模式識別領(lǐng)域得到了廣泛應(yīng)用。SVM的基本原理是尋找一個最優(yōu)的超平面，將不同類別的數(shù)據(jù)分開，使得離超平面最近的點（即支持向量）到超平面的距離最大化。在二維空間中，假設(shè)存在兩類數(shù)據(jù)點，分別用不同的符號表示，SVM的目標(biāo)就是找到一條直線，將這兩類數(shù)據(jù)點盡可能準確地分開，并且使這條直線到最近的數(shù)據(jù)點的距離最大。對于線性可分的數(shù)據(jù)，SVM可以通過求解一個二次規(guī)劃問題來得到最優(yōu)超平面的參數(shù)。假設(shè)數(shù)據(jù)集為\{(x_i,y_i)\}_{i=1}^n，其中x_i是特征向量，y_i\in\{-1,1\}是類別標(biāo)簽，最優(yōu)超平面的方程可以表示為w^Tx+b=0，其中w是超平面的法向量，b是偏移量。為了找到最優(yōu)的w和b，需要最大化支持向量到超平面的距離，即最大化\frac{1}{\|w\|}，同時滿足約束條件y_i(w^Tx_i+b)\geq1，i=1,2,\cdots,n。通過拉格朗日乘子法將這個有約束的優(yōu)化問題轉(zhuǎn)化為無約束的對偶問題進行求解。然而，在實際應(yīng)用中，數(shù)據(jù)往往是線性不可分的，此時SVM通過引入核函數(shù)將低維空間中的數(shù)據(jù)映射到高維空間中，使得數(shù)據(jù)在高維空間中變得線性可分。常用的核函數(shù)有線性核函數(shù)K(x_i,x_j)=x_i^Tx_j、多項式核函數(shù)K(x_i,x_j)=(x_i^Tx_j+1)^d（其中d是多項式的次數(shù)）、高斯核函數(shù)K(x_i,x_j)=\exp(-\frac{\|x_i-x_j\|^2}{2\sigma^2})（其中\(zhòng)sigma是高斯核的帶寬）等。不同的核函數(shù)適用于不同的數(shù)據(jù)分布和分類問題，需要根據(jù)具體情況進行選擇。在本研究中，使用經(jīng)過特征選擇與優(yōu)化后的PU塊劃分模式特征向量作為SVM的輸入數(shù)據(jù)。首先，將訓(xùn)練數(shù)據(jù)集劃分為訓(xùn)練集和驗證集，通常按照一定的比例，如70%的數(shù)據(jù)作為訓(xùn)練集，30%的數(shù)據(jù)作為驗證集。訓(xùn)練集用于訓(xùn)練SVM模型，驗證集用于評估模型的性能和調(diào)整模型的參數(shù)。在訓(xùn)練過程中，需要對SVM的參數(shù)進行調(diào)整，以獲得最佳的分類性能。主要調(diào)整的參數(shù)包括懲罰參數(shù)C和核函數(shù)參數(shù)。懲罰參數(shù)C用于控制模型對錯誤分類樣本的懲罰程度，C值越大，模型對錯誤分類的懲罰越重，模型的復(fù)雜度越高，容易出現(xiàn)過擬合；C值越小，模型對錯誤分類的容忍度越高，模型的復(fù)雜度越低，可能會出現(xiàn)欠擬合。對于高斯核函數(shù)，需要調(diào)整的參數(shù)是帶寬\sigma，\sigma值越小，高斯核函數(shù)的作用范圍越小，模型的復(fù)雜度越高；\sigma值越大，高斯核函數(shù)的作用范圍越大，模型的復(fù)雜度越低。為了找到最優(yōu)的參數(shù)組合，采用交叉驗證的方法。將訓(xùn)練集進一步劃分為k個子集，如k=5或k=10。在每次迭代中，選擇其中一個子集作為驗證集，其余k-1個子集作為訓(xùn)練集，訓(xùn)練SVM模型并在驗證集上進行評估。