CN104168484A

CN104168484A - 一种基于视觉注意机制的视频水印方法

Info

Publication number: CN104168484A
Application number: CN201410407187.7A
Authority: CN
Inventors: 严勤; 施杰; 吕勇; 邓舒宇; 潘阳续; 董峦
Original assignee: Hohai University HHU
Current assignee: Hohai University HHU
Priority date: 2014-08-19
Filing date: 2014-08-19
Publication date: 2014-11-26

Abstract

本发明公开一种基于视觉注意机制的视频水印方法，选择MPEG-2视频关键帧的视觉非显著区域的DCT域嵌入二进制水印信息，实现视频版权保护的目的。本发明包括以下步骤：解码载体视频，获取视频关键帧I帧；采用Koch and Itti视觉显著模型分析视频关键帧的视觉显著性，划分视觉显著区域；选择人眼不太敏感的视觉非显著区域，对亮度分量的DCT直流系数进行固定步长的奇偶量化索引调制，嵌入水印信息。分析已嵌入水印的视频关键帧的视觉显著性，判断水印嵌入区域，根据水印嵌入规则提取水印信息。本发明有效利用了人眼视觉注意特性，提高了视频水印的不可见性，且对常见的视频攻击有较好的鲁棒性，有效缓解了水印不可见性与鲁棒性之间的矛盾。

Description

一种基于视觉注意机制的视频水印方法

技术领域

本发明涉及一种多媒体信息版权保护方法，具体是一种基于视觉注意机制的视频水印方法，属于信息安全技术领域。

背景技术

视频是一系列与时间相关的图像序列，因此很多图像水印算法也被运用到视频水印中来^[1]。同时由于视频本身的特殊性：数据量大，数据结构复杂，实时性要求，压缩编码标准，运动区域与非运动区域不均匀，遭受特定种类攻击等，使得视频水印的发展相对滞后^[2]。不同的视频编码标准对视频水印造成局限性，成熟的MPEG-2，MPEG-4与最新的H.264/AVC视频编码标准对应的视频需各不相同的水印方案，这些都成为在视频中嵌入鲁棒的不可见水印的难以攻克的技术障碍。

视觉注意机制^[3]在图像水印中已经有了较多研究，而视频由于其复杂性，很少有算法在视频水印中运用人眼视觉模型，大多数现有算法仅仅在变换域上或者运动矢量中嵌入水印，这样得到的视频往往画质变化较明显，人眼容易察觉到视频的失真，不能满足水印的不可见性。根据人眼视觉特性，每一帧画面上的信息都有视觉焦点区域和背景区域之分，焦点区域的内容更吸引人眼的注意，因此如果在焦点区域嵌入水印，人眼十分容易感知到画面的变化。

人眼具有快速从画面中选取感兴趣区域的能力，该兴趣区域往往包含了整幅图像中最重要的信息。Koch and Itti视觉显著模型^[4][5]通过模拟人眼视觉注意过程，提取底层特征自动解析画面中的视觉显著区域，将显著信息从背景区域分离出来。对视频而言，视频以特定帧率播放时，一个场景中人眼往往只会注意某一部分重要画面，大部分背景被忽略。人眼感兴趣区域中嵌入的水印对画面造成的失真比其它区域更有可能引起人眼注意，水印嵌在人眼不太敏感的视觉非显著区域更能保证水印的不可见性。引入视觉注意机制的视频水印方案，划分显著区域后嵌入水印对缓解水印不可见性和鲁棒性的矛盾有积极的作用。

参考文献：

[1]G,Dugelay J L.A guide tour of video watermarking[J].Signal processing:Image communication.18(4):263-282,2003.

[2]张江,赵黎,杨士强.视频水印技术综述[J].计算机应用,04:850-852,2005.

[3]Borji A,Itti L.State-of-the-art in visual attention modeling[J].IEEE Transactionson Pattern Analysis and Machine Intelligence.35(1):185-207,2013.

[4]Itti L,Koch C,Niebur E.A model of saliency-based visual attention for rapidscene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence.20(11):1254-1259,1998.

