Detección de Manipulación Temporal en Videos de Cámaras de Automóviles mediante Análisis Forense Multi-Característica...

Área de la Ciencia:

• Visión por Computadora
• Forense Digital
• Aprendizaje Automático

Sus antecedentes:

• Las cámaras de tablero de automóviles son cruciales para las investigaciones de accidentes, pero la manipulación de video representa un riesgo significativo para la integridad de la evidencia.
• Las herramientas de edición existentes facilitan la manipulación temporal (inserción, eliminación, duplicación de fotogramas), lo que requiere métodos de detección robustos.

Objetivo del estudio:

• Desarrollar un marco computacionalmente eficiente para detectar manipulaciones temporales en videos de cámaras de automóviles.
• Mejorar la confiabilidad de la evidencia en video para fines legales y de seguros.

Principales métodos:

• Un marco novedoso transforma datos de video de alta dimensión en señales temporales 1D compactas.
• Se emplea una red neuronal convolucional 1D (1D-CNN) superficial para aprender patrones de manipulación.
• Se extraen cinco características complementarias (diferencia de fotogramas, deriva SSIM, flujo óptico, etc.) entre fotogramas consecutivos.

Principales resultados:

• Alta precisión de detección lograda: 95.0% para eliminación, 100.0% para inserción, 95.0% para duplicación en entornos de ataque único.
• Precisión general del 96.3% en un entorno de cuatro clases (sin manipular, inserción, eliminación, duplicación).
• Inferencia de CPU casi en tiempo real (≈12.7-12.9 FPS) con una huella de memoria mínima.

Conclusiones:

• La 1D-CNN multi-característica propuesta ofrece una solución práctica, interpretable y eficiente en recursos para la detección de manipulaciones temporales.
• Este método apoya la evidencia forense confiable en sistemas de transporte inteligentes.
• Se observó sensibilidad al cambio de dominio, lo que indica la necesidad de una mayor investigación en adaptación y aumento de dominio.