CN102754124A - 使用传播图的水印检测 - Google Patents

Abstract

提供了一种用于在视频编码中检测和选择水印的方法，所述方法包括：访问可能水印的列表；产生由应用相应水印而导致的对于视频的修改的传播图；根据每个相应传播图产生检测区域，其中检测区域包括传播图内的块，与传播图内的每个其它区域相比，检测区域总体上相对于选定检测准则的等级最高；选择用于评估检测区域的阈值度量；以及根据水印的检测区域与阈值度量之间的比较结果，从列表中去除水印。

Description

使用传播图的水印检测

相关申请的交叉引用

本申请要求享有2010年2月9日提交的序列号为61/337,726的美国临时申请的权益，在此并入其全部以供参考。

技术领域

本发明涉及一种用于在高级视频编码(AVC)加水印中检测水印和使用传播图(propagation map)的方法。

背景技术

改变像素值的水印会造成图像中将变化的像素用作基准的相邻部分被间接改变。改变运动矢量值的水印会造成图像中将变化的运动矢量用作基准的相邻部分被间接改变。

为了确保上述改变在传播路径上的任何地方都不引入保真度伪像(fidelity artifact)，已经在保真度准则中使用了传播图(PCT/US09/004702和PCT/US09/004752)。

在H.264/AVC中，二步加水印法(two-step watermarking methods)一次修改一个块。然后，水印检测器在恢复水印有效载荷的过程中分析这个块。当加了水印的内容在水印恢复之前出现几何失真时，该方法受到影响。少许未对准将导致检测器漏掉大量目标块，从而得到不可靠的检测结果。

因此，需要一种改进的水印检测方法，能够捕获当前检测方案漏掉的几何失真。

发明内容

提供了一种用于在高级视频编码加水印中检测水印和使用传播图的方法。所述方法可以包括：访问与具有一个或多个水印的列表中的水印相关联的传播图；为传播图中的块定义至少一个检测准则；识别传播图中包括的至少一个块的至少一个区域，其中，根据所述至少一个检测准则对所述至少一个区域进行分组；以及产生所述至少一个区域的信息。区域是连通块的组。可以存在多个不同区域，并且一个区域中的块的信号可以与另一区中的块的信号不同。信息可以是空间信息和/或时间信息，其中，空间信息可以至少包括：区域的大小、区域的数目、区域的形状和区域的位置。检测准则可以是亮度级别的变化，信号是变化的符号。所述方法还可以包括：针对每个水印的每个区域，确定亮度级别的平均变化，信息可以包括平均亮度。附加地，可以针对每个水印的每个区域，为信息分配优先级，使得每个水印具有由度量表征的优先区域，其中，所述方法还可以包括：选择阈值度量并且将具有超过阈值度量的优先区域的水印放入可能水印的优选列表中以应用于视频数据，其中超过意味着大于阈值度量。

本发明的特征还可以包括：产生用于识别所述至少一个区域的标志矩阵并使用结果产生优选水印的列表。该特征可以包括：从传播图内的块中选择种子块来发起标志矩阵，种子块是所述至少一个区域的一部分；确定种子块的信号；利用与种子块相邻的附加块来填充标志矩阵，其中附加块的信号的种类与种子块的信号相同；继续利用通过至少一个附加块与种子块相连的其它块填充标志矩阵，其中，其它块和任意中间块的信号的种类与种子块的信号的种类相同；以及将种子块与填充步骤和进一步填充步骤中的任意块分配给第一区域，从而产生识别步骤中的第一区域。可以通过以下步骤获得第二区域：从传播图中还未分配给所述至少一个区域的块中选择另一种子块；以及针对所述另一种子块运行确定步骤、填充步骤、进一步填充步骤和分配步骤。可以通过以下步骤获得附加区域：继续选择其它种子块并针对所述其它种子块运行确定步骤、填充步骤、进一步填充步骤和分配步骤，直到传播图中的所有块被分配。该特征还可以包括：基于度量选择每个水印的传播图的优先区域；选择阈值度量；以及将具有超过或大于阈值度量的优先区域的水印放入用于视频数据的可能水印的选择列表中；其中，度量是至少一种检测准则，并且是亮度变化的测量值；以及信号种类是亮度变化的符号。

