CN101887574A - 一种抗几何攻击的鲁棒指纹嵌入与提取方法 - Google Patents

Abstract

本发明公开了一种抗几何攻击的鲁棒指纹嵌入与提取方法，结合空域和频域的优势，解决数字指纹实时嵌入与鲁棒性的问题，同时适用于图像和视频文件。该方法利用DCT变换的线性正交可逆特性，将指纹巧妙的做逆整体DCT变换，自适应的叠加在图像的空域，此过程达到将指纹信息嵌入到多媒体作品的整体DCT域的目的，并且较大幅度地降低了计算复杂度以满足实时嵌入的需求。在提取指纹时利用SIFT特征具有较强的抗几何攻击能力，提出基于SIFT特征点的几何校正方法，它能正确的校正多媒体作品，使得载体数据与指纹的同步恢复，从而达到抵抗几何攻击的目的。本发明中的数字指纹的嵌入方法对几何攻击具有很好的鲁棒性，同时具备实时性，满足图像和视频应用的需求。

Description

一种抗几何攻击的鲁棒指纹嵌入与提取方法

技术领域

本发明属于多媒体信息安全技术领域，具体涉及一种抗几何攻击的鲁棒指纹嵌入与提取方法。

背景技术

随着信息技术多媒体技术和计算机网络的飞速发展，数字多媒体信息(图像、文本、音频、视频)的存储、复制与传播变得非常方便快捷。这给广大创作者和发行商带来了新机遇，但同时也非常容易造成数字作品的非法拷贝和非法。随着我国数字电视的推广和普及，数字化的音视频播放录制设备走进千家万户，数字电视网上的非法复制和侵权行为将更加严重。因此，如何通过对非法分发者的身份进行确认，并对其进行控告和惩戒，进而形成一种打击非法侵权的威慑力量，已形成版权保护亟待解决的问题。

这个问题的解决要求在版权保护中实施跟踪机制，也就是能够对数字作品拷贝的销售、使用、流通和存储行为给予监督和控制。许多加密技术和数字版权管理(DRM)框架采用端到端的加密来保护数字媒体的版权。但一旦加密媒体数据被解密后，这种保护机制就不再有效了。数字水印方法则可用于对解密后的多媒体内容提供进一步的保护。作为数字水印的一个分支，数字指纹就是解决这类问题的一种版权跟踪技术作为解决这类问题的一种有效和最具潜力的方法，已成为研究的热点。当前，数字指纹领域的研究主要集中在设计抗共谋攻击的数字指纹编码方案，而忽视了数字指纹的鲁棒性方面的研究，特别是抗几何攻击方面的研究。目前抵抗几何攻击仍然是水印领域所面临的最大困难，也是研究的热点之一。

指纹信息和普通水印信息的嵌入器和提取器非常类似，那么攻击者即使只对目标图像做轻微的几乎不可察觉的几何攻击如旋转、缩放、变换等，虽然指纹信息还留存在指纹图像中，但是大多数指纹提取器却不能正确提取指纹信息。几何攻击试图破坏载体数据和指纹的同步性，被攻击的数字作品中指纹仍然存在，而且幅度没有变化，但由于指纹信号已经错位，不能维持正常指纹提取过程所需要的同步性，因此指纹提取器就不可能、或者无法实行对指纹的恢复和提取。可见几何攻击对数字指纹系统十分致命，指纹信息无法正确提取，追踪共谋者失去了依据，指纹的抗共谋攻击能力也只能成为空谈，因而数字指纹的鲁棒性研究也应该是数字指纹研究中很重要的一环。

数字指纹系统与数字水印系统虽然都是在多媒体中嵌入信息，但是指纹系统对多媒体的嵌入容量有更高的要求，并需要同时保证鲁棒性和实时性。如果直接在空域中嵌入指纹，算法复杂度低，效率高，但是鲁棒性不高，而且嵌入容量有限，满足不了指纹系统的需求；现有的指纹系统较多选择将指纹嵌入在频域中，虽然鲁棒性较好，但是需要将视频或图像先进行频域变换，复杂度较高，难以满足指纹实时嵌入的需求，尤其是针对视频指纹系统。因此，指纹的实时嵌入也是数字指纹研究中的另一个重点。

