基于矩阵不变性的数字商品表示的制作方法

专利名称：基于矩阵不变性的数字商品表示的制作方法
技术领域：
本发明一般涉及一种信号表示技术。
背景技术：
数字商品通常通过专用或公用网络—如内联网和因特网分发到消费者。另外，这些商品通过固定的计算机可读媒质，如光盘(CD-ROM)、数字多功能盘(DVD)、软磁盘或硬磁盘(如，经预加载的硬驱动器)分发到消费者。
不幸的是，人们能够相对容易地在损害内容所有者的利益的情况下—包括内容作者、发行者、开发者、分发者等等，盗版这些数字商品的原始数字内容。生产并分发内容的基于内容的行业(如，娱乐、音乐、电影、软件等)由于数字盗版而遭受损失收入的烦恼。
本发明所使用的“数字商品”是电子地储存或发送的内容的一般标签。数字商品的示例包括图像、音频剪辑、视频、多媒体、软件和数据。根据上下文，数字商品也被称为“数字信号”、“内容信号”、“数字比特流”、“媒体信号”、“数字对象”、“对象”、“信号”等等。
另外，数字商品通常储存在大容量数据库中—结构化的或非结构化的。随着这些数据库的增长，对流线化的商品分类和标识的需求也随之增加。
散列散列技术用于许多目的。这些目的其中之一是保护内容所有者的权限，并加快数据库搜索/访问。散列技术在输入数据库管理、查询、密码学以及涉及大量原始数据的许多其它邻域等许多范围内使用。
一般而言，散列技术将一大块原始数据映射到相对较小且结构化的标识符集。这些标识符也被成为“散列值”或简称为“散列”。通过向原始数据中引入特定的结构和顺序，散列函数将原始数据的大小大大地缩减成一个较小(通常更便于管理)的表示。
常规散列的限制常规的散列技术用于多种数据。这些技术具有好的特征，并且是熟知的。不幸的是，具有可视和/或音频内容的数字商品提出了其它数字数据中不会经历的一组独特的挑战。这主要是由于这类商品的内容要经受人类观察者的感知评估的独特事实。通常，感知评估是视觉和/或听觉的。
例如，假定两个数字商品的内容实际上是不同的，但是仅在感知上、非实质上不同。人类观察者可考虑这两个数字商品的内容是相似的。然而，即使两个数字商品之间的内容属性(如，色彩、音调、强度、相位)的感知上非实质差异也会导致这两个商品在数字域中出现实质性的不同。
由此，当使用常规的散列函数时，数字商品的些许偏移的版本会生成与该原始数字商品的版本相比十分不同的散列，即使该数字商品本质上对人类观察者来说是相同的(即，感知上是相同的)。
人类观察者能够相当程度上容许数字商品中的某些变化。例如，人类的耳朵对音频信号的频率分量的某些范围中的变化比频率分量的其范围更不敏感。
可充分利用这里人类容许用于非法或不道德的目的。例如，盗版者可使用先进的音频处理技术从音频信号中移除版权注意事项或嵌入的水印，而不会在感知上改变音频质量。
对数字商品的这类恶意的改变被称为“攻击”，并导致在数据域中的改变。不幸的是，人类观察者无法感知到这些变化，从而允许盗版者成功地以不合法的方式分发这些未授权的副本。
尽管人类观察者可容许这一微小(即，不可感知)的改变，然而数字观察者—以常规散列技术的形式—无法容许这一改变。传统的散列技术几乎无助于标识原始数字商品和这一商品的盗版副本的公共内容，因为原始和盗版的副本散列到十分不同的散列值。即使两者在感知上是相同的(即，对人类观察者看似相同)，这一情况也是真实的。
对散列技术的应用对散列技术有许多不同的应用。某些包括反盗版、内容分类、内容识别、加水印、基于内容的密钥生成以及音频或视频流中的同步。
散列技术可用于搜索web以查找怀疑被盗版的数字商品。另外，散列技术用于基于信号的内容生成密钥。替代机密密钥或除其之外使用这些密钥。同样，散列函数可用于同步输入信号。这类信号的示例包括视频或多媒体信号。如果同步被实时地执行，则散列技术必须是快速的。

发明内容