[5]Itti L,Koch C.A saliency-based search mechanism for overt and covert shifts ofvisual attention[J].Vision research.40(10):1489-1506,2000.

发明内容

发明目的：为了缓解视频水印不可见性和鲁棒性之间的矛盾，本发明提供一种基于视觉注意机制的视频水印算法。采用Koch and Itti视觉显著模型分析视频关键帧的视觉显著性，在视觉非显著区域嵌入水印，降低人眼察觉水印嵌入的可能，提高水印不可见性。采用奇偶量化索引调制规则嵌入水印信息，保证算法对常见的视频攻击：高斯噪声、椒盐噪声、乘性噪声、亮度饱和度调节、均值滤波、帧删除帧插入等具有较强的鲁棒性。

技术方案：一种基于视觉注意机制的视频水印方法，包括以下几个步骤：

步骤A、解码MPEG-2载体视频，获取待嵌水印的视频关键帧；

步骤B、采用Koch and Itti视觉显著模型分析视频关键帧的视觉显著性，划分视觉显著区域；

步骤C、选择人眼不敏感的视觉非显著区域作为水印嵌入区域，将亮度分量的DCT直流系数进行固定步长的奇偶量化索引调制嵌入置乱的二进制水印；

步骤D、以T帧为周期重复嵌入多次水印，每新嵌入一个水印，在第一个关键帧中嵌入真正的水印之前先嵌入一段标志序列P(N)，用于定位提取水印时的帧起始位置；嵌完水印，重新编码输出含水印的MPEG-2视频；

步骤E、解码嵌入了水印的载体视频，根据嵌入的标志序列定位已嵌水印的起始关键帧。分析水印嵌入帧的视觉显著性判断水印嵌入区域，根据奇偶量化索引调制的特点，从亮度分量的DCT直流系数中提取嵌入的水印。

作为本发明的一个优选方案，利用视觉显著模型划分关键帧的视觉显著区域，来确定水印的嵌入区域，具体步骤如下：

步骤B1、原始视频帧通过线性滤波器分解为颜色、强度和方向三种特征。

其中，颜色特征将原来的RGB色彩空间的红r、绿g、蓝b重新定义为四色通道：红R、绿G、蓝B、黄Y，他们之间的关系如公式(1)所示：

R＝r-(g+b)/2

G＝g-(r+b)/2 (1)

B＝b-(r+g)/2

Y＝(r+g)/2-|r-g|/2-b

Koch and Itti模型通过计算颜色对之间的色差来表示颜色特征，定义红绿(RG)和蓝黄(BY)两种对比通道。

RG＝R-G (2)

BY＝B-Y

强度特征由颜色分量决定，定义为：

I＝(r+g+b)/3 (3)

方向特征由二维Gabor滤波器对强度特征滤波，得到不同方向的局部特征。模型提取4个方向的方向特征图O(θ)，θ＝{0°，45°，90°，135°}。

步骤B2、采用高斯金字塔模型对滤波得到的颜色、强度、方向7种子特征进行逐级高斯滤波和降采样，金字塔层级设为σ＝0，1，2…8，层级0表示原图，层级每增加一级，对上一级的图像进行一次滤波和降采样，横向和纵向尺寸降为原来的一半，得到不同分辨率的特征子图。

步骤B3、采用中央-周边差异算子将高斯金字塔模型得到的九层特征子图进行跨尺度相减，计算中央区域与周边区域的对比度。选取金字塔模型中的层级c＝{2,3,4}作为中间层，选取s＝c+δ作为周边层，δ＝{2,3}为差异因子，依次计算每个特征6对尺度间的特征图，即{2-4，2-5，3-5，3-6，4-6，4-7}。跨尺度相减操作符用Θ表示。

I(c,s)＝|I(c)ΘI(s)|

RG(c,s)＝|RG(c)ΘRG(s)| (4)

