Luận văn thạc sĩ về thuật toán phát hiện điểm cắt ghép trong video

Phân tích toàn diện thuật toán phát hiện điểm cắt ghép video hiệu quả, đề xuất mô hình mới, nâng cao hiệu quả ứng dụng trong chuyên ngành

• Tác giả: Nguyễn Thanh Tùng
• Người hướng dẫn: PGS.TS Hà Hải Nam
• Trường học: Học viện công nghệ bưu chính viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên Cứu Thuật Toán Phát Hiện Điểm Cắt, Ghép Trong Video
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN PHÁT HIỆN ĐIỂM CẮT, GHÉP TRONG VIDEO
• 1.1. Đặt vấn đề bài toán
• 1.2. Một số nội dung cơ bản liên quan bài toán
• 1.3. Nghiên cứu, ứng dụng hiện nay về phát hiện điểm cắt ghép trong video
• 2. CHƯƠNG 2: THUẬT TOÁN VÀ MÔ HÌNH HỆ THỐNG TỰ ĐỘNG PHÁT HIỆN ĐIỂM CẮT, GHÉP TRONG VIDEO
• 2.1. Các đặc trưng của video bị cắt ghép, giả mạo
• 2.2. Một số thuật toán phát hiện điểm cắt, ghép trong video và đề xuất
• 2.3. Một số thuật toán phát hiện điểm cắt, ghép trong video
• 2.4. Đề xuất thuật toán giải quyết bài toán
• 3. CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ
• 3.1. Giới thiệu chương trình
• 3.2. Nền tảng công nghệ
• 3.3. Nguồn dữ liệu
• 3.4. Cấu trúc chương trình
• 3.5. Xử lý dữ liệu đầu vào
• 3.6. Xử lý tìm điểm cắt ghép trong từng khung hình
• 3.7. Kết quả thực nghiệm
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về bài toán phát hiện điểm cắt ghép trong video

Bài toán phát hiện điểm cắt ghép video đang trở thành một thách thức lớn trong bối cảnh công nghệ phát triển nhanh chóng. Thuật toán cắt ghép video không chỉ đơn thuần là việc nhận diện các đoạn video bị chỉnh sửa mà còn liên quan đến việc phân tích các đặc trưng của video để xác định tính xác thực của chúng. Việc phát hiện điểm cắt video có thể giúp ngăn chặn việc phát tán thông tin sai lệch, đặc biệt trong thời đại mà công nghệ video ngày càng dễ dàng tiếp cận. Các nghiên cứu hiện tại đã chỉ ra rằng việc phát hiện các thao tác chỉnh sửa trong video không chỉ cần thiết cho các cơ quan thực thi pháp luật mà còn cho các tổ chức truyền thông và cá nhân. Điều này cho thấy tầm quan trọng của việc phát triển các thuật toán phát hiện video hiệu quả nhằm bảo vệ thông tin và đảm bảo tính chính xác của các tài liệu video.

1.1 Đặt vấn đề bài toán

Sự phát triển của Internet đã dẫn đến việc gia tăng khối lượng video được tạo ra hàng ngày. Tuy nhiên, cùng với đó là sự gia tăng của các video giả mạo, gây ra nhiều hệ lụy cho xã hội. Việc phát hiện các video này trở nên cấp thiết hơn bao giờ hết. Các công nghệ video hiện tại cần phải được cải tiến để có thể phát hiện các điểm cắt video một cách tự động và chính xác. Điều này không chỉ giúp bảo vệ thông tin mà còn hỗ trợ các cơ quan chức năng trong việc điều tra và xử lý các vụ án liên quan đến video giả mạo.

1.2 Một số nội dung cơ bản liên quan bài toán

Các thuật toán phát hiện điểm cắt ghép video thường dựa trên việc phân tích các đặc trưng của video như độ nhiễu, màu sắc và độ sáng. Việc hiểu rõ các khái niệm này là rất quan trọng để phát triển các thuật toán phát hiện video hiệu quả. Các nghiên cứu hiện tại đã chỉ ra rằng việc phát hiện các thao tác chỉnh sửa trong video không chỉ cần thiết cho các cơ quan thực thi pháp luật mà còn cho các tổ chức truyền thông và cá nhân. Điều này cho thấy tầm quan trọng của việc phát triển các thuật toán phát hiện video hiệu quả nhằm bảo vệ thông tin và đảm bảo tính chính xác của các tài liệu video.

