BR112012019745B1

BR112012019745B1 - Método de detecção de marca dágua utilizando um mapa de propagação

Info

Publication number: BR112012019745B1
Application number: BR112012019745-2A
Authority: BR
Inventors: Shan He; Dekun Zou; Jeffrey Adam Bloom
Original assignee: Contentarmor
Priority date: 2010-02-09
Filing date: 2011-02-07
Publication date: 2020-11-10
Also published as: US9105091B2; JP5753200B2; EP2534638B1; KR101763336B1; WO2011100048A1; BR112012019745A2; US20120308074A1; EP2534638A1; JP2013519333A; KR20120125367A; CN102754124B; CN102754124A

Abstract

DETECÇÃO DE MARCA D' ÁGUA UTILIZANDO UM MAPA DE PROPAGAÇÃO Um método para detectar e selecionar impressão de marca d'água em codificação de vídeo é fornecido que compreende acessar uma lista de possíveis marca d'água: gerar mapas de propagação de modificações para o vídeo que seriam causados por aplicar as marcas d'água respectivas; gerar uma região de detecção responsiva a cada mapa de propagação respectivo que inclui blocos no mapa de propagação que coletivamente classificam mais elevado com relação a um critério de detecção selecionado comparado com cada outra região no mapa de propagação; selecionar uma métrica delimite para avaliar regiões de detecção; e remover marcas d'água a partir da lista responsiva a uma comparação de suas regiões de detecção com a métrica de limite.

Description

Referência remissiva a pedidos relacionados

O presente pedido reivindica o benefício do pedido provisional US no. de série 61/337.726 depositado em 9 de fevereiro de 2010, que é incorporado a título de referência na íntegra.

Campo técnico

A presente invenção refere-se a um processo para detectar marcas d’água e utilizar mapas de propagação em impressão de marca d’água por codificação de vídeo avançado (AVC).

Antecedentes

Marcas d’água que mudam valores de pixel podem causar alterações secundárias em partes adjacentes das imagens que utiliza os pixels alterados como referência. Marcas d’água que mudam valores de vetor de movimento podem causar alterações secundárias em partes adjacentes das imagens que utilizam os vetores de movimento alterado como referência.

Mapas de propagação foram utilizados em um critério de fidelidade (PCT/US09/004702 e PCT/US09/004752) para assegurar que uma alteração proposta não introduzirá artefatos de fidelidade em nenhum lugar no percurso de propagação.

Em H.264/AVC, uma impressão de marca d’água em duas etapas modifica um bloco de cada vez. O detector de marca d’água analisa então aquele um bloco no processo de recuperar a carga útil de marca d’água. Esse método sofre quando o conteúdo impresso com marca d’água é submetido a uma distorção geométrica antes da recuperação de marca d’água. Desalinhamentos leves resultam em uma grande percentagem do bloco alvo sendo perdido pelo detector e podem fornecer detecção não confiável.

Como tal, existe uma necessidade de um método para detecção de marca d’água aperfeiçoado que possa capturar distorções geométricas que esquemas de detecção atuais perdem.

Sumário

É fornecido um método para detectar marcas d’água e utilizar mapas de propagação em impressão de marca d’água com codificação de vídeo avançado. O método pode compreender acessar um mapa de propagação associado a uma marca d’água de uma lista tendo uma ou mais marcas d’água; definir pelo menos um critério de detecção para blocos no mapa de propagação; identificar pelo menos uma região de pelo menos um dos blocos contidos no mapa de propagação, em que pelo menos uma região é agrupada responsiva a pelo menos um critério de detecção; e produzir informações de pelo menos uma região. As regiões podem ser um grupo de blocos conectados. Pode haver uma pluralidade de regiões diferentes e blocos em uma região podem ter um sinal diferente do que blocos em outra região. As informações podem ser informações espaciais e/ou temporais, em que informações espaciais poderiam incluir pelo menos o tamanho de regiões, o número de regiões, o formato das regiões, e o local das regiões. O critério de detecção pode ser alteração em nível de luminância e o sinal pode ser o sinal da alteração. O método pode incluir ainda determinar a alteração média em nível de luminância para cada região em cada marca d’água e as informações podem incluir a luminância média. Adicionalmente, as informações para cada região em cada marca d’água podem ser priorizadas de tal modo que cada marca d’água tenha uma região de prioridade que é caracterizada por uma métrica, em que o método poderia compreender ainda selecionar uma métrica de limite e colocar marcas d’água tendo regiões de prioridade que excedem a métrica de limite em uma lista preferida de possíveis marcas d’água para aplicar a dados de vídeo, em que exceder significa realizar em excesso a métrica de limite.