BY(c,s)＝|BY(c)ΘBY(s)|

O(c,s,θ)＝|O(c,θ)ΘO(s,θ)| θ＝{0°,45°,90°,135°}

其中，I(c)、I(s)表示高斯金字塔模型中中央层c层和周边层s层上的强度特征，I(c,s)表示两个层级间的强度对比特征；RG(c)、BY(c)和RG(s)、BY(s)分别表示中央层c层和周边层s层上的红绿和蓝黄两种颜色通道的特征，RG(c，s)、BY(c，s)表示两个层级间的两种颜色对比特征；O(c，θ)、O(s，θ)表示方向为θ时中央层c层和周边层s层上的方向特征，O(c，s，θ)表示方向为θ时两个层级间的方向对比特征。

最终，模型得到不同尺度下强度特征子图6张，颜色特征子图12张，方向特征子图24张，共计42张显著图。

步骤B4、将每个特征不同尺度下的显著子图合成一张显著图，采用非线性迭代归一化算子N(·)依次处理42张显著子图，设置合适的迭代次数加强显著区域，忽略平缓区域，步骤如下：

(1)每张子图的特征值归一化至固定的区间[0，1]；

(2)寻找子图中的全局最大值M，及除M外其余局部最大值的均值

(3)图中每个位置乘以放大系数若小于M的1/10，则置零；

经过迭代归一化操作得到每个特征不同尺度下的突出图，将每个尺度映射至同一金字塔层级，选取层级σ＝3，进行跨尺度叠加，用符号表示，分别得到强度、颜色、方向特征的突出图。

强度突出图：

\overset{&OverBar;}{I} = {&CirclePlus;}_{c = 2}^{4} {&CirclePlus;}_{s = c + 3}^{c + 4} N (I (c, s)) - - - (5)

颜色突出图：

\overset{&OverBar;}{C} = {&CirclePlus;}_{c = 2}^{4} {&CirclePlus;}_{s = c + 3}^{c + 4} [N (RG (c, s)) + N (BY (c, s))] - - - (6)

方向突出图：

将三个特征突出图各自归一化后线性叠加，得到最终的综合视觉显著图SM：

SM = \frac{1}{3} (N (\overset{&OverBar;}{I}) + N (\overset{&OverBar;}{C}) + N (\overset{&OverBar;}{O})) - - - (8)

步骤B5、采用Winner-Take-All竞争机制找出全局最亮点，即视觉最显著焦点，划分半径为R的圆形视觉最显著区域；采用返回抑制策略屏蔽当前显著区域，在剩余区域使用Winner-Take-All得到视觉第二焦点和第二显著区域，依次划分出视频帧的前三个视觉最显著区域。

水印嵌入采用奇偶量化索引调制，步骤C包括以下步骤：

步骤C1、根据步骤B中视觉显著区域划分的结果，选择三个视觉最显著区域之外的区域，即视觉非显著区域作为水印嵌入区域。

步骤C2、将原始水印图像转换成置乱的二进制水印比特流。将关键帧亮度分量进行8×8DCT变换，获取视觉非显著区域第k个分块的DCT直流系数DCT₀(k)及当前待嵌水印W(i)。

步骤C3、采用奇偶量化索引调制规则，以固定步长D均匀量化DCT₀(k)，修改系数嵌入水印，最终满足公式(9):

其中，表示向下取整。

若当前直流系数满足公式(9)，则调整后的直流系数为公式(10)所示：

若不满足，根据系数在量化区间的位置，将直流系数调整为公式(11)所示：

步骤C4、将量化后的系数作为新的直流系数，进行逆DCT变换，得到嵌入水印后视频帧。

水印提取过程具体包括以下步骤：

步骤E1、解码嵌入水印的MPEG-2载体视频，锁定视频关键帧I帧。

步骤E2、采用Koch and Itti视觉显著模型分析关键帧的视觉显著性，划分前三个半径为R的圆形视觉最显著区域。

步骤E3、将关键帧的亮度分量进行8×8DCT变换，选择不在视觉显著区域内的分块的DCT直流系数DCT'₀(k)，根据奇偶量化索引调制后的特点，按公式(12)提取当前分块中嵌入的水印：

