合作博弈的视频隐写技术优化策略研究

沙特国王大学学报基于合作博弈的膨胀视频区域多图像隐藏技术Suganthi Kumar，Rajkumar Soundrapandiyan计算机科学与工程学院，Vellore理工学院，Vellore，印度阿提奇莱因福奥文章历史记录：收到2020年2021年4月29日修订2021年5月31日接受2021年6月18日在线提供保留字：博弈论视觉质量容量战略调整严格占优策略的迭代消去法A B S T R A C T本文提出了一种合作博弈论的方法来设计一个最佳的视频隐写框架。一个理想的、完美的视频隐写系统应该在不降低视觉质量的前提下提供足够的空间来嵌入秘密信息。然而，在隐写系统中，负载容量和视觉质量总是成反比的。本文提出了一种新的博弈论方法，使用策略适应来解决这个问题。该方法利用严格占优策略迭代消除法（IESDS）来获得最优解。所得到的最优解在容量和视觉质量之间达到了最佳折衷。此外，实验结果推断，最佳解决方案优于当代的方法，取得显着的成果。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍视频隐写是将秘密数据嵌入到视频内容中的过程。在医疗、娱乐、银行、军事、情报机构、通信、执法、版权保护和访问控制等领域广泛应用视频隐写作为一种安全的通信系统。图1示出了视频隐写框架的一般框图，其中使用数据嵌入算法将秘密数据（图像）嵌入到覆盖介质换句话说，覆盖介质用作秘密图像的载体发送器执行此数据嵌入过程。一旦秘密图像被嵌入，则覆盖视频被广泛称为隐写视频。通信信道将隐写视频传输到接收器。接收方从隐写视频中恢复出秘密数据*通讯作者：Vellore Institute of Technology的计算机科学与工程学院（SCOPE）副教授，Vellore，Tamilnadu 632014，印度。电子邮件地址：sugandk94@gmail.com（S. Kumar），rajkumarsrajkumar@gmail.com（R. Soundrapandiyan）。沙特国王大学负责同行审查使用数据提取算法。近年来，随着视频在互联网网站上的频繁分享，视频隐写术引起了越来越多的关注。此外，由于以下原因，视频是用于隐藏数据的潜在介质：（1）视频可以隐藏大量数据，（2）动态环境对于人类视觉系统（HVS）是不可感知的，以及（3）视频可以处理衰减。然 而 ， 用 于 生 成 stego_video 的 完 美 隐 写 术 的 框 架 面 临 以 下 挑 战（Ramalingam等人， 2020年）：可感知的不可见性：保真度应该很高。隐藏秘密数据后，original和stego_video应该具有相似的视图。鲁棒性：嵌入的秘密数据不应被未经授权的用户删除或修改。秘密数 据 必 须 由 接 收 器 恢 复 原 样 （ Manikandan 和 Masilamani ，2018）。有效载荷容量：覆盖介质应提供足够的空间来隐藏秘密数据。各种视频隐写方法被提出来解决前面提到的挑战。最近，基于替换的自适应视频隐写技术引起了更多的关注（Liao等人，2020;Mstafa等人，2017年; Muhammad等人，2016年、2017年）。自适应方法是一种例外情况，其中在隐藏https://doi.org/10.1016/j.jksuci.2021.05.0181319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com●●●S. Kumar和R. 松德拉潘迪扬沙特国王大学学报5842Fig. 1. 视频隐写的一般框图。空 间 或 变 换 域 中 的 秘 密 数 据 （ Liao 等 人 ， 2009 年 ;Mandarin 和Khademi，2009年a，2009年b; Rana等人， 2020;Cheddad等人，2009年; Sur和Mukherjee，2006年）。这种方法有助于确定覆盖介质的适当区域以嵌入秘密数据。这些区域被称为感兴趣区域（ROI）。在识别ROI时，HVS在感知场景、动态和移动区域内的变化方面的不足使视频隐写系统受益（Kumar和Soundrapandiyan，2020）。视频的这些运动特性用于嵌入，因为它们对量化失真是鲁棒的。