《一种基于目标检测的快速视频取证方法.doc》由会员分享，可在线阅读，更多相关《一种基于目标检测的快速视频取证方法.doc（10页珍藏版）》请在三一文库上搜索。
1、一种基于目标检测的快速视频取证方法 （1.重庆邮电大学 计算机科学与技术研究所, 重庆 400065； 2.西南交通大学 信息科学与技术学院, 成都 610031） 当前计算机取证调查人员面临的一个难题是，如何自动、准确、快速地从海量视频数据中获取与案件相关的证据或线索。针对丢弃或遗留物品事件的监控视频，提出了一种适合于海量视频数据的快速取证方法，并通过实验证明了该方法的有效性。 ?丶?词：视频取证； 背景减法； Adaboost； SIFT Fast digital video forensics method based on object detection ZHOU Hong1, WA
2、NG Guoyin1,2, CHEN Long1,2, WANG Wei1 (1.Institute of Computer Science & Technology, Chongqing University of Posts & Telecommunications, Chongqing 400065, China； 2. School of Information Science & Technology, Southwest Jiaotong University, Chengdu 610031, China) Abstract: It is very difficult for th
3、e digital forensics investigators to find out the evidences and clues of the case from huge numbers of video data automaticaly, accuratly and quickly. This paper focused on the digital video about drop or left object in public places,and presented a fast method which was suitable for massive video d
4、ata forensics. The experimental result proves the effectiveness of the method. Key words：digital video forensics; background subtraction; Adaboost; SIFT ? 近年来，随着各个国家对公共场所的安全监控力度的加大，针对视频文件的取证技术已经逐渐成为一个研究的热点。A. Nusimow1将自动视频取证列为智能视频技术在国家安全应用中的重要组成部分。本文主要讨论的是对于丢弃或遗留物品事件（此类事件常见于公共场所制造爆炸和在公共场所进行非法交易等案件中）
5、视频记录的调查取证。案件具体要求描述如下： 在公共场所发现了一个来历不明的物体，调查者要通过现场采集到的物体图片到视频监控记录中去查找它在哪些时间段出现过，以确定该物体是被谁、通过什么样的方式遗留在现场。本文选取的待查找对象为此类事件中常见的背包。 解决这一问题的关键技术是目标分类与目标识别，判断待检测视频帧序列中是否出现过该物体。R. Y.D.Xu等人2,3将运动目标检测与基于SIFT（scale invariant feature transform）4,5、PCASIFT6算法的目标识别结合应用到教学视频和自动视频拍摄的特定目标跟踪上，达到了1.5 fps的处理速度。然而，仅以普通监控摄
6、像机每秒拍摄15帧图像的频率来计算，1h的视频就包含了54 000帧图像；并且随着数字影像设备拍摄质量高清化，视频图像的分辨率将越来越高，帧频也越来越快，无论单幅图像还是整体视频需要处理的数据量都将会越来越大。因此，对于可能长达几十个小时甚至成百上千个小时的监控视频来说，这个速度仍然满足不了取证调查中总是希望能够尽快发现目标或线索的实际需求。同时从文献2，3中笔者发现，此方法的绝大部分时间花费在基于SIFT或PCASIFT的目标识别环节。为了减少检测时间以适合视频取证的需要，本文在基于背景减法7的运动目标检测和基于SIFT算法的目标识别环节中加入基于Adaboost算法8的物体类别检测环节。在
