ISSN 
-
随着互联网技术的飞速发展，基于视频信息的多媒体应用越来越普遍化、多样化，对于视频数据内容的加密保护变得愈发重要[1-2]，数字视频加密技术应运而生。传统方案利用AES、DES等经典加密算法对原始视频数据进行加密。然而，庞大的视频数据导致加密过程实时性较差；与此同时，加密后的视频数据杂乱无章，直接影响后续视频压缩编码的效率，因而此类方法并不适用于视频加密。相应地，针对视频压缩码流的加密算法导致码流格式不兼容，通用解码器无法正常解码。因此，与视频压缩编码过程相融合的选择性加密算法(selective encryption, SE)成为新的研究热点[3-4]。
SE算法通过对视频压缩编码过程中的关键句法进行加密实现内容保护。视频编码过程中，I帧作为每个编码序列的起始帧包含了视频序列的大部分信息，文献[5-7]提出对I帧编码块的帧内预测模式(intra prediction mode, IPM)进行加密，然而该方法易导致加密后的IPM不再满足编码规范，解码端无法正常解码；相比于I帧，P/B帧在每个编码序列中出现最频繁，文献[8-10]提出加密P/B帧的运动矢量来保护视频内容，然而视频编码算法对运动矢量(motion vector, MV)采用预测编码，因此，此类方法将直接改变句法元素MVD的大小，从而影响视频压缩效率。为增强加密效果，对IPM、MVD符号和DCT系数等多种句法元素的联合加密方案相继被提出[11-17]。文献[13-14]仅对MVD符号位、非零DCT系数符号位以及系数幅值的二进制编码后缀进行加密，编码效率恒定，但加密数据量明显增加。为此，文献[18]提出采用混沌系统随机选择待加密句法元素，但无法保证视频关键区域绝对保密。于是，文献[19-21]融合感兴趣区域(regions of interest, ROI)技术对视频关键区域进行选择性加密，既降低了加密数据量，同时视频关键区域信息也得到了保护，然而却引入了如高斯混合模型(gaussian mixture model, GMM)等计算复杂的ROI检测算法，难以做到实时性。
针对以上问题，本文提出一种基于视频纹理特性的低复杂度选择性加密算法。算法以应用广泛的H.264/AVC视频编码标准为验证实例，首先利用量化的残差DCT系数和运动矢量建立低复杂度的视频纹理强度估计模型；然后根据纹理强度对I帧编码宏块的非零DCT系数符号位和P/B帧编码宏块的MVD符号位进行自适应选择加密，实现格式兼容、压缩效率恒定、复杂度低、加密效果好的视频加密。此外，提出一种与视频纹理特征相关的密钥生成算法，密钥安全性进一步提高。
-
自H.261视频编码标准起，新标准在引入先进技术的同时，一直沿用基于预测和变换的混合编码架构，如图1所示，混合编码器中主要有两条路径：前向路径和重建路径。其中，前向路径包括预测编码、DCT变换与量化和熵编码。预测编码利用相邻块的空间或时间相关性，根据已编码块对当前待编码块进行线性预测，然后对预测值和真值的差进行编码，减小待编码数据量；变换编码则将统计上彼此密切相关的空域像素通过正交变换，转化为统计上相对独立的一系列变换系数，减小有效数据量。熵编码过程通常为变长编码，通过对出现概率大的字符分配短码字、概率小的字符分配长码字，进一步提高混合编码的压缩效率。重建路径主要包括反变换与反量化、环路滤波。反变换与反量化得到重构残差，与预测值叠加得到重建像素，之后经环路滤波得到重建帧，作为后续编码过程的参考帧。如图1所示为混合编码核心结构框图。
图 1 混合编码器结构框图
结构上，加密模块在编码器中的位置直接影响编码端算法复杂度。若将加密过程设置在重建环路内，则在编码器中需要配置对应的解密过程，增加计算复杂度。因此，本文将加密模块设置在重建环路外，如图2所示，加密模块位于DCT变换与量化之后、熵编码之前的前向编码路径中。
图 2 融合加密的视频混合编码器结构框图
图2中，纹理检测模块直接利用DCT变换和量化模块输出的量化DCT系数与预测编码模块输出的MV进行纹理估计，根据设定的纹理强度阈值，将每个视频帧划分为纹理和非纹理区域，视频加密模块根据划分结果对纹理区域执行选择性加密过程。
-
视频加密旨在扰乱视频内容，使得人眼难以分辨出视频画面所传达出的有效信息，从而实现视频内容保护。文献[22]通过对视频编码句法元素进行下采样，实现全局上的部分加密。然而，根据人眼视觉特性，人眼系统对视频纹理区域更加感兴趣。于是，视频加密过程只需要处理纹理区域即可，无需对全局视频信息进行全加密。基于此，本文分别提出针对I帧和P帧(B帧与之类似，暂不讨论)的纹理检测模型，并选择纹理区域进行加密，有效降低待加密数据量，同时保证视频信息的安全性。
-
对于编码I帧，即采用帧内预测方式进行编码的视频帧，主要利用多方向线性预测对待编码帧进行估计，预测值与真实值的差，即预测残差，经DCT变换和量化后得到一系列相互独立的量化DCT系数。若以Xo表示原始帧像素集合，Xp表示最佳预测模式下的预测帧像素集合，Xr表示残差集合，则有：
$$ {{{X}}_r} = {{{X}}_o} - {{{X}}_p} $$ (1) 由于Xp仅仅是利用Xo的相邻边界像素进行线性预测的结果，除平坦区域外，其余区域的线性预测通常情况下均会产生一定的预测残差，且Xo纹理越复杂，线性预测产生的残差越显著，对残差进行DCT变换和量化得到的系数矩阵包含的非零系数就越多。对于一个n×n的残差块，定义其DCT变换和量化后的系数矩阵如下：