其中，W'(i)表示当前块中提出的二进制水印，表示向下取整，D表示量化步长。

步骤E4、将关键帧起始位置提取的水印序列与标志序列P(N)比较，判断当前帧是否已嵌入水印。

若无水印嵌入，则判断下一个关键帧，直至定位至一个水印的起始嵌入帧；

若有水印嵌入，则提取该帧中非显著区域分块内的水印，当前帧提取结束，继续从下一个关键帧中提取，直到提取的水印量等于一个完整水印的大小。

步骤E5、将重复嵌入的水印全部提取后，经反置乱生成二进制文件，转换成图片形式的水印信息。

本发明采用上述技术方案，具有以下有益效果：

本发明在视频水印中引入视觉注意机制，利用人眼的视觉特性，避开人眼视觉显著区域嵌入水印，降低了人眼察觉到由水印嵌入引起画面失真的可能，提高了视频水印的不可见性。

本发明选择人眼视觉非显著区域作为水印嵌入区域，采用奇偶量化索引调制的方式均匀量化亮度分量的直流系数，保证了水印的鲁棒性，能够抵抗多种常见的视频攻击。

附图说明

图1是本发明水印嵌入视频的流程图；

图2是视觉显著模型分析显著性示例图；

图3是视觉显著区域划分示例图；

图4(a)是原始视频关键帧，图4(b)是嵌入水印后的关键帧；

图5(a)是原始水印图像，图5(b)是MPEG-2压缩后提取的水印图像；

图6是经过MPEG-2压缩和外部攻击双重攻击下恢复的水印；外部攻击类型按顺序分别是：(a)高斯噪声方差0.01；(b)高斯噪声方差0.02；(c)高斯噪声方差0.04；(d)高斯噪声方差0.08；(e)椒盐噪声密度0.005；(f)椒盐噪声密度0.01；(g)椒盐噪声密度0.02；(h)椒盐噪声密度0.03；(i)乘性噪声倍数0.005；(j)乘性噪声倍数0.01；(k)乘性噪声倍数0.02；(l)乘性噪声倍数0.05；(m)饱和度+10；(n)饱和度-10；(o)饱和度+20；(p)饱和度-20；(q)亮度+10；(r)亮度-10；(s)亮度+20；(t)亮度-20；(u)亮度+30；(v)亮度-30；(w)均值滤波半径3×3。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

基于视觉注意机制的视频水印方法的思路是每一帧画面上的信息都有视觉显著区域和背景区域之分，显著区域的内容更吸引人眼的注意，如果在显著区域嵌入水印，人眼十分容易感知到画面的变化，因此引入Koch and Itti视觉显著模型，对需要嵌入水印的视频帧进行显著性分析，划分显著区域，在视觉非显著区域嵌入包含版权信息的二进制水印。采用归一化相关系数NC衡量提取的水印图像与原始水印图像之间的相似程度，NC越大，鲁棒性越高。同时采用峰值信噪比PSNR衡量嵌入水印视频和原始视频的差异，PSNR值越大表示水印的不可见性越好，图像失真越小。实验结果表明本发明具有良好的不可见性，同时能抵抗多种攻击。

采用Koch and Itti视觉显著模型划分画面的视觉显著区域是本发明中重要的环节，选取标准库图像512×512大小的Airplane为例，说明Itti模型分析图像特征，划分显著区域的过程。

输入原始图像，提取颜色、强度、方向特征，经过高斯金字塔滤波、中央—周边差异计算、5次归一化迭代和跨尺度融合得到三个特征的突出图ColorCM，IntensityCM和OrientationsCM，经归一化和线性叠加得到64×64的综合视觉显著图SaliencyMap。由于跨尺度融合选取σ＝3的金字塔层级叠加，原图与显著图的尺寸比为2^σ:1。显著图中的明亮区域表示人眼视觉显著区域，亮度的差异反应了图像显著性差异及人眼的敏感程度，越亮则显著度越高。图2为模型分析图像显著性过程中得到的颜色、强度和方向特征子图和最终的综合视觉显著图。