此外，它们具有较宽的取值范围，能较好地保持统计特性.考虑到这些优点，许多研究工作已经提出。Kutter等人（1997）首先提出了用运动矢量（MV）作为载体的思想，提出了一种直接改变MV的视频水印方案。从那时起，已经提出了许多基于运动矢量的数据隐藏工作（Kelash等人，2013;Singh和Singh，2015; Mstafa和Elleithy，2016; Ramalingam等人，2020年）。例如，Hashemzadeh（2018）提出了一种基于运动线索的视频隐写算法。其中，检测并跟踪视频的特定时刻的特征点。从特征点的空间和时间行为获得的信息确定合适的区域来嵌入秘密数据。秘密数据使用最低有效位（LSB）替换方法嵌入该方法虽然具有较高的不可见性和隐藏能力，但鲁棒性较差. Ramalingam和Isa（2016）开发了一种使用场景变化检测的视频隐写技术。基于两个连续帧的离散余弦变换（DCT）系数之间的差来检测场景变化。秘密数据在离散小波变换域进行融合。这种方法不能提供足够的嵌入容量。 Song等人（2015）提出了一种可逆的视频隐写算法。在这里，秘密数据被嵌入到运动矢量之间的运动矢量和调制矢量的内积条件使用。这种方法对攻击的鲁棒性较差。姚等人（2015）提出了一种基于运动矢量的视频隐写方法。其中形成失真函数以找到嵌入影响。基于嵌入的影响，秘密数据被隐藏使用症状格码。虽然这种方法在不可感知性方面表现良好，但它未能提供足够的容量和鲁棒性。Pan等人（2010）提出了一种基于运动矢量和线性矢量的视频隐写方案。该方法隐藏了压缩域中的秘密比特。尽管它的计算效率，更好的可感知的不可见性和容量，它主要未能保持鲁棒性。Zhang et al.（2016）部署了一种基于运动矢量的视频隐写方法。该方案保持了改变的运动矢量的局部最优性。秘密数据被隐藏在搜索区域的最佳运动矢量中。这种方法可以抵御攻击，但能力不足。Liao等人。（2020）提出了一种自适应容量分布，利用图像纹理特征的图像隐写术。图像纹理复杂度和失真分布被用作负载分配策略。但当压缩发生时，这项工作会受到很大影响。Yao和Yu（2021）通过分析运动矢量修改中的失真来制定有效载荷分配方法。这种方法产生相对较小的有效载荷能力。由于大多数现有的工作未能平衡有效载荷容量和可感知的不可见性，它们没有为实时应用场景提供合适的选择（Suresh和Sam，2020）。这项工作提出了一种新的基于博弈论的视频隐写方法来克服这种划界。博弈论是研究理性竞争者之间战略互动关系的系统研究。在GT中，术语博弈指的是两个或两个以上的竞争者参与决策过程的竞争情况，预期积极的结果。理性的竞争者，即参与者，独立地做出影响其他参与者行动的最优因此，成组论也是分析这些参与者之间冲突与合作的理论方法。成组决策的机制主要包括形成一个结构、分析参与者的战略意图以及在参与者的行动相互依赖时做出复杂的决策。一个博弈由有限数量的参与者、每个参与者的一组策略以及每个参与者对其理性策略的在博弈中，所有参与者都试图最大化他们的收益。很少有研究人员研究基于博弈论的隐写术。例如，Tsai等人（2011）设计了用于安全系统的基于博弈论模型的水印游戏有两个玩家，如编码器和攻击者。这项工作带来了一个平衡的质量和鲁棒性的水印图像使用纳什均衡。类似地，Schottle和Bohme（2016）提出了使用博弈论的基于内容自适应的视频隐写。这项工作利用博弈论模型来研究覆盖数据的内容。在这个游戏中，有两个战略玩家。一个是嵌入者（Alice），另一个是攻击者（Eve）。这个博弈的主要目标是最小化攻击者的收益。 Li等人（2017）采用博弈论方法设计空间隐写术。本文提出了二人合作博弈理论方法来平衡视频隐写框架的视觉质量和有效载荷容量。 所提出的博弈模型是一个动态的合作博弈，使用一个博弈矩阵博弈矩阵是一个二维矩阵。提出了一个视频隐写游戏，以审查不同的环境，以获得最佳的解决方案。具体而言，所提出的基于博弈论的视频隐写模型具有以下独特的特征：这是一个双人游戏这是一个混合策略合作博弈它是一种视频隐写方法，以提高和保持视觉质量和有效负载容量之间●●●S. Kumar和R. 松德拉潘迪扬沙特国王大学学报5843FG论文的其余部分组织如下：第2节提出了基于博弈论的视频隐写方法，第3节给出了实验分析和讨论，第4节总结了论文。2. 