附图说明

根据以下示例附图，可以更好地理解本原理，其中：

图1是根据本发明实施例用于确定水印检测区域的方法的框图；

图2是图1的方法中产生检测区域的算法的框图；

图3示出了根据本发明的连通区域，其包括A像素和B像素，A像素是原始块的一部分但是由于移位没有包括在检测中，B像素不是原始块的一部分但是由于移位在检测期间包括在检测中；

图4示出了涉及A和B像素且移位的连通区域的另一视图；

图5示出了涉及A和B像素的亮度和的连通区域的另一视图；以及

图6是根据本发明用于优化检测参数的方法的框图。

具体实施方式

本公开涉及二步加水印方法，其中，这两个步骤如下：

1.选择满足所有加水印准则的变化的列表。准则可以包括保真度、鲁棒性和兼容性。

2.使用水印有效载荷执行这些变化的子集。

本公开关注于，在第一步的鲁棒性准则中使用传播图，还将传播图用于确定检测区域和估计检测区域的鲁棒性分数。

对于鲁棒性，一种简单的鲁棒性测量值(measure)是由潜在候选变化引起的亮度变化量。假定候选变化导致的亮度变化越大，则该候选变化的鲁棒性越高。从列表候选变化中去除亮度变化在鲁棒性阈值以下的任意候选变化。

具体地，本公开的动机在于期望使用传播图中的一个或多个区域用于检测。检测区域可以是传播图中的单个宏块或多个宏块的组合。在多数情况下，检测区域越大，能够向特定几何失真提供的鲁棒性就越高。这利用了第一步候选变化选择的优点。本文建议了若干方法来估计检测区域的潜在鲁棒性。导致强鲁棒性的变化是优选的，向水印检测器提供这些区域的描述作为检测区域。

本公开的动机包括以下事实：现有二步加水印方法中，加了水印的内容可能在水印恢复之前发生几何失真，其中少许未对准将导致检测器漏掉大量目标块。具体地，本公开将传播图用于检测，以实现更强的鲁棒性并克服现有技术的缺陷。

将参考图1描述本公开的一个方面。输入是填充的传播图(populated propagation map)10。传播图可以采取多种形式，且总体上可以被表征为实质上受要加水印的视频位图中变化所影响的图像中所有块的列表。还可以利用与每个组成块中出现的特定变化相关的信息来填充传播图10。在优选实施例中，检测测量值是总亮度。

这个填充的传播图是区域检测步骤20的输入，其中，用户可以定义至少一个检测准则，检测准则可以是检测测量值，用于分析和识别传播图内的各个块，以将其放入在最终检测区域中生长的特定区域中。

图1的最终输出是检测区域的描述30。该描述指示了检测区域空间和/或时间上的范围和鲁棒性分数。鲁棒性分数可以指示估计的检测区域的鲁棒性。空间信息可以至少包括区域的大小、区域的数目、区域的形状和区域的位置。

图1示出了单个传播图输入的情况。实践中，在预处理中存在可能水印的大列表，且对于每个水印存在传播图。图1所示的这个处理流程将应用于这种大列表传播图输入中的每一个，其中传播图输入将导致产生检测区域和鲁棒性分数的大列表。在选择最终变化集的过程中，后续处理(例如，PCT/US09/004706中描述的可改变块选择)可以将鲁棒性分数用作一个参数。检测区域范围可以被检测器用于水印恢复。最后，对于每个水印，得到传播图，其中有一个或多个识别出的检测区域及每个检测区域的关联信息或度量(metric)。接下来，基于信息或度量为每个水印选择最佳检测区域，然后通过比较最佳检测区域的信息或度量来选择最佳水印。这里，用户选择或定义用于选择或优先最佳水印的一些阈值准则，这些最佳水印成为要嵌入的可能水印的列表中放置的水印，而从列表中排除其它水印。最佳检测区域可以称作优先区域。

