LOM：一种基于局部最优性维护的运动向量域自适应 HEVC 视频隐写方法

《Journal of Information Security and Applications》：LOM: A local optimality maintenance-based adaptive HEVC video steganography method in motion vector domain

　　

摘要 在运动向量域视频隐写中，修改运动向量可能会破坏运动向量预测的局部最优性，最终导致隐写视频的不安全性。为解决此问题，我们首先分析了运动向量预测的局部最优性，然后在运动向量域提出了一种基于局部最优性维持的视频隐写方法（LOM）。在 LOM 中，我们提出了一种新颖的视频隐写框架，并设计了运动向量修改的成本计算方法。在该框架下，信息嵌入过程中可以保持运动向量预测的局部最优性。此外，通过考虑运动向量之间的参考关系来设计成本计算方法，该方法计算出的成本能更好地反映由运动向量修改引起的失真传播。另外，利用运动向量的水平和垂直分量分别构建两个载体元素序列。因此，提高了隐写视频的最大嵌入容量。我们进行了实验以评估和比较我们提出的视频隐写方法。实验结果表明，与四种最先进的视频隐写方法相比，我们提出的方法在比特率增长和针对隐写分析的安全性方面表现更优。

引言 加密技术是确保信息安全的关键技术之一 [1]。在消息通信中，使用加密技术将明文消息加密生成密文消息后，直接传输密文消息容易引起攻击者的怀疑。即，加密技术只能保护消息内容的安全性，而不能保护传输密文消息行为的安全性。隐写是加密的互补技术，它不仅能保护消息内容的安全性，还能保护消息传输行为的安全性。隐写通常分为文本隐写 [2]、音频隐写 [3], [4]、图像隐写 [5], [6] 和视频隐写 [7], [8]。随着短视频和直播视频的兴起，数字视频已逐渐成为通信的主流媒介。因此，视频隐写技术的应用可以提高秘密通信的安全性。

当前主流的视频隐写技术主要集中于压缩域。也就是说，秘密信息是在视频编码过程中嵌入到编码参数中的。通过这种方式嵌入秘密信息，原始视频受到的破坏较小，同时提高了秘密通信过程的不可感知性和安全性。AVC [9]、HEVC [10] 和 VVC [11] 是用于压缩视频的国际通用视频编码标准。当前主流的视频隐写技术主要基于这些编码标准。由于在编码视频期间选择不同的编码参数作为视频隐写的载体元素，视频隐写主要分为帧内预测模式域视频隐写 [12], [13]、帧间预测模式域视频隐写 [14]、变换系数域视频隐写 [15], [16] 和运动向量域视频隐写 [17], [18], [19]。

基于这些域的视频隐写方法中，近年来 HEVC 视频隐写领域的进展主要关注鲁棒性、编码一致性和隐写分析安全性。例如，Yin 等人基于可逆神经网络提出了一种多域 HEVC 视频隐写框架 [20]，该框架联合利用压缩域和变换域特征以提高嵌入鲁棒性并增强抗重新压缩攻击的能力。Xie 等人开发了一种基于多边形编码和改进动态最小显著数（IDLSN）的高容量 HEVC 隐写方案 [21]，在保持良好视觉质量和编码性能的同时实现了更高的嵌入效率。He 等人引入了一种基于帧间失真传播链的非加性视频隐写方法 [22]，其中显式建模了帧之间的失真相互作用以抑制失真漂移并提高抗隐写分析能力。此外，Iddy 等人提出了一种基于 IPM 的安全 HEVC 隐写方案 [23]，该方案联合考虑了帧内预测模式的空间分布和转移概率，显著增强了对统计和基于校准的隐写分析的抵抗力。

在本文中，我们主要关注运动向量域视频隐写。运动向量预测的索引和运动向量是运动向量域视频隐写的重要载体元素。在编码视频时，运动向量的数量很大，其修改对视频编码性能的干扰较小。因此，面向运动向量的视频隐写技术受到了广泛关注。早期的运动向量域视频隐写方法主要分为两类。一类是将图像隐写方法移植到视频中提出视频隐写方法。例如，Yang 等人将图像隐写方法 EMD [24] 的思路引入，构建了一个 N 维运动向量空间映射关系 [17]，从而提出了一种运动向量域视频隐写方法。在 Yang 等人的方法中，所有载体元素被分为多组进行嵌入，每组包含 N 个载体元素。对于每组，最多改变一个载体元素（运动向量的分量 x 或 y），该组可以嵌入?log2(2N+1)?比特。因为这种方法不能同时优化所有载体元素的失真，所以隐写视频的视觉质量和安全性有限。第二类考虑运动向量的特性提出视频隐写方法。例如，[25], [26] 等视频隐写方法主要基于运动向量幅度和相位角修改策略的设计。然而，这些方法在嵌入信息时会影响运动向量的统计特性，最终导致隐写视频的安全性和视觉感知质量有限。

随着 STC 算法 [27] 的引入，运动向量域视频隐写的研究方向逐渐转向设计合理的载体元素变更成本计算方法。这种方法的研究方向可以根据不同载体的特性实现自适应嵌入并最小化隐写分析。因此，这类方法极大地提高了针对隐写分析的安全性。例如，Guo 等人在 [28] 中统计分析和描述每个视频帧的运动趋势，以指导运动向量的方向修改，提出了一种基于 SATD 的成本函数，该函数与 STC 算法结合以优化嵌入位置并减少嵌入失真。此外，Tang 等人考虑了修改运动向量对周围 PU 的影响，并提出了一种信息隐藏方法 [29] 以最小化块间干扰。