目前，国内外还未出现有关抗几何攻击的鲁棒指纹嵌入技术的研究文献，但在数字水印领域近些年涌现出大量不同的抗几何攻击的水印算法，抗几何攻击的水印方法大致分为两类：全局水印方法主要是在像素、频率或者其他变换系数中嵌入信息，该类又可划分为基于图像校准的、基于同步模板的、基于自参考水印的和基于不变量的四类方法。其中有代表性的方法是基于不变量的方法，文献“Rotation，scale and translation invariantspread spectrum digital image watermarking”(O′Ruanaidh，J.and T.Pun.SignalProcessing，1998，66(3)：303-317)提出一种基于Fourier-Mellin变换的水印方法，尽管能够抵抗RST(旋转、缩放和平移)攻击，但是依然不能同时抵抗裁剪、纵横比改变和RST联合攻击中常伴随的剪切等其它攻击，而且对图像的视觉质量影响很大。文献“Invariant Image Watermark Using ZernikeMoments”.(Kim，H.S.and H.-K.Lee.IEEE Transactions on Circuits andSystems for Video Technology，2003，13(8)：766-775)提出基于Zernike矩的抗几何攻击水印方法，该方法的缺陷是计算复杂度高，并且不能抵抗裁剪和纵横比改变等攻击。基于特征的局部水印方法，是一种基于图像内容的局部化数字水印方案，能够抵抗裁剪等局部几何攻击。一般来说，局部化数字水印就是将水印信息嵌入图像的多个局部位置，水印检测器通过局部图像就可以提取水印，并判断水印的存在性。最近几年，研究者将模式识别领域中基于尺度空间思想的而尺度不变特征，如SIFT、Harris-Laplace，用来同步水印。文献“Robust image watermarking using local invariantfeatures”(Hae-Yeoun Lee，Kim Hyungshin，Heung-Kyu Lee.OpticalEngineering，2006，45(3)：037002)利用SIFT特征来构造圆形的水印嵌入区域，该方案可以抵抗Stirmark工具中的大多数攻击，文献“Localized imagewatermarking based on feature points of scale-space representation”(Seo Jin S.，Yoo Chang D.Pattern Recognition，2004，37(7)：1365-1375)中利用Harris-Laplace点作为同步水印的特征点，在每个Harris-Laplace点处，水印依据特征尺度和特征角度进行仿射标准化后的嵌入，通过将水印和图像的局部特征绑定在一起，可以获得对仿射变换的抵抗能力。但是对用户量较大的指纹系统而言，指纹信息的长度将超过千位，局部不变特征区域的指纹容量远远小于指纹系统的指纹容量要求，另外此类算法计算复杂度高，无法满足视频指纹嵌入的实时性要求。

综上所述，研究学者在抗几何攻击水印领域进行了大量的研究工作，但是现有的抗几何攻击的水印技术不能直接应用于数字指纹系统使其具有抵抗几何攻击的能力；此外，现有指纹系统一般将指纹嵌入在多媒体的频域，针对大批量图像或视频应用，难以满足实时嵌入的需求。因此研究既能抗几何攻击，又能满足实时性要求的鲁棒指纹嵌入和提取方法也是数字指纹研究中亟待解决的问题。

发明内容

本发明的目的在于提供一种抗几何攻击的鲁棒数字指纹嵌入和提取方法，该方法既具有很强的鲁棒性和透明性，能抵抗常规几何攻击，又具有较低的计算复杂度，满足指纹系统实时嵌入的要求。

本发明提供的一种抗几何攻击的鲁棒指纹嵌入与提取方法，其特征在于，其步骤包括：

第1步  指纹自适应嵌入：

第1.1步  设定原始图像或原始视频的视频帧为I，I的大小为M×N，其中M为视频帧的长度，N为视频帧的宽度；设定用户的数量为U，定义已编码的某用户的一维指纹信息Q的长度为L，100≤L≤10000；创建一个与I一样大小的矩阵P，将指纹信息Q顺序放在矩阵P中zigzag扫描顺序的第L+1位到第2L位之间，矩阵P的其他元素设置为零；