根据综合视觉显著图SaliencyMap采用Winner-Take-All竞争机制在显著图中选出显著值最高的点作为视觉第一焦点，以焦点为圆心，半径R为图像尺寸1/12的圆形区域划分为第一显著区域。采用返回抑制策略将当前显著区域内的显著值置零，在剩余区域使用Winner-Take-All得到视觉第二焦点，同时划分第二显著区域。以此类推，实现视觉显著区域的划分和视觉焦点转移。图3为视觉显著区域划分和焦点转移的示意图。

将此模型运用到视频水印算法中，选取48×48大小的二值图像作为原始水印，经过预处理生成置乱的二进制水印文件。选择分辨率为352×288的motherand daughter CIF标准测试序列经FFMPEG编码得到的MPEG-2码流作为载体视频，视频共300帧，GOP大小为12。奇偶量化索引调制中量化步长设为60。视觉显著模型划分关键帧的显著区域，显著区域半径设为视频帧尺寸较小一侧的1/12，即48。设置嵌入周期为50帧，在载体视频中重复嵌入5次水印，将提取出的水印中与原始水印最匹配的作为结果。

水印嵌入具体实现过程包括以下步骤：

步骤A、解码MPEG-2载体视频，获取待嵌水印的视频关键帧；采用音视频快速转换平台FFMPEG实现步骤A，具体过程如下：

采用FFMPEG系统构建视频水印嵌入、提取仿真平台；首先将MPEG-2载体视频解码成YUV序列；然后根据关键帧标志位key_frame＝1，pic_type＝1，锁定视频关键帧I帧；最后根据一个完整的水印是否已嵌完和嵌入周期T，判断当前关键帧是否为待嵌水印帧

步骤B1、原始视频帧通过线性滤波器分解为颜色、强度和方向三种特征；

R＝r-(g+b)/2

G＝g-(r+b)/2 (1)

B＝b-(r+g)/2

Y＝(r+g)/2-|r-g|/2-b

Koch and Itti模型通过计算颜色对之间的色差来表示颜色特征，定义红绿(RG)和蓝黄(BY)两种对比通道；

RG＝R-G (2)

BY＝B-Y

强度特征由颜色分量决定，定义为：

I＝(r+g+b)/3 (3)

方向特征由二维Gabor滤波器对强度特征滤波，得到不同方向的局部特征；模型提取4个方向的方向特征图O(θ)，θ＝{0°，45°，90°，135°}。

步骤B2、采用高斯金字塔模型对滤波得到的颜色、强度、方向7种子特征进行逐级高斯滤波和降采样，金字塔层级设为σ＝0，1，2…8，层级0表示原图，层级每增加一级，对上一级的图像进行一次滤波和降采样，横向和纵向尺寸降为原来的一半，得到不同分辨率的特征子图；

步骤B3、采用中央-周边差异算子将高斯金字塔模型得到的九层特征子图进行跨尺度相减，计算中央区域与周边区域的对比度。选取金字塔模型中的层级c＝{2,3,4}作为中间层，选取s＝c+δ作为周边层，δ＝{2,3}为差异因子，依次计算每个特征6对尺度间的特征图，即{2-4，2-5，3-5，3-6，4-6，4-7}；跨尺度相减操作符用Θ表示；

I(c,s)＝|I(c)ΘI(s)|

RG(c,s)＝|RG(c)ΘRG(s)| (4)

BY(c,s)＝|BY(c)ΘBY(s)|

O(c,s,θ)＝|O(c,θ)ΘO(s,θ)| θ＝{0°,45°,90°,135°}

最终，模型得到不同尺度下强度特征子图6张，颜色特征子图12张，方向特征子图24张，共计42张显著图；

(1)每张子图的特征值归一化至固定的区间[0，1]；

(3)图中每个位置乘以放大系数若小于M的1/10，则置零；

经过迭代归一化操作得到每个特征不同尺度下的突出图，将每个尺度映射至同一金字塔层级，选取层级σ＝3，进行跨尺度叠加，用符号表示，分别得到强度、颜色、方向特征的突出图；

强度突出图：

\overset{&OverBar;}{I} = {&CirclePlus;}_{c = 2}^{4} {&CirclePlus;}_{s = c + 3}^{c + 4} N (I (c, s)) - - - (5)

