CN103794217A - 一种基于数字水印的主动声呐身份识别方法 - Google Patents
一种基于数字水印的主动声呐身份识别方法 Download PDFInfo
- Publication number
- CN103794217A CN103794217A CN201410019310.8A CN201410019310A CN103794217A CN 103794217 A CN103794217 A CN 103794217A CN 201410019310 A CN201410019310 A CN 201410019310A CN 103794217 A CN103794217 A CN 103794217A
- Authority
- CN
- China
- Prior art keywords
- watermark
- signal
- dct
- active sonar
- omega
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于数字水印的主动声呐身份识别方法。与现有的通过主动声呐探测信号固有特征来识别其身份的方法不同,该方法是发送方在主动声呐发射的探测信号中嵌入数字水印,接收方检测接收信号中是否含有水印信息来识别其身份。具体地,该方法在发射端通过生成水印序列来修改原始信号中的部分DCT系数,在接收端通过计算水印模板与接收信号的相关性来确定是否含有水印,从而辨别声呐信号的身份。该方法较现有方法具有更多的灵活、可控性和更好的识别效果。
Description
技术领域
本发明涉及主动声呐,特别是涉及基于数字水印的主动声呐身份识别的方法。
背景技术
在复杂的海底环境中,充斥着大量的声信号。这些声信号有的是海洋生物发出的,还有许多是人为产生的。这些信号的身份难以分辨,而在实际的应用中,识别一声呐信号的身份却是非常有必要的。由于主动声呐脉冲本身除了带宽、频率、持续时间和脉冲波形,不带任何身份信息。数字水印技术是目前一种较为有效的身份识别方法。因此,本发明在主动声呐发射的信号中嵌入数字水印,以达到识别的目的。该技术有较强的实际应用需求,如在实际的操作中,可以利用该技术区分同类主动声纳探测信号的真实身份,以及辨别出伪装信号。另一个应用是在海底特设传感器网络以用于追踪和导航。例如,定位水下无人航行器。在无人航行器的实际操作中,这些航行器需要通过和网络节点进行沟通以实现导航和通信。然而作为网络节点很容易会有移动,因此在它们发射的信号中嵌入发射此信号时的位置对无人航行器导航有着重要价值。现有的方法是建立一个包含了多种主动声呐探测信号的特征数据库并据此和探测到的信号进行比较来被动识别。海洋里存在着同类声纳的探测信号以及伪装信号,这些信号的相似度极高。该方法对于这类信号的身份识别能力有待进一步加强。所以,如何准确、有效地辨别真伪信号以及同类声呐探测信号的身份,成为现有技术有待解决的问题。
发明内容
现有技术不能准确、有效地辨别真伪信号以及同类声呐探测信号的身份。为了克服这些不足,本发明提供了一种基于数字水印的主动声呐身份识别方法。
本发明基于数字水印的主动声呐身份识别方法,其特征在于包括下列步骤:
步骤1:水印嵌入
(I)原始信号预处理:
将原始信号s(t)平均分成n块,
s(t)=[s1(t),s2(t),...sn(t)] (1)其中每一块的长度m=N/n,N为原始信号的采样点数,对经过分块后的原始信号s(t),进行离散余弦变换DCT:
S(f)=dct(s(t))=[S1(f),S2(f),…,Sn(f)] (2)
其中Sj(f)=dct(sj(t)) (3)
这里j=1,2,…n,t表示时域,n大于1的自然数,下同;
(II)水印生成
水印的负载:
C=[c1,c2,…cn] (4)
其中c1...n∈{-1,1};
携带这些负载的水印为:
ω=[ω1,ω2,…ωn],ωj=[w1,w2,…wm]T (5)
这里的上标T表示转置,下同;
则嵌入的水印即原始水印为:
W=[W1,W2,…Wn]=[c1ω1,c2ω2,…cnωn] (6)
(III)水印嵌入
根据选取海洋声学模型选取需要的嵌入矩阵:
P=[P1,P2,…Pn] (7)
这里i=1,2,…m,下同;
则根据该嵌入矩阵P修改S(f)有嵌入水印后的离散余弦变换DCT域信号:
Sw=S(P)+kW(P)=[S1w,S2w,…Snw] (8)
其中Sjw=Sj(Pj)+cjωj(Pj),k是水印嵌入系数表征水印的嵌入强度;
嵌入水印后的信号为:
步骤2:水印检测
(A)接收含有水印的信号
经过海洋信道传播后接收到的信号为:
rw(t)=sw(t)*h(t)+n0(t)=s′w(t)+n0(t)(10)
其中h(t)是海洋信道的脉冲响应,n0(t)是信道中的附加噪声;
(B)相关性计算
取rw(t)中与s(t)长度相同的前一部分rw0(t),对rw0(t)做离散余弦变换DCT有:
Rw=dct(rw0(t))=[R1w,R2w,…Rnw] (11)
现在用原始水印W和接收到的信号rw0(t)做相关性检测:
ρ=[c1<ω1,R1w>,c2<ω2,R2w>,…cn<ωn,Rnw>]=[ρ1,ρ2,…ρn] (12)
这里a,b表示求a,b两者的内积,下同;
由于Rjw=Sj+cjωj+N0j (13)
N0=dct(n0(t))表示信道中的附加噪声在dct域的表示形式;
所以 如果接收到的信号中不含有水印那么此时的相关性:
ρj=cj<ωj,Sj+N0j>=cj<ωj,Sj>+<ωj,N0j> (15)
(C)建立最大似然检测器
检验统计量ρx:
通过求解得到一个定值ρ0;
最大似然比:
如果Λ>Λ0则表示声呐信号中有数字水印,反之则没有;Λ0是介于f(ρ0|W)和f(ρ0|-W)期望值之间的一个值,f(ρx|W)表示含有水印时的概率分布函数,f(ρx|-W)则表示不含水印时的概率分布函数。
步骤(I)水印嵌入过程对原始信号预处理进行分块时:(a)当平均分块有多余信号,把多余信号单独成块;(b)当进行分块时分块数n满足:
T/n<(Δt)c (18)
这里(Δt)c表示的是信道的相干时间,T表示的是单个脉冲持续的时间,(Δt)c由(19)得到:
(Δt)c≈0.5/fd (19)
fd是多普勒频移。
步骤(III)水印嵌入过程中每个分块的原始信号的带宽B/n满足:
B/n<(Δf)c (20)
其中(Δf)c表示信道的相干带宽,B是原始信号的整个带宽,n是分块数:
(Δf)c=1/Tm (21)
Tm是所有路径中最大的时延。
步骤(C)建立最大似然检测器过程所述Λ0的选取会影响到水印的检测率PD,漏检率PM以及误检率PFP;检测率PD表示的是检测出嵌入水印的信号中含有水印的概率,漏检率PM示的是检测出嵌入水印的信号中不含有水印的概率,误检率PFP表示的是检测出未嵌入水印的信号中含有水印的概率:
PD=P(Λ>Λ0|W)
PM=P(Λ≤Λ0|W)
PFP=P(Λ>Λ0|-W) (22)。
本发明与现有的通过长期搜集各种主动声呐探测信号数据,建立一个包含了各种主动声呐探测信号的特征数据库,据此和探测到的信号进行比较,来被动识别的方法不同。该方法是发送方直接在主动声呐发射的探测信号中嵌入数字水印,接收方进而检测接收信号中是否含有水印以达到身份识别的目的。该方法嵌入的数字水印形式可变可选,嵌入强度可控,同时对同类主动声纳信号以及真伪信号的身份辨别能力更强。
附图说明
图1为本方法实现的框图。
图2为原始声呐信号时频域图像。
图3为含有水印的声呐信号时频域图像。
图4为在SNR=20dB的噪声环境中如图3所示的含有水印的声呐信号时频域图像。
图5为水印模板(第十组)及其他随机生成模板和在无噪声环境中接收到的信号的相关性。
图6为水印模板(第十组)及其他随机生成模板和在SNR=20dB的噪声环境中接收到的信号的相关性。
具体实施方式
下面结合具体实例,进一步阐明本发明。如图1所示。本发明基于数字水印的主动声呐身份识别方法,包括以下步骤:101预处理原始信号,102嵌入水印;201接收含有水印信息,202计算相关性,203依据相关值进行判决。其中101、102、103是水印嵌入的三个步骤,201、202、203则是水印提取的三个步骤。
步骤1:水印嵌入。
(I)预处理原始信号(如图2所所示)。
这里将原始线性调频信号s(t)平均分成20块
s(t)=[s1(t),s2(t),...s20(t)] (1)
其中每一块的长度m=N/n=2000/20=100。对经过分块后的原始信号s(t)进行离散余弦变换(DCT):
S(f)=dct(s(t))=[S1(f),S2(f),…,S20(f)] (2)
其中Sj(f)=dct(sj(t)) (3)
这里j=1,2,…20下文中所提到之处亦是如此。
(II)生成水印。
选取的水印要求有较强的自相关性以及较弱的互相关性,如伪随机序列或者m序列。先定义一水印负载:
C=[c1,c2,…c20] (4)
其中c1...20∈{-1,1}。
再生成携带这些负载的水印(伪随机序列):
ω=[ω1,ω2,…ω20],ωj=[w1,w2,…w100]T (5)
则嵌入的水印为:
W=[W1,W2,…Wn]=[c1ω1,c2ω2,…c20ω20] (6)
(III)嵌入水印。
根据选取海洋声学模型选取需要的嵌入矩阵
P=[P1,P2,…P20] (7)
则根据该嵌入矩阵P修改S(f)有嵌入水印后的DCT域信号
Sw=S(P)+0.5W(P)=[S1w,S2w,…S20w] (8)
其中Sjw=Sj(Pj)+cjωj(Pj)。
嵌入水印后的信号为:
如图3为嵌入水印后的声呐信号时频域图像。
如图4为在SNR=20dB的噪声环境中如图3所示的含有水印的声呐信号时频域图像。
步骤2:水印检测。
简而言之水印检测其实是水印嵌入的一个逆过程。这里采用最大似然(ML)检测法。
(I)接收含有水印的信号。
经过海洋信道传播后接收到的信号为:
rw(t)=sw(t)*h(t)+n(t)=s′w(t)+n0(t) (10)
其中h(t)是海洋信道的脉冲响应,n0(t)是信道中的附加噪声。
(II)计算相关性。
由于多途效应的影响rw(t)的长度会大于s(t)的长度,但在此步骤中仅仅取rw(t)中与s(t)长度相同的前一部分rw0(t)。对rw0(t)做离散余弦变换(DCT)有
Rw=dct(rw0(t))=[R1w,R2w,…R20w] (11)
现在用原始水印W和接收到的信号rw0(t)做相关性检测:
ρ=[c1<ω1,R1w>,c2<ω2,R2w>,…c20<ω20,R20w>]=[ρ1,ρ2,…ρ20] (12)
这里a,b表示求a,b两者的内积,下文中所提到之处亦是如此。
由于Rjw=Sj+cjωj+N0j (13)
N0=dct(n0(t))表示信道中的附加噪声在dct域的表示形式。
所以 分析易知(14)式中第二项最主要,第一、三项次要。
如果接收到的信号中不含有水印那么此时的相关性:
ρj=cj<ωj,Sj+N0j>=cj<ωj,Sj>+<ωj,N0j> (15)
(III)建立最大似然(ML)检测器。
定义一个检验统计量ρx:
通过求解,可以得到一个定值ρ0。为了建立一个检测规则还定义了两个条件概率分布函数f(ρx|W)和f(ρx|-W)。f(ρx|W)表示含有水印时的概率分布函数,f(ρx|-W)则表示不含水印时的概率分布函数。这两个函数都应该是大致服从正态分布的。那么现在就有了最大似然比:
如果Λ>Λ0则表示声呐信号中有数字水印,反之则没有。这里的Λ0是介于f(ρ0|W)和f(ρ0|-W)期望值之间的一个值,具体的大小需要视情况而定。
生成40组水印其中第十组是嵌入的水印模板,其他39组则是随机生成的模板。如图5、6为这40组水印和接收到的含有水印信号的相关性。由图5、6可见第十组水印(模板水印)与接收到的信号相关度最高。这表明用非模板水印检测不出信号中是否含有水印。换言之在不知道水印模板的情况下,是不可能伪造出友方信号以逃脱检测和追踪的。同时,不同类型的友方还可以对应不同的水印模板,接收方就可以根据水印模板的不同来确定友方的类型。
Claims (4)
1.一种基于数字水印的主动声呐身份识别方法,其特征在于包括下列步骤:
步骤1:水印嵌入
(I)原始信号预处理:
将原始信号s(t)平均分成n块,
s(t)=[s1(t),s2(t),...sn(t)] (1)其中每一块的长度m=N/n,N为原始信号的采样点数,对经过分块后的原始信号s(t),进行离散余弦变换DCT:
S(f)=dct(s(t))=[S1(f),S2(f),...,Sn(f)] (2)
其中Sj(f)=dct(sj(t)) (3)这里j=1,2,...n,t表示时域,n大于1的自然数,下同;
(II)水印生成
水印的负载:
C=[c1,c2,…cn] (4)
其中c1...n∈{-1,1};
携带这些负载的水印为:
ω=[ω1,ω2,…ωn],ωj=[w1,w2,…wm]T (5)这里的上标T表示转置,下同;
则嵌入的水印即原始水印为:
W=[W1,W2,…Wn]=[c1ω1,c2ω2,…cnωn] (6)
(III)水印嵌入
根据选取海洋声学模型选取需要的嵌入矩阵:
P=[P1,P2,…Pn] (7)
这里i=1,2,…m,下同;
则根据该嵌入矩阵P修改S(f)有嵌入水印后的离散余弦变换DCT域信号:
Sw=S(P)+kW(P)=[S1w,S2w,…Snw] (8)
其中Sjw=Sj(Pj)+cjωj(Pj),k是水印嵌入系数表征水印的嵌入强度;
嵌入水印后的信号为:
步骤2:水印检测
(A)接收含有水印的信号
经过海洋信道传播后接收到的信号为:
rw(t)=sw(t)*h(t)+n0(t)=s′w(t)+n0(t) (10)
其中h(t)是海洋信道的脉冲响应,n0(t)是信道中的附加噪声;
(B)相关性计算
取rw(t)中与s(t)长度相同的前一部分rw0(t),对rw0(t)做离散余弦变换DCT有:
Rw=dct(rw0(t))=[R1w,R2w,…Rnw] (11)
现在用原始水印W和接收到的信号rw0(t)做相关性检测:
ρ=[c1<ω1,R1w>,c2<ω2,R2w>,…cn<ωn,Rnw>]=[ρ1,ρ2,…ρn] (12)
这里<a,b>表示求a,b两者的内积,下同;
由于Rjw=Sj+cjωj+N0j (13)
N0=dct(n0(t))表示信道中的附加噪声在dct域的表示形式;
所以 如果接收到的信号中不含有水印那么此时的相关性:
ρj=cj<ωj,Sj+N0j>=cj<ωj,Sj>+<ωj,N0j> (15)
(C)建立最大似然检测器
检验统计量ρx:
通过求解得到一个定值ρ0;
最大似然比:
如果Λ>Λ0则表示声呐信号中有数字水印,反之则没有;Λ0是介于f(ρ0|W)和f(ρ0|-W)期望值之间的一个值,f(ρx|W)表示含有水印时的概率分布函数,f(ρx|-W)则表示不含水印时的概率分布函数。
2.根据权利要求1所述的基于数字水印的主动声呐身份识别方法,其特征在于:
步骤(I)水印嵌入过程对原始信号预处理进行分块时:(a)当平均分块有多余信号,把多余信号单独成块;(b)当进行分块时分块数n满足:
T/n<(Δt)c (18)
这里(Δt)c表示的是信道的相干时间,T表示的是单个脉冲持续的时间,(Δt)c由(19)得到:
(Δt)c≈0.5/fd (19)
fd是多普勒频移。
3.根据权利要求1所述的基于数字水印的主动声呐身份识别方法,其特征在于:
步骤(III)水印嵌入过程中每个分块的原始信号的带宽B/n满足:
B/n<(Δf)c (20)
其中(Δf)c表示信道的相干带宽,B是原始信号的整个带宽,n是分块数:
(Δf)c=1/Tm (21)
Tm是所有路径中最大的时延。
4.根据权利要求1所述的基于数字水印的主动声呐身份识别方法,其特征在于:
步骤(C)建立最大似然检测器过程所述Λ0的选取会影响到水印的检测率PD,漏检率PM以及误检率PFP;检测率PD表示的是检测出嵌入水印的信号中含有水印的概率,漏检率PM示的是检测出嵌入水印的信号中不含有水印的概率,误检率PFP表示的是检测出未嵌入水印的信号中含有水印的概率:
PD=P(Λ>Λ0|W)
PM=P(Λ≤Λ0|W)