第1.2步  对矩阵P做逆整体DCT变换，得到逆整体DCT变换后的指纹信息R，R的大小与P一样；

第1.3步  设计视觉感知掩蔽模板Λ：

Λ＝α×(1-NVF)+β×NVF

其中，α和β用于调节指纹嵌入的强度，3≤α≤20，1≤β≤10；NVF为噪声可见函数，其定义为：

$\mathrm{NVF}(i,j)=\frac{1}{1+{\mathrm{\θ\σ}}^2(i,j)}$

其中，i＝1，2，L，M；j＝1，2，L，N；θ是调整参数，σ²(i，j)表示I在以坐标(i，j)上的像素I(i，j)为中心的一个窗口内的局部方差；

第1.4步  将逆整体DCT变换后的指纹信息R自适应的嵌入，得到嵌入指纹的图像或视频帧I′：

I′(i，j)＝I(i，j)+Λ(i，j)×R(i，j)

其中，I(i，j)表示原始图像或视频帧I在坐标(i，j)的像素值，I′(i，j)表示嵌入指纹的图像或视频帧的I′在坐标(i，j)的像素值，R(i，j)表示R在第i行第j列处的值，Λ(i，j)表示Λ在第i行第j列处的值；

第2步  指纹提取：

第2.1步  进行仿射参数估算，得到估算后的仿射参数；

第2.2步  利用估算后的仿射参数对待检测图像或视频帧I^f做几何恢复，得到几何恢复后的待检测图像或视频帧I^h；

第2.3步  计算几何恢复后的待检测图像或视频帧I^h与原始图像或原始视频的视频帧I的差值I^d，对差值I^d做整体DCT变换得到整体DCT系数矩阵Y；

第2.4步  选取整体DCT系数矩阵Y中zigzag扫描顺序的第L+1到2L的系数值，组成一个一维向量，记为H；

第2.5步  设t表示用户的序号，t＝1，2，L，U，向量H与每一位用户的指纹信息Y_t之间的相关值φ_t计算如下：

${\mathrm{\φ}}_t=\frac{Y_t\·H}{\left|Y_t\right|\left|H\right|}$

其中，Y_t·H表示Y_t与H的内积，|Y_t|与|H|分别表示Y_t与H的模，计算相关值φ_t的最大值，记为φ_v，v表示最大值所对应的用户的序号，如果最大值φ_v大于等于预先设定的检测阈值T₁，则判定该待检测图像或视频帧I^f属于指纹信息Y_v对应的用户，否则无法判定该待检测图像或视频帧I^f的用户；

第2.6步结束。

与现有技术相比，本发明提出的基于几何校正的指纹嵌入与提取方法对几何攻击具有较强的鲁棒性，指纹嵌入利用DCT变换的线性正交可逆特性，创新性的将指纹巧妙的间接嵌入到多媒体作品的整体DCT域，并且大幅度降低了计算复杂度，既适用于图像又适用于视频作品，因为整体DCT域对普通数字信号处理就有很好的鲁棒性，本发明中的算法能抵抗普通数字信号处理攻击。在提取指纹时利用SIFT特征具有较强的抗几何攻击能力，提出基于SIFT特征点的几何校正方法，它能很好的校正多媒体作品，使得载体数据与指纹之间的同步恢复，从而达到抵抗几何攻击的目的。因此，该数字指纹的嵌入方法对几何攻击具有很好的鲁棒性，同时具备实时性，满足图像和视频应用的需求。

附图说明

图1为本发明方法的整体框架图；

图2为zigzag扫描示意图；

图3为指纹提取时仿射参数估算的过程图；

图4为几何校正实例图，其中(a)图为遭受10度旋转攻击后的待检测图像；(b)图为几何校正后的待检测图像；

图5为测试图像，其中(a)图为“Lena”图像，(b)图为“Peppers”图像，(c)图为“Fishingboat”图像，(d)图为“Baboon”图像；

图6为测试视频序列，其中(a)图为“Flower-Garden”视频序列，(b)图为“Cutthroat”视频序列；

图7为原始图像与嵌入指纹后图像的对比图，其中(a)图为原始“Lena”图像，(b)图为嵌入指纹后的“Lena”图像；

图8为嵌入指纹后测试视频的PSNR(峰值信噪比)分布曲线图，其中(a)图为嵌入指纹后的“Flower-Garden”视频序列的PSNR分布曲线图，(b)图为嵌入指纹后的“Cutthroat”视频序列的PSNR分布曲线图；