对于水印检测，可以通过对具有最大亮度变化的宏块进行一些分析来检测水印。一般而言，能量越强的水印，其鲁棒性也越高。如果检测区域的大小固定，则与较小亮度变化相比，较大亮度变化将更鲁棒。在二步加水印的情况下，主要(primary)变化将导致一系列块不同程度地改变其亮度。这就形成了传播图。一种提高鲁棒性的简单方式在于估计传播图中所有宏块的总块亮度变化，且选择具有最大总亮度变化的宏块作为检测度量。设P表示具有N个宏块的传播图。宏块b_i是N个宏块之一，即b_i∈P，1≤i≤N。设l_i表示块bi的原始总亮度，l’_i表示块b_i在嵌入了水印之后的总亮度。然后，根据|l_k-l’_k|＝max(|l_i-l’_i|)得到块b_k：，其中，1≤i≤N。块k的位置可以存储在检测器的检测元数据中。

现在，讨论图1的区域发现器21。区域发现器21读取输入填充的传播图10的信息并输出区域的集合，使得同一区域中的块满足一些预定准则，预定准则可以称作检测准则或准则。

在一个实施例中，块被分类到一个区域的准则是，块是4连通的且其亮度变化具有相同符号。如果两个块在空间上彼此水平或垂直地相邻，则两个块是4连通的。因此，单个块正好与其上方、下方、右方和左方的4个其它块4连通。换句话说，认为所考虑的相邻块是位于上方、下方、右方和左方的直接紧邻块。图像边界上的非角块与三个其它块相连，且角块与两个块相连。其中每个块与区域中的至少一个其它块相连的区域也称作4连通区域。

可以通过诸如区域生长、划分和合并之类的已知分割算法来解决找出特定区内的连通区域的问题。可以采用区域生长算法。在读取传播图的输入信息之后，为传播图构建标志矩阵，其中每个条目指示相应块的状态。用零初始化这个标志矩阵。

为了找出区域，搜索算法以种子块作为开始。种子块是与标志矩阵中的0条目相对应的任意块，因此种子块还没有被分配给任何区域。以索引值1作为开始来标志第一区域。从第一种子块找出第一区域。当第一区域完成时，算法将下一连续区域索引值分配给下一种子块，并用该索引代替标志矩阵中的0。除非种子块在传播图的边缘处(在这种情况下，种子块具有少于四个的邻居)，否则一旦获得种子块，就检查种子块的四个4连通邻居。如果邻居块具有标志值0(暗示其还没有被分配给区域)且亮度变化的符号与相应种子块的亮度变化的符号相同，则该邻居块变为当前区域的一部分，并且利用当前区域索引代替标志矩阵中的条目。然后，将该邻居块添加到用于进一步分析的队列中，这暗示着将检查该邻居块的邻居。在检查完所有4连通邻居之后，从队列上的第一块重复上述过程：检查块的所有4连通邻居；将还没有分配给区域的具有相同符号的亮度变化的块放入队列中，并将块在标志矩阵中的相应条目设置为区域索引。这个过程继续，直到队列为空为止。此时，完成对一个区域的识别。如果在标志矩阵中剩余具有0条目的任何块，则将这些块之一选为下一种子块，递增区域索引，且重复上述过程。

总体上，图2示出了搜索算法，该搜索算法以种子块作为开始，种子块可以是传播图内随机选择的块，或者可以是根据一些协议选择的块。不论如何选择种子块，重要的是应指出，在优选实施例中检查传播图中的所有块并将其放入区域中。在算法的开始，在步骤201，将标志矩阵F中存储的索引0分配给传播图中的所有块，将第一区域索引1分配给RegionIndex变量。在步骤202，选择具有标志0的块i，暗示该块还没有被分配给任何区域。在步骤203，记录块的统计值(例如，亮度值)的符号。在步骤204，将当前为1的RegionIndex值分配给块i的标志Fi，然后将块i放入队列Q中，在步骤205，检查队列Q是否为空。如果队列Q不为空，则在步骤208，从队列中取出队列中的第一块j，并在步骤209检查第一块j的四个相邻块中的每一个。在步骤210，如果邻居块k具有标志0且块k的符号与当前种子块的符号相同，则在步骤211，将块k放入队列Q中，同时将区域索引RegionIndex的值分配给块k的标志。不具有相同符号的相邻块k最终将被分配另一索引号，但是在本轮中其没有被放入队列。按照相同的方式检查四个邻居块中的每一个，直到在步骤212中检查完所有邻居块为止。然后，挑出队列Q中的下一块，其将经历如下的相同处理循环：步骤209、210、211和212，直到队列为空，队列为空暗示算法已经找到索引1的连通块的第一区域的边界，且第一区域的外围块的外部邻居的符号与种子块的符号不同。