颜色突出图：

\overset{&OverBar;}{C} = {&CirclePlus;}_{c = 2}^{4} {&CirclePlus;}_{s = c + 3}^{c + 4} [N (RG (c, s)) + N (BY (c, s))] - - - (6)

方向突出图：

SM = \frac{1}{3} (N (\overset{&OverBar;}{I}) + N (\overset{&OverBar;}{C}) + N (\overset{&OverBar;}{O})) - - - (8)

步骤B5、采用Winner-Take-All竞争机制找出视觉最显著焦点和半径为R的圆形视觉最显著区域；采用返回抑制策略屏蔽当前显著区域，在剩余区域使用Winner-Take-All得到视觉第二焦点和第二显著区域，依次划分出视频帧的前三个视觉最显著区域。

步骤D、以T帧为周期重复嵌入多次水印，每新嵌入一个水印，在第一个关键帧中嵌入真正的水印之前先嵌入一段标志序列P(N)，用于定位提取水印时的帧起始位置。嵌完水印，重新编码输出含水印的MPEG-2视频。

步骤C具体包括以下步骤：

步骤C1、根据步骤B中视觉显著区域划分的结果，选择视觉非显著区域作为水印嵌入区域，即三个视觉最显著区域之外的区域，三个视觉最显著区域之外即为水印嵌入区域。

步骤C3、采用奇偶量化索引调制规则，以固定步长D均匀量化DCT₀(k)，修改系数嵌入水印，最终满足公式(1):

其中，表示向下取整。

若当前直流系数满足公式(1)，则调整后的直流系数为公式(2)所示：

若不满足，根据系数在量化区间的位置，将直流系数调整为公式(3)所示：

图4(a)是截取的原始视频关键帧，图4(b)是嵌入水印后的该关键帧。水印的嵌入基本不影响视觉效果，所有嵌入水印关键帧的平均PSNR值为34.61dB。

水印提取过程包括以下步骤：

步骤E3、将关键帧的亮度分量进行8×8DCT变换，选择不在视觉显著区域内的分块的DCT直流系数DCT'₀(k)，根据奇偶量化索引调制后的特点，按公式(4)提取当前分块中嵌入的水印：

图5(a)是原始水印图像，图5(b)是MPEG-2压缩后提取的水印图像，未施加外部攻击的情况下，提取的水印NC值为1，能完全抵抗MPEG-2编码压缩。

为了验证本发明的水印鲁棒性，对嵌完水印的视频施加高斯噪声、椒盐噪声、乘性噪声、亮度饱和度调节、均值滤波、帧删除帧插入等外部攻击，得到MPEG-2与外部攻击双重攻击下的实验结果，如表1-表5所示。

1)高斯噪声

对嵌入水印的视频添加均值为0，方差为0.01、0.02、0.04和0.08的高斯噪声，表1为提取出水印的NC值，恢复的水印图像见图6(a)-图6(d)。

表1 高斯噪声攻击后恢复的水印

方差	0.01	0.02	0.04	0.08
					NC	1	0.990	0.955	0.854

2)椒盐噪声

对嵌入水印的视频添加密度为0.005、0.01、0.02、0.03的椒盐噪声，表2为提取出水印的NC值，恢复的水印图像见图6(e)-图6(h)。

表2 椒盐噪声攻击后恢复的水印

密度	0.005	0.01	0.02	0.03
					NC	0.984	0.955	0.914	0.881

3)乘性噪声

对嵌入水印的视频添加倍数为0.005、0.01、0.02、0.05的乘性噪声，表3为提取出水印的NC值，恢复的水印图像见图6(i)-图6(l)。

表3 乘性噪声攻击后恢复的水印

倍数	0.005	0.01	0.02	0.05
					NC	0.996	0.979	0.939	0.860

4)饱和度调节

对嵌入水印的视频进行饱和度+10，-10，+20，-20的调节，表4为提取出水印的NC值，水印都能完全恢复，恢复的水印图像见图6(m)-图6(p)。

表4 调节饱和度后恢复的水印

幅度	+10	-10	+20	-20
					NC	1	1	1	1

5)亮度调节

对嵌入水印的视频进行亮度调节攻击，亮度变化分别为±10，±20，±30。表5为提取出水印的NC值，恢复的水印图像见图6(q)-图6(v)。当亮度调整范围在30以内时，提取的水印恰好黑白取反，当亮度变化量为30时，水印能正常提取。表中计算1-NC的值表示如果将提取的水印再次取反得到的图像与原始水印的相似程度。

