CN101064847A - 基于视觉特征的视频水印方法 - Google Patents

Abstract

本发明公开了一种基于视觉特征的视频水印方法，本方法基于离散余弦变换技术，首先对视频帧进行离散余弦变换，提取视频帧子块的纹理、亮度及边缘等特征；然后在视频帧之间提取视频帧的运动特征，构造一个混合的自适应子块特征抽取模型；最后，根据视觉敏感特性和水印鲁棒性的双重需求，构造一个特征统计收敛模型，生成与人的视觉感知模型相一致的自适应视频水印方法。本发明提取的子块纹理、亮度、边缘特征以及运动特征的很好地表达了视频的视觉特征，依赖于视觉敏感特性和水印鲁棒性需求的特征统计模型，使得水印的嵌入能量进一步细化，实现了视频水印嵌入与视频视觉特征相关的水印嵌入过程，并解决了视频水印技术在海量应用时鲁棒性不足的问题。

Description

基于视觉特征的视频水印方法

技术领域

本发明涉及多媒体数字水印技术领域，尤其涉及一种基于视觉特征的视频水印方法。

背景技术

MPEG是目前视频编码主流格式，随着互联网的进一步普及以及3G时代的到来，网络视频将得到广泛的流行。因此，对MPEG视频文件进行水印保护具有广泛的应用价值。视频片段通常包含丰富的视觉特征，要实现面向互联网的海量数据版权保护，必须有效利用视频本身的视觉特征。由于数据规模非常庞大，这要求水印算法应具有一定的统计特征，从而能应用于大部分的视频片段。

目前已有的包括MPEG在内的视频水印方案大都采用将水印能量扩展到帧中所有像素这一思想。这类方案有计算复杂度低的优点，但它是以对嵌入位置的局部控制以及限制水印嵌入的强度为代价的，从本质上说，这类方案不依赖于视觉特性，无法根据视频视觉特征变化来自适应嵌入适当强度的水印；另一类方案提出将水印能量在空间上有选择的分配，但是这类方案通常更多考虑的是MPEG-2编码结构，而不是视觉特性。

目前已有的视频水印算法，在依赖于视频特征与人的视觉感知系统相一致的水印技术方面还存在一定的不足，具有统计特征的可在互联网上广泛适用的视频水印方法则更加少。基于此，本发明提出了基于视频纹理、亮度、运动特征以及视觉敏感特性，针对DCT变换域，带有统计特征的视频水印方法。通过采用与视频视觉特征相适应的视频水印嵌入模型，使得水印嵌入更加鲁棒，通过对视觉特征的进一步统计收敛，使得水印嵌入获取更高的透明性，从而提高了视频水印方法的使用范围。

发明内容

本发明的目的在于提供一种可广泛使用的基于视觉特征的视频水印方法。

基于视觉特征的视频水印方法包括如下步骤：

1)对视频流进行部分解码，对视频帧进行离散余弦变换，把离散余弦变换获得的子块划分成DC、低频、边、高频四个部分，通过子块归类算法把子块归类成边缘子块、纹理子块和平坦子块三类，计算子块对应的纹理伪装掩模系数；

2)采用韦伯定律线性模型，计算子块的亮度伪装掩模系数；

3)通过相临帧对应的离散余弦变换子块之间的DC系数变动，计算子块的运动伪装掩模系数，引入一个基于视频纹理、边缘、亮度以及运动等特征的混合视觉特征模型，并提取子块掩模系数；

4)采用样本训练的方法，构造一个特征统计收敛模型，对视频水印的嵌入能量进一步收敛，生成与人的视觉感知模型相一致的自适应视频水印嵌入模型；

5)根据自适应视频水印嵌入模型，采用盲水印嵌入方法，对视频流进行水印嵌入和提取，完成对视频的水印嵌入。

所述的对视频流进行部分解码，对视频帧进行离散余弦变换，把离散余弦变换获得的子块划分成DC、低频、边、高频四个部分，通过子块归类算法把子块归类成边缘子块、纹理子块和平坦子块三类，计算子块对应的纹理伪装掩模系数：对视频流进行部分解码，提取8×8的DCT子块，把子块划分成DC、低频、边以及高频四个区域，四个区域的能量系数绝对值和分别用DC、L、E、H表示，比例因子(L+E)/H和L/E的大小代表图像边缘能量，E+H代表了纹理能量，根据子块归类算法，把子块划分成纹理子块，边缘子块和平坦子块，针对不同类型的子块分三种情况计算其子块纹理掩模伪装系数：

①针对纹理子块，E+H基本代表了子块的纹理能量，纹理掩模伪装系数公式为：

$\mathrm{TextMask}\left(k\right)=(F_{\mathrm{MaxT}}-1)\×\frac{\mathrm{TexE}\left(k\right)-\mathrm{Min}}{\mathrm{Max}-\mathrm{Min}}+1$

其中TexE(k)为第K个子块的局部纹理能量，Max，Min分别为纹理子块的最大和最小能量，F_MaxT为能量调节系数，用来模型优化，

②针对平坦的子块，纹理掩模系数为1，

③针对边缘子块，L+E近似代表了子块能量，当L+E≤400时，掩模系数为1.125，否则取值为1.25。

所述的采用韦伯定律线性模型，计算子块的亮度伪装掩模系数：DC系数代表子块背景亮度特征，亮度特征伪装模型包括高亮背景的线性部分和灰度背景的非线性部分，高亮背景的线性部分适用于韦定律，根据韦伯定律，引入子块亮度伪装掩模伪装系数：

①当DC＞mean时，亮度掩模系数的计算公式为：

$\mathrm{LumMask}\left(k\right)=(F_{\max L}-F_{\mathrm{ref}})\×\frac{\mathrm{DC}\left(k\right)-\mathrm{mean}}{L_{\max }-\mathrm{mean}}+1.,$