通過多次迭代，得到不同參數(shù)組合下模型在驗證集上的性能指標(biāo)，如準確率、精確率、召回率和F1得分等。選擇性能指標(biāo)最優(yōu)的參數(shù)組合作為最終的模型參數(shù)。在一個實驗中，對懲罰參數(shù)C在[0.1,1,10,100]范圍內(nèi)進行搜索，對高斯核函數(shù)的帶寬\sigma在[0.01,0.1,1,10]范圍內(nèi)進行搜索，通過5折交叉驗證，計算不同參數(shù)組合下模型在驗證集上的F1得分。經(jīng)過實驗，發(fā)現(xiàn)當(dāng)C=10，\sigma=0.1時，模型的F1得分最高，因此選擇這組參數(shù)作為最終的SVM模型參數(shù)。在確定最優(yōu)參數(shù)后，使用整個訓(xùn)練集對SVM模型進行訓(xùn)練，得到最終的HEVC視頻重壓縮檢測模型。這個模型將用于對待檢測視頻的重壓縮判斷，通過將待檢測視頻的PU塊劃分模式特征向量輸入到訓(xùn)練好的SVM模型中，模型根據(jù)學(xué)習(xí)到的分類規(guī)則，輸出視頻是否經(jīng)過重壓縮的判斷結(jié)果。四、基于DCT系數(shù)共生矩陣的重壓縮檢測算法設(shè)計4.1算法思路本研究提出的基于DCT系數(shù)共生矩陣的HEVC視頻重壓縮檢測算法，其核心思路是通過深入分析視頻重壓縮過程中DCT系數(shù)的變化規(guī)律，構(gòu)建DCT系數(shù)共生矩陣，并提取其中能夠有效表征重壓縮的特征，以此實現(xiàn)對HEVC視頻是否經(jīng)過重壓縮的準確判斷。在HEVC視頻編碼過程中，DCT變換是將預(yù)測后的殘差信號從空間域轉(zhuǎn)換到頻率域的關(guān)鍵步驟，其目的是使信號能量更加集中，便于后續(xù)的量化和編碼。在對一個視頻幀進行編碼時，首先進行幀內(nèi)或幀間預(yù)測，得到預(yù)測殘差。然后對殘差信號進行DCT變換，將其轉(zhuǎn)換為DCT系數(shù)。這些DCT系數(shù)包含了視頻幀的頻率信息，低頻系數(shù)主要反映視頻的大致輪廓和背景信息，高頻系數(shù)則主要體現(xiàn)視頻的細節(jié)和紋理信息。在一個包含人物和背景的視頻幀中，人物的輪廓和大面積的背景區(qū)域由低頻系數(shù)很好地表示，而人物的面部細節(jié)、衣服的紋理等則由高頻系數(shù)體現(xiàn)。在量化過程中，根據(jù)量化參數(shù)（QP）的大小，對DCT系數(shù)進行取舍和縮放，去除人眼難以察覺的高頻細節(jié)信息，從而達到數(shù)據(jù)壓縮的目的。當(dāng)視頻進行重壓縮時，由于量化等操作的變化，DCT系數(shù)會發(fā)生改變，這種改變會反映在DCT系數(shù)的共生矩陣中。如果重壓縮時采用了不同的量化參數(shù)，會使得DCT系數(shù)的量化誤差發(fā)生改變，進而影響系數(shù)對的出現(xiàn)頻率。在單次壓縮時，某個DCT系數(shù)對(m,n)在共生矩陣中的出現(xiàn)次數(shù)為Q_1(m,n)；而在重壓縮后，由于量化參數(shù)的改變，該系數(shù)對的出現(xiàn)次數(shù)可能變?yōu)镼_2(m,n)，且Q_1(m,n)\neqQ_2(m,n)。通過分析這種變化，可以提取出能夠表征重壓縮的特征?；谝陨显?，本算法首先對視頻幀進行分塊處理，通常將視頻幀劃分為多個大小相同的塊，如8×8或16×16的塊。