本发明所描述的是在新定义的表示域中产生数字商品(如，图像)的新表示的一种实现。特别地，该新域中的表示基于矩阵不变性。在某些实现中，例如，矩阵不变性可大量使用奇异值分解(SVD)。


贯穿附图，相同的标号标识相同的元件和特征。
图1所示是本发明所描述的方法实现的流程图。
图2是本发明所描述的实现的框图。
图3是能够(完全或部分地)实现本发明所描述的至少一个实施例的计算操作环境的示例。
具体实施例方式
在以下描述中，为解释目的，陈述了具体的数字、材料和配置，以提供对本发明的全面理解。然而，本领域的技术人员可以清楚，本发明可不使用特定的示例性细节来实践。在其它实例中，众所周知的特征被省略或简化以清晰地阐明本发明的示例性实现的描述，并由此更好地解释本发明。此外，为便于理解，某些方法步骤被描绘为单独的步骤；然而，这些单独描绘的步骤不应当被解释为在其执行中有依赖的必要顺序。
以下详细描述陈述了基于矩阵不变性的数字商品表示的一个或多个示例性实现，它结合所附权利要求书中所述的元素。这些实现用细节来描述，以满足法定的书面描述、授权和最佳模式的需求。然而，描述本身并不意味着局限本专利的范围。
本发明所描述的这些示例性实现是示例。这些示例性实现不限制本发明的范围；相反，结合其它现有或未来的技术，本发明也可以其它方式实施或实现。
基于矩阵不变性的数字商品表示的实施例的一个示例可被成为“示例性商品表示器”。
当本发明中提及随机化时，应当理解，随机化通过伪随机数生成器(如，RC4)来实现，其种子是密钥(κ)，该密钥对敌对方是未知的。
介绍此处所描述的本发明的一个或多个示例性实现可在如图3所示的计算机系统和计算机网络中(全部或部分地)实现。尽管实现可具有许多应用，然而密码系统、授权和安全是具体应用的示例。
示例性商品表示器从通过矩阵不变性伪随机地选择商品的半全局(semi-global)区域中导出数字商品的健壮的特征矢量。这类区域可以是(但不必要是)重叠的。
与常规方法不同，示例性商品表示器的计算是基于矩阵不变性的(如基于奇异值分解(SVD))。SVD分量捕获数字商品的本质特性。
半全局特性半全局特性表示个别元素的组或集合的通用特征。作为示例，它们可以是“区域”(即，“分段”)的统计或特征。半全局特性不表示个别元素的个别局部特性；相反，它们是该组(如，分段)的感知内容的整体表示。
半全局特性可由组的数学或统计表示来确定。例如，它可以是组中所有像素的色彩值的平均值。因此，这一半全局特性也可被成为“统计特性”。局部特性不表示健壮的统计特性。
命名法本发明中，大写字母(如，A、B、C)表示矩阵，具有矢量符号的小写字母(如，～a、～b、～c)表示列矢量，小写字母表示标量(如，a、b、c)。密钥用κ表示。
本发明中，使用以下数学定义·I∈Rn×n大小为n×n的数字商品的二维表示。
·Ln大小为n×n的单位矩阵。
·Ai∈Rm×m表示从数字商品中获取的第i个伪随机区域(如，大小为m×m的矩形)的矩阵。
·AT矩阵A的转置。
·|A|F矩阵A的Frobenous范数，被定义为|A|F=(Σk=1mΣl=1mak,l2)12,]]>其中，ak，l是A在k行和l列的元素。
·AH矩阵A的Hermitian转置。注意，对于实矩阵，AH＝AT。
·|～v|2矢量的L2范数，被定义为|~v|2=(Σkvk2)12,]]>其中，vk是～v的第k个元素。
·D ∈Rm×m，对长度为m的一维信号的大小为m的DCT变换矩阵。注意，矩阵I(大小m×m)的二维DCT变换由DIDT给出。
·W∈Rm×m对长度为m的一维信号的大小为m的DWT变换矩阵。注意，矩阵I(大小m×m)的二维DWT变换由WIWT给出。
·|～a|H二进制矢量～a的Hamming加权。