Um aspecto da invenção pode compreender ainda gerar uma matriz de sinalizador para identificar pelo menos uma região e utilizar os resultados para gerar a lista preferida de marcas d’água. Esse aspecto pode compreender selecionar um bloco de semente para iniciar a matriz de sinalizador de blocos no mapa de propagação, o bloco de semente sendo parte de pelo menos uma região; determinar um sinal do bloco de semente; preencher a matriz de sinalizador com blocos adicionais adjacentes ao bloco de semente, os blocos adicionais têm o mesmo tipo de sinal que o bloco de semente; continuar a preencher a matriz de sinalizador com outros blocos que são conectados ao bloco de semente através pelo menos dos blocos adicionais, em que outros blocos e quaisquer blocos intermediários têm o mesmo tipo de sinal que o bloco de semente; e atribuir o bloco de semente e quaisquer blocos no preenchimento e etapas de preenchimento adicionais a uma primeira região, desse modo produzindo a primeira região na etapa de identificação. Uma segunda região pode ser obtida por selecionar outro bloco de semente de blocos no mapa de propagação que não são atribuídos ainda a pelo menos uma região; e rodar a etapa de determinação, etapa de preenchimento, etapa de preenchimento adicional, e etapa de atribuição para o outro bloco de semente. Regiões adicionais podem ser obtidas por continuar a selecionar outros blocos de semente e rodar a etapa de determinação, etapa de preenchimento, etapa de preenchimento adicional, e etapa de atribuição para os outros blocos de semente até que todos os blocos no mapa de propagação sejam atribuídos. Esse aspecto pode compreender ainda selecionar uma região de prioridade do mapa de propagação para cada marca d’água com base em uma métrica; selecionar uma métrica de limite; e colocar marcas d’água tendo regiões de prioridade que excedem ou realizam em excesso a métrica de limite em uma lista selecionada de possíveis marcas d’água para aplicar a dados de vídeo; em que a métrica é pelo menos um critério de detecção e é uma medida de alteração de luminância; e o tipo de sinal é o sinal da alteração de luminância.

Breve descrição dos desenhos

Os presentes princípios podem ser entendidos melhor de acordo com as seguintes figuras exemplares, nas quais:

A figura 1 é um diagrama de blocos do método para determinar uma região de detecção de marca d’água de acordo com a invenção;

A figura 2 é um diagrama de blocos de um algoritmo para gerar uma região de detecção para o método da figura 1;

A figura 3 mostra uma região conectada de acordo com a invenção que inclui pixels A que fazem parte de um bloco original, porém não incluído na detecção devido a um deslocamento e que inclui pixels B que não fazem parte do bloco original, porém são incluídos durante a detecção devido ao deslocamento;

A figura 4 mostra outra vista uma região conectada que envolve pixels A e B e deslocamento;

A figura 5 mostra outra vista uma região conectada que envolve somas de luminância de pixels A e B;

E a figura 6 é um diagrama de blocos do método para os parâmetros de detecção ótimos de acordo com a invenção.

Descrição detalhada

A revelação refere-se a métodos de impressão com marca d’água de 2 etapas, em que as duas etapas são como a seguir: 1 .Selecionar uma lista de alterações que atendem a todos os critérios de impressão de marca d’água. Os critérios podem incluir fidelidade, robustez e conformidade. 2 .Utilizar a carga útil de marca d’água para executar um subconjunto daquelas alterações.

O foco da revelação é utilizar mapas de propagação no critério de robustez da primeira etapa e utilizar mapas de propagação como entrada bem como para determinar regiões de detecção e estimar uma marcação de robustez na região de detecção.

Em relação à robustez, uma medição simples de robustez é a quantidade de alteração de luminância introduzida por alterações candidatas em potencial. Assume-se que alterações candidatas que resultam em alterações de luminância mais elevadas serão mais robustas. Qualquer candidato para o qual a alteração em luminância esteja abaixo do limite de robustez será removido da lista de alterações candidatas.

Particularmente, a presente revelação é motivada pelo desejo de utilizar uma ou mais regiões no mapa de propagação para detecção. A região de detecção pode ser um macrobloco único no mapa de propagação ou uma combinação de múltiplos macroblocos. Em muitos casos, regiões de detecção maiores podem fornecer mais robustez a certas distorções geométricas. Isso tira proveito da primeira etapa de seleção de alteração candidata. Aqui, vários métodos são propostos para avaliar a robustez potencial de regiões de detecção. Alterações que resultam em robustez intensa são preferidas e descrições dessas regiões são fornecidas ao detector de marca d’água como regiões de detecção.

