Video Forgery Detection Method based on Local Difference Binary

Abstract

Öz Recently, the rapid development of video editing software has made video forgery applicable. Researchers have proposed methods to detect forged video frames. These methods utilize codec properties, motion artifacts, noise effect and frame similarity to detect forgery. Execution time and low detection accuracy are the two main drawbacks of forgery detection methods reported in the literature. In this study, a new frame duplication detection method using Local Difference Binary (LDB) is proposed to extract features from the frames. Distance between similar frames that have similar feature vectors are is used by the method to estimate Distance of Forgery and to determine the exact location of duplicated frames. PSNR between similar frames are is then used to group them into three classes, and rule-based mechanism reports forged frames according to the membership to classes. Experimental results indicate that the proposed method has lower execution time with higher accuracy than similar works. Son yıllarda, video düzenleme yazılımının hızlı gelişimi video sahteciliğini uygulanabilir hale getirmiştir. Araştırmacılar sahte video karelerini tespit etmek için yöntemler önermiştir. Bu yöntemler sahteciliği tespit etmek için kodek özelliklerini, hareket artefaktlarını, gürültü etkisini ve çerçeve benzerliğini kullanmaktadır. Literatürde sahtecilik tespiti için önerilen yöntemlerin iki ana dezavantajı çalışma zamanı ve düşük tespit doğruluğudur. Bu çalışmada, çerçevelerden özellikler çıkarmak için Yerel Fark İkililerini (LDB) kullanan yeni bir çerçeve tekrarlama tespit yöntemi önerilmiştir. Benzer özellik vektörlerine sahip benzer çerçeveler arasındaki mesafe, Sahtecilik Mesafesini tahmin etmek ve kopyalanan çerçevelerin tam yerini belirlemek için kullanılmaktadır. Benzer çerçeveler arasındaki PSNR daha sonra bunları üç sınıfa gruplamak için kullanılır ve kural tabanlı mekanizma sahte çerçeveleri sınıf üyeliklerine göre raporlar. Deneysel sonuçlar, önerilen yöntemin, benzer çalışmalara kıyasla daha yüksek hassasiyetle daha düşük uygulama süresine sahip olduğunu göstermektedir.

Duplicated frame forgery detection in videos based on edge detection

“…Ulutaş ve diğ. tekrarlama sahteciliğine LDB algoritmasına dayalı çözüm önerisi sunmuşlardır [9]. Yöntem hızlı çalışan bir yöntem olmakla beraber farklı boyutlarda videolar üzerinden test gerçekleştirilmemiştir.…”

Copy-move forgery detection and localization with hybrid neural network approach

“…Passive methods have become popular among researchers because they do not need any extra information for authentication. In addition to passive image forgery detection methods, there are also passive video forgery methods in the literature [48]. Passive image forgery detection methods can be classified into two subclasses, image splicing detection techniques, and copy-move forgery detection (CMFD) techniques.…”