一种基于博弈论的视频隐写方法视频隐写设计了一种秘密通信系统，将秘密信息嵌入到隐藏的视频数据中，并将隐写的视频发送给接收方，以掩盖通信的存在。视频隐写框架总是面临着负载容量和可感知不可见性之间的不兼容情况。也就是说，大规模的秘密数据增加了用于隐藏秘密数据的覆盖数据的量。这种隐藏能力的增加导致可感知的可见性。在这一点上，隐写术的 框架将作为一个秘 密通信系统失败（ Rajalakshmi 和Mahesh，2018）。因此，所提出的视频隐写框架提供了感知不可见性（PI）和有效载荷容量（PC）之间的最佳稳定性。 图 2是PI和PC在权衡方面的性能说明。权衡是纳什均衡（NE），其中PC的增量也增加了ste_go_video的PI该区域是高性能区域。因此，所提出的视频隐写框架的主要目标是使用博弈论方法提供PI和PC之间的这种平衡。一般的博弈模型表示为如下的集合，G½/fPC;PIgfpcs;pisgfCCs;PSNRsg]=100其中，PC播放器有效负载容量PI¼Player感知不可见性PC的策略！ f pc1; pc2;···; pc8 gpi s¼策略的PI！fpi1;pi2;·· ·;pi8gCCs对于策略pcs策略pis的 PSNRs¼基于博弈论的隐写方法的参与者是有效载荷容量（PC）和可感知隐形（PI）。每个玩家具有八不同的策略到改善权衡图二、可感知隐形和有效载荷能力的性能说明同时最大化他们的收益因此，它是一个合作博弈模型，并应用于视频隐写框架的嵌入模块中。所提出的博弈模型方法包括，● 一组球员● 每个玩家的一套策略● 每个参与者● 每个参与人● 博弈论优化2.1. 球员考虑两个玩家：一个玩家是有效载荷能力（PC），另一个是可感知隐形（PI）。播放器PC的目标是提供足够的播放器P1的动机是在嵌入秘密数据之后保持视频的视觉质量。这些玩家通过选择不同的行动和策略在游戏中发挥着至关重要的作用。2.2. 战略在所提出的方法中，玩家PC和PI包括八个不同的策略，以获得最佳的权衡。也就是说，玩家PC使用策略fpc1;pc2;;pc8g以扩展有效载荷容量类似地，参与人PI持有策略pi1;pi2;;pi8以增加可感知的不可见性。2.3. 收益收益是玩家在游戏结束时根据其策略的表现获得的量化度量。 由于玩家PC预期提供最高容量，因此其收益是隐藏容量（CC）的度量玩家P1的期望因此，它的回报是原始视频和stego_video之间的峰值信噪比（PSNR）。每个参与人都在努力提高自己的收益。2.4. 约束提出的视频隐写方法存在一些限制如果覆盖视频没有足够的空间来嵌入低CC的秘密数据，否则如果在嵌入过程之后stego_video质量差并且可被HVS感知，即低PSNR，则stego_video不能被接受。如果这两个收益高于或等于最佳收益值，则接受stego_video。博弈的最优解是玩家PC和PI之间的均衡状态这种优化是使用严格主导策略迭代消除（IESDS）方法实现的。2.5. 博弈论优化（一种工作机制）收益矩阵是使用收益值来优化参与者的策略行为IESDS方法给出了一个最优解，以找到博弈的均衡点。图3提供了IESDS的详细解释，其中考虑了两个玩家玩家A（行消除）和玩家B（列消除）。参与人A的策略是1，2和3.同样，参与人B拥有b1、b2和b3。对于参与人A，行a2和a3强烈支配行a1的元素。因此，行a1被删除。现在考虑参与人B，列b1，b2支配列b3.因此，B3列被拒绝。这些严格的消除将表的大小从3× 3减少到2× 2。进行另一轮S. Kumar和R. 松德拉潘迪扬沙特国王大学学报5844ð-Þ图3.第三章。严格占优策略的迭代消除（IESDS）（迭代过程），a3消除了a2，b1消除了b2。余项[a3，b2]是最优解。换句话说，最优解（Cheddad等人，2009a，2009b）为博弈双方提供了一个均衡条件。2.6. 嵌入模块本文提出的视频隐写方法主要包括四个部分：隐藏视频的设计、秘密图像的预处理、形态学膨胀和嵌入过程。算法1为嵌入模块提供伪代码。该算法首先采用场景变化检测（SCD）方法，利用阈值元素对封面视频进行分割0a0 0：31.一、 可以有“K”个场景。每个场景由“IF”、“BF”和“PF”帧组成一旦场景被分割，水平和垂直运动矢量[MVx;MVy]通过块匹配运动估计算法（BMMEA）在所有场景的“IF”和“PF”帧之间被识别。