CN104778650A - 一种基于中文汉字复杂度的抗打印扫描文本水印算法 - Google Patents

Abstract

近年来，内网安全事件逐年上升，重要信息经由文档打印泄露已经成为企事业单位需要解决重大问题之一。为了控制打印泄密的风险，现有研究嵌入不可见水印的算法。使用文档水印算法，把打印者身份信息作为水印嵌入到文档中。其特点是算法对文档的修改，人眼难以识别。由于打印、扫描、复印等过程，引入了像素失真(打印采用点阵表示像素灰度，转化采用半色调处理)和几何失真，对水印的提取产生了较大干扰。本发明提出一种抗打印、复印、拍照的强鲁棒文本水印算法，并根据文字复杂度控制水印嵌入以确保水印不可见性，从而达到解决打印追踪问题的目的。

Description

一种基于中文汉字复杂度的抗打印扫描文本水印算法

技术领域

本发明涉及信息安全中的数字水印领域，具体说本发明给出了一种基于中文汉字复杂度的抗打印扫描文本水印算法。

背景技术

近年来，内网安全事件逐年上升，造成的巨大经济损失达，有报道显示，继邮件泄密、移动存储泄密之后，打印机泄密成为第三大泄密方式。重要信息经由文档打印泄露已经成为企事业单位需要解决重大问题之一。为了控制打印泄密的风险，现有研究主要围绕以下几个方向展开：

第一：禁止打印^[4-6]。研究各种打印拦截方式，特点是原理简单，易于实施，但难以满足实际要求。

第二：审计打印。分为审计集中打印和本地打印。针对集中打印，研究在服务器端获取审计信息，例如提交打印任务的终端信息(IP，MAC，计算机名，文档名等)；针对本地打印，研究截获打印信息的方式。通常在终端安装代理软件，使用监控打印队列或HOOK打印相关API等多种方式，记录使用者、文档标题等信息。该方向的研究难点为内容审计，即如何在电子文档转换为EMF文件前、后，根据关键词进行深度审计。这个思路最大的缺陷在于，一旦出现打印泄密，即使能检索到相关内容审计信息，也只能缩小嫌疑者范围，难以准确定位。例如，同一份文档被多人打印，则通过审计信息，只能确定众多打印者，但无法进一步准确确定具体责任人。

第三：嵌入可见标记。在打印的文档插入可见模式(例如二维码)，或有意义背景文字，或底纹。其中，嵌入条形码或二维码等可见模式这一方式，因可见模式容易被定位，故而也容易被去除(剪切、涂抹等)，不适合用于解决打印追踪问题。就嵌入背景文字这一方式而言，虽然若其嵌入区域与前景、正文区域重叠，则不宜被去除，但由于影响文档视觉效果，因此也不是打印追踪的理想解决方案。在文档中嵌入可见、可识别的底纹，是此类研究的一个重点。有研究尝试生成类似于自然纸张纹理的底纹，即使对打印文档格式要求严格的应用，就视觉效果而言，此类标记也是可接受的。然而，该类底纹在多次复印后，有较大失真，也不适合解决打印追踪问题。

第四：嵌入不可见水印。使用文档水印算法，把打印者身份信息作为水印嵌入到文档中。其特点是算法对文档的修改，人眼难以识别。由于打印、扫描、复印等过程，引入了像素失真(打印采用点阵表示像素灰度，转化采用半色调处理)和几何失真，对水印的提取产生了较大干扰，因此，此类研究的集中于在确保水印不可见性前提下，如何增强水印算法稳健性。

根据上述可知，打印追踪更多使用在文档中嵌入不可见水印思路。本文提出一种抗打印、复印、拍照的强鲁棒文本水印算法，并根据文字复杂度控制水印嵌入以确保水印不可见性。为此，首先介绍了文本水印算法研究现状，然后对算法稳健性和透明性进行了分析和验证，最后给出了算法描述和仿真评估。