②当L_min≤DC(k)≤mean时，掩模系数为1，

③当DC(k)＜L_min时，当25≤DC(k)＜L_min时掩模系数为1；当15≤DC(k)＜25时掩模系数为1.125；当DC(k)＜15时，掩模系数为1.25，

其中，参数L_min和L_max代表线性模型的亮度范围，F_maxL为最大亮度调节因子，mean为整个视频帧的平均灰度值；mean对应的参数F_ref。

所述的通过相临帧对应的离散余弦变换子块之间的DC系数变动，计算子块的运动伪装掩模系数，引入一个基于视频纹理、边缘、亮度以及运动等特征的混合视觉特征模型，并提取子块掩模系数：把相邻帧对应的离散余弦变换子块DC变化幅度作为运动检测标准，计算运动特征系数：

其中j表示第j帧，k为第k个子块，0表示子块的第一个系数，即DC系数。由此可获得视频流的运动掩模系数：

${\mathrm{MotionMask}}_j=\left\{\begin{array}{cc}1.& 0\&le;D_{\mathrm{DC}}(j,k)<3\\ -0.05D_{\mathrm{DC}}(j,k)+1.15.& 3\&le;D_{\mathrm{DC}}(j,k)<7\\ \frac{17+D_{\mathrm{DC}}(j,k)}{30}& 7\&le;D_{\mathrm{DC}}(j,k)<19\\ 1.2.& D_{\mathrm{DC}}(j,k)\&GreaterEqual;19\end{array}\right.$

引入一个基于视频纹理、边缘、亮度以及运动等混合视觉特征模型，构建子块的局部自适应掩模系数m_k：

             m_k＝TextMask_k×LumMask_k×MotionMask_k

$v_k^{*}=v_k{m}_k$

其中，v_k ^*表示经子块掩模系数纠正过的可用来嵌入水印的原始能量特征，基于混合视觉特征伪装模型的视频水印嵌入模型为：

$v_i^{\&prime;}=v_i+\mathrm{\&alpha;}{w}_i{v}_i^{*}=v_i+\mathrm{\&alpha;}{w}_i\left(v_i{m}_i\right)=v_i(1+\mathrm{\&alpha;}{m}_i{w}_i).$

所述的采用样本训练的方法，构造一个特征统计收敛模型，对视频水印的嵌入能量进一步收敛，生成与人的视觉感知模型相一致的自适应视频水印嵌入模型：在视觉混合特征模型的基础上，依据视觉敏感特性以及水印可检测的阈值边界，引入如下假设：

假设I帧中有n个待嵌入水印的子块，将其直流系数DC的绝对值大小看成一个高斯序列L_dc＝[dc₁，dc₂ …，dc_n]，引入一个三次高斯函数f(x)，针对每个系数dc_k，1≤k≤n，其对应的收敛纠正系数c_k计算如下：

$f\left(x\right)=a_1\&times;e^{-{\left(\frac{(x-b_1)}{c_1}\right)}^2}+a_2\&times;e^{-{\left(\frac{(x-b_2)}{c_2}\right)}^2}+a_3\&times;e^{-{\left(\frac{(x-b_3)}{c_3}\right)}^2}$

          c_k＝f(dc_k)

其中，dc_k为第k个子块DC系数的绝对值，a₁，a₂，a₃，b₁，b₂，b₃，c₁，c₂，c₃为常数因子。

基于以上混合视觉特征模型与特征统计收敛，针对选定的第K个子块，引入子块自适应特征掩模系数λ_k，其计算如下：

                 λ_k＝m_k×c_k

水印嵌入模型，进一步可演化为：

        v_i′＝v_i(1+αm_iw_i)＝v_i(1+αλ_iw_i)

所述的根据自适应视频水印嵌入模型，采用盲水印嵌入方法，对视频流进行水印嵌入和提取，完成对视频的水印嵌入：

水印嵌入步骤如下：

①把水印信息调试成0，1二值系列，对原始视频部分解码，获取I帧离散余弦变换子块，

②计算子块自适应特征掩模系数λ_k，

③计算子块水印嵌入能量D＝αλ_kw_kv_k，

④水印嵌入：

$v_i^{\&prime;}=\left\{\begin{array}{cc}{v}_i-m-D/4& m<D/4,w_i=1\\ v_i-m+3D/4& m\&GreaterEqual;D/4,w_i=1\\ v_i-m+5D/4& m>3D/4,w_i=0\\ v_i-m+D/4& m\&le;3D/4,w_i=0\end{array}\right.$

⑤选择下一个I帧，返回步骤1，最后对嵌入水印的子块进行视频编码，生成水印视频，

水印提取步骤如下：

①对被检测视频部分解码，提取I帧离散余弦变换子块，

②计算子块自适应特征掩模系数λ_k′，

③计算子块潜在的水印嵌入能量D＝αλ_k′w_kv_k′，

④提取水印：w_i＝roumd(mod(v_i′，D)/D)，其中mod(x，y)为模运算，round(x)为四舍五入取整运算，

水印检测公式如下：

$\mathrm{sim}(W,W^{\&prime;})=(W^{\&prime;}\&CenterDot;W)/\sqrt{W^{\&prime;}\&CenterDot;W^{\&prime;}}.$

本发明具有的有益的效果是：

(1)提取了能很好反映视频流视觉特性的混合视觉特征，采用的视觉特征伪装模型，很好地反映了视频的纹理、边缘、亮度以及运动等特征，使视频水印嵌入与视频视觉特征相适应，使视频水印具备较好的鲁棒性能。

(2)对基于混合视觉特征的视觉伪装模型进一步进行特征统计收敛，带有统计特性的水印算法，使得视频水印嵌入在鲁棒的前提下，具有更高的视觉透明性，并提高了算法的普遍适用性，算法适用于互联网MPEG视频水印的海量推广。