對每個塊進行DCT變換，得到對應(yīng)的DCT系數(shù)矩陣。以8×8的塊為例，經(jīng)過DCT變換后，會得到一個8×8的DCT系數(shù)矩陣。然后，針對這些DCT系數(shù)，計算其共生矩陣。與傳統(tǒng)的灰度共生矩陣類似，DCT系數(shù)共生矩陣也是通過統(tǒng)計具有特定空間位置關(guān)系的DCT系數(shù)對的出現(xiàn)頻率來構(gòu)建。可以統(tǒng)計相鄰DCT系數(shù)（如水平相鄰、垂直相鄰等）的共生情況，構(gòu)建一個共生矩陣。假設(shè)DCT系數(shù)的取值范圍被量化為K個級別，那么DCT系數(shù)共生矩陣Q就是一個K\timesK的矩陣，其中元素Q(m,n,d,\theta)表示在距離為d、角度為\theta的條件下，DCT系數(shù)級別為m和n的系數(shù)對同時出現(xiàn)的次數(shù)。當(dāng)距離d=1，角度\theta=0^{\circ}時，就是統(tǒng)計水平方向上相鄰DCT系數(shù)級別為m和n同時出現(xiàn)的次數(shù)。從DCT系數(shù)共生矩陣中提取特征是實現(xiàn)視頻重壓縮檢測的關(guān)鍵步驟。通過計算共生矩陣的一些統(tǒng)計特征，如對比度、相關(guān)性、能量和熵等，可以得到能夠有效表征視頻重壓縮特性的特征向量。將這些特征向量作為分類器的輸入，利用支持向量機（SVM）等分類器進行訓(xùn)練和分類，從而判斷視頻是否經(jīng)過重壓縮。在一個實驗中，對大量單次壓縮和重壓縮的視頻進行分析，提取它們的DCT系數(shù)共生矩陣特征，然后使用SVM進行訓(xùn)練和分類。實驗結(jié)果表明，該算法能夠有效地檢測出視頻是否經(jīng)過重壓縮，具有較高的準確率和可靠性。4.2DCT變換與系數(shù)提取在基于DCT系數(shù)共生矩陣的HEVC視頻重壓縮檢測算法中，DCT變換與系數(shù)提取是構(gòu)建DCT系數(shù)共生矩陣并實現(xiàn)重壓縮檢測的基礎(chǔ)步驟，其準確性和有效性直接影響后續(xù)的檢測效果。對視頻幀進行DCT變換時，通常將視頻幀劃分為多個大小相同的塊，如8×8或16×16的塊，這是因為較小的塊尺寸能夠更好地適應(yīng)圖像局部特征的變化，同時在計算復(fù)雜度和變換效果之間取得較好的平衡。以8×8的塊為例，對每個塊進行DCT變換，其變換過程基于離散余弦變換的數(shù)學(xué)原理。二維DCT變換的公式為：F(u,v)=\alpha(u)\alpha(v)\sum_{x=0}^{N-1}\sum_{y=0}^{N-1}f(x,y)\cos\left[\frac{(2x+1)u\pi}{2N}\right]\cos\left[\frac{(2y+1)v\pi}{2N}\right]其中，x,y=0,1,\cdots,N-1；u,v=0,1,\cdots,N-1；當(dāng)u=0時，\alpha(u)=\frac{1}{\sqrt{N}}，當(dāng)u\neq0時，\alpha(u)=\sqrt{\frac{2}{N}}，\alpha(v)的取值與\alpha(u)類似。在實際計算中，對于一個8×8的圖像塊f(x,y)，通過上述公式計算得到對應(yīng)的8×8的DCT系數(shù)矩陣F(u,v)。在對一個包含人物面部的視頻幀進行處理時，將其劃分為多個8×8的塊，對其中一個塊進行DCT變換，經(jīng)過復(fù)雜的數(shù)學(xué)運算，得到該塊的DCT系數(shù)矩陣。