相较于图像、视频等载体，文本文档纹理简单，冗余度低，在其中嵌入水印的难度已经较大，要求水印能抵抗打印扫描，则需要解决的问题更多。打印机一般会对文档进行半色调处理，即用黑白点阵或少量几种颜色来代表电子文档中更丰富的灰度层次和色彩。这个过程本身已经引入了量化误差，加上纸张的厚薄、光洁度、打印机墨粉质量等影响，。并且，打印扫描等过程，引入像素失真(电子文档像素使用灰度等方式表示，打印后灰度层次则使用点阵中黑色点的比例来表示，转换过程使用半色调等处理)和几何失真(RST：旋转、缩放、平移)等干扰，“若打印机用户没有将纸张在纸仓中摆放到位，加上打印机传送纸张的机械部件性能的不稳定性，打印后的文档图像可能存在轻微的旋转、平移、错切等几何失真。”对算法的稳健性要求较高，抗打印扫描文档水印算法的设计难度也相应地更高。目前已知的主要算法，都存在一些不足：

行移算法：调整文本的行间距以嵌入水印。即：细微上移或下移文本行，使相邻行间距产生人眼难以识别的差距(文献指出，文本行移不超过1/300英寸时，人眼不易察觉)。算法特点是稳健性强，可以抵抗多次复印攻击。基于此核心思想，后续算法尝试改进水印算法透明性和容量，缺点嵌入容量过小。

字移算法：调整文本字间距以嵌入水印。即：细微左移或右移字符，使相邻字符间距产生人眼难以识别的差距(文献指出，文本字符移动不超过1/150英寸时，人眼不易察觉)。字移算法的信息嵌入量有明显提高。基于此思路，后续算法主要研究解决透明性和稳健性矛盾。即，一方面，为了提高稳健性，需要尽可能增加字符间距的差异，避免噪声干扰引起误判；另一方面，为了避免调整字间距后产生文本没有对齐的视觉效果(不同行不同列，字符根据水印信息需要左移或右移)，需要尽可能减少字符间距的差异。例如，有的算法采用这样的策略：固定每行首尾字符位置，调整其他部份间距，并削去部份字符边缘(缩减字符宽度，增加可调节的字符间距)。这些算法需要解决的问题有：对于小字号(五号)文本，字移算法容易形成文档不整齐；对于大字号文本，字移算法容易暴露字间距异常。

像素调整算法：为了便于识别、定位文字和行，也由于像素的灰度和色彩信息在打印和扫描过程中容易丢失，所以常将文档转换为二值图像后再嵌入和提取水印。基于黑白像素总数调整的算法，通常利用黑色像素数量关系嵌入水印。例如，基于字符阶梯边缘算法，选择对视觉影像较小的阶梯边缘作为像素翻转的对象，利用字符上下两部份黑色像素数量的多少等关系嵌入水印。还有，亓氏算法，利用单个字符黑色像素总数与整行文字黑色像素总数比例基本不变的特点，调整单个字符黑色像素个数来嵌入水印。基于像素调整的算法，以调整黑白像素数量比例关系嵌入水印，其抵抗复印的能力较弱。

变换域算法：调整文档的变换域系数以嵌入水印。典型算法有，对文档图像进行离散小波变换，通 过调整特定位置系数(N和N+1级细节系数)符号，使得符号为正的系数个数与符号为负的系数个数的大小关系与水印信息关联。也有调整离散傅立叶变换、离散余弦变换系数的算法。这类方法的特点是对嵌入位置和提取位置的一致与否比较敏感，如果因为缩放、旋转或平移等产生位置失同步，水印信息可能完全无法提取。因此，比较适合于文挡有边框，易于同步的应用场景。

经研究发现，自然字符自身存在高度差，并且，这种差异不会产生字符高低不齐的视觉效果。利用这一特点，提出一种基于字符高度差关系的抗打印扫描算法，并提出基于文字复杂度的视觉模型，利用该视觉模型控制算法透明性。

发明内容

基于上述背景，本发明基于字符高度差关系的抗打印扫描水印算法。

具体实现过程需要的一些定义和概念：

1、字符图像 

令c_i表示字符图像。字符图像是包括一个汉字的最小矩形图像区域。最小意味着，无论该区域的高或宽再小一个像素，形成汉字形状的像素都会出现丢失。

2、字符图像高度

令h_i表示自然文档第i个字符图像的高度(单位是像素)，令H＝{h_i|i＝1…N}表示自然文档所有字符高度的集合，令和表示包含失真(打印、扫描、拍照…)的文档的字符高度及其集合。