7、进行目标识别之前，先用Adaboost算法判断该运动目标中是否含有背包类物体。如果有，则进一步用SIFT算法判断该图像中的背包是否为遗留在现场的目标背包；如果没有，则不作处理。实验证明本文提出的视频取证方法具有较快的检测速度和较好的准确程度，能够较好地满足实际需求。 1相关算法 常用的运动目标检测算法主要有背景减法、相邻帧差法、光流法等。相对于相邻帧差法和光流法而言，背景减法具有较快的运算速度，同时提供的特征数据较为完整，有利于快速、准确地视频取证。 Adaboost算法是Freund8提出的一种Boost分类算法，其目标是自动地从弱分类器空间中挑选出若干个弱分类器整合成一个强分类器。2001
8、年，Viola等人9提出基于Harrlike特征的瀑布型Adaboost目标检测算法；R. Lienhart等人10，11对这一方法进行了扩展，增加了倾斜特征的定义，将此方法扩展到全旋转缩放情况下的目标检测。相对于支持向量机等其他分类方法而言，该算法速度快，可以用于实时检测，且正确识别率与之相当。因此本文选用Adaboost算法来实现背包类物体的类别检测。 SIFT是D.G.Lowe 4，5提出的一种极其优秀的采用局部不变特征点来对图像进行目标识别和目标检测的算法。该算法在尺度空间寻找极值点，并提取位置尺度旋转不变量，对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、局部遮挡、噪声也
9、保持一定程度的稳定性，同时具有独特性好、多量性和易扩展性等特点。在人脸识别、目标检测、目标识别和图像拼接等方面得到了广泛的应用。 2快速视频取证方法 如图1所示，本文提出的快速视频取证方法主要由运动目标检测、物体类别检测和目标识别三大部分组成。 2.1运动目标检测 基于背景减法的运动目标检测的主要步骤为:a）对固定摄像机拍摄的视频图像序列进行计算，得到一个场景的静态背景初始化模型。b)将当前帧与静态背景图像相比，从当前帧中将背景剔除，从而得到前景运动目标。考虑到背景可能发生变化，所以算法在实现的过程中将适时地自动实现背景更新。c)再次利用新的背景模型来确定前景目标，以期得到更精确的结果。图2为
10、本文采用的背景减法运动目标检测效果图。 2.2物体类别检测 在物体类别检测环节，本文选用了基于Harrlike特征的Adaboost算法。其关键步骤如下： a）图3为被称为积分图像（integral image）的图像描述方式。矩形D的像素和可由四个点的积分图像值来计算。其中，点1处的积分图像值即为矩形A中所有像素之和，点2处为AB之和，点3处为AC之和，点4处为ABCD之和，则矩形D区域内的像素和可由4+1-(2+3)来计算。 b)利用Adaboost算法从大量的实际数据中抽取少量的反映图像本质的属性特征。该分类器具体学习算法如下： 给定样本图像(x1,y1)，(xn,yn)，其中 yi=0
11、反例样本1正例样本 ?直鸲?yi=0,1初始化权值1,i=1/2m,1/2l。其中m和l分别为反例的个数和正例的个数。对t=1，T， (a)归一化权重t,it,j/nj=1t,j，使t成为一个概率分布； (b)对每个特征j，训练一个使用单个特征的分类器hj，计算对于t的误差j=ii|hj(xi-yi)|； (c)选择具有最小误差t的分类器ht； (d)更新权重t+1,i=t,i1-eit。 若样本xi被正确分类，则ei=0；反之ei=1,i=t/1-t。 得到最终的强分类器： h(x)=1Tt=1tht(x)（1/2）Tt=1t0其他 ?渲笑力樱?log（1/t）。 c)将强分类器级联在一起，
12、构成更复杂的瀑布型分类器。 本文首先从网络上采集了大量背包正面图像，并从中挑选出774幅作为正例样本；另外选取了500幅风景、建筑等不包含背包的图像作为反例样本。经过彩色到灰度的色彩转换、大小归一化等预处理之后，再通过上述步骤训练得到分类器，最后将该分类器用来检测从视频帧序列中提取出来的运动目标子图像中是否含有背包类物体。检测效果如图4所示，圆圈标示的是分类器识别出来含有背包的区域，(a)为图像中存在多个背包的情况，（b）为针对实际视频帧序列中的运动目标子图像的情况。 2.3目标识别 本文选用SIFT算法来实现目标识别。 SIFT特征向量具体生成过程如下： 对于一幅二维图像I(x,y)，其尺度