$$ {{{Y}}_R} = {\rm{QDCT}}({{{X}}_R}){\rm{ = }}\left[ {\begin{array}{*{20}{c}} {{y_{0,0}}}&{{y_{0,1}}}&{...}&{{y_{0,n - 1}}} \\ {{y_{1,0}}}&{{y_{1,1}}}&{...}&{{y_{1,n - 1}}} \\ {\vdots}&{\vdots}&{\ddots}&{\vdots} \\ {{y_{n - 1,0}}}&{{y_{n - 1,1}}}&{...}&{{y_{n - 1,n - 1}}} \end{array}} \right] $$ (2) 对于系数矩阵YR，其包含的非零系数越多，XR的时域特性越复杂，纹理越丰富。与此同时，YR中高频位置非零系数越多，XR纹理细节越丰富。根据DCT变换的性质，对于YR，左上角位置系数y0,0为直流分量，右下角位置系数yn−1,n−1为最高频分量，同一行（或列）的不同系数，从左至右（或从上至下）频率逐渐升高。因此，为定量分析纹理特性，本文为yi,j定义如下权值系数：
$$ {w_{i,j}} = (i + j)\quad i,j \in \left[ {0,n - 1} \right] $$ (3) 式中，系数yij的权值直接由其所在位置决定，越靠近左上角权值越低，相反，越靠近右下角权值越高，符合DCT变换频率分布特点。本文提出一种评估Xo纹理强度(texture strength, TS)的量化方法，如式(4)所示：
$$ {{\rm{TS}}_I} = \sum\limits_i {\sum\limits_j {(n{z_{i,j}} * {w_{i,j}})} } \; \; \; n{z_{i,j}} = \left\{ {\begin{array}{*{20}{c}} {0\; \; {y_{i,j}} = 0} \\ {1\; \; {y_{i,j}} \ne 0} \end{array}} \right. $$ (4) 设定一个纹理强度阈值TI，当TSI≥TI时，认为该区域为纹理区域，否则为非纹理区域，如式(5)所示：
$$ \left\{ \begin{array}{l} {{\rm{TS}}_I} \geqslant {T_I}\;\;\;\;{\text{纹理区域}}\\ {\rm{otherwise}}\;\;{\text{非纹理区域}} \end{array} \right. $$ (5) 然而，对于一个视频序列，其内容通常是随时间不断变化的，故而阈值TI也应该随视频内容变化而变化。本文提出一种基于帧平均的I帧阈值可伸缩自适应更新算法(threshold scalable self-adaptive update method for I-frame, TSSUM-I)，其基本思想是根据前一帧的平均纹理强度和伸缩因子更新下一帧的纹理强度阈值，从而动态调整加密强度，相比文献[23]提出的基于当前帧被引用频次的动态调节算法和文献[24]提出的基于SSIM的动态调节算法，本文算法计算复杂度更低。具体实现过程如下：
1) 为第1个待编码I帧设置初始阈值：
$${T_I}(1) = {T_{I0}}$$ (6) 2) 利用式(4)计算当前编码I帧(定义为第n个I帧)中(x,y)位置待编码块的纹理强度TSI(n,x,y)，并统计当前编码I帧中所有编码单元(coding units, CU)的纹理强度和：
$${T_{{\rm{sum}} - I}} = \sum\limits_i {\sum\limits_j {({{\rm{TS}}_I}(n,x,y))} } $$ (7) 3) 根据当前编码I帧的平均纹理强度与伸缩因子更新下一个待编码I帧(定义为第n+1个I帧)的纹理强度阈值：
$${T_I}(n + 1) = {\lambda _I} {\rm{mean}}({T_{{\rm{sum}} - I}})$$ (8) 式中，
${\lambda _I}$ 为伸缩因子，其值大于零。4) 若编码尚未完成，则跳转到过程2) ，继续执行相同操作；否则，结束流程。
至此，得到一个基于编码残差量化DCT系数的阈值自适应纹理检测模型(threshold self-adaptive texture detection model based on quantized DCT Coefficient, TSTDM-QDCTC)。为了验证TSTDM-QDCTC的有效性，本文以经典的Canny边缘检测算法为参考模型，对两种算法的纹理检测结果进行了对比，如图3所示。
从图3中可以看出，在对纹理检测精度要求不高的场景下，如选择性视频加密，本文提出的TSTDM-QDCTC纹理检测模型能够有效的检测出视频纹理区域；同时，根据式(4)和式(5)，对于一个4×4的编码块，本文纹理检测算法仅仅需要15次加法和1次判断，而Canny边缘检测计算复杂，折合加法运算约为3300次，计算量远远高于本文算法。
-
对于编码P帧，即采用帧间预测进行编码的视频帧，主要利用运动估计和运动补偿技术进行高效率压缩编码，首先通过运动估计得到当前预测单元(prediction blocks, PU)相对于其最佳参考块的运动矢量，之后利用插值运算进行运动补偿，得到当前PU的最佳预测值，如图4所示。
图 3 纹理检测结果对比
图 4 运动估计示意图