3、字符图像高度差

令dh_i＝h_i-h_i+1表示原始文档相邻字符高度差，用表示相邻字符高度关系。其中sign(dh_i)等于1表示字符c_i高于c_i+1，以此类推。令表示包含失真的文档的相邻字符高度差。

4、字符图像宽度

令w_i表示字符图像的宽度，令W＝{w_i|i＝1…N}表示自然文档所有字符宽度的集合。

5、字符图像重量(weight)

字符图像中黑色像素总和，称为字符图像重量，第i个字符图像的重量定义为：

${\mathrm{wt}}_i=\underset{m,n}{\mathrm{\Σ}}b\left(x_i\right[m,n\left]\right)$

上式中，x_i表示第第i个字符图像的像素矩阵，对于黑白图像，矩阵取值只有0(黑色像素)和1(白 色像素)两种。b是判决函数，若第i个字符图像像素矩阵第m行第n列是黑色像素，则b(x_i[m，n])为1，否则为零。函数定义如下：

对于二值图像，取值1；对于灰度图像，可取值为40。

6、字符图像的宽高比(shape ratio)

字符图像宽高比用于描述字符的形状特性，例如，有的端正，宽高比接近1；有的瘦高，宽高比小于1；有的扁宽，宽高比大于1。

${\mathrm{sr}}_i=\frac{w_i}{h_i}$

7、字符图像的密度(density)

字符图像密度用于描述字符笔画的密集程度。就一般意义图像而言，重量除以面积，反映的是黑色像素点的平均密度，而不是轮廓、线条、区域等对象的密度。然而，就字符图像而言，其构成对象仅有字符笔画，所以字符图像密度足以描述笔画密集程度。

${\mathrm{dt}}_i=\frac{{\mathrm{wt}}_i}{w_i\×h_i}$

2)依据的原理 

1.经研究发现，文本字符高度具有固有特征，描述如下：

特征1：自然文档，相同字体字号的相邻字符存在固有高度差，这种差距并不影响视觉效果。即高度差据并不会使文档看起来层次不齐。

说明书附图图1显示自然文档字符高度差分布，可以看出自然文档相邻字符高度差集中分布在2个像素以内。(横轴为高度差异，单位为像素；纵轴为高度差异为特定值的相邻字符对数)

特征2：由于打印扫描等过程，是以文档图像为完整对象进行操作，所以每个字符所受的干扰程度相当，因此，字符间相对高度关系基本得以保持。

说明书附图图2显示自然文档拍照后，字符相邻关系的变化情况。横轴为相邻字符高矮关系变化情况，即由定义可知，值为0表示高矮关系不变，非零表示高矮关系变化，例如：值为1表示，自然文档中，h_i大于h_i+1，但在拍照文档中h_i等于h_i+1。纵轴表示分布情况。由图可知，大部分字符间的高度关系得已维持(值为0)，少量字符由相等变为不等或反之(值为-1，+1)，极少数的字符关系发生了逆转(值为-2，+2)。

特征3：打印扫描等操作后，相邻字符高度关系是否发生变化，主要与相邻字符高度差有关。下面分别研究了高度关系维持及发生变化的字符对，其高度差的分布情况。(说明书附图图3、4、5中，横轴为 相邻字符高度差，单位为像素，纵轴为高度差为特定值的字符对数)

说明书附图图3显示了高度关系得到保持的字符对，其高度差的分布情况。可以看到相邻字符高度差为0到多个象素，其关系在打印扫描后都有可能保持不变。

说明书附图图4显示高度关系在相等和不相等之间变换的相邻字符，其高度差的分布情况，可以看出，当高度差为0或1个像素时，最容易发生此类变化。

说明书附图图5显示，高度关系发生翻转的字符比例不高，且高度差多为1个像素。

可以看出，相邻字符高度差距在1个像素以内时，其关系最容易发生变化。大于等于2个像素时，高度关系容易得到维持。

特征4：对于打印扫描、拍照等操作，失真引入高度误差(操作前后字符的高度差异)集中在2个像素以内。说明书附图图6显示了这一特征。图中，横轴为高度差的变化幅度，即单位为像素。纵轴为产生特定变化的字符对数，可见，高度差变化范围多为1个像素以内。