PFP=P(Λ>Λ0|-W) (22)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410019310.8A CN103794217A (zh) | 2014-01-16 | 2014-01-16 | 一种基于数字水印的主动声呐身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410019310.8A CN103794217A (zh) | 2014-01-16 | 2014-01-16 | 一种基于数字水印的主动声呐身份识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103794217A true CN103794217A (zh) | 2014-05-14 |
Family
ID=50669804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410019310.8A Pending CN103794217A (zh) | 2014-01-16 | 2014-01-16 | 一种基于数字水印的主动声呐身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103794217A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984932A (zh) * | 2014-05-29 | 2014-08-13 | 海南大学 | 大数据下基于变换域鲁棒水印的抗光照攻击人脸识别方法 |
CN106093919A (zh) * | 2016-06-07 | 2016-11-09 | 江苏科技大学 | 一种主动声呐识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020116178A1 (en) * | 2001-04-13 | 2002-08-22 | Crockett Brett G. | High quality time-scaling and pitch-scaling of audio signals |
CN1672173A (zh) * | 2002-07-26 | 2005-09-21 | 皇家飞利浦电子股份有限公司 | 数字数据序列的识别 |
CN1977310A (zh) * | 2004-06-29 | 2007-06-06 | 皇家飞利浦电子股份有限公司 | 用于水印检测的缩放搜索 |
US20080209219A1 (en) * | 2005-01-21 | 2008-08-28 | Hanspeter Rhein | Method Of Embedding A Digital Watermark In A Useful Signal |
CN101494052A (zh) * | 2008-01-24 | 2009-07-29 | 汤姆森许可贸易公司 | 确定并使用采样频率对水印信息进行解码的方法和设备 |
-
2014
- 2014-01-16 CN CN201410019310.8A patent/CN103794217A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020116178A1 (en) * | 2001-04-13 | 2002-08-22 | Crockett Brett G. | High quality time-scaling and pitch-scaling of audio signals |
CN1672173A (zh) * | 2002-07-26 | 2005-09-21 | 皇家飞利浦电子股份有限公司 | 数字数据序列的识别 |
CN1977310A (zh) * | 2004-06-29 | 2007-06-06 | 皇家飞利浦电子股份有限公司 | 用于水印检测的缩放搜索 |
US20080209219A1 (en) * | 2005-01-21 | 2008-08-28 | Hanspeter Rhein | Method Of Embedding A Digital Watermark In A Useful Signal |
CN101494052A (zh) * | 2008-01-24 | 2009-07-29 | 汤姆森许可贸易公司 | 确定并使用采样频率对水印信息进行解码的方法和设备 |
Non-Patent Citations (2)
Title |
---|
MOBASSERI,B.G.ELECTR ETC: ""Watermarking Sonar Waveforms Using knowledge of Channel Coherence"", 《IEEE》 * |
SKLAR,B ETC: ""Rayleigh Fading Channels in Mobile Digital Comunication Systems"", 《IEEE COMMUNICATIONS MAGAZINE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984932A (zh) * | 2014-05-29 | 2014-08-13 | 海南大学 | 大数据下基于变换域鲁棒水印的抗光照攻击人脸识别方法 |
CN106093919A (zh) * | 2016-06-07 | 2016-11-09 | 江苏科技大学 | 一种主动声呐识别方法 |