附图说明

图1为DCT子块区域划分图；

图2为DCT子块归类算法流程图；

图3为亮度伪装线性模型图；

图4为特征统计的能量收敛曲线图

图5中(a)是Football视频加入水印前的原始视频帧图像；(b)是与(a)对应的加入水印后的视频帧图像；

图6中(a)是FlowerGarden视频加入水印前的原始视频帧图像；(b)是与(a)对应的加入水印后的视频帧图像；

具体实施方式

本发明通过提取视频纹理、边缘、亮度以及运动等特征，生成相应的混合视觉特征伪装模型，并在这一混合特征模型的基础上对特征进行统计收敛，获取视频流自适应特征掩模系数，最后采用盲水印嵌入方案，实现基于视觉特征的MPEG视频水印方法。

为了实现发明的目的，本方法采用如下的技术方案：

步骤1：子块纹理伪装模型：

对视频流进行部分解码，进行离散余弦变换(DCT)，提取8×8的DCT子块，把子块划分成DC(DCT子块的第一个系数)、低频(L)、边(E)以及高频(H)，四个区域，区域划分图如附图1所示，四个区域的DCT能量系数绝对值和分别用DC、L、E、H表示。经验显示，比例因子(L+E)/H和L/E的大小代表图像边缘能量，E+H代表了纹理能量。根据子块归类算法，如附图2所示，把子块划分成纹理子块，边缘子块和平坦子块，针对不同类型的子块分三种情况计算其子块掩模伪装系数：

①针对纹理子块，E+H基本代表了子块的纹理能量，纹理掩模伪装系数公式为：

$\mathrm{TextMask}\left(k\right)=(F_{\mathrm{MaxT}}-1)\&times;\frac{\mathrm{TexE}\left(k\right)-\mathrm{Min}}{\mathrm{Max}-\mathrm{Min}}+1$

其中TexE(k)为第K个子块的局部纹理能量，Max，Min分别为纹理子块的最大和最小能量，F_MaxT为能量调节系数，用来模型优化，参数大小为别为：Max＝1800，Min＝290，F_MaxT＝2.25。

②针对平坦的子块，纹理掩模系数为1。

③针对边缘子块，L+E近似代表了子块能量，当L+E≤400时，掩模系数为1.125，否则取值为1.25

综合上面三点所述纹理掩模系数计算公式如下：

步骤2：子块亮度伪装模型：

DC系数代表子块背景亮度特征，亮度特征伪装模型可简要概括由两个部分组成，包括高亮背景的线性部分，此部分适用于Weber定律；以及灰度背景的非线性部分，此部分不适用Weber定律。依据Weber定律，线性模型如附图3所示，参数L_min和L_max代表线性模型的亮度范围，参数大小为别为：L_min＝90，L_max＝255。F_maxL为最大亮度调节因子，参数大小为：F_maxL＝2。亮度掩模系数计算过程如下：1)对整个视频帧计算平均灰度值(mean)；依据线性模型图2，计算mean对应的参数F_ref。2)只有当子块的DC系数大于mean时，才有LumMask≥1。亮度掩模系数计算如下：

①当DC＞mean时，亮度掩模系数的计算公式为：

$\mathrm{LumMask}\left(k\right)=(F_{\max L}-F_{\mathrm{ref}}\&times;\frac{\mathrm{DC}\left(k\right)-\mathrm{mean}}{L_{\max }-\mathrm{mean}})+1.$

②当L_min≤DC(k)≤mean时，掩模系数为1。

③当DC(k)＜L_min时，当25≤DC(k)＜L_min时掩模系数为1；当15≤DC(k)＜25时掩模系数为1.125；当DC(k)＜15时，掩模系数为1.25。完整的亮度掩模系数表示如下：

${\mathrm{LumMask}}_k=\left[\begin{array}{ccc}(F_{\max L}-F_{\mathrm{ref}})\&times;\frac{\mathrm{DC}\left(k\right)-\mathrm{mean}}{L_{\max }-\mathrm{mean}}+1.& (\mathrm{DC}\left(k\right)>\mathrm{mean})& \\ 1& (25\&le;\mathrm{DC}\left(k\right)\&le;\mathrm{mean})& \\ 1.125& (15\&le;\mathrm{DC}\left(k\right)<25)& \\ 1.25& (\mathrm{DC}\left(k\right)<15)& \end{array}\right]$

步骤3：子块运动伪装模型及混合视觉特征模型：

DC系数代表了DCT子块的亮度特征，描述了子块内容的基本属性，特别针对于彩色画面，相邻帧间对应子块的DC变换基本反映了相邻帧间的变动情况，为了尽可能减少计算复杂度，把相邻帧对应的DCT子块DC变化幅度作为运动检测标准，计算运动特征系数：

其中j表示第j帧，k为第k个子块，0表示子块的第一个系数，即DC系数一幅图像在运动特征上可当作一段静止的视频，故运动特征为0时，其对应的运动掩模系数为1，随着运动的慢慢增加，视觉阈值将变小，随着运动的进一步加剧，视觉阈值将变大，由此引入视频流的运动掩模系数：

${\mathrm{MotionMask}}_j=\left\{\begin{array}{cc}1.& 0\&le;D_{\mathrm{DC}}(j,.k)<3\\ -0.05D_{\mathrm{DC}}(j,k)+1.15.& 3\&le;D_{\mathrm{DC}}(j,k)<7\\ \frac{17+D_{\mathrm{DC}}(j,k)}{30}.& 7\&le;D_{\mathrm{DC}}(j,k)<19\\ 1.2.& D_{\mathrm{DC}}(j,k)\&GreaterEqual;19\end{array}\right.$