图9为不同几何攻击下本发明中方法的鲁棒性，其中(a)图为方法抗等比缩放攻击的鲁棒性，(b)图为方法纵横比改变攻击的鲁棒性，(c)图为抗旋转以及伴随裁剪的RST联合攻击的鲁棒性，(d)图为方法抗仿射变换的鲁棒性，(e)图为方法抗裁剪攻击的鲁棒性。

具体实施方式

以下结合附图和具体实例对本发明的技术方案做进一步详细说明。

本发明中将编码好的指纹信息自适应嵌入在原始图像或原始视频的视频帧的整体DCT域。整体DCT变换是最基本的酉变换之一，其基本线性运算式是正交可逆的。因此，将指纹信息嵌入到图像或视频帧的整体DCT域后图像再做逆DCT变换与将指纹信息做逆DCT变换嵌入到图像或视频帧的空域的鲁棒性能是一致，而第二种方法与第一种方法相比，对单幅图像而言少做了一次整体DCT变换，对同一用户的大批量的图像和视频作品而言，嵌入的指纹信息是一样的，即是只需要对指纹信息做一次逆整体DCT变换后保存则对该用户的所有作品都可以通用，相比第一种方法对所有的数字作品都需要整体DCT变换和逆整体DCT变换，可以大幅度节省嵌入时间。因此，我们采用第二种方法。本发明中的方法如图1所示，将编码后的指纹信息进行预处理，对它做逆整体DCT变换，通过修改原始图像或视频帧空域中的像素值将指纹信息的逆整体DCT系数自适应嵌入，得到嵌入指纹的图像或视频帧；而指纹提取则是对待检测图像或视频帧进行基于SIFT特征点的几何校正，再求校正后的图像或视频帧与原始图像或视频帧的差值，并对该差值做整体DCT变换，按照嵌入的规则选择嵌有指纹的整体DCT系数序列，最后通过计算该序列与可疑指纹的相关值来判定待检测图像或视频属于哪位用户。下面具体说明指纹嵌入过程和指纹提取过程的具体实施步骤。

第1步指纹自适应嵌入

指纹信息的自适应嵌入过程如图1所示，本发明的自适应指纹嵌入的具体步骤为：

第1.1步：预处理。设定原始图像或原始视频的视频帧为I，I的大小为M×N，其中M为视频帧的长度，N为视频帧的宽度。设定用户的数量为U，U为正整数，U的大小由实际需求或实验需求决定。定义编码好的某用户的一维指纹信息Q的长度为L，100≤L≤10000。创建一个与I一样大小的矩阵P，将指纹信息Q顺序放在矩阵P中zigzag扫描顺序的第L+1位到第2L位之间，矩阵P的其他元素设置为零。zigzag扫描如图2所示，从I的左上角的第一个像素开始，按图所示的箭头依次扫描。

第1.2步：对矩阵P做逆整体DCT变换，得到逆整体DCT变换后的指纹信息R，R的大小与P一样：

R＝IDCT(P)    (1)

其中，IDCT(·)表示逆整体DCT变换。

第1.3步：设计视觉感知掩蔽模板。为了使得指纹不可感知的被嵌入，我们引入人类视觉系统(HVS)中的噪声可见函数(NVF)，设计感知掩蔽模板。

NVF定义为：

$\mathrm{NVF}(i,j)=\frac{1}{1+{\mathrm{\θ\σ}}^2(i,j)}(i=\mathrm{1,2},L,M;j=\mathrm{1,2},L,N)---\left(2\right)$

其中θ是调整参数，σ²(i，j)表示I在以坐标(i，j)上的像素I(i，j)为中心的一个窗口内的局部方差，窗口的尺寸为(2G+1)×(2G+1)，G为正整数，1≤G≤3。σ²(i，j)定义为：