基于这些运动矢量，选择动态点。由于每个动态点周围的点也以高概率运动（水平地或垂直地），因此这些点的相邻像素被设想为动态ROI。所有这些相邻的ROI使用0b0形态元素进行扩张。这种形态学元素包括圆盘形、菱形、正方形、立方体、长方形、长方体、八边形和六边形.这些形状的参数基于它们的运动幅度MVx和MVy而固定。 图 4是见图4。动态ROI的不同形态扩张的图示。S. Kumar和R. 松德拉潘迪扬沙特国王大学学报5845ðÞ你好-你好-ðÞ！8 .第八条 。我i1i-i1PP。.-是的PP← ð Þ ← ð Þ ← ð Þ←图五.包埋过程。所考虑的动态ROI的形态扩张的图示。接着，从秘密图像数据库中，基于确定的“K”个场景的数目来选择秘密图像的集合像素级Arnold变换对每个秘密图像进行扫描，增加一个安全层.该加扰的秘密数据被转换为二进制秘密数据向量。最后，在嵌入过程中，这个二进制秘密数据被嵌入到“BF”帧的膨胀ROI位置的DCT域中这里，加扰的秘密数据嵌入BF帧被称为stego_BF帧。为了在提取模块处找到其中嵌入秘密数据的准确动态ROI位置，因此，这些“IF”和“PF”帧被称为non_stego_IF和non_stego_PF帧。嵌入过程在亮度和色度分量YCb Cr中完成。图5表示先前提到的嵌入过程。从该图中可以注意到，所提出的方案仅在0y0和0C b0分量中执行嵌入过程，因为0C b0分量中的失真更可感知。 因此，在本发明中，该方法利用Y 4 LSB C b4 LSB Cr0 LSB替换技术来嵌入秘密数据。现在，将嵌入秘密数据的stego_BF帧与non_stego_IF和non_stego_PF帧一起相应地转换为stego_video通信信道将隐写_视频发送到提取模块。2.7. 提取模块提取模块从ste-go_video中检索秘密数据。与嵌入阶段提取模块类似，也将stego_video文件转换为帧序列。在嵌入模块中使用的相同SCD阈值元素0a0将这些帧解析为场景片段（K = 1; 2; 3;. . ; n）。在场景分割之后，提取算法利用BMMEA确定非隐写IF帧和非隐写PF帧之间的动态点。然后，在嵌入模块中使用的相同的形态元素0b0然后，提取过程从stego_BF帧的动态ROI中提取二进制秘密数据。使用所提取的二进制数据向量，针对三个颜色分量形成加扰的逐像素AT。然后，逆像素方式AT使用相同的密钥（KAT = 50）将颜色分量解扰为原始图像形式。2.8. 视频隐写图6表示所提出的基于博弈论的视频隐写方法的架构。有效载荷容量（PC）和可感知隐形（PI）是算法1嵌入模块输入：CV //封面视频输出：SV//隐写_视频开始1：F= {f1，f2，f3，fn}←读取（CV）//读取CV2：封面视频设计2.1：视频帧解析SCD FPD f;f f x;y f x;yMSE¼xyP Dfi;fi1=x×yIfMSE>afix;y2Scen eK Elsefix;y2Scen eK1EndSceneSegm ents1,2 Scen eKI FK;B F K ; B FK;· ··P FK];K=1，2，3. . . .n 2.2：ROI选择！BMMEAIFK;PFkMAD1/4=x×y：X2.3：有效载荷容量组←ROI组<$1 LSB; 2 LSb; 3 LSb; 4LSB← ROI平均值<$MV x <$;最大值<$MV x<$;2.4：形态学扩展组←ROI组<$扩展ROI3：秘密图像预处理←Secre tIma geDa tase t3.1 像素级Arnold变换←SecretImagesKKnumberofscenesbinary secret data←scrambledSecretImagesK4：Embedding process（in BFframes）BFK rgb2ycb cr BFK BFK dct BFK Stego_frame embeddBFK;DilatedROI;secretdata隐写_video VideoConversion（non_stego_IFframes，stego_BF frames，non_stego_PF frames）ENDS. Kumar和R. 