13、空间函数可由尺度可变高斯函数G(x,y,)与其卷积得到，即 L(x,y,)=G(x,y,)I(x,y)(1) 其高斯差分尺度空间函数D(x,y,)为 D(x,y,)=(G(x,y,k)-G(x,y,)）I(x,y)=L(x,y,k)-L(x,y,)(2) ?缓笊?成空间极值点，再利用关键点邻域像素的梯度方向分布特性为每个关键点指定梯度幅度m(x,y)和方向(x,y)，使算子具备旋转不变性。 m(x,y)=(L(x+1,y)-L(x-1,y)2+(L(x,y+1)-L(x,y-1)2(3) (x,y)=a•tan 2(L(x,y+1)-L(x,y-1)/（L(x+1,y)-L(x-1
14、,y)）(4) ?链耍?图像的关键点已检测完毕。每个关键点有三个信息：位置、所处尺度、方向，由此可以确定一个SIFT特征区域。接下来为每个关键点生成128维的SIFT特征向量。当两幅图像的SIFT特征向量生成后，采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。 3实验结果与分析 实验采用的视频资料均为AVI格式，分辨率为640480。其具体内容说明如下： a）视频一人携带目标背包进入视频，然后放下离开； b)视频二人携带目标背包先后三次出现在镜头中，然后离开； c)视频三人在不同环境下携带目标背包出现，然后放下离开； d)视频四人携带与待查找目标不同的背包出现，然后放下离开
15、。 对每一段视频，以现场采集到的背包图像作为要识别的目标，并通过以下三种方案进行对比实验： a）SIFT算法直接检测视频帧序列中是否含有目标背包。 b)先用背景减法对视频作运动目标检测，获取感兴趣区域，再针对感兴趣区域作SIFT目标识别。 c)即本文提出的检测方法，先用背景减法对视频作运动目标检测，获取感兴趣区域，再用先训练好的Adaboost分类器检测感兴趣区域中是否含有背包类物体。若有则用SIFT算法进行目标识别；若没有，则不作处理。 实验结果如表1、2所示。表1为三种方案的时间比较，表2为方案c)在各视频中分别检测到的物体帧数。 表1三种方案消耗的时间比较 s 方案名视频一视频二视频三视
16、频四 方案a)3 051.694 156.391 770.173 062.10 方案b)559.03949.39283.18617.07 方案c)359.91611.05157.34363.03 由表1可知，方案c)在时间上的花费比前两种方案要少，这主要是由于方案c)采用Adaboost算法训练的分类器对视频帧序列进行了预筛选，过滤掉了大部分不含有背包的运动目标，减少了SIFT算法需要匹配的视频帧数量，从而节约了时间。 由表2可知，对于视频一、二、三，不论目标在视频中出现一次或多次，还是在不同的环境中出现，方案c)都能准确定位出目标背包在视频中出现的片段信息，为进一步地调查取证提供有效的信息，
17、能够满足视频取证的实际需求。对视频四，方案c）检测到的视频帧数为0，可见，对于属于同一类别的不同目标，方案c)具有很好的分辨能力，这是由SIFT算法本身的特性所决定。但是，方案c)检测到含有背包视频帧的数量远小于实际包含背包的视频帧的数量，这是由于目前通过Adaboost算法训练的分类器能较好地检测正面的背包，但对于在视频帧中出现的部分侧面的背包还不能很好地识别。 4结束语 本文提出了一种基于海量视频数据的快速目标检测方法，并将其应用到视频取证领域中。通过实验证明，本方法具有较强的分辨能力，能够较为快速、准确地定位出目标在视频中出现的位置。同时，本方法也可以目标跟踪相结合，先用本方法查找到目标在视频中出现的位置，再采用视频跟踪算法来获取目标在视频中的行为等相关信息。但是，当目标的视角和形状发生较大变化时，本方法检测的准确度将会受到影响；另外，目前的检测目标较为单一。在接下来的工作中，笔者将进一步考虑如何解决上述问题。