在使用运动向量预测索引作为载体元素的运动向量域视频隐写中，Hu 等人提出 [18] 通过同步修改候选运动向量预测的索引和相应的运动向量残差，确保编码端和解码端运动向量的一致性。这解决了视频质量下降的问题。然而，该方法的比特率变化很大，且容易受到隐写分析攻击。基于 Hu 等人的工作 [18]，Liu 等人根据索引修改引起的比特率变化定义了一个自适应失真函数 [19]，并结合 STC 算法以最小化嵌入效果并降低比特率。随后，Li 等人提出了一种运动向量域视频隐写方法 [30]，通过结合运动向量预测索引和运动向量差分。这种方法可以有效抵抗针对运动向量预测局部最优性分析的攻击，同时确保对视觉质量和比特率的影响最小。然而，这种方法的最大嵌入容量相对较小。

随着隐写分析技术的不断发展，运动向量域视频隐写方法的研究重点已从视觉质量和比特率提升转向增强针对隐写分析的性能。也就是说，安全性问题逐渐受到更多关注。例如，Li 等人提出了一种利用运动向量预测索引和运动向量差分的高安全性 HEVC 视频隐写方法 [30]。最近，Yin 等人 [31] 提出了一种 HEVC 信息隐藏算法，该算法利用预测单元（PU）划分模式和运动向量在两个嵌入域中分散和隐藏秘密信息，可以有效增强隐写视频的安全性。该方法通过增加更多的嵌入域来补偿在运动向量域中嵌入过多信息导致的安全性下降。

基于上述综述，当前的运动向量域视频隐写方法仍存在安全性低、最大嵌入容量小和比特率增加大等问题。为解决这些问题，在本文中，我们提出了一种基于局部最优性维持的自适应运动向量域视频隐写方法（LOM）。LOM 在保持良好质量和最小比特率增加的同时，提高了隐写的安全性和嵌入容量。本文的主要贡献总结如下：
1. 我们提出了一种新颖的面向运动向量的视频隐写框架。在该框架中，改变运动向量可以保持运动向量预测（MVP）的局部最优性，以提高隐写视频的安全性。
2. 我们分析了运动向量的参考关系，然后为运动向量设计了一个成本计算函数。我们设计的成本函数计算出的成本能更好地反映隐写的修改影响。
3. 我们进行了实验以评估我们提出的视频隐写框架和设计的成本函数。实验结果表明，我们提出的方法在比特率增加和针对隐写分析的安全性方面优于四种最先进的视频隐写方法。

本文的剩余结构组织如下。我们在第 2 节首先介绍四叉树划分结构、运动向量和运动向量的参考关系。接下来，我们在第 3 节分析运动向量预测的局部最优性。然后，我们在第 4 节提出我们提出的方法，包括一种新颖的视频隐写和一种新颖的成本计算。之后，在第 5 节给出实验结果和分析。最后，本文在第 6 节总结。

章节片段
四叉树划分结构与运动向量 HEVC 标准使用四叉树划分结构自适应地将视频帧划分为不同大小的编码块，然后这些编码块作为基本单元执行编码操作。对于要编码的视频，每个视频帧首先被划分为几个相同大小的编码树单元（CTUs）。然后，每个 CTU 向下递归划分为四叉树以获得几个编码单元（CUs）。将一个 CTU 递归划分为 CUs 的示例如图 1 所示。
运动向量预测局部最优性分析 运动估计是视频编码标准中的一项关键技术，其主要任务是找到当前 PU 的最优参考 PU。基于最优参考 PU 的运动向量（MV），当前 PU 可以获得最优运动向量。最优运动向量是通过最小化拉格朗日目标函数获得的，其可以表示为
J=D+λR
其中 D 代表某个运动向量产生的失真，R 表示编码所有参数的比特数。λ 代表拉格朗日乘子，它用于...
提出的方法 在本节中，我们首先提出一种新颖的视频隐写框架，然后我们解决我们在运动向量域改变载体元素所设计的成本函数。最后，我们描述了消息嵌入和提取的处理 图 4。
设置 在实验中，将使用 28 个标准测试视频，它们是从互联网 1 收集的。这些测试视频以两种分辨率存储为未压缩格式：1280 × 720 和 1920 × 1080，色彩空间为 YUV4:2:0。选择每个视频的前 100 帧进行测试和评估。这些视频如表 1 所示。本文中的所有实验都将在官方 HEVC 编码器 HM18.0 [34] 上执行。在实验中，结构...
结论 在本文中，我们提出了一种运动向量域视频隐写方法（LOM）。在 LOM 中，我们设计了一种新颖的视频隐写框架。通过提出的视频隐写框架，LOM 可以在信息嵌入过程中保持运动向量预测的局部最优，从而有效抵抗针对运动向量的隐写分析攻击。此外，我们通过分析运动向量之间的参考关系设计了一种成本计算方法，该方法计算出的成本反映了...
CRediT 作者贡献声明
刘孜业：写作 – 审查与编辑，写作 – 原稿撰写，可视化，方法论，调查，形式分析，概念化。夏杰：写作 – 审查与编辑，写作 – 原稿撰写，验证，方法论，调查，概念化。

Yi Chen：写作 – 审查与编辑，写作 – 初稿，监督，方法论，调查，资金获取，概念化。Chaohui Jiang：写作 – 审查与编辑，监督，方法论，调查，
利益冲突声明
作者声明，他们不存在已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本文中报告的工作。
Ziye Liu|Jie Xia|Yi Chen|Chaohui Jiang|Yingnan Zhang|Chun Guo|Yunhe Cui|Guowwei Shen
中国贵州省贵阳市花溪区贵州大学计算机科学与技术学院，550025