${\mathrm{\σ}}^2(i,j)=\frac{1}{{(2G+1)}^2}\underset{k=-G}{\overset{G}{\mathrm{\Σ}}}\underset{l=-G}{\overset{G}{\mathrm{\Σ}}}{(I(i+k,j+l),-\stackrel{\‾}{I}(i,j))}^2$

           (3)

$\stackrel{\‾}{I}(i,j)=\frac{1}{(2G+1)\×(2G+1)}\underset{k=-G}{\overset{G}{\mathrm{\Σ}}}\underset{l=-G}{\overset{G}{\mathrm{\Σ}}}I{(i+k,j+l)}^2$

其中，I(i，j)表示图像或视频帧I在坐标(i，j)上的像素值，k，l为正整数，其取值范围均为-G到+G。

另外，θ定义为：

$\mathrm{\θ}=\frac{D}{{\mathrm{\σ}}_{\max }^2}---\left(4\right)$

其中，是局部方差σ²(i，j)的最大值，D是实验所得经验值，D为正整数，50≤D≤1000。

我们将感知掩蔽模板Λ表示为：

Λ＝α×(1-NVF)+β×NVF    (5)

其中，α和β用于调节指纹嵌入的强度，α和β为正实数，3≤α≤20，1≤β≤10。

第1.4步：指纹嵌入。将逆整体DCT变换后的指纹信息R自适应的嵌入，用如下数学表达式来描述：

I′(i，j)＝I(i，j)+Λ(i，j)×R(i，j)(i＝1，2，L，M；j＝1，2，L，N)    (6)

其中，I(i，j)表示原始图像或视频帧I在坐标(i，j)的像素值，I′(i，j)表示嵌入指纹的图像或视频帧的I′在坐标(i，j)的像素值，R(i，j)表示R在第i行第j列处的值，Λ(i，j)表示Λ在第i行第j列处的值。通过上述过程，指纹被嵌入到原始图像或视频帧I的整体DCT域中得到含有指纹的图像或视频帧I′。

第2步指纹提取

指纹提取过程如图1所示，首先对待检测图像或视频的视频帧进行几何校正，再求校正后的图像或视频帧与原始图像或视频的差值，对该差值做整体DCT变换，在整体DCT系数中提取指纹。需要注意的是，数字指纹的主要目的是识别和追踪盗版泄露者，版权所有者在发现他们的数字作品出现非法拷贝后，愿意配合并提供原始数字作品，从而可以建立一个原始作品数据库，以便更好的识别泄露者。虽然在本发明中的方法在提取指纹过程中做几何校正的时候，需要原始的数字作品做参考，但获取原始作品实际操作中很容易实现。参照图1，指纹提取的具体步骤如下：

第2.1步仿射参数估算

为了抵抗几何攻击，本发明在指纹提取时引入了基于尺度不变特征变换(scale invariant feature transform，SIFT)的几何校正，在校正之前，需要参照原始数字作品，对待检测图像或视频帧所遭受的几何攻击的参数进行估算。需要说明的是，对同一个视频文件里的视频帧而言，遭受的几何攻击是一样的，因此在第一次估算出参数后，将其保存以备调用。结合图3，具体过程如下：

确定需要估算的参数。图像的旋转、缩放和平移等几何变换或者它们的联合变换都可以用仿射变换公式描述：

$\left\{\begin{array}{c}{i}^{\′}=a\×i+b\×j+e\\ j^{\′}=c\×i+d\×j+f\end{array}\right.---\left(8\right)$

其中，(i，j)是原始图像或视频帧I的一个像素的坐标位置，(i′，j′)表示经几何变换后该像素的新坐标位置.由式(8)可见，一个仿射变换方程可以由S＝(a，b，c，d，e，f)六个参数描述.所以，只需知道几何变换前后的三个或三个以上像素的坐标位置，就可以求出六个参数S。

第①步：计算SIFT特征点。运用SIFT算法分别计算原始图像或视频帧I和待检测图像或视频帧I^f的特征点集，分别记为E和J，记录E和J中每个特征点的相关信息，即特征点的位置信息和特征尺度，并计算出每个特征点的128维的向量描述符。