综合以上的纹理掩模伪装、亮度掩模伪装和运动掩模伪装模型，引入一个基于视频纹理、边缘、亮度以及运动等混合视觉特征模型，构建子块的局部自适应掩模系数m_k：

             m_k＝TextMask_k×LumMask_k×MotionMask_k

$v_k^{*}=v_k{m}_k$

其中，v_k ^*表示经子块掩模系数纠正过的可用来嵌入水印的原始能量特征。

掩模系数m_k基于HVS，全面描述了子块局部视觉特征，实现了水印能量嵌入自适应于子块视觉特征，v_k ^*更贴切地描述了子块用于水印嵌入的原始特征。选取特征阈值T_M，当m_k＜T_M，则认为此子块区域(平坦区域或运动敏感区域)可嵌入的能量过小，在不影响视觉感知的前提下将给水印检测带来不确定，从而略过此子块，选择下一个子块。

传统的水印嵌入模型为：

                 v_i′＝v_i(1+αw_i)＝v_i+αw_iv_i

基于混合视觉特征伪装模型的视频水印嵌入演变为：

$v_i^{\&prime;}=v_i+\mathrm{\&alpha;}{w}_i{v}_i^{*}=v_i+\mathrm{\&alpha;}{w}_i\left(v_i{m}_i\right)=v_i(1+\mathrm{\&alpha;}{m}_i{w}_i)$

步骤4：特征统计收敛模型：

混合视觉特征模型使得不同的原始特征v，获取在同一视觉敏感特征下的特征值大小，其对应的嵌入能量αv^*所带来的不同子块间的视觉透明性跟嵌入强度因子α和v无关，这使得一方面，对不同的被嵌入载体，纹理、边缘、亮度及运动特征丰富的区域比相对平坦的区域嵌入了更多的水印能量，针对水印得鲁棒性能来说，这部分多出来的能量是多余的。另一方面，对相同的被嵌入载体(相同的DC系数)纹理、边缘区域相对平坦的区域也嵌入了更多的水印能量，针对水印的鲁棒性检测来说，这部分由于视频特征细微差距而浮动的能量也可能是多余的，为了进一步提高水印嵌入的不可感知性，在以上混合视觉特征模型所获得的视觉掩蔽效应下，结合鲁棒性检测的阈值特征边界，对被嵌入子块做特征统计，以适应视频水印算法的海量应用与推广，获取统一的针对DC系数的模糊收敛模型，对水印嵌入能量进一步收敛，使水印嵌入的视觉透明性与鲁棒性这一对基本矛盾种取得更佳的平衡。

特征收敛步骤如下：

①计算某一DCT子块特征掩模系数m_k，当m_k＞T_M时，计算m_k所对应的嵌入能量e_dc＝αm_kv_k，并对DC系数和此对应的嵌入能量进行统计。

②对视频I帧内所有的DCT子块重复步骤①。

③对不同的视频流重复步骤①，②。

④对某一个DC系数，统计步骤①所统计的嵌入能量特征，设定一个能量分布概率阈值边界P_E，对应的嵌入能量作为此DC系数的最小理想水印嵌入能量E_dc，参数大小为：P_E＝92％，E_dc＝e_dc(P_E)。

⑤把E_dc映射到一固定的水印可检测鲁棒阈值边界T_E，参数大小为：T_E＝6，获得这一DC系数的收敛系数c_dc，针对相同的DC系数的不同特征子块做相同比列(c_k)的能量收敛。

⑥对所有的DC系数重复步骤④、⑤，获得一系列与DC系数相对应的收敛系数c_dc，从而生成在子块特征掩模系数掩蔽下，针对DC系数的特征统计收敛曲线。

若掩模系数m_k所能掩蔽的最小水印嵌入能量小于水印可检测的阈值边界T_E，则表明此子块属于平坦区域或视觉敏感区域，在保证视觉不可感知的前提下可嵌入的水印能量过小，不适合水印嵌入，略过此子块，从而确保了水印嵌入的不可感知性和鲁棒性，通过对子块特征阈值T_M，确保水印可嵌入能量大于水印可检测的阈值边界T_E。步骤⑥在实施过程中选择每五个单位构成一次映射，构造收敛函数c_k，引入如下假设：

假设I帧中有n个待嵌入水印的子块(即有n个DC系数)，将其绝对值大小看成一个高斯序列L_dc＝[dc₁，dc₂…，dc_n]，引入一个三次高斯函数f(x)，针对每个系数dc_k(1≤k≤n))，其对应的收敛纠正系数c_k计算如下：

$f\left(x\right)=a_1\&times;e^{-{\left(\frac{(x-b_1)}{c_1}\right)}^2}+a_2\&times;e^{{-\left(\frac{(x-b_2)}{c_2}\right)}^2}+a_3\&times;e^{{-\left(\frac{(x-b_3)}{c_3}\right)}^2}$

             c_k＝f(dc_k)

其中dc_k为第k个子块DC系数的绝对值，a₁，a₂，a₃，b₁，b₂，b₃，c₁，c₂，c₃为常数因子。

本发明通过300个不同的MPEG视频流对步骤1-3提出的混合视觉特征模型进行特征统计收敛，统计结果如附图4中的实线所示，图中的虚线为具体一个视频的特征统计结果。图中针对两个单独的视频流的特征统计结果与300个不同视频流的特征统计结果曲线基本吻合，证明了上述的混合视觉特征伪装模型具有普遍性和稳健性，可适用于海量的视频水印应用与推广。图中特征统计收敛曲线对应的参数大小分别为：a₁＝0.4839，b₁＝-161.7，c₁＝333.9，a₂＝0.8836，b₂＝7.388，c₂＝114.8，a₃＝0.1765，b₃＝-1321，c₃＝1423

基于以上混合视觉特征模型与特征统计收敛，针对选定的第K个子块，引入子块自适应特征掩模系数λ_k，其计算如下：

                     λ_k＝m_k×c_k

传统的水印嵌入模型，进一步可演化为：

                v_i′＝v_i(1+αm_iw_i)＝v_i(1+αλ_iw_i)