II. Thuật toán và mô hình hệ thống tự động phát hiện điểm cắt ghép trong video

Việc phát triển các thuật toán phát hiện video hiệu quả đòi hỏi một mô hình hệ thống tự động có khả năng phân tích và xử lý video một cách nhanh chóng và chính xác. Các công nghệ video hiện tại đã cho thấy nhiều hứa hẹn trong việc phát hiện các điểm cắt video thông qua việc sử dụng các kỹ thuật học máy và trí tuệ nhân tạo. Hệ thống này không chỉ giúp phát hiện các video giả mạo mà còn có thể phân loại chúng theo mức độ nghiêm trọng. Việc áp dụng các thuật toán cắt ghép video hiện đại sẽ giúp nâng cao hiệu quả trong công tác giám định video, từ đó hỗ trợ các cơ quan chức năng trong việc điều tra và xử lý các vụ án liên quan đến video giả mạo.

2.1 Các đặc trưng của video bị cắt ghép giả mạo

Các video bị cắt ghép thường có những đặc trưng riêng biệt mà có thể được phát hiện thông qua các thuật toán phân tích video. Những đặc trưng này bao gồm sự không đồng nhất trong màu sắc, độ sáng và độ nhiễu. Việc nhận diện những đặc trưng này là rất quan trọng trong việc phát hiện các điểm cắt video. Các nghiên cứu đã chỉ ra rằng việc phát hiện các thao tác chỉnh sửa trong video không chỉ cần thiết cho các cơ quan thực thi pháp luật mà còn cho các tổ chức truyền thông và cá nhân. Điều này cho thấy tầm quan trọng của việc phát triển các thuật toán phát hiện video hiệu quả nhằm bảo vệ thông tin và đảm bảo tính chính xác của các tài liệu video.

2.2 Một số thuật toán phát hiện điểm cắt ghép trong video và đề xuất

Nhiều thuật toán đã được phát triển để phát hiện các điểm cắt video. Các thuật toán này thường dựa trên việc phân tích các đặc trưng của video như độ nhiễu, màu sắc và độ sáng. Việc hiểu rõ các khái niệm này là rất quan trọng để phát triển các thuật toán phát hiện video hiệu quả. Các nghiên cứu hiện tại đã chỉ ra rằng việc phát hiện các thao tác chỉnh sửa trong video không chỉ cần thiết cho các cơ quan thực thi pháp luật mà còn cho các tổ chức truyền thông và cá nhân. Điều này cho thấy tầm quan trọng của việc phát triển các thuật toán phát hiện video hiệu quả nhằm bảo vệ thông tin và đảm bảo tính chính xác của các tài liệu video.

III. Thử nghiệm và đánh giá kết quả

Việc thử nghiệm và đánh giá các thuật toán phát hiện video là một bước quan trọng trong quá trình phát triển hệ thống tự động phát hiện điểm cắt ghép video. Các thử nghiệm này không chỉ giúp xác định hiệu quả của các thuật toán mà còn cung cấp thông tin quý giá về cách cải thiện chúng. Các kết quả thử nghiệm cho thấy rằng việc áp dụng các công nghệ video hiện đại có thể nâng cao đáng kể khả năng phát hiện các điểm cắt video. Điều này không chỉ giúp bảo vệ thông tin mà còn hỗ trợ các cơ quan chức năng trong việc điều tra và xử lý các vụ án liên quan đến video giả mạo.

3.1 Giới thiệu chương trình

Chương trình thử nghiệm được thiết kế để đánh giá hiệu quả của các thuật toán phát hiện video trong việc phát hiện các điểm cắt video. Các video được sử dụng trong thử nghiệm bao gồm cả video gốc và video đã bị chỉnh sửa. Việc phân tích các video này sẽ giúp xác định độ chính xác của các thuật toán và cung cấp thông tin quý giá cho việc cải thiện chúng.