·矩阵Ai∈Rm×m的SVD被定义为A＝U∑VH，其中-U=[~u1~u2···~um]:{~ui}i=1m]]>是矩阵AAH的正交本征矢量(并且一般不是唯一的)。{～ui}i＝1m被称为为A的左奇异值矢量。
-V=[~v1~v2···~vm]:{~vi}i=1m]]>是矩阵AHA的正交本征矢量(并且一般不是唯一的)。{～vi}i＝1m被称为A的右奇异值矢量。
-∑大小为m×m的对角实矩阵，其中，第i个对角项σi被称为第i个奇异值。在不丢失普遍性的情况下，可假定δ1＞＝σ2...＞＝σm。
奇异值分解(SVD)示例性商品表示器捕获几何信息的本质，而在维度上有所缩减。SVD具有某些可证明的最优性质在Frobenius范数由前K个奇异矢量以及对应的奇异值产生的意义上，对矩阵(例如秩N，N＞＝K)的“最佳”低维(称为K维)逼近。
数字商品(如图像)的半全局特征和几何信息的本质由这类商品的SVD的重要分量来紧缩地捕获。只要所关注的数字商品不被感知地改变得太严重，这类分量在有意或无意的干扰下近似不变。
采用示例性商品表示器，SVD被应用到图像的伪随机选择的半全局区域，这主要是因为安全原因。从这些区域获取的SVD分量准确地表示数字商品的总体特征，并具有有利的健壮性性质，同时提供了合理的安全性，只要使用足够数量和大小的区域。
常规选择通常为DCT(离散余弦变换)和DWT(离散小波变换)。采用DCT或DWT，数字商品投影到固定的基本矢量的固定组。DCT/DWT被证明为一般对常规的商品处理应用是有效的。
作为对DCT/DWT类型的固定基础变换的替代，示例性商品表示器采用了奇异值分解(SVD)。采用SVD，示例性商品表示器选择L2范数意义上的最优基础矢量(见下文公式(1))。此外，给定一个矩阵，其SVD是唯一的。作为模拟，如果数字商品被表示为某一高维矢量空间中的矢量，则在公式(1)的意义上，奇异矢量给予商品最优的方向信息，而奇异值给出沿该方向的距离信息。因此，对应于大奇异矢量的奇异矢量自然地易受标度变换攻击和其它较小的常规信号处理修改。
通过使用SVD分解，数字商品可被认为是三维空间中的二维表面。当向数字商品(或表面)应用DCT之类的变换时，关于该数字商品的任何特别不同(因此是重要的)的几何特征被分散到所有的系数。
作为示例，图像可具有强峰值(如，暗背景中非常亮的斑痕)的表面，在DCT的情况下，这些强峰值会被分散到所有的变换。通过使用SVD示例性商品表示器保存了这些重要特征的大小(以奇异值的形式)以及其位置和奇异矢量中的几何结构。因此，第一个左和右奇异矢量的组合(即，对应于最大的奇异值)捕获L2范数意义上图形中的重要几何特征。
SVD的性质下文描述了SVD的数学性质。设A＝U∑VH为A的SVD。则，1)左奇异矢量U=[~u1~u2···~um]:{~ui}i=1m]]>是A的列空间的正交基。
2)右奇异矢量V=[~v1~v2···~vm]:{~vi}i=1m]]>是A的行空间的正交基。
3)具有(σ1,~u1,~v1)=argmina,~x,~y|A-a~x~yH|F2,]]>其中，|～x|2＝|～y|2＝1，且k，1＜k＜＝mσk,~uk,~v1)=argmina,-x,-y|A-Σl=1k-1σl~ul1~vlH-a~x~yH|F2,]]>其中，σ1＞＝σ2…＞＝σm是奇异值，{ui}和{～vi}是对应的奇异矢量。
散列示例性商品表示器采用的散列函数具有两个输入—数字商品(如图像)I和机密密钥κ。这一散列函数从具有2h基数的集合{0，1}h产生一短矢量～h＝Hκ(I)。期望感知散列以高概率对所有的类似感知的数字商品都是相等的。也期望两个感知上不同的数字商品以高概率产生不相关的散列值。这一散列函数是一种多对一映射。另一方面，对于大多数应用，以高概率对感知上相似(各自不同)的输入具有足够的相似(各自不同)散列值已足够，即，散列函数会示出得体的变化。