当在完全识别了区域之后队列为空时，算法通过在步骤206将下一连续区域索引值分配给另一种子块来向后进行处理，并且将所述下一索引号分配给与正处理的当前种子块的符号相同且索引为0的后续相邻块。算法运行以步骤202作为开始的处理步骤，以绘出所述下一区域。

重复运行算法，直到没有剩余带0条目的任何块为止。此时，标志矩阵建成。

应注意，基于在块统计量(例如亮度变化)上具有相同符号的连通区域的这种分割是唯一的。只有一种这种分割。因此，种子块的选择和顺序不影响分割。因而，可以随机地选择种子块。

区域发现器的备选实施例是，每个块被当作独立区域。在这个特定条件下，区域发现器实质上是一个可选组件，原因在于其没有改变从输入到输出的信息。

图3所示的另一实施例涉及选择具有鲁棒性分数的连通区域，其中基于连通区域的边缘像素的亮度差定义鲁棒性分数。这被设计用于抵抗移位攻击。具体地，为每个宏块定义两个区，这里采用左移和上移一个像素的示例来说明这些区。区A包括这样的像素：其是原始块的一部分，但是由于移位而不包括在检测中。区A包括图3所示的子区域A_c、A_r和A_x。A_c是15×1的区，A_r是1×15的区，A_x只包括一个像素。区B包括这样的像素：其不是原始块的一部分，但是由于移位而被包括在检测中。区B包括子区B_c、B_r和B_x。B_c是15×1的区，B_r是1×15的区，B_x只包括一个像素。S用于表示块中已经正确计算的其余部分。应注意，此处使用16×16的宏块作为示例。在其它块大小的情况下，A和B中子区的大小相应地改变。

如图4所示，计算并记录每个宏块的边缘像素的像素值。具体地，计算区A_c、A_r、A_x和B_c、B_r、B_x的亮度和。在该图中，区301标识原始宏块的位置，而区302指示在将同一块左移且上移1个像素之后所述块的位置。不具有块被移位多少的信息的检测器使用由区301限定的区域，基于宏块内的亮度和计算检测统计量。这将产生如下效果：漏掉了A_r、A_c和A_x中的实际像素值，且B_r、B_c和B_x中的像素包括误差。

可以如下定义新鲁棒性测量值R_s：

R_s＝1-Err_ΔL          (1)

其中，

${\mathrm{Err}}_{\mathrm{\ΔL}}=\frac{|\mathrm{lum}\left(B\right)-\mathrm{lum}\left(A\right)|}{{\mathrm{\ΔL}}_{\mathrm{total}}}$

$=\frac{|\mathrm{lum}(B_c+B_r+B_x)-\mathrm{lum}(A_c+A_r+A_x)|}{\left|\mathrm{\ΔL}(A_c+A_r+A_x+S)\right|}$

可见，如果由于移位导致的亮度计算误差小于宏块的亮度变化，则误差率Err_ΔL小，而鲁棒性度量R_s大。另一方面，如果误差大于总亮度变化，例如，误差可以大于1，则鲁棒性度量R_s可以是负。直观上，应该避免选择这样的区域，在这样的区域中，水印可以被少许移位完全破坏。

可以利用新定义的鲁棒性度量，以按照以下方式更新连通区域识别过程。从传播图的块中挑出具有最大R_s的宏块。从该块开始，仅当并入了在4个方向上与当前区域中的块之一相连的新块之后当前区域的R_s变得更大时，才添加所述新块。可以从每个单独宏块的区A和B中导出连通区域的区A和区B。例如，可以如下导出图4所示的区域的区A和区B：

A_c＝A_c1∪A_c2∪A_x2；

A_r＝A_r1∪A_r3；

B_c＝B_c1∪ B_c3；

B_r＝B_r2∪B_r3∪B_x2；

A_x＝A_x1；B_x＝B_x3.