松德拉潘迪扬沙特国王大学学报5846f···g 2见图6。 基于博弈论的视频隐写方法。嵌入游戏过程。最初，玩家P1基于阈值元素0a0将封面视频解析成场景片段。这里，将连续帧的均方误差（MSE）值与阈值0a0进行比较以找到场景片段。因此，参与人P1由集合策略fpi1;pi2;···;pi8g 2a组成。该阈值元素BMMEA从获得的场景片段确定动态点。然后，玩家PC使用形态学膨胀0b0来膨胀相邻区域以形成动态ROI。因此，玩家PC包括一组策略pc1;pc2;;PC8B. 这种膨胀过程增加了覆盖数据的容量。接下来，嵌入过程基于图像的数目将秘密图像嵌入到扩张的动态ROI中。场景因此，玩家PC和PI在增加容量和可感知的不可见性方面起着显着的作用。嵌入过程利用来自秘密图像数据库DB的秘密图像。所选择的图像被打乱，并如第2.6小节所述嵌入BF_frames的扩张ROI中。随后，隐写_视频经由通信信道被发送到提取模块。提取模块恢复秘密图像，如在小节2.7中给出的。接下来，支付函数计算支付值。对于参与者PC，收益函数是CC，PSNR是参与者PI的收益函数。计算出的收益值被提供给博弈论优化（GTO）过程。优化由IESDS机制执行，如第2.5节所述。优化分析的结果作为反馈被发送到嵌入模块。玩家PC和PI内部表1封面视频的详细描述视频名称（.y4m）帧数帧数像素数摄像机类型“nf”“R × C”“3 × nf × R × C”播放150 352× 288 45，619，200移动摄像机领班300 352× 288 91，238，400移动摄像机乒乓球250 352×288 76，032，000移动摄像机汽车_车辆300 352× 288 91，238，400静止相机ControlledFire300 352×288 91，238，400移动摄像机电视机300 352× 288 91，238，400静物摄影机Akiyo 300 352× 288 91，238，400静态相机Bowing 300 352× 288 91，238，400静态相机Bridge_close 2000 352× 288 608，256，000静止相机摄像机2101 352×288 638，972，928 静态摄像机集装箱300 352×288 91，238，400静物摄影机船员_4 600 704× 576 182，476，800移动摄像机Maa_daughter 300 352× 288 91，238，400移动摄像机截止日期1374 352× 288 417，871，872静态相机足球_422 360 352× 288 109，486，080移动摄像机足球260 352× 288 79，073，280移动摄像机Galleon 360 352× 288 109，486，080静态相机Hall_monitor300 352×28891，238，400静止相机Harbour 300 352× 288 91，238，400移动摄像机Mad_900 900 352× 288 273，715，200静态相机Sign_irene540 352×288 164，229，120静态相机足球300 352×288 91，238，400移动摄像机S. Kumar和R. 松德拉潘迪扬沙特国王大学学报5847ð Þ × ðÞððÞ×××Þ¼ð Þ10个日志！图7.第一次会议。数据库中的秘密图像嵌入模块基于反馈改变其策略由于这是一种合作博弈论方法，参与者试图保持均衡以提高隐写器的性能，同时最大化收益。3. 实验分析在本节中，GTO方法从所提出的视频隐写框架的实验结果中找到最优解，并且将最优解的性能与一些现有方法进行比较。提出的视频隐写技术进行了测试22.y4m格式的彩色封面视频。并且，使用包含超过887个.tif图像的UCID数据库形成秘密图像DB并使用MATLAB2019a在具有4 GB RAM配置的系统的Intel Core i5 CPU上执行实现表1是封面视频的详细描述。表1包含封面视频的信息，例如视频的名称、视频中的帧的数量0nf0、大小的帧0行R：宽度列C：高度0，总数的像素的的视频是制成起来的03颜色通道nf R C0和相机类型。出于代表性目的，本文仅给出了前六个视 频 的 结 果 ， 如 Playing ， Foreman ， TableTennis ，Motor_Vehicles，在播放视频中发现六个场景片段。