3.2 Nền tảng công nghệ

Nền tảng công nghệ được sử dụng trong thử nghiệm bao gồm các công cụ và phần mềm hiện đại để phân tích và xử lý video. Việc sử dụng các công nghệ này không chỉ giúp nâng cao hiệu quả trong việc phát hiện các điểm cắt video mà còn hỗ trợ các cơ quan chức năng trong việc điều tra và xử lý các vụ án liên quan đến video giả mạo.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cuộc cách mạng công nghiệp 4.0 và sự phát triển mạnh mẽ của công nghệ số, dữ liệu video trở thành một phần không thể thiếu trong đời sống xã hội và các hoạt động điều tra, giám định pháp lý. Theo ước tính, tính đến tháng 01/2021, thế giới có khoảng 4,66 tỷ người dùng Internet, với hơn 72 tiếng video được tải lên mỗi phút trên YouTube và hàng trăm nghìn hình ảnh, video được chia sẻ trên các mạng xã hội như Facebook, Twitter. Tuy nhiên, sự phổ biến của video cũng kéo theo nguy cơ giả mạo, chỉnh sửa, cắt ghép video nhằm mục đích xuyên tạc thông tin, gây ảnh hưởng nghiêm trọng đến uy tín cá nhân, tổ chức và an ninh xã hội. Tại Việt Nam, công tác giám định video chủ yếu dựa vào quan sát thủ công, tốn nhiều thời gian và công sức, đặc biệt với các video có thời lượng lớn.

Luận văn tập trung nghiên cứu thuật toán phát hiện điểm cắt, ghép trong video nhằm tự động hóa quá trình giám định, giảm tải cho chuyên gia và nâng cao hiệu quả xử lý. Mục tiêu cụ thể là khảo sát các giải pháp kỹ thuật hiện có, đề xuất thuật toán dựa trên biến đổi Cosine rời rạc (DCT) để phát hiện các dấu vết giả mạo, đồng thời xây dựng hệ thống phần mềm thử nghiệm trên dữ liệu thực tế. Phạm vi nghiên cứu tập trung vào video dạng UGC (User Generated Content) với định dạng phổ biến như H.264, trong khoảng thời gian đến năm 2021, tại Việt Nam và một số nền tảng mạng xã hội quốc tế. Ý nghĩa nghiên cứu thể hiện qua việc cung cấp công cụ hỗ trợ giám định video tự động, góp phần nâng cao chất lượng công tác điều tra, phòng chống tội phạm và bảo vệ an ninh thông tin.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình nghiên cứu sau:

• Biến đổi Cosine rời rạc (DCT): Là phương pháp chuyển đổi tín hiệu hình ảnh sang miền tần số, giúp phát hiện các đặc trưng bất thường trong khối ảnh, đặc biệt hiệu quả trong việc phát hiện các vùng bị chỉnh sửa hoặc sao chép trong video.

• Mô hình hỗn hợp Gaussian (GMM): Được sử dụng để mô hình hóa phân bố nhiễu trong video, giúp phát hiện các vùng có dấu hiệu giả mạo dựa trên sự không đồng nhất của nhiễu.

• Các bộ lọc số học (Q4, Chrome, Fluor, Focus, Acutance, Cobalt, Temporal): Các bộ lọc này phân tích đặc trưng hình ảnh và luồng video theo không gian và thời gian, làm nổi bật các dấu hiệu bất thường như sự thay đổi màu sắc, độ sắc nét, chuyển động và nhiễu.

• Phân tích đặc trưng âm thanh - hình ảnh: Khai thác sự không nhất quán giữa âm thanh và hình ảnh trong video để phát hiện các chỉnh sửa, cắt ghép dựa trên phân tích giọng nói, khẩu hình và môi trường âm thanh.

Các khái niệm chính bao gồm: điểm cắt, ghép trong video, giả mạo kỹ thuật số, nén MPEG, luồng video, đặc trưng nội khung và liên khung, cũng như các thuật toán phát hiện giả mạo dựa trên đặc trưng ảnh và luồng đa phương tiện.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Sử dụng bộ dữ liệu thực nghiệm gồm các video gốc và video giả mạo được thu thập từ các nền tảng mạng xã hội và các bộ dữ liệu chuẩn quốc tế, bao gồm cả video có độ phân giải thấp và cao, định dạng H.264 phổ biến.

• Phương pháp phân tích: Áp dụng phương pháp phân tích thụ động dựa trên đặc trưng ảnh và luồng đa phương tiện, kết hợp các bộ lọc số học và mô hình thống kê để phát hiện điểm cắt, ghép trong video. Đồng thời, sử dụng phân tích âm thanh - hình ảnh để phát hiện sự không nhất quán.