表5 亮度调节后恢复的水印

6)均值滤波

对视频进行均值滤波攻击，视频像素块被周围像素平均处理，特征明显的区域被模糊，使视觉焦点不明显而影响视觉显著区域的划分，导致攻击前后的关键帧显著区域不一致而无法正确定位水印嵌入区域。。当均值滤波的半径为3×3时，能提取完整的水印，NC值为0.968，恢复的水印图像如图6(w)所示。

7)帧删除、帧插入

本发明将水印重复地嵌在视频关键帧I帧，I帧是视频编码时P帧和B帧的参考帧，一般视频处理时不会删除I帧。若截取视频时，删掉了I帧，由于水印重复地嵌入，只要留下的视频中仍然保留至少一个完整水印的嵌入帧，水印仍能完整提取，且NC为1。当视频中插入的帧被编码为P帧或B帧时，完全不影响水印的提取；当插入的帧恰好被编码为I帧时，且处在某个水印的第一个嵌入帧之后，则会影响当前水印的提取，但是不会影响其他重复水印的正常提取。

实验结果表明，本发明在视频水印中引入视觉注意机制，保证了良好的水印不可见性，且能够完全抵抗MPEG-2压缩，对于MPEG-2压缩和高斯噪声，椒盐噪声，乘性噪声，均值滤波，饱和度调节，亮度调节，帧插入，帧删除等双重攻击具有很好的鲁棒性，大多数攻击下的NC都在0.9以上。本发明提出的视频水印算法能满足水印对不可见性和鲁棒性的要求。

Claims

1.一种基于视觉注意机制的视频水印方法，其特征在于：利用人眼视觉注意特性，将视频关键帧划分为视觉显著区域和非显著区域，选择视觉非显著区域的亮度分量作为水印嵌入区域，采用奇偶量化索引调制的方式嵌入水印；该方法具体包括以下步骤：

步骤A、解码MPEG-2载体视频，获取待嵌水印的视频关键帧；

步骤C、选择视觉非显著区域作为水印嵌入区域，将亮度分量的DCT直流系数进行固定步长的奇偶量化索引调制嵌入置乱的二进制水印；

步骤E、解码嵌入了水印的载体视频，根据嵌入的标志序列定位已嵌水印的起始关键帧；分析水印嵌入帧的视觉显著性判断水印嵌入区域，根据奇偶量化索引调制的特点，从亮度分量的DCT直流系数中提取嵌入的水印。

2.如权利要求1所述的基于视觉注意机制的视频水印方法，其特征在于，采用音视频快速转换平台FFMPEG实现步骤A，具体过程如下：

采用FFMPEG系统构建视频水印嵌入、提取仿真平台；首先将MPEG-2载体视频解码成YUV序列；然后根据关键帧标志位key_frame＝1，pic_type＝1，锁定视频关键帧I帧；最后根据一个完整的水印是否已嵌完和嵌入周期T，判断当前关键帧是否为待嵌水印帧。

3.如权利要求1所述的基于视觉注意机制的视频水印方法，其特征在于，采用Koch and Itti视觉显著模型划分人眼视觉显著区域，步骤B具体包括以下步骤：

R＝r-(g+b)/2

G＝g-(r+b)/2 (1)

B＝b-(r+g)/2

Y＝(r+g)/2-|r-g|/2-b

RG＝R-G (2)

BY＝B-Y

强度特征由颜色分量决定，定义为：

I＝(r+g+b)/3 (3)