相应地，可以使用连通区域的区A和B定义连通区域的鲁棒性度量R_s。

应注意，移位攻击可以沿着任何方向，并且相应区A和区B将不同。为了简化实现，如图5所示，计算以下八个亮度和：A_cL、A_cR、A_rT、A_rB、B_cL、B_cR、B_rT和B_rB。这里，A_cL和A_cR分别是宏块最左列的亮度和和宏块最右列的亮度和；A_rT和A_rB分别是第一行的亮度和和最后一行的亮度和；B_cL和B_cR分别是紧邻左列邻居的亮度和和紧邻右列邻居的亮度和；以及B_rT和B_rB分别是顶行邻居的亮度和和底行邻居的亮度和。一般而言，可以针对多列/行定义这八个亮度区域。

能够利用计算得到的亮度和A_s和B_s来估计由于移位导致的亮度误差。例如，当帧左移一个像素时，检测的亮度误差是B_cR-A_cL。当帧沿左上移位一个像素时，误差可以被估计为B_cR+B_rB-(A_cL+A_rT)＝(B_cR-A_cL)+(B_rB-A_rT)。应注意，移位误差包括以下四个基本元素中的一个或多个：(B_cR-A_cL)、(B_cL-A_cR)、(B_rT-A_rB)、(B_rB-A_rT)。这指示这四项可以用于测量块对于移位攻击的鲁棒性。可以选择使用max(|B_cR-A_cL|，|B_cL-A_cR|，|B_rT-A_rB|，|B_rB-A_rT|)，这是最坏情况场景。备选地，可以在计算Err_ΔL度量中使用误差的平均值，即(|B_cR-A_cL|+|B_cL-A_cR|+|B_rT-A_rB|+|B_rB-A_rT|)/4，这是平均情况场景。

通过利用图5的简化方式，可以容易地执行对任何形状的区域的八个测量值的更新。对于每个块，记录其邻居的有效性。如果块不具有右(左)邻居，则其A_cR(A_cL)是整个区域的A_cR(A_cL)的一部分。类似地，区域的A_rT(A_rB)是不具有顶部(底部)邻居的这些块的A_rTs(A_rBs)之和。相同的计算应用于B_cL、B_cR、B_rT和B_rB。然后，对于最坏情况场景，将Err_ΔL更新为：

${\mathrm{Err}}_{\mathrm{\ΔL}}=\frac{\max \left(\right|B_{\mathrm{cR}}-A_{\mathrm{cL}}|,|B_{\mathrm{cL}}-A_{\mathrm{cR}}|,|B_{\mathrm{rT}}-A_{\mathrm{rB}}|,|B_{\mathrm{rB}}-A_{\mathrm{rT}}\left|\right)}{{\mathrm{\ΔL}}_{\mathrm{total}}}---\left(2\right)$

对于平均情况场景，将Err_ΔL更新为：

${\mathrm{Err}}_{\mathrm{\ΔL}}=\frac{\left(\right|B_{\mathrm{cR}}-A_{\mathrm{cL}}|+|B_{\mathrm{cL}}-A_{\mathrm{cR}}|+|B_{\mathrm{rT}}-A_{\mathrm{rB}}|+|B_{\mathrm{rB}}-A_{\mathrm{rT}}\left|\right)}{4{\mathrm{\ΔL}}_{\mathrm{total}}}---\left(3\right).$

图1中，紧跟区域发现器21的组合枚举器22是一种处理，产生在输入处列出的区域的所有可能组合。可以通过使用以下算法描述的二进制累加器实现穷举列表。该算法详尽地列出了N个不同区域的所有2^N-1种组合。

a.形成N比特的二进制计数器，其中N表示区域的总数。将每个区域指派给该二进制计数器中的比特位置。

b.将二进制计数器的初始值设置为0。

c.将该二进制计数器的值加1。

d.将与当前计数器中的比特值1相对应的所有区域进行组合。将该组合区域添加到组合的列表中。

e.去往步骤c，直到计数器的值是2^N-1为止。

紧跟图1中的组合枚举器22的鲁棒性估计器23评估所枚举的组合区域中的每一个，且向其分配鲁棒性分数。鲁棒性分数与区域的鲁棒性估计值相对应，使得能够识别出预期最鲁棒的区域。

这里，术语“最鲁棒”的含义不明确，原因在于对于不同失真，不同应用需要不同程度的鲁棒性。在以下公式中，首先定义了多个简单鲁棒性测量值，然后结合这些测量值以获得鲁棒性分数。可以按照如图4所示的一般形式表示这种情况：