• Cỡ mẫu và chọn mẫu: Thực nghiệm trên khoảng 100 video với tỷ lệ video giả mạo chiếm khoảng 40%, được lựa chọn ngẫu nhiên từ các bộ dữ liệu có sẵn và video thực tế tại một số địa phương.

• Timeline nghiên cứu: Quá trình nghiên cứu kéo dài trong năm 2021, bao gồm khảo sát tài liệu, phát triển thuật toán, xây dựng hệ thống phần mềm, thử nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phát hiện điểm cắt, ghép dựa trên DCT: Thuật toán dựa trên biến đổi Cosine rời rạc cho kết quả phát hiện chính xác các vùng giả mạo với độ chính xác đạt khoảng 85-90% trên bộ dữ liệu thử nghiệm, vượt trội so với các phương pháp dựa trên đặc trưng ảnh truyền thống.

2. Tác động của độ phân giải và kích thước khối ảnh: Kết quả thực nghiệm cho thấy khi sử dụng khối 16x16 pixels, thời gian xử lý trung bình giảm 20% so với khối 24x24 pixels, trong khi độ chính xác chỉ giảm nhẹ khoảng 3%, cho thấy sự cân bằng giữa hiệu suất và độ chính xác.

3. Phát hiện dựa trên đặc trưng luồng đa phương tiện: Các bộ lọc Q4 và Cobalt giúp làm nổi bật các vùng có dấu hiệu chỉnh sửa, đặc biệt hiệu quả với video có nền tĩnh và chuyển động chậm, đạt tỷ lệ phát hiện thành công khoảng 80%.

4. Phân tích sự không nhất quán âm thanh - hình ảnh: Phương pháp này phát hiện được các video bị chỉnh sửa âm thanh hoặc thay thế lời nói với độ chính xác khoảng 75%, tuy nhiên chưa thể xác định chính xác vị trí điểm cắt, ghép trong video.

Thảo luận kết quả

Kết quả cho thấy phương pháp dựa trên biến đổi Cosine rời rạc (DCT) là một giải pháp khả thi và hiệu quả trong việc phát hiện điểm cắt, ghép trong video, đặc biệt với các video UGC có chất lượng và định dạng phổ biến hiện nay. Việc lựa chọn kích thước khối ảnh ảnh hưởng đến tốc độ xử lý và độ chính xác, do đó cần cân nhắc phù hợp với yêu cầu thực tế.

So sánh với các nghiên cứu khác, phương pháp kết hợp các bộ lọc số học và mô hình thống kê như GMM giúp tăng khả năng phát hiện các dấu vết giả mạo nhỏ và rời rạc, vượt qua hạn chế của các thuật toán dựa trên đặc trưng ảnh đơn thuần. Tuy nhiên, các phương pháp dựa trên phân tích âm thanh - hình ảnh vẫn còn hạn chế trong việc định vị chính xác điểm giả mạo, cần được phát triển thêm.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác và thời gian xử lý giữa các thuật toán với các kích thước khối khác nhau, cũng như bảng tổng hợp tỷ lệ phát hiện thành công theo từng phương pháp. Điều này giúp minh họa rõ ràng hiệu quả và hạn chế của từng kỹ thuật.

Đề xuất và khuyến nghị

1. Phát triển hệ thống phát hiện tự động dựa trên DCT: Triển khai phần mềm ứng dụng thuật toán biến đổi Cosine rời rạc để phát hiện điểm cắt, ghép trong video, nhằm giảm thiểu thời gian giám định thủ công. Mục tiêu đạt độ chính xác trên 85% trong vòng 12 tháng, do các đơn vị giám định kỹ thuật số thực hiện.

2. Tối ưu hóa kích thước khối ảnh và bộ lọc số học: Nghiên cứu và áp dụng kích thước khối ảnh phù hợp (khoảng 16x16 pixels) kết hợp bộ lọc Q4 và Cobalt để cân bằng giữa tốc độ xử lý và độ chính xác, áp dụng trong 6 tháng tiếp theo.

3. Kết hợp phân tích âm thanh - hình ảnh nâng cao: Phát triển thêm module phân tích sự không nhất quán giữa âm thanh và hình ảnh, nhằm phát hiện các trường hợp chỉnh sửa âm thanh phức tạp, dự kiến hoàn thành trong 18 tháng, phối hợp với các chuyên gia âm thanh kỹ thuật số.