步骤B3、采用中央-周边差异算子将高斯金字塔模型得到的九层特征子图进行跨尺度相减，计算中央区域与周边区域的对比度；选取金字塔模型中的层级c＝{2,3,4}作为中间层，选取s＝c+δ作为周边层，δ＝{2,3}为差异因子，依次计算每个特征6对尺度间的特征图，即{2-4，2-5，3-5，3-6，4-6，4-7}；跨尺度相减操作符用Θ表示；

I(c,s)＝|I(c)ΘI(s)|

RG(c,s)＝|RG(c)ΘRG(s)| (4)

BY(c,s)＝|BY(c)ΘBY(s)|

O(c,s,θ)＝|O(c,θ)ΘO(s,θ)| θ＝{0°,45°,90°,135°}

(1)每张子图的特征值归一化至固定的区间[0，1]；

(3)图中每个位置乘以放大系数若小于M的1/10，则置零；

强度突出图：

\overset{&OverBar;}{I} = {&CirclePlus;}_{c = 2}^{4} {&CirclePlus;}_{s = c + 3}^{c + 4} N (I (c, s)) - - - (5)

颜色突出图：

\overset{&OverBar;}{C} = {&CirclePlus;}_{c = 2}^{4} {&CirclePlus;}_{s = c + 3}^{c + 4} [N (RG (c, s)) + N (BY (c, s))] - - - (6)

方向突出图：

SM = \frac{1}{3} (N (\overset{&OverBar;}{I}) + N (\overset{&OverBar;}{C}) + N (\overset{&OverBar;}{O})) - - - (8)

4.如权利要求3所述的基于视觉注意机制的视频水印方法，其特征在于，在人眼视觉不敏感的非显著区域嵌入水印，所述步骤C具体包括以下步骤：

步骤C1、根据步骤B中视觉显著区域划分的结果，选择除三个视觉最显著区域之外的区域作为视觉非显著区域，将视觉非显著区域作为水印嵌入区域；

步骤C2、将原始水印图像转换成置乱的二进制水印比特流；将关键帧亮度分量进行8×8DCT变换，获取视觉非显著区域第k个分块的DCT直流系数DCT₀(k)及当前待嵌水印W(i)；

步骤C3、采用奇偶量化索引调制规则，以固定步长D均匀量化DCT₀(k)，修改系数嵌入水印，最终满足公式(9)：

其中，表示向下取整；

5.如权利要求1所述的基于视觉注意机制的视频水印方法，其特征在于，所述步骤D具体包括以下步骤：

以T帧为周期重复嵌入多次水印，减少视觉显著模型稳定性对水印鲁棒性的影响；若一个水印没有全部嵌完，则选择下一个相邻关键帧的视觉非显著区域继续嵌入；若一个水印已嵌完，则根据周期T，搜索下一个周期的关键帧，重新开始嵌入水印；每次新嵌入一个水印时，在第一个嵌入帧中真正嵌入水印前，先嵌入一段标志序列P(N)，以便提取水印时定位一个完整水印嵌入帧的起始位置。

6.如权利要求1所述的基于视觉注意机制的视频水印方法，其特征在于，从嵌入水印的视觉非显著区域提取水印，所述步骤E具体包括以下步骤：

步骤E1、输入嵌入水印的MPEG-2载体视频，解码成YUV序列，根据关键帧标志位key_frame＝1，pic_type＝1，锁定视频关键帧I帧；

步骤E2、采用Koch and Itti视觉显著模型分析关键帧的视觉显著性，划分前三个半径为R的圆形视觉最显著区域；

步骤E3、将关键帧的亮度分量进行8×8DCT变换，选择不在视觉显著区域内的分块的DCT直流系数DCT'₀(k)，根据奇偶量化索引调制后的特点，公式(12)提取当前分块中嵌入的水印:

其中，W'(i)表示当前块中提出的二进制水印，表示向下取整，D表示量化步长；

步骤E4、将关键帧起始位置提取的水印序列与标志序列P(N)比较，判断当前帧是否已嵌入水印；

若有水印嵌入，则提取该帧中非显著区域分块内的水印，当前帧提取结束，继续从下一个关键帧中提取，直到提取的水印量等于一个完整水印的大小；