第②步：特征点匹配。利用特征点的向量描述符之间的欧式距离作为特征点的匹配度量。设特征点集E的特征点为E_m(m＝1，2，L，card(E))，其中card(E)表示集合E中特征点的个数；设特征点集J的特征点为J_n(n＝1，2，L，card(J))，其中card(J)表示集合J中特征点的个数。计算特征点集E中任选的一个特征点E_m与特征点集J中所有特征点J_n的欧式距离，得到一个长度为card(J)的一维向量W_m，它的每一个元素表示特征点E_m与J中一个特征点的欧式距离，W_m的第n个元素表示为：

$W_m^n=\sqrt{\underset{g=1}{\overset{128}{\mathrm{\Σ}}}{(E_m\left(g\right)-J_n\left(g\right))}^2}---\left(9\right)$

求向量W_m中最大值和第二大值，分别记为

和

e，q分别表示这二个值对应的序号，它们分别对应的特征点为J_e和J_q，如果

除以小于预先设定的阈值T₂，则特征点E_m和J_e被接受为一个初选匹配特征点对，其中，0.1≤T₂≤0.9，具体的数值根据实验确定，否则丢掉该特征点对。对特征点集E中剩下的特征点重复此过程，计算出所有的初选匹配特征点对形成一个特征点对集合，记为F。

第③步：筛选匹配特征点对。集合F是初选的匹配特征点对，集合F当中存在部分错误匹配特征点对。由于匹配特征点对的正确率与精确性在很大程度上决定了仿射参数估算的精度，因此需要对初始匹配特征点对集合F进行进一步的筛选。集合F的特征点对F_r(r＝1，2，L，card(F))中的两个特征点F_r(1)和F_r(2)的特征尺度分别记为η_r和λ_r，计算η_r和λ_r的比值，记为ε_r，计算集合F的所有特征点对的特征尺度的比值并计算全部比值的平均值

如果比值ε_r大于均值的1.3倍或者小于均值

的0.8倍，则认为特征点对F_r为误配特征点对，从集合F中删除F_r，这样将集合F的所有特征点对的特征尺度的比值与平均值

进行一一比较，可以去除误配特征点对，得到新的特征点对集合F^τ。

第④步：仿射参数估算。采用最小二乘法根据特征点对集合F^τ估算出攻击者对待检测图像或视频帧I^f做的仿射变换的六个参数S′＝(a′，b′，c′，d′，e′，f′)，因为特征点对在上步中已经经过筛选，删除了误配特征点对，所以S′与S非常接近。这样，待检测图像或视频帧I^f根据估算的六个参数S′做几何校正后将恢复指纹的同步。

第2.2步：待检测图像或视频帧的几何校正。为了增强本发明中方法对几何攻击的抵抗能力，对待检测图像或视频帧I^f做基于尺度不变特征变换(scale invariant feature transform，SIFT)特征的几何校正，利用估算的仿射参数S′以及公式(10)对检测图像或视频帧I^f做几何恢复得到几何恢复后的待检测图像或视频帧I^h，即利用检测图像或视频帧I^f的坐标((i′，j′)计算得到几何恢复后的待检测图像或视频帧I^h的坐标(i″，j″)。

$\left\{\begin{array}{c}{i}^{\′}=a^{\′}\×i^{\′\′}+b^{\′}\×j^{\′\′}+e^{\′}\\ j^{\′}=c^{\′}\×i^{\′\′}+d^{\′}\×j^{\′\′}+f^{\′}\end{array}\right.---\left(10\right)$

该坐标(i″，j″)近似于原始图像或原始视频的坐标(i，j)。

第2.3步：计算整体DCT变换系数。计算几何恢复后的待检测图像或视频帧I^h与原始图像或原始视频的视频帧I的差值I^d，对I^d做整体DCT变换得到整体DCT系数矩阵Y。

第2.4步：提取指纹。选取整体DCT系数矩阵Y中zigzag扫描顺序的第L+1到2L的系数值，组成一个一维向量，记为H。

第2.5步：指纹判定。设t表示用户的序号，t＝1，2，L，U，向量H与每一位用户的指纹信息Y_t之间的相关值计算如下：

${\mathrm{\φ}}_t=\frac{Y_t\·H}{\left|Y_t\right|\left|H\right|}---\left(7\right)$

其中，Y_t·H表示Y_t与H的内积，|Y_t|与|H|分别表示Y_t与H的模，计算相关值φ_t的最大值，记为φ_v，v表示最大值所对应的用户的序号，如果最大值φ_v大于等于预先设定的检测阈值T₁，则判定该待检测图像或视频帧I^f属于指纹信息Y_v对应的用户，否则无法判定该待检测图像或视频帧I^f的用户。检测阈值T₁为实验所得的经验值，0.01≤T₁≤0.05；