4. Nghiên cứu ứng dụng học sâu (Deep Learning): Áp dụng mạng nơ-ron nhân tạo để tự động hóa việc phát hiện và phân loại video giả mạo dựa trên kết quả đầu ra của các bộ lọc, nâng cao khả năng khái quát hóa và phát hiện các dạng giả mạo mới. Thời gian nghiên cứu và thử nghiệm dự kiến 24 tháng.

5. Xây dựng bộ dữ liệu chuẩn và công cụ đánh giá: Thiết lập bộ dữ liệu video giả mạo đa dạng và công cụ đánh giá hiệu quả thuật toán để đảm bảo tính khách quan và khả năng so sánh giữa các phương pháp, thực hiện song song trong quá trình phát triển.

Đối tượng nên tham khảo luận văn

1. Chuyên gia giám định hình ảnh và video: Luận văn cung cấp các thuật toán và phương pháp phát hiện giả mạo video, hỗ trợ nâng cao hiệu quả công tác giám định kỹ thuật số trong điều tra pháp lý.

2. Nhà nghiên cứu công nghệ thông tin và xử lý đa phương tiện: Tài liệu chi tiết về các bộ lọc số học, mô hình thống kê và phân tích âm thanh - hình ảnh giúp mở rộng nghiên cứu trong lĩnh vực phát hiện giả mạo kỹ thuật số.

3. Cơ quan thực thi pháp luật và an ninh mạng: Công cụ và phương pháp đề xuất giúp phát hiện nhanh các video giả mạo, hỗ trợ công tác điều tra, phòng chống tội phạm liên quan đến truyền thông đa phương tiện.

4. Doanh nghiệp phát triển phần mềm và nền tảng mạng xã hội: Áp dụng các thuật toán phát hiện giả mạo để kiểm soát chất lượng nội dung, bảo vệ người dùng khỏi thông tin sai lệch và tăng cường uy tín dịch vụ.

Câu hỏi thường gặp

1. Thuật toán phát hiện điểm cắt, ghép trong video hoạt động như thế nào?
   Thuật toán dựa trên biến đổi Cosine rời rạc (DCT) phân tích các khối ảnh trong video để phát hiện sự không đồng nhất về tần số, từ đó xác định các vùng bị chỉnh sửa hoặc sao chép. Ví dụ, các vùng giả mạo thường có đặc trưng tần số khác biệt so với phần còn lại của video.

2. Phương pháp phân tích âm thanh - hình ảnh có ưu điểm gì?
   Phương pháp này khai thác sự không nhất quán giữa âm thanh và hình ảnh, như sự lệch pha giữa khẩu hình và âm thanh giọng nói, giúp phát hiện các video bị chỉnh sửa âm thanh hoặc thay thế lời nói mà mắt thường khó nhận biết.

3. Kích thước khối ảnh ảnh hưởng thế nào đến kết quả?
   Kích thước khối ảnh nhỏ giúp phát hiện chi tiết hơn nhưng tăng thời gian xử lý; kích thước lớn giảm thời gian nhưng có thể bỏ sót các vùng giả mạo nhỏ. Kích thước 16x16 pixels được đánh giá là cân bằng tốt giữa độ chính xác và hiệu suất.

4. Các bộ lọc số học như Q4, Cobalt có vai trò gì?
   Các bộ lọc này làm nổi bật các đặc trưng hình ảnh và luồng video theo không gian và thời gian, giúp phát hiện các dấu hiệu bất thường như sự thay đổi màu sắc, chuyển động không đồng nhất, từ đó hỗ trợ phát hiện giả mạo hiệu quả.

5. Học sâu có thể cải thiện việc phát hiện giả mạo video không?
   Có, mạng nơ-ron nhân tạo có khả năng học các đặc trưng phức tạp và tổng quát hóa tốt, giúp phát hiện các dạng giả mạo mới và tự động hóa quá trình phân loại video, tuy nhiên cần bộ dữ liệu lớn và thời gian huấn luyện đáng kể.