A motivação para a presente revelação inclui aquele fato de que conteúdo impresso com marca d’água no processo de impressão com marca d’água em duas etapas da técnica anterior pode ser submetido a uma distorção geométrica antes da recuperação de marca d’água, em que desalinhamentos leves resultam em uma grande percentagem do bloco alvo sendo perdido pelo detector. A presente revelação utiliza especificamente o mapa de propagação para detecção para obter robustez intensa e superar as desvantagens da técnica anterior.

Um aspecto da revelação é descrito com referência à figura 1. A entrada é um mapa de propagação povoado 10. O mapa de propagação pode ter muitas formas e pode ser genericamente caracterizado como listas essenciais de todos os blocos nas imagens que seriam afetadas por uma alteração no fluxo de bits de um vídeo a ser impresso com marca d’água. O mapa de propagação 10 pode ser adicionalmente povoado com informações em relação à alteração específica que apareceriam em cada bloco constituinte. Em uma modalidade preferida, a medição de detecção é luminância total.

Esse mapa de propagação povoado é a entrada na etapa de detecção de região 20, onde o usuário pode definir pelo menos um critério de detecção que pode ser uma medição de detecção para analisar e identificar blocos individuais no mapa de propagação para colocar em regiões específicas que podem ser crescidas em regiões de detecção final.

A saída final na figura 1 é uma descrição da região de detecção 30. Essa descrição indica extensão espacial e/ou temporal, da região de detecção bem como uma marcação de robustez. A marcação de robustez pode indicar a robustez estimada da região detectada. Informações espaciais poderiam incluir pelo menos o tamanho de regiões, o número de regiões, o formato das regiões, e o local das regiões.

A figura 1 é mostrada para uma entrada de mapa de propagação única. Na prática em pré-processamento, haverá uma lista grande de possíveis marcas d’água e haverá um mapa de propagação para cada marca d’água. Esse fluxo de processo mostrado na figura 1 seria aplicado a cada de uma grande lista de tais entradas de mapa de propagação resultando em uma grande lista de regiões de detecção e marcações de robustez. Um processo posterior (por exemplo, a Seleção de bloco alterável como descrito em PCT/US09/004706) pode utilizar marcação de robustez como um parâmetro na seleção do conjunto final de alterações. A extensão de região de detecção pode ser utilizada pelo detector para recuperação de marca d’água. No final, o que o usuário terá para cada marca d’água é um mapa de propagação no qual haverá alguma região ou regiões de detecção identificadas no mesmo e informações ou métrica associada para cada região de detecção. A seguir, a melhor região de detecção será selecionada com base nas informações ou métrica para cada marca d’água e então as melhores marcas d’água serão selecionadas da comparação das infor-mações ou métrica da região de detecção melhor. Aqui, o usuário selecionaria ou definiria alguns critérios de limite para selecionar ou priorizar as melhores marcas d’água e essas melhores marcas d’água serão as marcas d’água colocadas na lista de possíveis marcas d’água a incorporar e as outras marcas d’água serão excluídas da lista. As melhores regiões de detecção podem ser chamadas uma região de prioridade.

Em relação à detecção de marca d’água, marcas d’água podem ser detectadas de alguma análise do macrobloco com alteração de luminância máxima. Genericamente, uma marca d’água com energia mais intensa será mais robusta. Se o tamanho da região de detecção for fixo, uma alteração de luminância maior será mais robusta do que uma alteração de luminância menor. No caso de impressão com marca d’água em 2 etapas, a alteração primária resultará em uma série de blocos tendo alterações em sua luminância em níveis diferentes. Isso forma o mapa de propagação. Um modo simples para melhorar a robustez é avaliar a alteração de luminância de bloco total de todos os macroblocos no mapa de propagação, e selecionar o macrobloco que tenha a maior alteração de luminância total como métrica de detecção. Deixe P indicar o mapa de propagação com N macroblocos. Um macrobloco bi é um dos N macroblocos, isto é bie P, 1 <i<N. Deixe h indicar a luminância total original do bloco bi e l’, indicar a luminância total do bloco bi após incorporação de marca d’água. Então se pode encontrar o bloco bk de |lk — l\| = Max (|h - l’i|) onde 1 <i<N. o local do bloco k pode ser armazenado nos metadados de detecção para o detector.

Agora o buscador de região 21 da figura 1 será discutido. O buscador de região 21 lê nas informações do mapa de propagação povoado de entrada 10, e transmite uma coleção de regiões de tal modo que os blocos na mesma região satisfaçam alguns critérios pre- definidos, que podem ser chamados critério ou critérios de detecção.