图4中，A为当前待编码PU，As为参考帧中与A位置相对应的已编码PU，Aref为在给定搜索窗W范围内与A匹配最佳的参考区域，Aref相对于As的位置坐标即为A经运动估计后得到的运动矢量MV，由水平和垂直两个分量组成，用mv_x和mv_y表示。mv_x和mv_y直接指出了当前编码PU相对于其参考帧的变化程度，于是可以用作待编码PU纹理强度估计的一种依据。
除此之外，自H.264/AVC起，新的视频编码标准均采用可变尺寸运动补偿技术，根据待编码CU的运动情况，可将其划分为多个不同尺寸的PU进行独立的运动估计和运动补偿，实现更加精细的预测编码。以H.264/AVC为例，当待编码CU以16×16的PU进行运动补偿时，表示该CU内的所有对象运动方向完全或趋于完全一致；反之，当待编码CU被划分为多个小尺寸PU进行运动补偿时，表示该CU内包含多个子对象，且其运动方向各不相同。
本文提出利用运动矢量和帧间预测分割模式对P帧编码块的纹理强度进行估计。
首先，根据每个PU的尺寸大小为其定义对应的权值因子：
$$ {w_{m n}} = \left\lceil {(\max \_h \max \_v)/(m n)} \right\rceil $$ (9) 式中，wmn表示尺寸为mn的PU的权值因子；max_h和max_v代表编码标准所支持的最大运动补偿编码块的尺寸。CU划分越精细，表示CU内各个PU之间差异越大，越有可能成为纹理区域，所以对应PU权值应越高。以H.264/AVC视频编码为例，4×4 PU的权值因子为16，4×8 PU的权值因子为8，依次类推，16×16 PU的权值因子为1。
其次，提出一种尺寸为mn的PU的纹理强度量化方法，如式(10)所示：
$$ {{\rm{TS}}_{mn}} = {w_{mn}} ({\rm{mv}}\_x + {\rm{mv}}\_y) $$ (10) 类似地，设定一个纹理强度阈值TP，当TSmn大于或等于设定阈值TP时，认为该区域为纹理区域，否则为非纹理区域，如式(11)所示：
$$ \left\{ \begin{array}{l} {\rm{T}}{{\rm{S}}_{mn}} \geqslant {T_P}\;\;{\text{纹理区域}}\\ {\rm{otherwise}}\;\;\;{\text{非纹理区域}} \end{array} \right. $$ (11) 正如2.1节中所述，阈值TP同样应该随视频内容变化而变化。参考2.1节中的TSSUM-I模型，本文提出一种P帧阈值可伸缩自适应更新算法(threshold scalable self-adaptive update method for p-frame, TSSUM-P)，其基本思想是：在同一个GOP中，根据前一帧的平均纹理强度和伸缩因子更新下一帧的纹理强度阈值，具体过程如下：
1) 为GOP中第1个待编码P帧设置初始阈值：
$${T_P}(1) = {T_{P_0}}$$ (12) 2) 利用式(10)计算当前编码P帧(定义为当前GOP中第n个P帧)中(x,y)位置待编码块的纹理强度TSP(n,x,y)并统计当前编码P帧中所有PU的纹理强度和：
$${T_{{\rm{sum}} - P}} = \sum\limits_i {\sum\limits_j {({\rm{T}}{{\rm{S}}_P}(n,i,j))} } $$ (13) 3) 根据当前编码P帧的平均纹理强度与伸缩因子更新下一个待编码P帧(定义为第n+1个P帧)的纹理强度阈值：
$${T_P}(n + 1) = {\lambda _P} {\rm{mean}}({T_{{\rm{sum}} - P}})$$ (14) 式中，
${\lambda _P}$ 为伸缩因子，其值大于零。4) 若第n+1个待编码P帧与第n个P帧不在同一个GOP内，则跳转到过程1)，重置阈值；否则，跳转到过程2)继续执行。
然而，视频编码协议中对MV采用了预测编码方式，由于存在空间相关性，基于相邻块运动矢量得到的当前编码块运动矢量预测值(motion vector prediction, MVP)，可以很大程度上代表其真实值。为了保证解码端能够顺利提取纹理区域，对式(10)进行修正，利用MVP进行纹理估计：
$$ {\rm{T}}{{\rm{S}}_{mn}} = {w_{mn}} ({\rm{mvp}}\_x + {\rm{mvp}}\_y) $$ (15) 式中，mvp_x和mvp_y为MVP的两个分量。
至此，得到一个基于MVP的阈值自适应纹理检测模型(threshold self-adaptive texture detection model based on MVP, STDM-MVP)。
同样，为了验证TSTDM-MVP纹理检测模型的有效性，本文以经典的GMM算法为参考模型，对两种算法的纹理检测结果进行对比，如图5所示。
图 5 纹理检测结果对比
从图5中可以看出，在对纹理检测精度要求不高的场景下，如选择性视频加密，本文提出的TSTDM-MVP纹理检测模型能够有效的检测出视频纹理区域；同时，根据式(11)和式(15)，对于一个16×16的编码块，本文纹理检测算法平均需要14次加法和1次判断，而GMM算法计算过程复杂，折合加法运算约为15000次，计算量远高于本文算法。
-
为保证视频压缩编码效率和码流格式兼容性，根据前文中的分析，对于编码I帧，本文仅对编码块量化后的非零DCT系数符号进行加密；对于编码P帧，由于编码标准采用预测方式对运动矢量进行差分编码，故而选择P帧编码块非零MVD符号进行加密。
