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；

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：S31：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。