利用模式噪声聚类分析的视频非同源篡改检测

计算机科学与探索 ›› 2011, Vol. 5 ›› Issue (10): 914-920.

利用模式噪声聚类分析的视频非同源篡改检测

黄添强, 吴铁浩, 袁秀娟, 陈智文

1. 福建师范大学数学与计算机科学学院, 福州 350007
2. 福建师范大学网络安全与密码技术福建省高校重点实验室, 福州 350007

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-01 发布日期:2011-10-01

Detecting Video’s Authenticity Based on Video Pattern Noise Clustering Analysis

HUANG Tianqiang, WU Tiehao, YUAN Xiujuan, CHEN Zhiwen

1. School of Mathematics and Computer Science, Fujian Normal University, Fuzhou 350007, China 2. Key Laboratory of Network Security and Cryptography, Fujian Normal University, Fuzhou 350007, China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-01 Published:2011-10-01

摘要/Abstract

摘要： 利用模式噪声相关性分析视频篡改取证的方法存在阈值影响的问题, 提出一种基于模式噪声聚类分析的篡改检测方法。首先用滤波器提取视频帧噪声, 然后以这些视频帧噪声的统计特性作为样本, 用基于密度的聚类算法得到低密度区域对象, 检测出被篡改的帧。实验结果表明, 该算法能够有效鉴定视频是否被篡改。

关键词: 模式噪声, 数据挖掘, 聚类, 数字图像取证

Abstract: Aiming at the effect of the threshold of digital video’s authenticity by the correlation analysis, this paper proposes a digital video forgery detection method based on digital video pattern noise clustering analysis. Firstly, the video frame noise is extracted by filter, and then the pattern noise statistical properties are used as samples. Clustering analysis is used to detect low density region objects. These low density region objects are considered as tampered frames. Experimental results show that this method can effectively identify tampered video frame.

Key words: pattern noise, data mining, clustering, digital image forensics

黄添强, 吴铁浩, 袁秀娟, 陈智文. 利用模式噪声聚类分析的视频非同源篡改检测[J]. 计算机科学与探索, 2011, 5(10): 914-920.

HUANG Tianqiang, WU Tiehao, YUAN Xiujuan, CHEN Zhiwen. Detecting Video’s Authenticity Based on Video Pattern Noise Clustering Analysis[J]. Journal of Frontiers of Computer Science and Technology, 2011, 5(10): 914-920.

[1]	陈俊芬, 张明, 赵佳成, 谢博鋆, 李艳. 结合降噪和自注意力的深度聚类算法[J]. 计算机科学与探索, 2021, 15(9): 1717-1727.
[2]	王大刚, 丁世飞, 钟锦. 基于二阶[k]近邻的密度峰值聚类算法研究[J]. 计算机科学与探索, 2021, 15(8): 1490-1500.
[3]	沈学利, 秦鑫宇. 密度Canopy的增强聚类与深度特征的KNN算法[J]. 计算机科学与探索, 2021, 15(7): 1289-1301.
[4]	范瑞东, 侯臣平. 鲁棒自加权的多视图子空间聚类[J]. 计算机科学与探索, 2021, 15(6): 1062-1073.
[5]	柏锷湘, 罗可, 罗潇. 结合自然和共享最近邻的密度峰值聚类算法[J]. 计算机科学与探索, 2021, 15(5): 931-940.
[6]	张倪妮, 葛洪伟. 稳定的K-多均值聚类算法[J]. 计算机科学与探索, 2021, 15(5): 941-948.
[7]	马瑞强, 宋宝燕, 丁琳琳, 王俊陆. 面向时间序列事件的动态矩阵聚类方法[J]. 计算机科学与探索, 2021, 15(3): 468-477.
[8]	孙冬璞, 曲丽. 时间序列特征表示与相似性度量研究综述[J]. 计算机科学与探索, 2021, 15(2): 195-205.
[9]	王光耀, 王丽珍, 杨培忠, 陈红梅. 极小负co-location模式及有效的挖掘算法[J]. 计算机科学与探索, 2021, 15(2): 366-378.
[10]	薛红艳, 钱雪忠, 周世兵. 超簇加权的集成聚类算法[J]. 计算机科学与探索, 2021, 15(12): 2362-2373.
[11]	张培, 祝恩, 蔡志平. 单步划分融合多视图子空间聚类算法[J]. 计算机科学与探索, 2021, 15(12): 2413-2420.
[12]	姚晓红, 黄恒君. 非负半监督函数型聚类方法[J]. 计算机科学与探索, 2021, 15(12): 2438-2448.
[13]	刘娟, 万静. 自然反向最近邻优化的密度峰值聚类算法[J]. 计算机科学与探索, 2021, 15(10): 1888-1899.
[14]	尤坊州, 白亮. 关键节点选择的快速图聚类算法[J]. 计算机科学与探索, 2021, 15(10): 1930-1937.
[15]	黄宇翔, 黄栋, 王昌栋, 赖剑煌. 基于集成学习的改进深度嵌入聚类算法[J]. 计算机科学与探索, 2021, 15(10): 1949-1957.