对于加密方式，本文采用实时性好的流加密算法。同时，为提高加密算法安全性，克服已知明文条件下的统计差分攻击，本文参考动态S-Box加密技术[25-26]和分组加密CFB模式，提出一种新颖的融合视频特征的流密钥生成算法(stream secret key generating method fusing video feature, SSKGM-VF)，用于流加密过程，如图6所示。
图 6 SSKGM-VF算法结构图
详细的流密钥生成过程如下：
1) 视频编码开始前，根据用户输入的初始密钥key0，直接利用分组加密算法对初始种子seed0进行加密，得到一组加密数据，即图6中的sk，用作流加密的初始流密钥；
2) 视频编码器利用前文中提出的纹理检测模型选出纹理块，输出纹理块的特征信息t并与sk进行f操作，得到的tf与key0和seed0一起输入到预处理模块进行处理，得到新的密钥keyn和种子seedn，用于分组加密产生新的流密钥sk；
3) 若视频编码尚未完成，返回过程2)继续执行；否则，流程结束。
利用SSKGM-VF算法生成的流密钥，对I帧编码块量化后的非零DCT系数和P帧编码块非零MVD的符号位进行加密，具体加密过程如式(16)所示：
$$ \begin{split} &\quad {\rm{ENCS}} = {\rm{NCS}} \otimes {\rm{sk}} \\ & {\rm{EMVDS}} = {\rm{MVDS}} \otimes {\rm{sk}} \end{split} $$ (16) 式中，NCS和MVDS分别代表纹理区域的非零DCT系数符号和非零MVD符号；ENCS和EMVDS分别对应NCS和MVDS加密后的结果；sk为加密密钥，由SSKGM-VF算法产生；
$ \otimes $ 表示流加密运算。 -
视频解密是视频加密的逆过程。编码端通过安全信道将初始密钥和初始种子传输到解码端，解码端按照如下步骤进行解密：
1)解码器利用初始密钥key0和初始种子seed0，计算流加密操作的初始流密钥sk；
2)解码器对视频压缩码流进行解析，得到加密后的量化DCT系数和MVD，同时，利用预测机制计算得到MVP；
3)根据步骤2)得到的量化DCT系数和MVP，解码器利用TSTDM-QDCTC和TSTDM-MVP分别对I帧和P帧进行纹理区域检测；
4)对于纹理区域，利用流密钥sk对量化DCT系数或MVD进行符号解密；
5)将正确解密后的视频特征反馈到SSKGM-VF算法中，继续产生新的流密钥用于解密过程；
6)若压缩码流均已解密完成，则结束流程，否则返回步骤2)继续执行。
通过上述步骤，解码端即可得到真实的量化DCT系数和MVD，后续视频解码过程才能得到真实的视频内容。
-
为验证本文所提加密算法的有效性，以应用广泛的H.264/AVC编解码器为验证平台、JM8.6软件编解码器参考模型为实现平台，对21个不同场景、不同运动幅度的CIF(352×288)格式的标准视频序列进行测试，所有视频序列均按照帧率为30 fps、I帧编码周期为30、I帧量化参数QP=28的配置进行编码加密，总编码帧数为150帧。实验过程中，分组加密算法采用国密SM4实现，流加密运算、f运算和预处理过程均采用逻辑异或代替实现。本文主要从视频加密效果、加密算法复杂度和加密算法安全性3个方面分析本文所提加密算法的性能。同时，为避免不同实验条件对实验结果的影响，测试过程中两种加密算法使用完全相同的流密钥进行加密。
-
视频加密效果从主观感受和客观评价两个方面进行分析，且以视频加密前后的峰值信噪比(peak signal noise ratio, PSNR)作为客观评价的依据。本文以文献[13]提出的选择性加密算法为对照，对本文所提算法进行性能测试与评估。同时，为避免不同实验条件对实验结果的影响，测试过程中两种加密算法使用完全相同的加密密钥。图7为两个不同场景的测试视频在两种加密算法下的加密效果图。
图 7 加密效果对比
从图7中可以发现，主观上，与原始视频相比，本文所提加密算法与参考算法均能有效保护视频信息，人眼无法正确识别出加密视频的真实内容。不同的是，本文加密算法在平滑区域，如bus视频画面中的石碑建筑和画面深处相对较暗的树木、football视频画面中的大部分草地，没有进行过多的加密，而是将其判定为非纹理区域进行处理；相反，本文算法在汽车、栏杆和运动员等细节较丰富的纹理区域、运动区域进行了有效加密。但是，参考算法[13]没有考虑这一点，而是对全局视频进行同强度加密，虽然整体加密效果更混乱，但加密数据量较多。
客观上，本文对两种加密算法加密前后的视频信噪比进行了统计分析，如表1所示。
表 1 不同视频序列加密前后PSNR对比结果