因此，该视频可以从数据库中隐藏6个秘密图像。同样，视频Foreman、TableTennis、Motor_Vehicles、ControlledFire和Television可以分别嵌入秘密图像2、5、4、4和4。图9描绘了用于视频播放的场景和相应秘密图像的组合。3.1. 隐藏容量（CC）视频隐写方法的CC定义了覆盖视频内的数据嵌入的最大速率，并且如等式11中所计算（二）、每像素位数（bpp）是CC的单位CCSBs2ABC其中SBs表示秘密图像中的秘密比特的总数，ABc是覆盖介质中的可用比特。一个更好的隐蔽过程需要至少0.7bpp的容量率。3.2. 峰值信噪比（PSNR）PSNR以分贝（dB）计算覆盖视频和隐写视频之间的统计差异在视频的PSNR值的计算中，每个帧经历如在等式1中的PSNR（3）取平均数。控制火灾和电视。 图 7代表数据库中的一些秘密图像。所考虑的视频的场景分割如图所示。8.第八条。从图中可以看出，峰值信噪比（PSNR）.XfR210个MSEfð3ÞS. Kumar和R. 松德拉潘迪扬沙特国王大学学报5848见图8。 场景片段表示6所考虑的视频。1R C2frame，0Foi;j0是位于MSEf¼R×CXXFoi;j-Fsi;jð4Þ坐标0i;j0和0Fsi;j0是隐写的像素值位于同一坐标系的坐标系下面的PSNR值其中0r0表示最大像素值（即，255)0MSEf0是针对视频的所有帧计算的均方误差值（8f2F），其中0R×C0是视频的大小30 dB表示人眼可见失真。 较高的PSNR值指定较高质量的重建的框架。1/1第1页S. Kumar和R. 松德拉潘迪扬沙特国王大学学报5849MMM18MM18nn我;;8n1见图9。 场景的插图和视频“播放”的各自秘密图像表2基于IESDS的视频播放支付矩阵优化（最佳解决方案：以粗斜体突出显示PC（CC）Pi1Pi2Pi3Pi4Pi5π6π7π8PI（峰值信噪比）PC10.78190.78550.79880.86210.85450.70970.73810.887938.871749.481249.990449.288548.005645.300546.84941.2141PC20.77810.76140.74020.8380.84580.51420.71430.879538.602549.114649.534637.078936.921540.664735.24340.7061PC30.88860.79820.85860.88540.85960.83690.90040.895939.468949.732751.936250.761748.63847.276747.503745.9947PC40.64240.75750.73790.81820.70520.50610.70990.842637.81842.863136.914236.657636.819238.635835.201439.2666PC50.96670.76120.91390.914410.88910.86090.98510.898939.489140.746151.996851.912149.543948.442749.570146.2279PC60.63580.58470.51810.80610.56190.50010.60950.709829.529541.59132.551934.940136.181338.191133.710839.1828PC70.64240.75750.99890.92820.85510.89910.72990.989632.786640.469256.88852.516944.052650.103536.221852.1733PC80.71060.72910.92870.91990.90110.89430.98830.989640.78838.647952.007351.997841.962849.637950.230250.91093.3. 优化表分析支付函数CC和PSNR的支付值产生通过消除玩家的较小收益值来获得最优解。从玩家PC（五）、所有策略组合的收益矩阵。CCm;n和PSNRm;n是玩家PC和玩家P1对于com的相应支付值PC½pc0