Em uma modalidade, os critérios para blocos sendo classificados em uma região são aqueles que são 4-conectados e suas alterações de luminância são do mesmo sinal. Dois blocos são 4-conectados se forem espacialmente adjacentes entre si, horizontalmente ou verticalmente. Desse modo, um bloco único é 4-conectado a exatamente 4 outros blocos, que são um acima, um abaixo, um à direita, e um à esquerda. Em outras palavras, blocos adjacentes para consideração são considerados os blocos imediatos que estão acima, abaixo, à direita e à esquerda. Blocos não de canto na borda da imagem são conectados a três outros blocos e blocos de canto são conectados a dois blocos. Uma região na qual todo bloco é conectado a pelo menos outro bloco na região também será chamada uma região co- nectada-4.

O problema de encontrar uma região conectada em certa área pode ser resolvido por algoritmos de segmentação comum como crescimento de região e divisão e fusão. Pode-se empregar um algoritmo de crescimento de região. Após ler as informações de entrada do mapa de propagação, constrói-se uma matriz de sinalizador para o mapa de propagação com cada entrada indicando o status do bloco correspondente. Essa matriz de sinalizador é inicializada com zeros.

O algoritmo de busca inicia com um bloco de semente para descoberta de região. O bloco de semente é qualquer bloco que corresponde a uma entrada 0 na matriz de sinalizador e, portanto, não é atribuído ainda a qualquer região. A primeira região será rotulada começando com um valor de índice de 1. A partir do primeiro bloco de semente a primeira região é encontrada. Quando a primeira região é concluída, o algoritmo atribui o valor de índice de região consecutiva, seguinte ao próximo bloco de semente e substitui o 0 na matriz de sinalizador com esse índice. Após obtenção de um bloco de semente, os quatro vizinhos conectados-4 do bloco de semente são examinados a menos que os blocos de semente estejam na borda do mapa de propagação em cujo caso haverá menos do que quatro vizinhos. Se um bloco vizinho tiver o valor de sinalizador 0 que indica que não é ainda atribuído à região e o sinal da alteração de luminância for igual àquela do bloco de semente correspondente, o bloco se torna parte da região atual e a entrada na matriz de sinalizador é substituída com o índice de região atual. Esse bloco é então adicionado a uma fila para análise adicional, que indica que o vizinho desse bloco será examinado. Após todos os vizinhos co- nectados-4 terem sido examinados, o processo é repetido com o primeiro bloco na fila: todos os seus vizinhos conectados-4 são examinados; blocos que não são ainda atribuídos a uma região e têm a mesma alteração de luminância de sinal são colocados na fila e sua entrada correspondente na matriz de sinalizador é ajustada no índice de região. Esse processo continua até que a fila esteja vazia. Nesse ponto, um terminou a identificação de uma região. Se houver quaisquer blocos com 0 entrada na matriz de sinalizador restante, um desses é selecionado para ser o próximo bloco de semente, o índice de região é incrementado, e o processo é repetido.

O algoritmo de busca é genericamente mostrado na figura 2 e inicia com um bloco de semente, que pode ser um bloco aleatoriamente selecionado no mapa de propagação ou selecionado de acordo com algum protocolo. Independente de como o bloco de semente é selecionado, é importante indicar que em uma modalidade preferida todos os blocos no mapa de propagação serão examinados e colocados em uma região. No início do algoritmo todos os blocos no mapa de propagação são atribuídos um índice de 0 que é armazenado na matriz de sinalizador F, e um primeiro índice de região de 1 é atribuída à variável Regionindex na etapa 201. Na etapa 202, um bloco i com sinalizador 0, indicando que o bloco não foi atribuído a nenhuma região, é selecionado. O sinal do valor estatístico, como o valor de luminância, do bloco é registro na etapa 203. Na etapa 204, o sinalizador Fi do bloco i é atri- buído o valor de Region Index, atualmente 1, e o bloco i é então colocado na fila Q na etapa 205, a fila Q é checada em relação ao vazio. Se não estiver vazio, o primeiro bloco j na fila será tomado da fila na etapa 208 e cada de seus quatro blocos adjacentes é examinado na etapa 209. Na etapa 210, se o bloco vizinho k tiver sinalizador 0 e o sinal do bloco k for comparado com aquele do bloco de semente atual e seus sinais forem iguais, então o bloco k será colocado na fila Q na etapa 211, e enquanto isso seu sinalizador é atribuído o valor de índice de região Region Index. Os blocos adjacentes k não tendo o mesmo sinal serão eventualmente atribuídos outro número de índice, porém não serão colocados na fila no round atual. Cada dos quatro blocos vizinhos é examinado do mesmo modo até que todos eles tenham sido examinados na etapa 212. Então o próximo bloco na fila Q é pego que passará através dos mesmos loops de processo através das etapas 209, 210, 211 e 212 até que a fila esteja vazia, o que indica que o algoritmo encontrou o limite para a primeira região de blocos conectados de índice 1 e os vizinhos externos dos blocos periféricos da primeira região têm um sinal diferente do que o bloco de semente.

