视频指纹是一项涉及多媒体信息安全、非法视频传播等方面的前沿技术。它主要以鲁棒性和独特性兼备的数据特征为获取目标,在同时保证两种性质的情况下,设法生成紧凑视频指纹来完成快速准确的检测任务。本文针对现有视频指纹算法存在的指纹码质量偏低、检测效果欠佳等问题,从深度学习理论出发,研究通过卷积神经网络提取视频特征,并将特征的量化编码融入到神经网络中,形成端到端的一体化视频拷贝检测框架。具体研究成果如下:1.提出一种基于三胞胎网络的视频指纹算法。采用三个权值共享的分支网络搭建完整的视频指纹生成系统。每个分支网络均由特征学习和量化编码两部分组成,其中特征学习部分以三维残差网络为核心,并在卷积层嵌入非局部操作模块来提取视频全局和局部时空信息;量化编码部分将三维残差网络末端输出的高维特征通过全连接映射形成低维实值序列,并经二值化处理得到离散指纹码。整体框架以一种角度关系三元组损失函数来建模拷贝视频与非拷贝视频间的深层关联特征,同时引入量化误差损失以减少特征编码过程中相似信息的丢失。通过视频分析公共数据集上采集的5986个视频进行实验验证,结果表明该算法能在保持较好的鲁棒性与独特性情况下具备优异的检测效果,特别是对于几何类失真变换的识别率有明显提高。2.提出一种基于四胞胎网络的视频指纹算法。采用四个权值共享的分支网络搭建完整的深度视频指纹框架。每个分支网络都包含特征提取和指纹码生成两部分,首先将能够显示建模特征通道间相互依赖关系的投影激励网络与三维卷积联合进行特征提取,主要针对当前任务学习特征权重,提升有用特征并抑制无用特征;然后将经过前馈网络学习所得的深度特征以全连接形式映射为近似指纹码并量化生成离散指纹序列。模型整体以一种改进的四元组损失来划分拷贝视频与非拷贝视频间的特征间距,并添加量化误差项来保证最终获得的指纹序列尽可能多地包含原始数据的相似信息,进一步提高模型识别能力。通过视频分析公共数据集采集的4986个视频进行实验验证,结果表明该算法能有效提升视频指纹的鲁棒性与独特性,在多种复合失真攻击下的平均检测精度优于对比算法。本文利用深度度量学习的特点,分别设计了以三胞胎网络和四胞胎网络为结构的视频指纹算法。算法在保证鲁棒性与独特性的同时,进一步达到指纹码的紧凑性要求,在防控非法视频传播、保护视频版权等方面具有一定的研究意义与应用价值。