Kết luận

• Thuật toán dựa trên biến đổi Cosine rời rạc (DCT) và các bộ lọc số học là giải pháp hiệu quả để phát hiện điểm cắt, ghép trong video với độ chính xác khoảng 85-90%.
• Kích thước khối ảnh 16x16 pixels được khuyến nghị để cân bằng giữa tốc độ xử lý và độ chính xác phát hiện.
• Phân tích sự không nhất quán âm thanh - hình ảnh bổ sung giá trị trong phát hiện các video bị chỉnh sửa âm thanh.
• Việc kết hợp các phương pháp truyền thống với học sâu hứa hẹn nâng cao khả năng phát hiện và tự động hóa trong tương lai.
• Tiếp tục phát triển hệ thống phần mềm và xây dựng bộ dữ liệu chuẩn là bước đi quan trọng để ứng dụng thực tiễn và nâng cao hiệu quả giám định video.

Luận văn kêu gọi các nhà nghiên cứu, chuyên gia và tổ chức liên quan tiếp tục hợp tác phát triển các giải pháp công nghệ nhằm nâng cao tính chính xác và hiệu quả trong phát hiện video giả mạo, góp phần bảo vệ an ninh thông tin và trật tự xã hội.

Trích đoạn nội dung tài liệu

Đặt vấn đề bài toán Ngày nay, sự phát triển nhanh chóng của mạng Internet kèm theo khối lượng dữ liệu khổng lồ, đa dạng và tăng trưởng không ng ng. Với sự xuất hiện, và phát triển của công nghệ mạng, người sử dụng ngày càng tăng lên, dữ liệu trên mạng internet đã trở thành một cơ sở dữ liệu phi cấu trúc lớn nhất mà con người có thể truy cập. Bắt đầu t năm 1990, World Wide Web đã phát triển về quy mô theo cấp số nhân. Tính đến tháng 01/2021, thế giới có khoảng 4,66 tỷ người dùng Internet, chiếm 59,5% dân số thế giới [18].

Ước tính cứ mỗi ngày có hơn 2 Exabyte (1018 byte) dữ liệu được tạo ra trên Internet, mỗi phút có 4,2 triệu câu lệnh tìm kiếm Google; trên Facebook, có thêm 400 người dùng mới, hơn 200.000 bức ảnh được tải lên; trên Twitter, có 480.000 tài khoản được xây dựng; trên Youtube, 72 tiếng video được tải lên, 4,7 triệu video được xem [23]… Năm 2019, ước tính WWW chứa khoảng 4,4 Zettabytes (1 ZB = 10007 byte = 1021 byte = 1000000000000000000000 byte = 1000 Exabyte = 1 Triệu Petabyte = 11000000000 (số) Terabyte = 11,000,000,000,000 Gigabyte) tài liệu web có thể lập chỉ mục công khai trải khắp thế giới trên hàng nghìn máy chủ, ước tính đến năm 2025 con số đó lên tới 175 ZB. Đối với dữ liệu trên mạng internet, chủ yếu là nội dung do người dùng tạo (UGC), trong đó, dữ liệu là video được quay bằng thiết bị cầm tay, thiết bị điều khiển t xa, như: điện thoại thông minh, camera, flycam… của người dùng ngày càng chiếm khối lượng lớn. Mọi người có thể chỉnh sửa video cho nhiều mục đích khác nhau, kể cả ủng hộ vấn đề chính trị hoặc giải trí, nhưng những video giả mạo như vậy đặt ra một thách thức lớn cho các tổ chức tin tức, vì việc đăng tải các video giả mạo có thể gây tổn hại nghiêm trọng đến danh tiếng, quyền lợi, sức khỏe của các tổ chức, cá nhân và thậm chí là cả xã hội. Điều này tạo ra nhu cầu cấp thiết về các công cụ có thể hỗ trợ các chuyên gia xác định và tránh nội dung video bị giả mạo.

Các video này có thể chứa nội dung thực được quay tại hiện trường liên quan Luan van 6 tới các sự kiện và thường không chứa việc chuyển cảnh quay nào như trong các video, clip, film chuyên nghiệp, mà chỉ bao gồm một cảnh quay duy nhất. Đây là một khía cạnh quan trọng, vì một video chứa nhiều cảnh là video đã được chỉnh sửa, điều này có thể làm giảm giá trị của video đó khi được xem xét để trở thành một tài liệu chứng cứ phục vụ điều tra. Các video thường được tải lên trên các nền tảng chia sẻ phương tiện truyền thông xã hội (ví dụ: Facebook, YouTube), có nghĩa là chúng thường ở định dạng H.264 và có độ phân giải thấp và được lượng tử hóa tương đối mạnh. Tình hình trên đã đặt ra nhiều yêu cầu đối với việc phân tích, xử lý video phục vụ công tác điều tra, giám định chứng cứ, một trong những yêu cầu nổi bật là cung cấp các công nghệ hiện đại nhất để hỗ trợ phân tích giám định video, đặc biệt là phát hiện và xử lý cục bộ các thao tác chỉnh sửa đối với video.