步骤5：MPEG视频流进行水印嵌入和提取：

水印嵌入步骤如下：

①把水印信息调试成0，1二值系列，对原始视频部分解码，获取I帧DCT子块。

②计算子块掩模系数m_k，对m_k做子块特征判断，当m_k≤T_M时，略过此子块，选择下一个子块，当m_k＞T_M时，计算子块自适应特征掩模系数λ_k。

③依据自适应特征掩模系数λ_k，计算子块嵌入能量，其中α为水印嵌入强度因子。

                       D＝αλ_kw_kv_k。

④水印嵌入：

$v_i^{\&prime;}=\left\{\begin{array}{cc}{v}_i-m-D/4& m<D/4,w_i=1\\ v_i-m+3D/4& m\&GreaterEqual;D/4,w_i=1\\ v_i-m+5D/4& m>3D/4,w_i=0\\ v_i-m+D/4& m\&le;3D/4,w_i=0\end{array}\right.$

⑤选择下一个I帧，返回步骤②，最后对嵌入水印的子块进行视频编码，生成水印视频。

水印提取步骤如下：

①对被检测视频部分解码，提取I帧DCT子块。

②计算子块自适应特征掩模系数λ_k′

③计算子块潜在的水印嵌入能量D＝αλ_k′w_kv_k′

④提取水印：w_i＝round(mod(v_i′，D)/D)。

水印检测公式如下：

$\mathrm{sim}(W,W^{\&prime;})=(W^{\&prime;}\&CenterDot;W)/\sqrt{W^{\&prime;}\&CenterDot;W^{\&prime;}}$

实施例1

水印添加的对象为彩色Football视频(8bpp)，视频帧大小为352×240，嵌入水印信息为216个字节的字符信息，对应的二值水印信息为w_k∈{-1，1}(k＝1，2，...，1782)。Football视频加入水印前的原始视频帧如图5(a)所示，加入水印后的对应视频帧如图5(b)所示，加入水印前后视频帧的峰值信噪比(PSNR)值为45.82dB，水印检测的相关值为41.521，大于阈值6，说明正确检测出水印信息。下面结合本发明的方法详细说明该实例实施的具体步骤如下：

(1)水印嵌入步骤如下：

①把水印信息调试成0，1二值系列，对Football视频部分解码，获取I帧DCT子块。

②根据DCT子块归类算法，如附图2所示，对子块进行归类，根据子块的类别按如下公式计算子块的纹理掩模伪装系数：

③计算子块的亮度伪装掩模系数：

${\mathrm{LumMask}}_k=\left\{\begin{array}{cc}(F_{\max L}-F_{\mathrm{ref}})\&times;\frac{\mathrm{DC}\left(k\right)-\mathrm{mean}}{L_{\max }-\mathrm{mean}}+1& (\mathrm{DC}\left(k\right)>\mathrm{mean})\\ 1& (25\&le;\mathrm{DC}\left(k\right)\&le;\mathrm{mean})\\ 1.12& (15\&le;\mathrm{DC}\left(k\right)\&le;25)\\ 1.25& \left(\mathrm{DC}\left(k\right)<15\right)\end{array}\right.$

④计算子块运动伪装掩模系数：提取相邻帧对应的DCT子块DC系数，计算运动特征系数：

根据运动特征系数计算运动伪装掩模系数：

${\mathrm{MotionMask}}_j=\left\{\begin{array}{cc}1.& 0\&le;D_{\mathrm{DC}}(j,k)<3\\ -0.05D_{\mathrm{DC}}(j,k)+1.15.& 3\&le;D_{\mathrm{DC}}(j,k)<7\\ \frac{17+D_{\mathrm{DC}}(j,k)}{30}.& 7\&le;D_{\mathrm{DC}}(j,k)<19\\ 1.2.& D_{\mathrm{DC}}(j,k)\&GreaterEqual;19\end{array}\right.$

计算DCT子块的局部自适应掩模系数：

            m_k＝TextMask_k×LumMask_k×MotionMask_k

对m_k做子块特征判断，当m_k≤T_M时，略过此子块，选择下一个子块，返回到步骤②，当m_k＞T_M时，根据特征收敛方程f(x)，计算子块自适应特征掩模系数λ_k。

$f\left(x\right)=a_1\&times;e^{-{\left(\frac{(x-b_1)}{c_1}\right)}^2}+a_2\&times;e^{{-\left(\frac{(x-b_2)}{c_2}\right)}^2}+a_3\&times;e^{{-\left(\frac{(x-b_3)}{c_3}\right)}^2}$

          λ_k＝m_k×f(dc_k)

其中dc_k为第k个子块DC系数的绝对值。

⑤依据自适应特征掩模系数λ_k，计算子块嵌入能量，其中α为水印嵌入强度因子：

                   D＝αλ_kw_kv_k

⑥采用盲水印策略，进行水印嵌入：

$v_i^{\&prime;}=\left\{\begin{array}{cc}{v}_i-m-D/4& m<D/4,w_i=1\\ v_i-m+3D/4& m\&GreaterEqual;D/4,w_i=1\\ v_i-m+5D/4& m>3D/4,w_i=0\\ v_i-m+D/4& m\&le;3D/4,w_i=0\end{array}\right.$

⑦选择下一个I帧，返回步骤②，最后对嵌入水印的子块进行视频编码，生成水印视频。

(2)水印提取步骤如下：

①对被检测的Football视频(可能含有水印，也可能不含水印)部分解码，获取I帧DCT子块。

②根据DCT子块归类算法，如附图2所示，对子块进行归类，根据子块的类别按如下公式计算子块的纹理掩模伪装系数：

③计算子块的亮度伪装掩模系数：

${\mathrm{LumMask}}_k=\left\{\begin{array}{ccc}(F_{\max L}-F_{\mathrm{ref}})\&times;\frac{\mathrm{DC}\left(k\right)-\mathrm{mean}}{L_{\max }-\mathrm{mean}}+1.& (\mathrm{DC}\left(k\right)>\mathrm{mean})& \\ 1& (25\&le;\mathrm{DC}\left(k\right)\&le;\mathrm{mean})& \\ 1.125& (15\&le;\mathrm{DC}\left(k\right)<25)& \\ 1.25& (\mathrm{DC}\left(k\right)<15)& \end{array}\right.$