Quando a fila está vazia após uma região ter sido completamente identificada, o algoritmo avança por atribuir o valor de índice de região consecutivo seguinte na etapa 206 para outro bloco de semente e blocos adjacentes subseqüentes do índice O e o mesmo sinal que o bloco de semente atual que são processados receberá o próximo número de índice o algoritmo estende através das etapas de processo começando com a etapa 202 para mapear essa próxima região.

O algoritmo estenderá repetidamente até que não haja blocos com 0 entrada restantes. Nesse ponto, a matriz de sinalizador é ajustada.

Observe que essa segmentação, com base em regiões conectadas com o mesmo sinal em estatística do bloco, como uma alteração de luminância, é exclusiva. Há somente tal segmentação. Desse modo, a escolha e ordem de blocos de semente não influenciam a segmentação. Como tal, os blocos de semente podem ser selecionados aleatoriamente.

Uma modalidade alternativa do buscador de região é que cada bloco seja considerado uma região independente. Nesse caso especial, o buscador de região é essencialmente um componente opcional visto que não muda as informações de entrada para saída.

Outra modalidade mostrada na figura 3 envolve selecionar uma região conectada com uma marcação de robustez definida com base na diferença de luminância de seus pixels de borda. Isso é projetado para resistir a ataque de deslocamento. Especificamente, duas áreas são definidas para cada macrobloco e aqui um exemplo de deslocamento de esquerda e para cima por um pixel é empregado para ilustrar essas áreas. A área A inclui os pixels que fazem parte do bloco original, porém não são incluídos em detecção devido ao deslocamento. A área contém subáreas Ac, Ar e Ax como mostrado na figura 3. Ac é uma área de 15-por-1, Ar é uma área de 1 -por15, e Ax contém apenas um pixel. A área B inclui os pixels que não fazem parte do bloco original, porém são incluídos durante a detecção devido ao deslocamento. A área B contém subáreas Bc, Br e Bx. Bc é uma área de 15 por 1, Br é uma área de 1 por 15, e Bx contém apenas u pixel. S é utilizado para indicar a parte restante do bloco que foi calculada corretamente. Observe que aqui se usa um macrobloco de 16 por 16 como exemplo. No caso de outros tamanhos de bloco, os tamanhos de subáreas em A e B mudam de acordo.

Os valores de pixel dos pixels de borda de cada macrobloco são calculados e registrados como mostrado na figura 4. Especificamente, a soma de luminância das áreas Ar, Ac, Ax e Br, Bc, Bx é calculada. Nessa figura, a área 301 identifica a posição do macrobloco original, enquanto a área 302 indica a posição do mesmo bloco após deslocar para esquerda e para cima por 1 pixel. O detector que não tem a informação de quanto o bloco é deslocado, utilizaria a região delimitada pela área 301 para calcular a estatística de detecção com base na soma de luminância dentro do macrobloco. Isso teria o efeito de ter os valores efetivos de pixel em Ar, Ac e Axfaltantes e os pixels em Br, Bc e Bx incluídos por erro.

Uma nova medição de robustez Rs é definida como

Onde

Pode-se ver que se o erro de cálculo de luminância devido ao deslocamento for pequeno em comparação com a alteração de luminância do macrobloco, então a taxa de erro ErrAL é pequeno e a métrica robusta Rs é elevada. Por outro lado, se o erro for elevado em comparação com a alteração de luminância total, o que pode ser, por exemplo, mais elevado do que 1, a métrica robusta Rs pode ser negativa. Intuitivamente, deve-se evitar a seleção de tais regiões, onde a marca d’água pode ser totalmente destruída por deslocamento leve.

Com a métrica robusta recentemente definida, pode-se atualizar o processo de identificação de região conectada do mesmo modo. Em primeiro lugar, se pega o macrobloco entre os blocos no mapa de propagação que tem o Rs mais elevado. Iniciando a partir desse bloco, adicionam-se novos blocos que têm conectividade de 4 modos com um dos blocos na região atual somente quando o FU da região se torna mais elevado após incorporar o bloco. A área A e a área B de uma região conectada podem ser derivadas da área A e B de cada macrobloco individual. Por exemplo, a área A e B para a região mostrada na figura 4 pode ser derivada como:

Por conseguinte, a métrica robusta FU para uma região conectada pode ser definida utilizando sua área A e B.

Observe que o ataque de deslocamento pode ser em qualquer direção e a área cor-respondente A e área B seriam diferentes. Para simplificar a implementação, calculam-se as seguintes oito somas de luminância: ACL, ACR, ArT, Arβ, BCL, BCR, Br-r, Brβ como mostrado na figura 5. Aqui, ACL e ACR são somas de luminância das colunas mais esquerda e mais direita do macrobloco, respectivamente; ArT e Arβ são a primeira e última soma de luminância de linha, respectivamente; BCL e BCR são a soma de luminância dos vizinhos de coluna esquerda e coluna direita imediatos, respectivamente; e Bry e Brβ são a soma de luminância dos vizinhos de linha superior e inferior, respectivamente. Em geral, essas oito regiões de luminância podem ser definidas para múltiplas colunas/linhas.