Yêu cầu này không chỉ ngày càng cấp thiết tại Việt Nam mà còn là yêu cầu chung của nhiều nước trên thế giới. Khi nhắc đến việc phát hiện các hoạt động chỉnh sửa đối với video đồng nghĩa với việc chúng ta đề cập đến nhiệm vụ sử dụng các thuật toán phân tích video để phát hiện xem video có bị giả mạo bởi các phần mềm xử lý video hay không và nếu có, cần đưa ra các thông tin cụ thể về quá trình giả mạo (ví dụ: vị trí trong video mà giả mạo nằm ở đâu và loại giả mạo đã diễn ra). Việc phát hiện thao tác độc hại trong các phương tiện kỹ thuật số vẫn còn nhiều hạn chế, việc phân biệt dấu vết chỉnh sửa, cắt ghép so với hình ảnh gốc ngày càng trở nên khó khăn khi các phương pháp giả mạo hình ảnh tinh vi mới được xuất hiện và phổ biến. Vì các công cụ giả mạo ngày càng thông minh, nên một hệ thống phát hiện giả mạo kỹ thuật số đáng tin cậy đang ngày càng trở nên quan trọng trong các lĩnh vực an ninh công cộng, cũng như đối với các lĩnh vực khác, như: điều tra tội phạm, pháp y, dịch vụ tình báo, bảo hiểm, báo chí, nghiên cứu khoa học, hình ảnh y tế và giám sát.1 là một ví dụ cụ thể, cho thấy việc đối tượng đã sao chép một số ô tô và dán vào các khung giống nhau, nhằm che đi một số thông tin gốc; trong đó, hàng trên hiển thị khung video gốc và hàng dưới hiển thị phiên bản bị giả mạo tương ứng.

Luan van 7 Hình 1. Ví dụ trùng lặp đối tƣợng (frame gốc: trái; frame giả mạo: phải) Tuy nhiên, các hành vi chỉnh sửa hình ảnh không phải lúc nào cũng độc hại đối với việc giám định video [13]. Bên cạnh những trường hợp có thể xảy ra như chèn hoặc xóa người, đồ vật quan trọng, có thể làm thay đổi nội dung của video và đây là những trường hợp mà giám định video đề tài chủ yếu nhắm đến, còn có rất nhiều kiểu giả mạo khác có thể diễn ra trên video nhưng không ảnh hưởng lớn tới tính chính xác của chứng cứ. Chúng có thể bao gồm các hoạt động như như điều chỉnh độ sắc nét hoặc màu sắc vì lý do thẩm mỹ cho toàn bộ video hoặc việc bổ sung các biểu tượng và hình mờ trên video.

Tất nhiên, các bước xử lý hậu kỳ như vậy theo ngữ cảnh thực tế làm giảm phần nào tính chính xác và hiệu quả của video, nhưng trong những trường hợp như vậy, video vẫn là bằng chứng khả dụng duy nhất về hành vi vi phạm, chúng vẫn luôn là tài liệu vô cùng quan trọng đối với các cơ quan điều tra. Việc phát hiện các thao tác chỉnh sửa trong video là một nhiệm vụ đầy thách thức vì các thao tác giả mạo để lại dấu vết trên video - thường không thể nhìn thấy bằng mắt thường và liên quan đến một số thuộc tính của nhiễu ảnh cơ bản hoặc các mẫu nén của video và dấu vết đó chỉ có thể được phát hiện bằng các thuật toán thích hợp nhưng hiện nay vẫn còn tồn tại nhiều phức tạp trong cách tiếp cận này. Nhìn Luan van 8 chung, có nhiều kiểu hành vi chỉnh sửa khác nhau có thể diễn ra, như: xóa đối tượng, sao chép đối tượng t cùng một cảnh hoặc t một video khác, chèn nội dung tổng hợp, chèn hoặc xóa khung, chọn khung hoặc thay đổi màu sắc/độ sáng toàn cục… mỗi loại có khả năng để lại các loại dấu vết khác nhau trên video. Hơn nữa, một vấn đề khác của bài toán thực tế là việc nén video bao gồm một số quy trình khác nhau, tất cả đều có thể phá vỡ các dấu vết giả mạo.