dB 测试序列 加密前 文献[13] 本文 akiyo 48.44 9.96 12.77 bowing 46.93 8.74 10.86 bridge 54.67 8.54 11.43 bus 34.30 9.03 9.70 coastguard 33.99 10.98 10.09 container 41.27 10.66 8.33 flower 33.99 9.18 11.36 football 34.98 12.95 13.35 foreman 44.47 10.97 7.17 hall 40.89 12.11 9.92 highway 40.78 9.24 11.96 husky 24.19 9.58 11.16 ice 46.12 12.13 11.81 mobile 32.04 9.12 9.45 mother 45.15 10.74 12.89 news 45.40 10.37 12.34 paris 39.19 9.23 9.15 silent 42.02 9.81 8.89 soccer 40.36 13.08 12.06 tempete 34.59 9.15 10.19 waterfall 38.15 11.01 9.40 平均值 40.09 10.31 10.68 从表1中可以看出，对于21个不同场景的测试视频，按照本文所提的选择性加密算法进行加密，加密后视频平均信噪比为10.68 dB，而利用文献[13]提出的算法进行加密，加密后视频平均信噪比为10.31 dB，相比之下，本文算法平均高出0.37 dB，这是因为本文算法只对纹理区域进行加密处理，而文献[13]则是进行全局加密，数据加密率高。但是，根据人眼视觉特性，当信噪比低于15 dB后，人眼将无法分辨出视频内容。因此本文加密算法和参考算法均能起到很好的视频内容加密作用。
-
加密算法的复杂度主要取决于加密运算自身复杂度和加密数据量大小。与已有文献相同，本文加密运算依然采用逻辑异或实现，其本身计算复杂度极低，可不予考虑，因此，加密数据量成为衡量加密算法复杂度的唯一标准。
对于编码I帧的加密过程，除非零系数符号(non-zero coefficient sign, NCS)外，参考算法[13]还对编码块的IPM进行了加密操作，具体加密数据量比较结果如图8所示。
对于NCS的加密过程，本文使用TSTDM-QDCTC纹理检测模型对加密区域进行了筛选，所以，相对于参考算法[13]，本文针对NCS的加密数据量明显减少，平均降低了21.30%。然而，对于IPM，视频编码协议对其有一定约束，即使加密后的IPM符合标准允许的若干种模式，但无法保证时间和空间上的相关规定，例如，加密后的IPM可能需要利用在时间或空间上位于当前编码块之后的相邻块数据进行预测，此类情况在通用解码器上无法正常解码。因此，本文算法并未对IPM进行加密，即针对IPM的加密数据量降低了100%。
图 8 I帧加密数据量对比
对于编码P帧的加密过程，本文算法和参考算法[13]均选择MVD符号位进行加密，加密数据量比较结果如表2所示。
表 2 不同视频序列MVD符号加密数据量对比结果
测试序列 文献[13]/bit 本文/bit 减少量 akiyo 75880 34260 54.85% bowing 142504 55704 60.91% bridge 62580 42761 31.67% bus 167288 59072 64.69% coastguard 137067 56321 58.91% container 42247 24028 43.12% flower 123822 42550 65.64% football 214381 65102 69.63% foreman 170630 60148 64.75% hall 84396 32499 61.49% highway 96142 52039 45.87% husky 183931 43978 76.09% ice 189515 40585 78.58% mobile 154963 64118 58.62% mother 172368 46507 73.02% news 118743 45581 61.61% paris 122376 34474 71.83% silent 126740 41020 67.63% soccer 188626 47774 74.67% tempete 169899 44511 73.80% waterfall 93582 57447 38.61% 平均值 135128 47166 65.10% 从表2中可以发现，经过本文所提的TSTDM-MVP纹理检测模型选择后，本文算法对MVD符号的加密数据量大大减小，平均结果为47166比特。而参考算法[13]对编码P帧中的所有MVD的符号均进行了加密处理，平均加密数据量为135128比特，相比之下，本文算法平均加密数据量减少了65.10%，计算复杂度大大降低。
总体上，综合考虑所有加密对象后，本文加密算法相对于参考算法，加密数据量平均降低了56.29%，若将加密数据量直接映射为加密时间开销，则本文加密算法时间消耗平均降低56.29%，为实时性视频编码加密提供了有利条件。
-
首先，对加密算法密钥空间进行分析，本文加密算法主要有两类依赖：1) TSTDM-QDCTC和TSTDM-MVP纹理检测模型；2) SSKGM-VF流密钥生成算法。其中，纹理检测模型共有4个参数：TI0、
${\lambda _I}$ 、TP0和${\lambda _P}$ ；流密钥生成算法则有3个参数：key0、seed0和t。因此，本文加密算法密钥空间K可表示为如下形式：$$K = \{ {T_{I0}},{\lambda _I},{T_{P0}},{\lambda _P},{\rm{ke}}{{\rm{y}}_0},{\rm{see}}{{\rm{d}}_0},t\} $$ (17) 式中，key0、seed0和t均为128 bit，在仅考虑key0和seed0的情况下，密钥空间为2128×2128=2256，有效密钥长度已达256 bit，而一般认为算法密钥长度达到128 bit即为安全的，因此，本文加密算法密钥空间达到安全标准，能够有效抵抗暴力攻击。