综上，根据特征1可知，自然文本相邻字符对存在固有高度差，因此，根据一定规则人为引入高度差时，能够不显著影响视觉效果。

根据特征2、3、4可知，当相邻字符高度相差大于等于2个像素时，打印扫描等处理前后，相邻字符的高度关系不会发生变化，因此选择适当的调整幅度，便可通过调整高度差嵌入水印，并在打印扫描后正确提取信息。

2.基于复杂度的汉字视觉模型

视觉特性1：字符的“视觉大小”与其重量、密度、宽高比特征有关。

尽管相同字号的字符图像，其高度、宽度等并不相同，但在人眼看来，这些字符一样大。这是因为字符的视觉大小不仅仅与其物理大小有关，还与字符其他特征有关。

字符图像的重量与汉字的笔画数(复杂程度)关系密切，下表显示了从朱自清散文《荷塘月色》中摘取的重量较轻和较重的字符图像及其重量。

表1典型汉字重量 

重量(轻)	26	26	28	31	33	34	34	34	35	36
											字符图像	人	个	了	小	少	心	今	下	上	么
重量(重)	87	88	89	90	91	91	94	94	95	98
											字符图像	都	屋	事	着	妻	寞	踱	静	糊	塘

重量更大的字符图像，笔画不一定更复杂，例如，字符“个”和字符“上”的笔画复杂程度相近，但前者的重量要小的多。这是因为，字符重量这一单一指标没有考虑到字符形状因素。下表显示了从朱自清散文《荷塘月色》中摘取的密度较低和较高的文字图像及其密度(仅保留小数点后两位，其余截断)。可以看出，字符密度与文字形状(宽高比例)和重量都有关系，因此并不严格与汉字笔画数目关联 ，例如，“事”的笔画数多于“曲”，但密度却略低于“曲”。

表2典型汉字密度 

密度(低)	0.10	0.10	0.12	0.14	0.15	0.15	0.15	0.15	0.15	0.16
											字符图像	人	个	小	今	了	上	儿	少	下	心
密度(高)	0.37	0.38	0.38	0.39	0.40	0.40	0.40	0.41	0.41	0.41
											字符图像	事	曲	理	静	塘	幽	塘	眠	屑	要

字符图像的宽高比，简单有效地描述了字符的形状特点。下表显示了从朱自清散文《荷塘月色》中摘取的宽高比较低和较高的文字图像及其宽高比(仅保留小数点后两位，其余截断)。越瘦长的字符，宽高比越小，越扁宽的字符，宽高比越大。

表3典型汉字宽高比

字符的看起来的高矮、大小，并不仅仅取决于字符的实际高度和面积，与字符形状、密度和重量都有关系。

视觉特性2：调整字高后引入的“视觉误差”与相邻字符的复杂度差异有关。

利用字符高矮相对关系嵌入水印，只需要调整字符高度差为2个像素，就可以抵抗打印扫描等操作带来的失真，虽然只有2个像素的变动，但引起的视觉差异却可能很大，也可能很小，关键在于相邻字符的复杂度是否接近。

说明书附图图10展示了上述视觉心理学现象。图7_a展示的字符，尽管所有字符字号相同，但看起来，一些字符比另一些“大”，例如：“可”比“过”大，“马”比“许”大，说明字符的“视觉大小”与其复杂度有关，复杂度小的字符看起来会更大一些。

说明书附图图7_b展示的字符组合，2个文字为一组，尽管每一组左侧的字符仅比左侧字符高2个像素，但看起来，文字字号完全不同，有的字符显得大得突兀，反之亦然，例如“不”看起来远大于“塘”，“人”远大于“糊”。说明复杂度差异会放大物理差异的视觉效果。

本文分别调整了形状(宽高比)接近以及差异较大，密度接近以及差异较大，重量接近以及差异较大的字符组合。选取部份结果显示于说明书附图图8。

从图中可以看出，对于同一种特征，例如重量，对特征值相近和相远的字符进行调整，前者视觉效果优于后者。然而，重量、密度和宽高比任意一个指标都不能全面反映字符复杂度特性，据此，根据它 们对复杂度体验影响的强弱，定义复杂度函数如下：

c(x_i)＝α*wt_i+β*dt_i+γ*sr_i

其中，α、β和γ为字符重量、密度和宽高比对复杂度的影响，其中，字符重量的影响最大，取为0.8，密度影响次之，取为0.15，宽高比影响最小，取为0.05。

本发明性能分析表格

其中：Sample1～Sample4分别表示宋体五号、四号，楷体五号、四号文本测试集，每个集合十个样本。Test1、Test2、Test3、Test4分别表示：打印扫描、复印扫描、污损扫描和打印拍照。测试结果表示为成功提取水印样本数/样本总数。