在這個矩陣中，低頻系數(shù)集中在左上角，如F(0,0)等，它們主要反映了人物面部的大致輪廓和亮度信息；高頻系數(shù)分布在右下角，如F(7,7)等，它們體現(xiàn)了人物面部的細節(jié)信息，如眉毛、眼睛的邊緣和紋理等。DCT變換的本質(zhì)是將圖像塊從空間域轉(zhuǎn)換到頻率域，通過這種轉(zhuǎn)換，能夠?qū)D像的能量集中在低頻部分，而高頻部分則包含了圖像的細節(jié)信息。這種能量集中特性使得在后續(xù)的量化和編碼過程中，可以根據(jù)人眼的視覺特性，對高頻系數(shù)進行較大程度的壓縮，從而實現(xiàn)數(shù)據(jù)的有效壓縮。在視頻編碼中，DCT變換是去除圖像冗余信息的重要手段，它為提高視頻壓縮效率奠定了基礎(chǔ)。完成DCT變換后，需要提取DCT系數(shù)。在實際應(yīng)用中，通常會對DCT系數(shù)進行量化處理，以進一步減少數(shù)據(jù)量。量化是根據(jù)量化參數(shù)（QP）對DCT系數(shù)進行取舍和縮放的過程。量化參數(shù)QP越大，量化步長越大，對高頻系數(shù)的壓縮程度越高，會導(dǎo)致圖像質(zhì)量下降；QP越小，量化步長越小，圖像質(zhì)量越高，但壓縮比會降低。在提取DCT系數(shù)時，需要考慮量化對系數(shù)的影響。對于經(jīng)過量化后的DCT系數(shù)，直接提取其量化后的整數(shù)值。在一個視頻幀中，某個DCT系數(shù)經(jīng)過量化后的值為10，就將10作為提取的系數(shù)值。在一些情況下，為了更好地反映DCT系數(shù)的特性，還可以對量化后的系數(shù)進行反量化處理，恢復(fù)其在變換域中的近似值。反量化的過程是量化的逆過程，通過乘以相應(yīng)的量化步長，得到反量化后的DCT系數(shù)。在某些視頻分析任務(wù)中，反量化后的DCT系數(shù)能夠提供更準確的頻率信息，有助于分析視頻的內(nèi)容和特征。在本算法中，根據(jù)視頻重壓縮檢測的需求，綜合考慮量化和反量化的因素，提取能夠有效表征視頻重壓縮特性的DCT系數(shù)。通過對大量視頻的實驗分析，確定了合適的系數(shù)提取方法，以提高后續(xù)DCT系數(shù)共生矩陣構(gòu)建和重壓縮檢測的準確性。4.3共生矩陣構(gòu)建與特征提取在完成DCT變換與系數(shù)提取后，構(gòu)建DCT系數(shù)共生矩陣并從中提取特征是基于DCT系數(shù)共生矩陣的HEVC視頻重壓縮檢測算法的核心步驟之一，這些特征能夠有效表征視頻的重壓縮特性，為后續(xù)的分類和檢測提供關(guān)鍵依據(jù)。構(gòu)建DCT系數(shù)共生矩陣時，需考慮DCT系數(shù)的空間位置關(guān)系和出現(xiàn)頻率。首先，確定共生矩陣的參數(shù)，包括距離d和角度\theta。距離d通常選擇1，表示統(tǒng)計相鄰DCT系數(shù)對的共生情況；角度\theta一般考慮0°、45°、90°和135°這四個方向，以全面捕捉DCT系數(shù)在不同方向上的相關(guān)性。假設(shè)DCT系數(shù)的取值范圍被量化為K個級別，對于每個視頻幀分塊后的DCT系數(shù)矩陣，統(tǒng)計在不同距離和角度下，DCT系數(shù)級別為m和n（m,n=0,1,\cdots,K-1）的系數(shù)對同時出現(xiàn)的次數(shù)，從而構(gòu)建一個K\timesK的共生矩陣Q。對于一個8×8的DCT系數(shù)