此外，本文利用NIST SP 800-22对SSKGM-VF算法生成的流密钥随机性进行了测试。NIST SP 800-22是由美国国家标准与技术研究院公布的数据序列随机性测试工具，测试结果由P值决定，当P值大于0.01时，认为被测试序列是随机的。详细测试结果如表3所示。
表 3 流密钥SP 800-22测试结果
测试项 P值 结果 Frequency 0.455937 通过 Block frequency 0.494392 通过 Cumulative Sums 0.964295 通过 Runs 0.935716 通过 Longest Run 0.798139 通过 Rank 0.798139 通过 FFT 0.739918 通过 Non-overlapping template 0.867692 通过 Approximate entropy 0.383827 通过 Serial 0.964295 通过 Linear complexity 0.401199 通过 从表3中可以得出结论，基于SSKGM-VF算法生成的流密钥具有较好的随机性，能够抵御静态分析攻击。
-
本文提出了一种基于视频混合编码器的低复杂度纹理自适应视频加密算法，通过利用编码过程中间数据(残差DCT系数和运动矢量)，构建了两种低计算复杂度的纹理检测模型TSTDM-QDCTC和TSTDM-MVP，并以此作为加密区域选择算法，实现对纹理区域的有效加密。以H.264/AVC视频编码为测试平台进行了算法验证，实验结果表明，本文提出的纹理检测模型和密钥生成算法，加密后的视频内容得到了很好的保护，平均信噪比为10.68 dB；与此同时，相比于已有的SE算法，加密数据量大大减小，平均降低了56.29%，为实时性视频编码加密提供了有利条件。
Low Complexity Texture-adaptive Video Encryption Algorithm Fused with Video Coding
-
摘要: 针对现有视频加密算法复杂度高的问题，提出一种低复杂度的纹理自适应视频加密算法。该算法直接利用视频编码DCT系数和运动矢量建立阈值自适应的纹理估计模型，以此检测视频纹理区域并进行加密。考虑到视频编码效率和格式兼容性，选择纹理区域的DCT系数符号和MVD符号进行加密。该算法以应用广泛的H.264/AVC视频编解码器为验证平台，实验结果表明，该文提出的加密算法在确保视频内容安全性和压缩编码效率的同时，加密算法复杂度降低，待加密数据量减少。与现有纹理检测模型相比，该文纹理检测算法复杂度低，能够适用于实时性视频加密应用场景。Abstract: Aiming at the problem of high complexity of existing video encryption algorithms, a low complexity texture-adaptive video encryption algorithm is proposed. Firstly, the quantized residual DCT coefficients and motion vectors obtained in the video encoding process are used to build the threshold-adaptive texture estimation model, which is used to detect texture region for video encryption. Then, considering the video encoding efficiency and format compatibility, the signs of quantized non-zero DCT coefficient and non-zero MVD are selected for encryption in the texture region, respectively. The algorithm takes the H.264/AVC video codec as a verification example, the experimental results show that, the proposed encryption algorithm ensures the security of video content and the efficiency of compression encoding, while reducing the complexity of the encryption algorithm and the amount of data to be encrypted greatly. Meanwhile, compared with existing texture detection methods, the complexity of the proposed texture detection algorithm is extremely low, and it can be applied to real-time video encryption application scenarios.
