视频识别系统在内容推荐、安全监控等领域日益普及。许多机构发布了高质量公开数据集（附有开源许可）以推动模型训练，但这些数据集也面临滥用和侵权风险。数据集版权审计是识别未经授权使用的有效手段，然而现有方案主要针对图像领域，视频数据因其额外的时间维度，为审计的有效性和隐蔽性带来巨大挑战。本文提出 VICTOR——首个面向视频识别系统的数据集版权审计方法。VICTOR设计了一种通用且隐蔽的样本修改策略，仅修改少量样本（如1%），即可显著放大目标模型在修改后样本上的输出差异。通过对比模型对已发布修改样本和未发布原始样本的行为差异，可作为数据集审计的关键依据。作者在多个模型和数据集上进行了大量实验，验证了 VICTOR 的优越性，并证明其对训练视频或目标模型的多种扰动机制具有鲁棒性。该工作填补了视频领域数据集版权审计的空白，为保护数据集知识产权提供了新思路。