1.基于VGG‑11卷积神经网络的视频运动对象篡改取证方法，其特征在于，包括步骤S1：采用聚合运算计算视频中伪造帧与未伪造帧之间的运动残差，对伪造帧和未伪造帧进行分类，所述S1包括步骤：在步骤S1中，由于运动目标对象的篡改只会影响视频中部分帧内的内容，这样就会造成在伪造帧与未伪造帧这些连续帧之间内容的一个突变，这种突变的统计特征与隐写分析的统计特征相似，可以在运动残差图中进行提取，利用这些统计特征就可以对伪造帧和未伪造帧进行分类：将一段长度为N的视频帧序列，定义为

1 2 3 N‑1 N

Seq＝{F，F，F，...，F ，F}，N∈Z    (1)那么，第k个解压缩视频帧为： 且是大小为n1×n2k

的8‑bit灰度静止图像，在以第F帧为中心，窗口大小为L＝2×Lh+1，局部时间窗口里的聚合k运算，其中，Lh为第F帧的左或右邻帧的数量，被定义为：式中agg为：聚合函数，聚合函数将时间窗口中所有邻帧的相应坐标(i，j)的像素差距k k的最小值或最大值或中间值作为 即通过式(2)、(3)得到Col ，Col 表示运动物体在k k时间聚合窗口中第k帧的运动情况，MR 是运动残差的度量，因此，第F帧的运动残差即可被定义为：k k k

MR＝|F‑Col|    (4)

即对应坐标(i，j)中的 定义为：

因此，由式(5)求最小残差图 需要将其中 定义为：根据式(6)(7)可知： 那么可得到

k

因此， 也可认为最小残差图MR 是灰度值为

8‑bit静止图像；

S2：基于所述运动残差，提取运动残差图特征；

S3：构建基于VGG‑11的卷积神经网络；

S4：使用所述运动残差图特征，训练所述基于VGG‑11的卷积神经网络；

S5：使用所述基于VGG‑11的卷积神经网络判定视频运动对象是否被篡改。

2.如权利要求1所述的基于VGG‑11卷积神经网络的视频运动对象篡改取证方法，其特征在于，所述步骤S2中所述运动残差图特征提取包括提取548维的CC‑PEV、686维的SPAM、

2510维的CC‑JRM和7850维的CF这四种特征。

3.如权利要求1所述的基于VGG‑11卷积神经网络的视频运动对象篡改取证方法，其特征在于，步骤S3还包括步骤S31：在输入VGG‑11网络前加入一层全连接层，用于将不同维度大小的特征转化为固定维度大小的特征，便于构造相同尺寸的特征图，以方便VGG‑11网络进行训练和测试。

4.如权利要求1所述的基于VGG‑11卷积神经网络的视频运动对象篡改取证方法，其特征在于，步骤S3包括步骤：S 31：从特征集中随机选取特征数据传入第一层全连接层，得到一个1024维的特征，构造一个尺寸大小为32×32×1特征图像；

S32：使用所述32×32×1图像作为输入，依次经过卷积块中的卷积层和池化层处理，输出结果为1×1×512图像；

S33：将卷积层序列最后输出的1×1×512图像作为输入，依次经过两个全连接层，最后由SoftMax分类层输出分类结果。

5.如权利要求1所述的基于VGG‑11卷积神经网络的视频运动对象篡改取证方法，其特征在于，步骤S4中所述训练所述基于VGG‑11的卷积神经网络，采用随机梯度下降方法进行优化，设定动量参数为固定值0.8，初始学习率为0.01，学习率调整因子设置为0.96，迭代次数设定为1000，通过随机方法对全连接层和SoftMax分类层的参数进行初始化，选择识别准确率作为模型训练的评价指标。