-
Key words:
- digital encryption /
- selective encryption /
- texture detection /
- video compression /
- video encryption
-
表 1 不同视频序列加密前后PSNR对比结果
dB 测试序列 加密前 文献[13] 本文 akiyo 48.44 9.96 12.77 bowing 46.93 8.74 10.86 bridge 54.67 8.54 11.43 bus 34.30 9.03 9.70 coastguard 33.99 10.98 10.09 container 41.27 10.66 8.33 flower 33.99 9.18 11.36 football 34.98 12.95 13.35 foreman 44.47 10.97 7.17 hall 40.89 12.11 9.92 highway 40.78 9.24 11.96 husky 24.19 9.58 11.16 ice 46.12 12.13 11.81 mobile 32.04 9.12 9.45 mother 45.15 10.74 12.89 news 45.40 10.37 12.34 paris 39.19 9.23 9.15 silent 42.02 9.81 8.89 soccer 40.36 13.08 12.06 tempete 34.59 9.15 10.19 waterfall 38.15 11.01 9.40 平均值 40.09 10.31 10.68 
下载: 导出CSV
表 2 不同视频序列MVD符号加密数据量对比结果
测试序列 文献[13]/bit 本文/bit 减少量 akiyo 75880 34260 54.85% bowing 142504 55704 60.91% bridge 62580 42761 31.67% bus 167288 59072 64.69% coastguard 137067 56321 58.91% container 42247 24028 43.12% flower 123822 42550 65.64% football 214381 65102 69.63% foreman 170630 60148 64.75% hall 84396 32499 61.49% highway 96142 52039 45.87% husky 183931 43978 76.09% ice 189515 40585 78.58% mobile 154963 64118 58.62% mother 172368 46507 73.02% news 118743 45581 61.61% paris 122376 34474 71.83% silent 126740 41020 67.63% soccer 188626 47774 74.67% tempete 169899 44511 73.80% waterfall 93582 57447 38.61% 平均值 135128 47166 65.10%
下载: 导出CSV
表 3 流密钥SP 800-22测试结果
测试项 P值 结果 Frequency 0.455937 通过 Block frequency 0.494392 通过 Cumulative Sums 0.964295 通过 Runs 0.935716 通过 Longest Run 0.798139 通过 Rank 0.798139 通过 FFT 0.739918 通过 Non-overlapping template 0.867692 通过 Approximate entropy 0.383827 通过 Serial 0.964295 通过 Linear complexity 0.401199 通过
下载: 导出CSV
-
[1] 程东升, 谭旭, 许志良, 等. 结合思维超混沌系统和位分解的图像加密算法研究[J]. 电子科技大学学报, 2018, 47(6): 906-912. CHENG Dong-sheng, TAN Xu, XU Zhi-liang, et al. Image encryption algorithm research by combining four dimensional hyper-chaotic system and bit decomposition[J]. Journal of University of Electronic Science and Technology of China, 2018, 47(6): 906-912. [2] ZENG W, LAN J, ZHUANG X. Security for multimedia adaptation: architectures and solutions[J]. IEEE Multimedia, 2006, 13(2): 68-76. doi: 10.1109/MMUL.2006.42 [3] MASSOUDI A, LEFEBVRE F, DE VLEESCHOUWER C, et al. Overview on selective encryption of image and video: Challenges and perspectives[J]. EURASIP Journal on Information Security, 2008, 2008(1): 1-18. [4] WANG L F, WANG W D, JIAN M A, et al. Perceptual video encryption scheme for mobile application based on H.264[J]. The Journal of China Universities of Posts and Telecommunications, 2008, 15(S): 73-78. [5] AHN J, SHIM H J, JEON B, et al. Digital video scrambling method using intra prediction mode[C]//Pacific-Rim Conference on Multimedia. Berlin: Springer-Verlag, 2004: 386-393. [6] LI Y, LIANG L, SU Z, et al. A new video encryption algorithm for H.264[C]//International Conference on Information. [S.l.]: IEEE, 2005: 1121-1124. [7] KHLIF N, DAMAK T, KAMMOUN F, et al. A very efficient encryption scheme for the H.264/AVC CODEC adopted in intra prediction mode[C]//Image Processing, Applications & Systems Conference. [S.l.]: IEEE, 2014: 1-7. [8] WANG Y, O'NEILL M, KURUGOLLU F. The improved sign bit encryption of motion vectors for H.264/AVC[C]// Signal Processing Conference. [S.l.]: IEEE, 2012: 1752-1756. [9] KHLIF N, DAMAK T, KAMMOUN F, et al. Motion vectors signs encryption for H.264/AVC[C]//International Conference on Advanced Technologies for Signal & Image Processing. [S.l.]: IEEE, 2014: 1-6. [10] RAJAGOPAL S, SHENBAGAVALLI A. Design of real time video encryption