R＝F(r₁，r₂....r_K)               (4)

其中，r₁、r₂、…r_k是简单鲁棒性测量值，R是鲁棒性分数。函数F可以表示为受参数集合α₁、α₂、…α_M控制的r₁、r₂、…r_k的原型公式。对于给定公式，可以根据经验确定参数值的最佳集合。例如，可以用公式将函数F表示为如等式2所示的r₁、r₂、…r_k的线性组合。

R＝α₁r₁+α₂r₂+....+α_Kr_K       (5)

其中，对参数进行归一化，使得

R可以称作线性鲁棒性分数。

另一示例公式可以由等式6描述，其中非线性地组合鲁棒性测量值，得到的R称作非线性鲁棒性分数。

$R={r_1}^{{\mathrm{\α}}_1}\×{r_2}^{{\mathrm{\α}}_2}\×...\×{r_K}^{{\mathrm{\α}}_K}---\left(6\right)$

在优选实施例中，选择两个鲁棒性测量值：针对几何失真的r_G和针对值度量失真(valuemetric distortions)的r_v。r_G度量在移位失真之后检测区域中包括的正确像素的百分比。r_G越高，失真检测区域中属于原始检测区域的像素就越多，期望的检测就越精确。为了简化，选择基于移位操作来定义r_G。可见，对于其它类型的几何失真，例如旋转，更高的r_G也指示更高的鲁棒性。如下定义r_G：

备选地，对于r_G，可以使用等式(1)及等式(2)或(3)中定义的鲁棒性测量值。

r_v度量由于水印嵌入而导致的每个像素的平均亮度变化。显然，r_v越高，区域对于值度量失真(例如，加性噪声)上的鲁棒性就越高。如下定义r_v：

通过利用这两个鲁棒性测量值，线性鲁棒性分数是

R＝α₁r_G+α₂r_V           (7)

非线性鲁棒性分数是

$R={r_G}^{{\mathrm{\α}}_1}\×{r_v}^{{\mathrm{\α}}_2}---\left(8\right)$

给定鲁棒性估计器(公式和参数值)，可以计算来自组合枚举器22的每个组合区域的鲁棒性分数。然后，将结果传送至选择器24。参数指示各个鲁棒性测量值的相对重要性，并且可以根据应用的需求设置参数或根据实验优化参数，以实现最佳性能。引入用于估计参数的以下实验方法。

一种用于设立参数值的方法在于选择测试数据集合和失真的集合，然后在参数空间中搜索使检测结果与等式4规定的鲁棒性分数最相关的参数值的集合。该方法背后的基本原因在于具有最大鲁棒性分数的水印变化应该具有最高检测结果。同样，具有较小鲁棒性分数的变化应该具有较低检测结果。

图6描述了一种用于在给定经验公式的情况下估计优化参数的过程。在检测有效性矢量路径600中，向失真模块620提供加了水印的内容610，其中由使用水印的应用确定失真模型。检测有效性估计器630估计检测结果。然后，形成检测有效性矢量640。

为了获得测试内容的优化参数集，测试所有参数组合。对于每个参数集合，在函数参数集路径700中，根据鲁棒性测量值720计算嵌入水印的鲁棒性分数730。然后，针对每个参数集形成鲁棒性分数矢量740。

矢量相关器810对之前产生的两个矢量进行相关，并且获得相关值。给出最大相关性的一个参数集应该反映在期望失真模型的条件下测量水印鲁棒性的最健壮函数。

检测有效性测量值的一个示例可以是以L_e表示的嵌入水印序列与以L_d表示的从攻击/失真内容中提取的测试序列之差。直观上，对于检测区域i，如果L_di实质上偏离L_ei，即|(L_di-L_ei)/L_ei|具有较大值，则应想到对于所设计的攻击区域i不太鲁棒。因此，鲁棒性度量应该较弱。类似地，如果|(L_di-L_ei)/L_ei|是较小值，则对于所设计的攻击，区域i被识别为是鲁棒的，因此相应鲁棒性度量应该较强。

目标在于实现检测有效性测量与鲁棒性度量之间的正相关。因此，差|(L_di-L_ei)/L_ei|的补码(complement)用作检测有效性测量值M_di，其被定义为M_di＝1-min(1，|(L_di-L_ei)/L_ei|)。