Com a soma de luminância calculada As e Bs, uma pessoa é capaz de estimar o erro de luminância induzido devido a deslocamento. Por exemplo, quando o quadro é deslocado para esquerda por um pixel, o erro de luminância na detecção seria BCR-ACL. Quando o quadro é deslocado para esquerda superior por um pixel, o erro pode ser estimado como BCR + Brβ— (ACL + Ar?) = (Bc - ACL) + (Brβ - M). Observe que os erros de deslocamento consistem em um ou mais de 4 elementos básicos: (BCR - AcL), (BCL - ACR), (BrT - Arβ), (BrB-Ar-r). Isso indica que esses quatro termos podem ser utilizados para medir a robustez do bloco a ataque de deslocamento. Pode-se escolher utilizar Max([BCR-AC|L| + | BCL - ACR| + |Bry — Arθ| + IBrs - ArT|)/4, no cálculo de métrica ErrAL,que é o cenário de caso médio.

Com a simplificação na figura 5, a atualização das oito medições para regiões com qualquer formato pode ser realizada facilmente. Para cada bloco, uma pessoa registra sua disponibilidade de vizinho. Se um bloco não tiver um vizinho direito (esquerdo), então seu ACR (AL) será parte do AcR(AL) da região inteira. Similarmente, ArT (ArB) de uma região é a soma da ArTS(ArBS) daqueles blocos sem um vizinho superior (inferior). O mesmo cálculo se aplicada ao BCL, BCR, BrT, Brs. Então, o ErrAi_ é atualizado como

Para um cenário de pior caso, e

Para um cenário de caso médio.

O enumerador de combinação 22, que segue o Buscador de região 21 na figura 1 é um processo que gera todas as combinações possíveis das regiões listadas na entrada. Uma listagem exaustiva pode ser obtida utilizando um acumulador binário como descrito pelo seguinte algoritmo. Esse algoritmo extensamente lista todas as 2N-1 combinações de N regiões diferentes. a.Formar um contador binário com N bits, onde N representa o número total de regiões. Atribuir cada região a um local de bits nesse contador binário. b.Ajustar o valor inicial do contador binário em 0. c.Aumentar o valor desse contador binário em 1. d.Combinar todas as regiões para corresponder a um valor de bit de 1 no valor de contador atual. Adicionar essa região combinada à lista de combinações. e.lr para a etapa c até que o valor do contador seja 2N -1.

O estimador de robustez 23, que segue o enumerador de combinação 22 na figura 1, avalia cada das regiões combinadas enumeradas e atribui uma marcação de robustez a cada. A marcação de robustez corresponde a uma estimativa da robustez da região de tal modo que as regiões esperadas serem mais robustas podem ser identificadas.

Aqui, o termo “mais robusto” é vago, visto que aplicações diferentes exigem níveis diferentes de robustez a diferentes distorções. Nessa formulação, primeiramente se define um número de medições de robustez simples e então combina aquelas medições para obter uma marcação de robustez. Pode-se representar isso em uma forma geral como mostrado na equação 4.

Onde r1, r2, .. rk são as medições de robustez simples e R é a marcação de robustez. A função F pode ser representada como alguma formulação de protótipo de n, r1, r2, ... rk controlado por um conjunto de parâmetros ai, «2, ... OCM- para uma dada formulação, o melhor conjunto de valores de parâmetro pode ser empiricamente determinado. Por exemplo, pode-se formular a função F como uma combinação linear de n, r2, ....rk como mostrado na equação 2.

Onde se normaliza os parâmetros de tal modo que

R pode ser mencionado a marcação de robustez linear.

Outra formulação de exemplo pode ser descrita pela equação 6, onde as medições de robustez são combinadas não linearmente e o R resultante é chamado a marcação de robustez não linear.