④计算子块运动伪装掩模系数：提取相邻帧对应的DCT子块DC系数，计算运动特征系数：

根据运动特征系数计算运动伪装掩模系数：

${\mathrm{MotionMask}}_j=\left\{\begin{array}{cc}1.& 0\&le;D_{\mathrm{DC}}(j,k)<3\\ -0.05D_{\mathrm{DC}}(j,k)+1.15.& 3\&le;D_{\mathrm{DC}}(j,k)<7\\ \frac{17+D_{\mathrm{DC}}(j,k)}{30}.& 7\&le;D_{\mathrm{DC}}(j,k)<19\\ 1.2.& D_{\mathrm{DC}}(j,k)\&GreaterEqual;19\end{array}\right.$

计算DCT子块的局部自适应掩模系数：

             m_k′＝TextMask_k×LumMask_k×MotionMask_k

对m_k′做子块特征判断，当m_k′≤T_M时，略过此子块，选择下一个子块，返回到步骤②，当m_k′＞T_M时，根据特征收敛方程f(x)，计算子块自适应特征掩模系数λ_k。

$f\left(x\right)=a_1\&times;e^{-{\left(\frac{(x-b_1)}{c_1}\right)}^2}+a_2\&times;e^{{-\left(\frac{(x-b_2)}{c_2}\right)}^2}+a_3\&times;e^{{-\left(\frac{(x-b_3)}{c_3}\right)}^2}$

       λ_k′＝m_k′×f(dc_k′)

其中dc_k′为第k个子块DC系数的绝对值。

⑤依据自适应特征掩模系数λ_k′，计算子块嵌入能量，其中α为水印嵌入强度因子：

            D＝αλ_k′w_kv_k′

⑥水印提取：w_i＝round(mod(v_i′，D)/D)。

实施例2

水印添加的对象为彩色FlowerGarden视频(8bpp)，视频帧大小为352×240，嵌入水印信息为216个字节的字符信息，对应的二值水印信息为w_k∈{-1，1}(k＝1，2，...，1782)。F1owerGarden视频加入水印前的原始视频帧如图6(a)所示，加入水印后的对应视频帧如图6(b)所示，加入水印前后视频帧的峰值信噪比(PSNR)值为44.68dB，水印检测的相关值为41.377，大于阈值6，说明正确检测出水印信息。。下面结合本发明的方法详细说明该实例实施的具体步骤如下：

(1)水印嵌入步骤如下：

①把水印信息调试成0，1二值系列，对FlowerGarden视频部分解码，获取I帧DCT子块。

②根据DCT子块归类算法，如附图2所示，对子块进行归类，根据子块的类别按如下公式计算子块的纹理掩模伪装系数：

③计算子块的亮度伪装掩模系数：

${\mathrm{LumMask}}_k=\left\{\begin{array}{ccc}(F_{\max L}-F_{\mathrm{ref}})\&times;\frac{\mathrm{DC}\left(k\right)-\mathrm{mean}}{L_{\max }-\mathrm{mean}}+1.& (\mathrm{DC}\left(k\right)>\mathrm{mean})& \\ 1& (25\&le;\mathrm{DC}\left(k\right)\&le;\mathrm{mean})& \\ 1.125& (15\&le;\mathrm{DC}\left(k\right)<25)& \\ 1.25& (\mathrm{DC}\left(k\right)<15)& \end{array}\right.$

④计算子块运动伪装掩模系数：提取相邻帧对应的DCT子块DC系数，计算运动特征系数：

根据运动特征系数计算运动伪装掩模系数：

${\mathrm{MotionMask}}_j=\left\{\begin{array}{cc}1.& 0\&le;D_{\mathrm{DC}}(j,k)<3\\ -0.05D_{\mathrm{DC}}(j,k)+1.15.& 3\&le;D_{\mathrm{DC}}(j,k)<7\\ \frac{17+D_{\mathrm{DC}}(j,k)}{30}.& 7\&le;D_{\mathrm{DC}}(j,k)<19\\ 1.2.& D_{\mathrm{DC}}(j,k)\&GreaterEqual;19\end{array}\right.$

计算DCT子块的局部自适应掩模系数：

            m_k＝TextMask_k×LumMask_k×MotionMask_k

对m_k做子块特征判断，当m_k≤T_M时，略过此子块，选择下一个子块，返回到步骤②，当m_k＞T_M时，根据特征收敛方程f(x)，计算子块自适应特征掩模系数λ_k。

$f\left(x\right)=a_1\&times;e^{-{\left(\frac{(x-b_1)}{c_1}\right)}^2}+a_2\&times;e^{{-\left(\frac{(x-b_2)}{c_2}\right)}^2}+a_3\&times;e^{{-\left(\frac{(x-b_3)}{c_3}\right)}^2}$

            λ_k＝m_k×f(dc_k)

其中dc_k为第k个子块DC系数的绝对值。

⑤依据自适应特征掩模系数λ_k，计算子块嵌入能量，其中α为水印嵌入强度因子：

                D＝αλ_kw_kv_k

⑥采用盲水印策略，进行水印嵌入：

$v_i^{\&prime;}=\left\{\begin{array}{cc}{v}_i-m-D/4& m<D/4,w_i=1\\ v_i-m+3D/4& m\&GreaterEqual;D/4,w_i=1\\ v_i-m+5D/4& m>3D/4,w_i=0\\ v_i-m+D/4& m\&le;3D/4,w_i=0\end{array}\right.$

