集成1D-CNN和Bi-GRU用于基于ENF的视频改检测
1School of Information Science and Engineering, Huaqiao University, Xiamen 361021, China.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
这项研究引入了一种新的神经网络方法,用于使用电网频率 (ENF) 信号检测视频改. 该方法有效地识别了视频中的框架间操纵,而不需要参考ENF数据,从而增强了数字取证能力.
科学领域:
- 数字法医学数字法医学
- 信号处理 信号处理
- 计算机视觉 计算机视觉
背景情况:
- 电网频率 (ENF) 分析为由于光源闪模式而导致的视频改法医提供了一种方法.
- 现实世界中的法医应用程序面临着挑战,因为缺乏基准真相的ENF数据库和动态视频场景.
研究的目的:
- 开发一种以数据为导向的方法,用于使用隐性ENF信号检测CMOS视频中的框架间改.
- 在没有参考数据集的视频法医中解决ENF信号分析的挑战.
主要方法:
- 利用光度信号的隐性ENF变化,使用ENF先验将视频数据转换为时间序列.
- 实现了预处理阶段,以减轻移动物体对亮度信号的影响.
- 设计了一种结合1D-CNN和Bi-GRU的异常检测模型,用于分析静态和动态视频数据集.
主要成果:
- 拟议的神经网络方法在检测跨视频改方面表现出有效性.
- 该方法成功地利用隐性ENF变异进行法医分析,没有外部数据集.
- 异常检测模型在静态和动态视频内容上显示出强大的性能.
结论:
- 开发的方法显示出作为基于ENF的视频分析的法医工具的巨大潜力.
- 这项工作代表了ENF用于视频法医学的新型数据驱动应用.
- 该方法在缺乏ENF参考数据的场景中为视频身份验证提供了可行的解决方案.