Đặc biệt là trong trường hợp nội dung của người dùng mạng trực tuyến, chúng thường được đăng tải trên mạng xã hội, có nghĩa là chúng đã được mã hóa lại nhiều lần và thường có chất lượng thấp, do ảnh hưởng độ phân giải của camera hoặc do nhiều bước nén khi đăng. Vì vậy, để thành công, các chiến lược phát hiện chỉnh sửa video thường cần phải có khả năng phát hiện các dấu vết chỉnh sửa, cắt ghép rất yếu và rời rạc. Cuối cùng, một vấn đề làm phức tạp thêm nhiệm vụ là việc chỉnh sửa không độc hại. Như đã đề cập ở trên, đôi khi video được tạo ra có chứa các biểu tượng hoặc hình mờ do mục đích cá nhân của người quay/tạo video.

Mặc dù những điều này không cấu thành việc phá hủy hoặc giả mạo video, nhưng chúng là kết quả của quá trình chỉnh sửa tương tự với quá trình giả mạo và do đó có thể dẫn đến các kết luận, đánh giá không chính xác của thuật toán hệ thống hoặc cũng có thể là một trong những yếu tố che đi các dấu vết của bộ chỉnh sửa độc hại khác. Với những thách thức này, các nhà nghiên cứu đã và đang nghiên cứu xây dựng, triển khai nhiều hệ thống theo các hướng khác nhau nhằm hướng hỗ trợ các chuyên gia trong việc xác định các video giả mạo hoặc nâng cao hiện đại hóa lĩnh vực kỹ thuật hình sự. Các nghiên cứu trong giám định hình ảnh là tiền đề hết sức cần thiết cho mở rộng nghiên cứu các thuật toán hay "bộ lọc" nhằm xử lý video và giúp người dùng cụ thể hóa các điểm mâu thuẫn đáng ngờ trong video. Những bộ lọc này hướng tới khả năng đưa ra kết quả được hiển thị cho người dùng, giúp họ xác minh video một cách trực quan.

Đi kèm với đó, việc sử dụng kiến trúc mạng nơ-ron nhân tạo (deep neuron) để phát hiện những điểm không nhất quán trong video và phân loại video là "gốc" hoặc bị giả mạo vào xây dựng hệ thống tự động Luan van 9 hóa quá trình phát hiện cũng là một nội dung tất yếu của công nghệ tự động hóa, một bước tiến của Trí tuệ nhân tạo (AI). Một số nội dung cơ bản liên quan bài toán Giám định hình ảnh và video về cơ bản là các lĩnh vực phụ của xử lý hình ảnh và video, do đó một số khái niệm t các lĩnh vực xử lý hình ảnh/video đặc biệt quan trọng đối với nhiệm vụ của đề tài. - Một hình ảnh (hoặc khung hình - frame) có thể được coi là một mảng 2 chiều của các bộ giá trị màu (R, G, B), tuy nhiên, nội dung màu thực tế của hình ảnh thường không liên quan đến giám định. Thay vào đó, chúng ta thường quan tâm đến các đặc điểm khác ít nổi bật hơn, như độ nhiễu, màu sắc được chuẩn hóa độ chói sáng hoặc độ sắc nét của hình ảnh.

- Giới hạn nhiễu hình ảnh (image noise) đề cập đến sự thay đổi ngẫu nhiên của thông tin về độ sáng hoặc màu sắc, nói chung là sự kết hợp của các đặc tính vật lý của thiết bị chụp (như cấu trúc của ống kính) và độ nén hình ảnh (trong trường hợp nén bị mất là tiêu chuẩn). Một cách để loại bỏ nhiễu hình ảnh là loại bỏ phiên bản được lọc nhiễu thấp, phần còn lại của hoạt động này có xu hướng bị chi phối bởi nhiễu hình ảnh. Trong trường hợp xử lý độ sáng thay cho việc xử lý bởi thông tin màu sắc của hình ảnh, thì chúng ta gọi là đầu ra của phương pháp đó là nhiễu độ sáng (luminance noise) [13].