⑦选择下一个I帧，返回步骤②，最后对嵌入水印的子块进行视频编码，生成水印视频。

(2)水印提取步骤如下：

 ①对被检测的FlowerGarden视频(可能含有水印，也可能不含水印)部分解码，获取I帧DCT子块。

②根据DCT子块归类算法，如附图2所示，对子块进行归类，根据子块的类别按如下公式计算子块的纹理掩模伪装系数：

③计算子块的亮度伪装掩模系数：

${\mathrm{LumMask}}_k=\left\{\begin{array}{ccc}(F_{\max L}-F_{\mathrm{ref}})\&times;\frac{\mathrm{DC}\left(k\right)-\mathrm{mean}}{L_{\max }-\mathrm{mean}}+1.& (\mathrm{DC}\left(k\right)>\mathrm{mean})& \\ 1& (25\&le;\mathrm{DC}\left(k\right)\&le;\mathrm{mean})& \\ 1.125& (15\&le;\mathrm{DC}\left(k\right)<25)& \\ 1.25& (\mathrm{DC}\left(k\right)<15)& \end{array}\right.$

④计算子块运动伪装掩模系数：提取相邻帧对应的DCT子块DC系数，计算运动特征系数：

根据运动特征系数计算运动伪装掩模系数：

${\mathrm{MotionMask}}_j=\left\{\begin{array}{cc}1.& 0\&le;D_{\mathrm{DC}}(j,k)<3\\ -0.05D_{\mathrm{DC}}(j,k)+1.15.& 3\&le;D_{\mathrm{DC}}(j,k)<7\\ \frac{17+D_{\mathrm{DC}}(j,k)}{30}.& 7\&le;D_{\mathrm{DC}}(j,k)<19\\ 1.2.& D_{\mathrm{DC}}(j,k)\&GreaterEqual;19\end{array}\right.$

计算DCT子块的局部自适应掩模系数：

         m_k′＝TextMask_k×LumMask_k×MotionMask_k

对m_k′做子块特征判断，当m_k′≤T_M时，略过此子块，选择下一个子块，返回到步骤②，当m_k′＞T_M时，根据特征收敛方程f(x)，计算子块自适应特征掩模系数λ_k′。

$f\left(x\right)=a_1\&times;e^{-{\left(\frac{(x-b_1)}{c_1}\right)}^2}+a_2\&times;e^{{-\left(\frac{(x-b_2)}{c_2}\right)}^2}+a_3\&times;e^{{-\left(\frac{(x-b_3)}{c_3}\right)}^2}$

               λ_k′＝m_k′×f(dc_k′)

其中dc_k′为第k个子块DC系数的绝对值。

⑤依据自适应特征掩模系数λ_k′，计算子块嵌入能量，其中α为水印嵌入强度因子：

               D＝αλ_k′w_kv_k′

⑥水印提取：w_i＝round(mod(v_i′，D)/D)。

Claims (6)

1.一种基于视觉特征的视频水印方法，其特征在于包括如下步骤：

1)对视频流进行部分解码，对视频帧进行离散余弦变换，把离散余弦变换获得的子块划分成DC、低频、边、高频四个部分，通过子块归类算法把子块归类成边缘子块、纹理子块和平坦子块三类，计算子块对应的纹理伪装掩模系数；

2)采用韦伯定律线性模型，计算子块的亮度伪装掩模系数；

3)通过相临帧对应的离散余弦变换子块之间的DC系数变动，计算子块的运动伪装掩模系数，引入一个基于视频纹理、边缘、亮度以及运动等特征的混合视觉特征模型，并提取子块掩模系数；

4)采用样本训练的方法，构造一个特征统计收敛模型，对视频水印的嵌入能量进一步收敛，生成与人的视觉感知模型相一致的自适应视频水印嵌入模型；

5)根据自适应视频水印嵌入模型，采用盲水印嵌入方法，对视频流进行水印嵌入和提取，完成对视频的水印嵌入。

2.根据权利要求1所述的一种基于视觉特征的视频水印方法，其特征在于，所述的对视频流进行部分解码，对视频帧进行离散余弦变换，把离散余弦变换获得的子块划分成DC、低频、边、高频四个部分，通过子块归类算法把子块归类成边缘子块、纹理子块和平坦子块三类，计算子块对应的纹理伪装掩模系数：对视频流进行部分解码，提取8×8的DCT子块，把子块划分成DC、低频、边以及高频四个区域，四个区域的能量系数绝对值和分别用DC、L、E、H表示，比例因子(L+E)/H和L/E的大小代表图像边缘能量，E+H代表了纹理能量，根据子块归类算法，把子块划分成纹理子块，边缘子块和平坦子块，针对不同类型的子块分三种情况计算其子块纹理掩模伪装系数：

①针对纹理子块，E+H基本代表了子块的纹理能量，纹理掩模伪装系数公式为：

$\mathrm{TextMask}\left(k\right)=(F_{\mathrm{MaxT}}-1)\&times;\frac{\mathrm{TexE}\left(k\right)-\mathrm{Min}}{\mathrm{Max}-\mathrm{Min}}+1$

其中TexE(k)为第K个子块的局部纹理能量，Max，Min分别为纹理子块的最大和最小能量，F_MaxT为能量调节系数，用来模型优化，

②针对平坦的子块，纹理掩模系数为1，

③针对边缘子块，L+E近似代表了子块能量，当L+E≤400时，掩模系数为1.125，否则取值为1.25。

3.根据权利要求1所述的一种基于视觉特征的视频水印方法，其特征在于，所述的采用韦伯定律线性模型，计算子块的亮度伪装掩模系数：DC系数代表子块背景亮度特征，亮度特征伪装模型包括高亮背景的线性部分和灰度背景的非线性部分，高亮背景的线性部分适用于韦定律，根据韦伯定律，引入子块亮度伪装掩模伪装系数：