具体实施方式:

水印嵌入过程为：电子文档被打印时，系统拦截打印任务，将电子文档转换为文档图像。第二步，系统使用字符分割算法识别出其中的字符，并对其进行预处理。预处理主要是分析字符形状，微调笔画中脆弱部份，避免在打印扫描后，产生笔画断裂。第三步，使用基于复杂度的视觉模型对字符进行筛选，如果相邻字符组复杂度差异大于阈值，则放弃在这一组字符重嵌入水印，否则，调整两者的高度关系嵌入水印。最后，系统合并原始和水印字符组，形成含水印文档图像后，提交打印任务到打印机。这样，打印机输出的就是携带水印，且变化难以被察觉的纸介文档。

需要提取水印时，文档可能已经被污损、复印等等，因此扫描(或牌照)后，需要对文档图像进行预处理，包括去除噪声、二值化以及旋转等矫正操作。对处理后的文档，再次进行字符分割，分析复杂度，挑选复杂度吻合要求的字符组，从中提取水印。

附图说明

图1：自然字符高度差分布

图2：文档拍照后字符高度关系变化情况

图3：关系得到维持的高度差分布

图4：关系在不等和等之间变化的高度差分布

图5：关系发生翻转的高度差分布

图6：高度差变化情况分布

图7_a：原始图像

图7_b：嵌入水印后调整的图像

图8_a：宽高比接近的字符组合

图8_b:宽高比接近的字符的调整效果

图8c：宽高比差异大的字符组合

图8_d：宽高比差异的大字符组合的调整效果

图8_e：密度接近的字符组合

图8_f：密度接近的字符组合调整后的效果

图8_g：密度差异大的字符组合

图8_h：密度差异大的字符组合调整后的效果

图8_i：重量接近的字符组合

图8_j：重量接近的字符组合调整后的效果

图8_k：重量差异大的字符组合

图8_l：重量差异大的字符组合调整后的效果

图9：算法流程图

图10_a原图(局部)

图10_b普通水印图(局部)

图10_c基于视觉模型的水印图(局部)

图10：算法效果图。

Claims (4)

1.基于中文汉字复杂度的抗打印扫描文本水印算法，其特征在于：提出一种基于视觉模型的字符拉升抗打印扫描文档水印算法，对文档字符进行微调，在难以被察觉的情况下，将文档打印者身份信息嵌入文本。含带水印的文本，即使被污损、翻印，经扫描或拍照后，水印都能被提取。实验结果显示，该算法准确率极高。该算法具有一定的普适性。

2.如权利要求1所说的基于中文汉字复杂度的抗打印扫描文本水印算法，其特征在于：相同字号的不同字符实际大小不同，但是视觉大小相同(肉眼不可察觉)。通过实验发现，当相邻字符高度差提升到2个像素以上时，该高度大小关系即使在污损、翻印，经扫描或拍照的情况下也极易保持原来的大小关系，因此用水印信息改变相邻字符高度差的本算法具有很强的鲁棒性。

3.如权利要求1所说的基于中文汉字复杂度的抗打印扫描文本水印算法，其特征在于：为了保证本算法在具有很强鲁棒性的前提下又能保证较强的透明性，引入了基于汉字字符复杂度的视觉模型的概念。复杂度取决于字符的重量、密度、宽高比。本算法以2个字符为一组，选取组内字符复杂度相近的组作为水印信息的嵌入位置。实验证明，利用该算法能保证嵌入水印的文本具有很强的透明性。

4.如权利要求1所说的基于倒谱和差分方差的音频隐写分析算法，其特征在于：虽然利用视觉模型解决了水印算法透明性问题，但算法容量也因此下降，后续研究集中于改进拉升算法，减小拉升对字符大小的视觉感受影响。另一方面，字符高度为整数，所以算法本质上不能抵抗缩拍等攻击，这也是需要解决的一个问题。