system based on adaptive elastic motion model in H.264[J]. Journal of Computational and Theoretical Nanoscience, 2016, 13(10): 7156-7170. doi: 10.1166/jctn.2016.5685 [11] MAO N, ZHUO L, ZHANG J, et al. Fast compression domain video encryption scheme for H.264/AVC streaming[C]//International Conference on Advanced Communication Technology. [S.l.]: IEEE, 2012: 425-429. [12] TEW Y, MINEMURA K, WONG K S. HEVC selective encryption using transform skip signal and sign bin[C]// 2015 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA). [S.l.]: IEEE, 2015: 963-970. [13] PENG F, GONG X Q, LONG M, et al. A selective encryption scheme for protecting H.264/AVC video in multimedia social network[J]. Multimedia Tools and Applications, 2016, 76(3): 3235-3253. [14] XU H, TONG X J, ZHANG M, et al. Dynamic video encryption algorithm for H264/AVC based on a spatiotemporal chaos system[J]. Journal of the Optical Society of America A, 2016, 33(6): 1166. doi: 10.1364/JOSAA.33.001166 [15] DI X, WANG Y, LI J, et al. An optimized video selective encryption algorithm[C]//2017 10th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). [S.l.]: IEEE, 2017: 1-5. [16] CHEN J, PENG F, LONG M. A perceptual encryption scheme for HEVC video with lossless compression[C]// International Conference on Cloud Computing and Security. Cham: Springer, 2017: 396-407. [17] SALLAM A I, FARAGALLAH O S, EL-RABIE E S M. HEVC selective encryption using RC6 block cipher technique[J]. IEEE Transactions on Multimedia, 2017, 20(7): 1636-1644. [18] KHLIF N, MASMOUDI A, KAMMOUN F, et al. Secure chaotic dual encryption scheme for H.264/AVC video conferencing protection[J]. IET Image Processing, 2018, 12(1): 42-52. doi: 10.1049/iet-ipr.2017.0022 [19] DUFAUX F, EBRAHIMI T. Scrambling for privacy protection in video surveillance systems[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2008, 8(18): 1168-1174. [20] PENG F, ZHU X W, LONG M. An ROI privacy protection scheme for H.264 video based on FMO and Chaos[J]. IEEE Transactions on Information Forensics and Security, 2013, 8(10): 1688-1699. doi: 10.1109/TIFS.2013.2259819 [21] SIDATY N, VIITANEN M, HAMIDOUCHE W, et al. Live demonstration: end-to-end real-time ROI-based encryption in HEVC videos[C]//IEEE International Symposium on Circuits & Systems. [S.l.]: IEEE, 2018: 1-1. [22] WANG Y, O"NEILL M, KURUGOLLU F. A tunable encryption scheme and analysis of fast selective encryption for CAVLC and CABAC in H.264/AVC[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2013, 23(9): 1476-1490. doi: 10.1109/TCSVT.2013.2248588 [23] ZHAO Y, SHEN H, ZHUO L. An Efficient motion reference structure based selective encryption algorithm for H.264 videos[J]. IET Information Security, 2014, 8(3): 199-206. doi: 10.1049/iet-ifs.2012.0349 [24] LOÏC DUBOIS, PUECH W, BLANC-TALON J. Smart selective encryption of H.264/AVC videos using confidentiality metrics[J]. Annals of Telecommunications- Annales Des Télécommunications, 2014, 69(11-12): 569-583. doi: 10.1007/s12243-013-0413-4 [25] HONG S S, HAN M M. The study of selective encryption of motion vector based on the s-box for the security improvement in the process of video[J]. Multimedia Tools and Applications, 2014, 71(3): 1577-1597. doi: 10.1007/s11042-012-1287-6 [26] ALTAF M, AHMAD A, KHAN F A, et al. Computationally efficient selective video encryption with chaos based block cipher[J]. Multimedia Tools and Applications, 2018, 77: 27981-27995. doi: 10.1007/s11042-018-6022-5 -
点击查看大图
图(8) / 表(3)
计量
- 文章访问数: 5400
- HTML全文浏览量: 1959
- PDF下载量: 45
- 被引次数: 0