①当DC＞mean时，亮度掩模系数的计算公式为：

$\mathrm{LumMask}\left(k\right)=(F_{\max L}-F_{\mathrm{ref}})\&times;\frac{\mathrm{DC}\left(k\right)-\mathrm{mean}}{L_{\max }-\mathrm{mean}}+1.,$

②当L_min≤DC(k)≤mean时，掩模系数为1，

③当DC(k)＜L_min时，当25≤DC(k)＜L_min时掩模系数为1；当15≤DC(k)＜25时掩模系数为1.125；当DC(k)＜15时，掩模系数为1.25，

其中，参数L_min和L_max代表线性模型的亮度范围，F_maxL为最大亮度调节因子，mean为整个视频帧的平均灰度值；mean对应的参数F_ref。

4.根据权利要求1所述的一种基于视觉特征的视频水印方法，其特征在于，所述的通过相临帧对应的离散余弦变换子块之间的DC系数变动，计算子块的运动伪装掩模系数，引入一个基于视频纹理、边缘、亮度以及运动等特征的混合视觉特征模型，并提取子块掩模系数：把相邻帧对应的离散余弦变换子块DC变化幅度作为运动检测标准，计算运动特征系数：

$D_{\mathrm{DC}}(j,k)=|{\stackrel{\&prime;}{X}}_{j,k,0}-{\stackrel{\&prime;}{X}}_{j-1,k,0}|$

其中j表示第j帧，k为第k个子块，0表示子块的第一个系数，即DC系数。由此可获得视频流的运动掩模系数：

${\mathrm{MotionMask}}_j=\left\{\begin{array}{cc}1.& 0\&le;D_{\mathrm{DC}}(j,k)<3\\ {-0.05D}_{\mathrm{DC}}(j,k)+1.15.& 3\&le;D_{\mathrm{DC}}(j,k)<7\\ \frac{17+D_{\mathrm{DC}}(j,k)}{30}.& 7\&le;D_{\mathrm{DC}}(j,k)<19\\ 1.2.& D_{\mathrm{DC}}(j,k)\&GreaterEqual;19\end{array}\right.$

引入一个基于视频纹理、边缘、亮度以及运动等混合视觉特征模型，构建子块的局部自适应掩模系数m_k：

       m_k＝TextMask_k×LumMask_k×MotionMask_k

$v_k^{*}=v_k{m}_k$

其中，v_k ^*表示经子块掩模系数纠正过的可用来嵌入水印的原始能量特征，基于混合视觉特征伪装模型的视频水印嵌入模型为：

$v_i^{\&prime;}=v_i+\mathrm{\&alpha;}{w}_i{v}_i^{*}=v_i+\mathrm{\&alpha;}{w}_i\left(v_i{m}_i\right)=v_i(1+\mathrm{\&alpha;}{m}_i{w}_i).$

5.根据权利要求1所述的一种基于视觉特征的视频水印方法，其特征在于，所述的采用样本训练的方法，构造一个特征统计收敛模型，对视频水印的嵌入能量进一步收敛，生成与人的视觉感知模型相一致的自适应视频水印嵌入模型：在视觉混合特征模型的基础上，依据视觉敏感特性以及水印可检测的阈值边界，引入如下假设：

假设I帧中有n个待嵌入水印的子块，将其直流系数DC的绝对值大小看成一个高斯序列L_dc＝[dc₁，dc₂...，dc_n]，引入一个三次高斯函数f(x)，针对每个系数dc_k，1≤k≤n，其对应的收敛纠正系数c_k计算如下：

$f\left(x\right)=a_1\&times;e^{-{\left(\frac{(x-b_1)}{c_1}\right)}^2}+a_2\&times;e^{{-\left(\frac{x-b_2}{c_2}\right)}^2}+a_3\&times;e^{{-\left(\frac{x-b_3}{c_3}\right)}^2}$

        c_k＝f(dc_k)

其中，dc_k为第k个子块DC系数的绝对值，a₁，a₂，a₃，b₁，b₂，b₃，c₁，c₂，c₃为常数因子。

基于以上混合视觉特征模型与特征统计收敛，针对选定的第K个子块，引入子块自适应特征掩模系数λ_k，其计算如下：

        λ_k＝m_k×c_k

水印嵌入模型，进一步可演化为：

        v_i′＝v_i(1+αm_iw_i)＝v_i(1+αλ_iw_i)。

6.根据权利要求1所述的一种基于视觉特征的视频水印方法，其特征在于，所述的根据自适应视频水印嵌入模型，采用盲水印嵌入方法，对视频流进行水印嵌入和提取，完成对视频的水印嵌入：

水印嵌入步骤如下：

①把水印信息调试成0，1二值系列，对原始视频部分解码，获取I帧离散余弦变换子块，

②计算子块自适应特征掩模系数λ_k，

③计算子块水印嵌入能量D＝αλ_kw_kv_k，

④水印嵌入：

$v_i^{\&prime;}=\left\{\begin{array}{cc}{v}_i-m-D/4& m<D/4,w_i=1\\ v_i-m+3D/4& m\&GreaterEqual;D/4,w_i=1\\ v_i-m+5D/4& m>3D/4,w_i=0\\ v_i-m+D/4& m\&le;3D/4,w_i=0\end{array}\right.$

⑤选择下一个I帧，返回步骤1，最后对嵌入水印的子块进行视频编码，生成水印视频，

水印提取步骤如下：

①对被检测视频部分解码，提取I帧离散余弦变换子块，

②计算子块自适应特征掩模系数λ_k′，

③计算子块潜在的水印嵌入能量D＝αλ_k′w_kv_k′，

④提取水印：w_i＝round(mod(v_i′，D)/D)，其中mod(x，y)为模运算，round(x)为四舍五入取整运算，

水印检测公式如下：

$\mathrm{sim}(W,W^{\&prime;})=(W^{\&prime;}\&CenterDot;W)/\sqrt{W^{\&prime;}\&CenterDot;W^{\&prime;}}.$

Images