CN106093919B (zh) * | 2016-06-07 | 2018-04-06 | 江苏科技大学 | 一种主动声呐识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leitinger et al. | A belief propagation algorithm for multipath-based SLAM | |
Wang et al. | Deep transfer learning for source ranging: Deep-sea experiment results | |
Macaulay et al. | Passive acoustic methods for fine-scale tracking of harbour porpoises in tidal rapids | |
DE602007003732D1 (de) | Detektion einer hochgeschwindigkeitsbewegung in einem telekommunikationssystem | |
Han et al. | Experimental demonstration of underwater acoustic communication using bionic signals | |
Qiao et al. | Biologically inspired covert underwater acoustic communication—A review | |
Nosal | Methods for tracking multiple marine mammals with wide-baseline passive acoustic arrays | |
Barlow et al. | Trackline and point detection probabilities for acoustic surveys of Cuvier's and Blainville's beaked whales | |
Frasier et al. | Delphinid echolocation click detection probability on near-seafloor sensors | |
Garg et al. | Gradient descent approach for secure localization in resource constrained wireless sensor networks | |
CN103152139A (zh) | 一种多基地声纳空时信道复用方法 | |
CN101471734B (zh) | 一种多发多收声定位网络系统及其定位方法 | |
CN103794217A (zh) | 一种基于数字水印的主动声呐身份识别方法 | |
Hosseini et al. | Efficient underwater RSS value to distance inversion using the Lambert function | |
CN106556827A (zh) | 基于前向声散射的双发双收组网式目标探测系统及方法 | |
Hosseini | New hybrid RSS-based localization mechanism for underwater wireless sensor networks | |
Wang et al. | An algorithmic distance estimation scheme for diffusion based molecular communication systems | |
CN107122764B (zh) | 基于KpN模型的海上舰船目标检测方法 | |
CN106093919B (zh) | 一种主动声呐识别方法 | |
Cheng et al. | A TDoA localization scheme for underwater sensor networks with use of multilinear chirp signals | |
US10929506B1 (en) | Computerized estimation of minimum number of sonic sources using antichain length | |
Petersma et al. | Accommodating false positives within acoustic spatial capture–recapture, with variable source levels, noisy bearings and an inhomogeneous spatial density | |
Whitehead | Estimating abundance from one‐dimensional passive acoustic surveys | |
CN103929810A (zh) | 基于小波神经的DV-Hop无线传感网络节点定位方法 | |
Sheela et al. | Performance Analysis of Stego-Image Security in Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140514 |