18、监控视频中基于对象的伪造检测及移动机器人路径规划算法

监控视频中基于对象的伪造检测及移动机器人路径规划算法

监控视频中基于对象的伪造检测

在当今数字化时代，视频内容的真实性和可靠性变得至关重要。监控视频作为记录事件的重要手段，其被篡改的风险也日益增加。基于对象的视频伪造主要有对象插入和对象移除两种形式，下面将介绍相关的检测方法。

相关工作

近年来，视频取证领域涌现了许多显著的研究成果，但针对基于对象的视频伪造检测的工作相对较少。以下是一些常见的检测方法：
- 基于特征相关性的方法 ：对于对象插入视频伪造，如蓝屏合成，可以利用模糊特征或边缘特征之间的相关性来检测。然而，如果视频背景是蓝色或绿色，这种基于相关性的方法可能会失效。
- 基于局部特征的方法 ：一些方法通过分析视频中前景和背景的局部特征，如离散余弦变换（DCT）系数、亮度和对比度等，来寻找它们之间的相似性。不一致的相似性指数有助于识别视频伪造，但这些方法在低比特率视频中效果不佳。
- 基于深度学习的方法 ：D’Avino等人提出了一种基于深度学习的法医技术，用于检测修复类型的基于对象的视频伪造。Bakas等人则使用胶囊网络来检测基于对象的视频伪造。

提出的方法

为了更有效地识别监控视频中的基于对象的伪造，提出了一种基于深度学习的法医方法。
- 运动残差提取 ：视频由一系列连续的帧组成，相邻帧之间存在显著的相关性。因此，可以将局部时间帧段分为固定分量和移动分量。运动残差存储了移动场景相对于参考帧的位移，即视频序列的时间信息。
- 对