为了降低|(L_di-L_ei)/L_ei|中异常值的效果，使用1来限制差|(L_di-L_ei)/L_ei|。M_di度量了多少提取的水印与嵌入水印相匹配。M_di越大，检测的鲁棒性越高。

现在，对于图1中执行的估计鲁棒性，采用选择器24。选择器24是一种过程，用于选择具有最大鲁棒性测量结果的区域组合。然后，选择器24提供输出区域组合信息及水印检测器所需的其它信息，用于水印检测。

Claims (19)

1.一种方法，包括：

访问与具有一个或多个水印的列表中的水印相关联的传播图；

为传播图中的块定义至少一个检测准则；

识别传播图中包括的至少一个块的至少一个区域，其中根据所述至少一个检测准则对所述至少一个区域进行分组；以及

产生所述至少一个区域的信息。

2.如权利要求1所述的方法，其中，所述至少一个区域是连通块的组。

3.如权利要求2所述的方法，其中，存在多个不同区域，并且所述至少一个区域中的块的信号与另一区域中的块的信号不同。

4.如权利要求1所述的方法，其中，信息是空间信息。

5.如权利要求4所述的方法，其中，空间信息至少包括：区域的大小、区域的数目、区域的形状和区域的位置。

6.如权利要求1所述的方法，其中，信息是时间信息。

7.如权利要求1所述的方法，其中，信息是时空信息。

8.如权利要求1所述的方法，其中，检测准则是亮度级别的变化。

9.如权利要求3所述的方法，其中，检测准则是亮度级别的变化，以及信号是所述变化的符号。

10.如权利要求9所述的方法，其中，针对每个水印中每个区域确定亮度级别的平均变化，信息包括平均亮度。

11.如权利要求3所述的方法，其中，对每个水印中每个区域的信息分配优先级，使得每个水印具有由度量表征的优先区域。

12.如权利要求11所述的方法，还包括：

选择阈值度量；以及

将具有超过或大于阈值度量的优先区域的水印放入可能水印列表中以便应用于视频数据。

13.如权利要求1所述的方法，还包括：产生用于识别所述至少一个区域的标志矩阵。

14.如权利要求13所述的方法，还包括：

从传播图内的块中选择用于发起标志矩阵的种子块，种子块是所述至少一个区域的一部分；

确定种子块的信号；

利用与种子块相邻的附加块来填充标志矩阵，其中附加块与种子块具有相同种类的信号；

继续利用通过至少一个附加块与种子块相连的其它块来填充标志矩阵，其中，其它块与任何中间块的信号与种子块的信号是同一种类；以及

将种子块与填充步骤和进一步填充步骤中的任意块分配给第一区域，从而产生识别步骤中的第一区域。

15.如权利要求14所述的方法，还包括：

选择另一种子块来确定第二区域，以便利用传播图中还未分配给至少一个区域的块来进一步填充标志矩阵；以及

针对所述另一种子块运行确定步骤、填充步骤、进一步填充步骤和分配步骤，从而产生识别步骤中的第二区域。

16.如权利要求15所述的方法，还包括：

继续选择其它种子块并针对所述其它种子块运行确定步骤、填充步骤、进一步填充步骤和分配步骤，直到传播图中的所有块被分配，从而产生识别步骤中的其它区域。

17.如权利要求16所述的方法，还包括：

基于度量选择每个水印的传播图的优先区域；

选择阈值度量；以及

将具有超过或大于阈值度量的优先区域的水印放入可能水印选择列表中以便应用于视频数据。

18.如权利要求17所述的方法，其中：

度量是所述至少一个检测准则，并且是亮度变化的测量值；以及

信号种类是亮度变化的符号。

19.一种方法，包括：

访问或产生用于视频的可能水印的列表；

产生由于应用相应水印而导致的视频修改的各个传播图(P)，每个传播图是被相应水印修改的视频的组成块的集合；

根据每个相应传播图产生检测区域，其中，检测区域包括传播图内的块，相对于选定的检测准则，检测区域与传播图内的每个其它区域相比总体上等级最高；

选择用于评估检测区域的阈值度量；以及

根据水印的检测区域与阈值度量之间的比较结果，从列表中去除水印。

Images