《表4 融合模型性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合多特征的视频帧间篡改检测算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对本文所提融合算法与单一VQA方法在华南理工视频篡改检测数据库和SULFA视频库的精确度进行比较。结果如表4所示。表中第一列展示了方法的名称。其中MMF为本文的融合算法，MMF分有分组和无分组两种，第二列是VFDD库中每种方法的得分，第三列是SULFA库中每种方法的得分，得分越高表示检测精度越好。在VFDD视频库中表现最好的单一特征是IFC（得分0.918 623），而在SULFA视频库中表现最好的单一特征为VSNR（得分0.666 803）；同时也可以看出IFC特征在SULFA视频库中的得分只有0.481 829，相比于其他特征的表现有明显的不足，同样VSNR在VFDD视频库中的表现相对于其他特征也有明显的不足。从表4中可以看出融合算法在两个数据库中的性能表现都是最优的。VFDD数据库中，MMF（无分组）融合的特征为IFC、VIF、MAD、IWSSIM、GSM、VSI、SSIM。MMF（分组后）将视频分为两组，第一组融合特征为IFC、NQM、PSNR、SNR、VSNR、WSNR；第二组的融合特征为IFC、MSE、NQM、PSNR、VSNR、UQI、SSIM。分组与未分组的融合方法性能几乎无差别；在SULFA中，MMF（无分组）融合的特征为IFC、NQM。MMF（分组后）将视频分为两组，第一组融合特征为IFC、IWSSIM、SRSIM；第二组的融合特征为WSNR、SNR、PSNR。分组后的融合方法比未分组的融合方法在性能上有显著的提升。这说明正确的分组有利于融合算法性能的提升。在时间上效率上，融合算法比单一特征多花费200 s。相比于检测效果的提升，额外的开销时间在可接受范围之内。