Yerel Fark Ýkililerine Dayalý Video Sahtecilik Tespit yöntemi

Son yýllarda, video düzenleme yazýlýmýnýn hýzlý geliþimi video sahteciliðini uygulanabilir hale getirmiþtir. Araþtýrmacýlar sahte video karelerini tespit etmek için yöntemler önermiþtir. Bu yöntemler sahteciliði tespit etmek için kodek özelliklerini, hareket artefaktlarýný, gürültü etkisini ve çerçeve benzerliðini kullanmaktadýr. Literatürde sahtecilik tespiti için önerilen yöntemlerin iki ana dezavantajý çalýþma zamaný ve düþük tespit doðruluðudur. Bu çalýþmada, çerçevelerden özellikler çýkarmak için Yerel Fark Ýkililerini (LDB) kullanan yeni bir çerçeve tekrarlama tespit yöntemi önerilmiþtir. Benzer özellik vektörlerine sahip benzer çerçeveler arasýndaki mesafe, Sahtecilik Mesafesini tahmin etmek ve kopyalanan çerçevelerin tam yerini belirlemek için kullanýlmaktadýr. Benzer çerçeveler arasýndaki PSNR daha sonra bunlarý üç sýnýfa gruplamak için kullanýlýr ve kural tabanlý mekanizma sahte çerçeveleri sýnýf üyeliklerine göre raporlar. Sonuçlar, önerilen yöntemin, benzer çalýþmalara kýyasla daha yüksek hassasiyetle daha düþük uygulama süresine sahip olduðunu göstermektedir.

Video Forgery Detection Method based on Local Difference Binary

In recent years, fast 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. The two main drawbacks of these methods reported in the literature are execution time and low detection accuracy. In this work, we proposed a new frame duplication detection method that uses Local Difference Binary (LDB) to extract features from the frames. Distance between similar frames that have similar feature vectors are used by the method to estimate Distance of Forgery and to determine the exact location of duplicated frames. PSNR between similar frames are then used to group them into three classes and rule based mechanism reports forged frames according to the membership to classes. Results show that the proposed method has lower execution time with higher accuracy compared to similar works.