第2.6步：结束。

实验结果

用实验仿真Matlab 7模拟本发明中方法。结合图5、图6、图7、图8和图9，从视觉质量和鲁棒性两方面进行实验和结果分析。本发明中测试实验采用如图5所示的四幅测试图像：“Lena”、“Peppers”、“Fishingboat”和“Baboon”以及图6所示的两个测试视频：“Flower-garden”视频序列和“Cutthroat”视频序列。用户U设定为1024，Q的长度L设定为4544，G和D分别定义为2和150，α和β分别定义为17和3，T₁和T₂分别设定为0.02和0.3。

(1)视觉质量评价

视觉质量评价通过测量指纹图像的PSNR(Peak Signal-to-Noise Ratio，峰值信噪比)值进行客观评价，为了评价本方法的指纹嵌入对图像作品的视觉质量的影响，我们利用本发明方法在“Lena”等四个测试图像以及两个测试视频序列中嵌入指纹后，分别计算每幅图像的PSNR值和测试视频序列的平均PSNR值。嵌入指纹后的图像的PSNR值都大于40dB，如图7所示，凭肉眼观察，看不出嵌入指纹后的图像与原始图像有任何区别；如图8所示，嵌入指纹后的视频帧的平均PSNR值基本上都大于35dB，这表明本发明中的方法可获得指纹信息的感知透明性。

(2)鲁棒性评价

为了验证本发明中的水印鲁棒性，主要测试方法能否抵抗常见的几何攻击。我们对嵌入指纹后的测试图像和测试视频进行一些攻击，包括旋转、等比例缩放、纵横比攻击、仿射变换、裁剪以及几种联合攻击，对于每一类攻击，都有一个变化的参数对攻击的程度进行调节。指纹的鲁棒性可以用正确找到攻击后的嵌入指纹后的测试图像和测试视频的对应用户的概率B来评价，概率B越高，指纹越鲁棒。如果概率高于0.6，则认为本发明中的方法是鲁棒的，能够抵抗相应的攻击。从图9中可以看出，我们提出的方法对于上述几何攻击都具有较好的鲁棒性。

Claims (2)

1.一种抗几何攻击的鲁棒指纹嵌入与提取方法，其特征在于，其步骤包括：

第1步  指纹自适应嵌入：

第1.1步  设定原始图像或原始视频的视频帧为I，I的大小为M×N，其中M为视频帧的长度，N为视频帧的宽度；设定用户的数量为U，定义已编码的某用户的一维指纹信息Q的长度为L，100≤L≤10000；创建一个与I一样大小的矩阵P，将指纹信息Q顺序放在矩阵P中zigzag扫描顺序的第L+1位到第2L位之间，矩阵P的其他元素设置为零；

第1.2步  对矩阵P做逆整体DCT变换，得到逆整体DCT变换后的指纹信息R，R的大小与P一样；

第1.3步  设计视觉感知掩蔽模板Λ：

Λ＝α×(1-NVF)+β×NVF

其中，α和β用于调节指纹嵌入的强度，3≤α≤20，1≤β≤10；NVF为噪声可见函数，其定义为：

$\mathrm{NVF}(i,j)=\frac{1}{1+{\mathrm{\θ\σ}}^2(i,j)}$

其中，i＝1，2，L，M；j＝1，2，L，N；θ是调整参数，σ²(i，j)表示I在以坐标(i，j)上的像素I(i，j)为中心的一个窗口内的局部方差；

第1.4步  将逆整体DCT变换后的指纹信息R自适应的嵌入，得到嵌入指纹的图像或视频帧I′：

I′(i，j)＝I(i，j)+Λ(i，j)×R(i，j)