Em uma modalidade preferida, escolhem-se duas medições de robustez: rG para distorções geométricas e rv para distorções de métrica de valor, rG mede a percentagem de pixels precisos incluídos na região de detecção após distorção de deslocamento. Quanto mais elevado o rG for, mais pixels na região de detecção distorcida pertencem à região de detecção original e uma detecção mais precisa é esperada. Escolhem-se rG para ser definido com base em operação de deslocamento por simplicidade. Pode-se ver que um rG mais elevado indica robustez mais elevada para outros tipos de distorções geométricas também, como rotação. rG é definido como alternativamente, pode-se utilizar a métrica de robustez definida na equação (1) juntamente com a equação (2) ou (3) para rG. rv mede a alteração de luminância média por pixel devido à incorporação de marca d’água. Aparentemente, quanto mais elevado o rv for, mais robusta é a região para avaliar distorções métricas, como ruído aditivo. rv é definido como

com essas duas medições de robustez, a marcação de robustez linear seria

E a marcação de robustez não linear seria

Dado um estimador de robustez (valores de parâmetro e formulação), pode-se calcular a marcação de robustez para cada das regiões combinadas que vêm do enumerador de combinação 22. O resultado é então passado para o seletor 24. Os parâmetros indicam a importância relativa das várias medições de robustez e podem ser ajustados de acordo com exigências da aplicação ou determinados experimentalmente para obter desempenho ótimo. O seguinte método experimental é introduzido para estimar os parâmetros.

Um método para estabelecer os valores de parâmetro é selecionar um conjunto de dados de teste e um conjunto de distorções e então buscar o espaço de parâmetro para o conjunto de valores de parâmetro que fornecem a correlação mais elevada entre o resultado de detecção e a marcação de robustez especificada pela equação 4. O raciocínio atrás esse método é que alterações de marca d’água que têm uma elevada marcação de robustez teria um resultado de detecção elevado. De modo semelhante, alterações que têm uma marcação de robustez baixa devem ter um baixo resultado de detecção.

A figura 6 descreve o processo para estimar os parâmetros ótimos dada uma for-mulação empírica. No percurso de vetor de eficácia de detecção 600, o conteúdo com marca d’água 610 é alimentado para um módulo de distorção 620, onde o modelo de distorção é determinado pela aplicação no qual a impressão de marca d’água é utilizada. Um estimador de eficácia de detecção 630 estima o resultado detectado. Então um vetor de eficácia de detecção 640 é formado.

Para obter o conjunto de parâmetros ótimos para o conteúdo de teste, todas as combinações de parâmetro serão testadas. Para cada conjunto de parâmetros, no percurso de conjunto de parâmetros de função 700, calcula-se a marcação de robustez 730 das marcas d’água incorporadas da métrica de robustez 720. Então um vetor de marcação de robustez 740 é formado para cada conjunto de parâmetros.

Um correlator de vetor 810 correlaciona os dois vetores gerados anteriormente e obtém um valor de correlação. Um conjunto de parâmetros que fornece a maior correlação deve refletir a melhor função de robustez que mede a robustez da marca d’água sob o modelo de distorção esperado.

Um exemplo das medições de eficácia de detecção pode ser a diferença entre a seqüência de marca d’água incorporada, indicada como Le, e a seqüência de teste extraída a partir do conteúdo distorcido/atacado, indicado como Ld. Intuitivamente, para região de detecção i, se Ldi desviar substancialmente de Lei, isto é, |(Ldi - Ler)/Lei| carrega um valor grande, uma pessoa assumiría que a região i é menos robusta ao ataque projetado. Conse- qüentemente deve ter uma métrica robusta pequena. Similarmente, se |(Ldi - Lθi)/Lei| θ um valor pequeno, a região i será identificada como robusta ao ataque projetado e desse modo a métrica de robustez correspondente deve ser grande.

O objetivo é obter uma correlação positiva entre a medição de eficácia de detecção e a métrica de robustez. Portanto, o complemento da diferença |(Ldi - Lei)/Lei| é empregado como a medição de eficácia de detecção Mdi, que é definido como Mdí = min(1, |(Ldi - 5 Lei)/Lei|).

Uma pessoa utiliza 1 para limitar a diferença |(Ldi - Lθi)/Lei| para reduzir o efeito de estranhos em |(Ldi - Lθi)/Lei| . Mdí mede quanto à marca d’água extraída casa com a marca d’água incorporada. Quanto maior Mdi, mais elevada à robustez da detecção.

Agora com a robustez estimada executada na figura 1, o seletor 24 é empregado. O 10 seletor 24 é um processo para selecionar a combinação de região que tem a medição de robustez maior. Então, o seletor 24 fornece as informações de combinação de região de saída juntamente com outras informações necessárias pelo detector de marca d’água para detecção de marca d’água.