其中，I(i，j)表示原始图像或视频帧I在坐标(i，j)的像素值，I′(i，j)表示嵌入指纹的图像或视频帧的I′在坐标(i，j)的像素值，R(i，j)表示R在第i行第j列处的值，Λ(i，j)表示Λ在第i行第j列处的值；

第2步  指纹提取：

第2.1步  进行仿射参数估算，得到估算后的仿射参数；

第2.2步  利用估算后的仿射参数对待检测图像或视频帧I^f做几何恢复，得到几何恢复后的待检测图像或视频帧I^h；

第2.3步  计算几何恢复后的待检测图像或视频帧I^h与原始图像或原始视频的视频帧I的差值I^d，对差值I^d做整体DCT变换得到整体DCT系数矩阵Y；

第2.4步  选取整体DCT系数矩阵Y中zigzag扫描顺序的第L+1到2L的系数值，组成一个一维向量，记为H；

第2.5步  设t表示用户的序号，t＝1，2，L，U，向量H与每一位用户的指纹信息Y_t之间的相关值φ_t计算如下：

${\mathrm{\φ}}_t=\frac{Y_t\·H}{\left|Y_t\right|\left|H\right|}$

其中，Y_t·H表示Y_t与H的内积，|Y_t|与|H|分别表示Y_t与H的模，计算相关值φ_t的最大值，记为φ_v，v表示最大值所对应的用户的序号，如果最大值φ_v大于等于预先设定的检测阈值T₁，则判定该待检测图像或视频帧I^f属于指纹信息Y_v对应的用户，否则无法判定该待检测图像或视频帧I^f的用户；

第2.6步  结束。

2.根据权利要求1所述的鲁棒指纹嵌入与提取方法，其特征在于，第2.1步进行仿射参数估算的过程为：

第①步：运用SIFT算法分别计算原始图像或视频帧I和待检测图像或视频帧I^f的特征点集，分别记为E和J，记录E和J中每个特征点的相关信息，即特征点的位置信息和特征尺度，并计算出每个特征点的128维的向量描述符；

第②步：特征点匹配：

利用特征点的向量描述符之间的欧式距离作为特征点的匹配度量，设特征点集E的特征点为E_m，m＝1，2，L，card(E)，其中card(E)表示集合E中特征点的个数；设特征点集J的特征点为J_n，n＝1，2，L，card(J)，其中card(J)表示集合J中特征点的个数，计算特征点集E中任选的一个特征点E_m与特征点集J中所有特征点J_n的欧式距离，得到一个长度为card(J)的一维向量W_m，它的每一个元素表示特征点E_m与J中一个特征点的欧式距离，W_m的第n个元素

表示为：

$W_m^n=\sqrt{\underset{g=1}{\overset{128}{\mathrm{\Σ}}}{(E_m\left(g\right)-J_n\left(g\right))}^2}$

求向量W_m中最大值和第二大值，分别记为

和

e，q分别表示这二个值对应的序号，它们分别对应的特征点为J_e和J_q，如果

除以小于预先设定的阈值T₂，则特征点E_m和J_e被接受为一个初选匹配特征点对，否则丢掉该特征点对；对特征点集E中剩下的特征点重复此过程，计算出所有的初选匹配特征点对形成一个特征点对集合，记为F；

第③步：筛选匹配特征点对：

记集合F的特征点对为F_r，r＝1，2，L，card(F)，F_r中的两个特征点F_r(1)和F_r(2)的特征尺度分别记为η_r和λ_r，计算η_r和λ_r的比值，记为ε_r，计算集合F的所有特征点对的特征尺度的比值并计算全部比值的平均值

如果比值ε_r大于均值

的1.3倍或者小于均值

的0.8倍，则认为特征点对F_r为误配特征点对，从集合F中删除F_r，这样将集合F的所有特征点对的特征尺度的比值与平均值

进行一一比较，误配特征点对，得到新的特征点对集合F^τ；

第④步：仿射参数估算：

采用最小二乘法根据特征点对集合F^τ估算出攻击者对待检测图像或视频帧I^f做的仿射变换的六个参数S′＝(a′，b′，c′，d′，e′，f′)，待检测图像或视频帧I^f根据估算的六个参数S′做几何校正后将恢复指纹的同步。

Images