Claims

1. Método para determinar uma região robusta de detecção de marca d’água que envolve acesso e considera marcas d’água para empregar a partir de uma lista de uma pluralidade de marcas d’água, cada uma tendo um mapa de propagação, o dito mapa de propagação representando a lista de blocos que poderiam ser afetados por uma mudança no fluxo de bits de um vídeo a ser marcado com marca d’água, CARACTERIZADO pelo fato de que compreende as etapas de: acessar uma pluralidade de mapas de propagação (10) associados com a pluralidade de marcas d’água da lista; definir (20) pelo menos uma robustez com base em um critério de detecção para blocos nos mapas de propagação; identificar (21) pelo menos uma região de pelo menos um dentre os blocos contidos nos mapas de propagação, em que os blocos da pelo menos uma região são agrupados em resposta à dita pelo menos uma robustez com base em critério de detecção; estimar (23) marcações de robustez nas regiões; e produzir (30) informação de uma combinação das regiões selecionadas por um seletor (24) em resposta às marcações de robustez, o dito seletor sendo um processo para selecionar a combinação de região que tem a maior marcação de robustez, em que a informação é informação espacial e inclui pelo menos o tamanho das regiões, o número das regiões, a forma das regiões e a localização das regiões.

2. Método, de acordo com a reivindicação 1, CARACTERIZADO pelo fato de que a pelo menos uma região é um grupo de blocos conectados.

3. Método, de acordo com a reivindicação 2, CARACTERIZADO pelo fato de que há uma pluralidade de regiões diferentes, e blocos em pelo menos uma região têm um sinal diferente do que blocos em outra região.

4. Método, de acordo com a reivindicação 3, CARACTERIZADO pelo fato de que a robustez com base em critério de detecção é alteração em nível de luminância e o sinal é o sinal da alteração.

5. Método, de acordo com a reivindicação 4, CARACTERIZADO pelo fato de que a mudança média em nível de luminância é determinada para cada região em cada marca d’água e a informação inclui a luminância média.

6. Método, de acordo com a reivindicação 3, CARACTERIZADO pelo fato de que a informação para cada região em cada marca d’água é priorizada de modo que cada marca d’água tenha uma região de prioridade que tem por característica é uma métrica.

7. Método, de acordo com a reivindicação 6, CARACTERIZADO pelo fato de que compreende ainda as etapas de: selecionar uma métrica de limite; e colocar marcas cTágua tendo regiões de prioridade que excedem ou superam a métrica de limite em uma lista de marcas d’água possíveis para aplicar em dados de vídeo.

8. Método, de acordo com a reivindicação 1, CARACTERIZADO pelo fato de que compreende ainda a etapa de gerar (201) uma matriz sinalizadora para identificar a pelo menos uma região.

9. Método, de acordo com a reivindicação 8, CARACTERIZADO pelo fato de que compreende ainda as etapas de: selecionar um bloco de semente para iniciar a matriz sinalizadora dos blocos nos mapas de propagação, o bloco de semente sendo parte de pelo menos uma região; determinar um sinal do bloco de semente; preencher a matriz sinalizadora com blocos adicionais adjacentes ao bloco de semente, os blocos adicionais têm o mesmo tipo de sinal que o bloco de semente; continuar a preencher a matriz sinalizadora com outros blocos que são conectados ao bloco de semente através pelo menos dos blocos adicionais, em que outros blocos e quaisquer blocos intermediários têm o mesmo tipo de sinal que o bloco de semente; e atribuir o bloco de semente e quaisquer blocos no preenchimento e etapa de preenchimento adicional em uma primeira região, desse modo produzindo a primeira região na etapa de identificação.

10. Método, de acordo com a reivindicação 9, CARACTERIZADO pelo fato de que compreende ainda as etapas de: selecionar um outro bloco de semente para determinar uma segunda região para preenchimento adicional da matriz sinalizadora a partir de blocos nos mapas de propagação que não estão ainda atribuídos a pelo menos uma região; e executar a etapa de determinação, a etapa de preenchimento, a etapa de preenchimento adicional, e a etapa de atribuição para o outro bloco de semente, desse modo produzindo a segunda região na etapa de identificação.

11. Método, de acordo com a reivindicação 10, CARACTERIZADO pelo fato de que compreende ainda a etapa de: continuar a selecionar outros blocos de semente e executar a etapa de determinação, a etapa de preenchimento, a etapa de preenchimento adicional, e a etapa de atribuição para os outros blocos de semente até que todos os blocos nos mapas de propagação estejam atribuídos, desse modo produzindo outras regiões na etapa de identificação.

12. Método, de acordo com a reivindicação 11, CARACTERIZADO pelo fato de que compreende ainda a etapa de: selecionar uma região de prioridade dos mapas de propagação para cada marca d’água com base em uma métrica; selecionar uma métrica de limite; e colocar marcas cTágua tendo regiões de prioridade excedendo ou superando a métrica de limite em uma lista de seleção de possíveis marcas d’água para aplicar em dados de vídeo.

13. Método, de acordo com a reivindicação 12, CARACTERIZADO pelo fato de 5 que: a métrica é pelo menos uma robustez com base em critério de detecção e é uma medição de alteração de luminância; e o tipo de sinal é o sinal da alteração de luminância.