对这一散列函数的要求给出如下1)随机化对于任一给定的输入，其散列值应当近似在所有可能的输出之间均匀分布。概率度量由机密密钥定义。
2)两两独立对于两个感知上不同的数字商品的散列输出应当以高概率独立，其中，概率空间由机密密钥定义。
3)不变性对于所有可能的可接受干扰，散列函数的输出应当以高概率保持近似不变，其中，概率空间由机密密钥定义。
当按照人类的感知，在两个数字商品之间没有相当地可被注意的失真，则这两个数字商品被认为是感知上相似的。
示例性商品表示器的方法实现图1示出了示例性商品表示器的方法实现。该方法实现可以软件、硬件或其组合来执行。
在110，示例性商品表示器获取输入数字商品。为此解释，输入数字商品是大小为n×n的图像，可被描述为I∈Rn×n。注意，图像也可以是矩形的(即，大小可以不同)。这一方法可以毫无困难地被一般化成这一情况。
在120，示例性商品表示器从I伪随机地形成多个区域。区域的数量可被称为p，区域的形状可以是例如矩形。区域的形状可在各个实现之间不同。
尽管不必要，这些区域可彼此重叠。然而，可产生需要这一重叠的实现。相反，可产生不允许重叠的实现。
这一行动由Ai∈Rm×m，1＜＝i＜＝p来表示。Ai是表示取自数字商品的第i个伪随机区域(如，大小为m×m的矩形)的矩阵。注意，这些区域的每一个可以是大小不同的矩阵，并且这可以毫无困难地在这一方法中使用。
在130，通过基于SVD的变换从每一区域Ai生成特征矢量(其每一个都被标记为～gi)。该特征矢量生成可被一般地描述为～gi＝T1(Ai)。
这些特征矢量(～gi)在合适的量化之后可被用作散列值，或者它们可用作可从其产生实际散列值的中间特征。基于SVD的变换(T1(Ai))是一种采用SVD的散列函数。散列函数的示例在下文名为“基于SVD的散列函数”一节中描述。
在这一点上，示例性商品表示器已产生了数字商品的表示(通过～gi＝T1(Ai)产生的特征矢量的集合)。某些实现可在此结束，以{～g1，...，gp}的组合形成散列矢量。
在这些实现中。可设计T1(·)，使得T1(Ai)从矩形Ai产生前q个奇异值。另一可能性是设计T1(·)，使得T1(Ai)产生前q个奇异矢量(左、右或两者)。这些是对应于最大的q个值的q个奇异矢量。自然地，在两种情况下，应当正确地选择参数q例如，逻辑判决要求q＜＜m。
在某些实现中，可能选择p＝1和Ai，使得它对应于整个图像。注意，这一变换不具有任何随机性；因此，它对图像散列的非对抗性应用更合适。
可选地，其它实现可执行额外的处理以产生甚至更平滑的结果。框140、150、160和170示出了这些过程。
在140，示例性商品表示器通过使用特征矢量{～g1，...，gp}的伪随机组合来构造数字商品的次级表示J。在这一点上，作为块130的一部分产生的这些矢量可被认为是“中间”特征矢量。
作为次级表示J的这一构造的一部分，示例性商品表示器收集对应于来自每一分组的最大奇异值的第一个左奇异矢量和右奇异矢量。
设Γ＝{～u1，...，～up，，～v1，...，～vp}，其中，～ui(相应的～vi)是第i个小组的第一个左(相应的右)奇异矢量。然后，示例性商品表示器从集合Γ伪随机地形成一平滑表示J给定伪随机地选择的初始奇异矢量，通过从Γ中选择并替换随后的矢量，使得下一个选择的矢量在L2范数的意义上最接近前一矢量，以继续形成J。
因此，在2p个步骤之后，Γ的所有元素都被伪随机地重新排列，并且形成了J(大小为m×2p)。注意，L2矩阵可由以J的形式的任一其它合适的矩阵(可能被随机化)替换，以获得连续性和平滑性。在某些实现中，J的平滑特性所期望的。
也注意，作为对这一矢量的简单伪随机重新排列的替代，可应用其它(可能更复杂)的操作来生成J。
在150，示例性商品表示器从J伪随机地形成多个区域。区域的数量可被称为r，区域的形状可以是例如矩形。区域的形状可在各个实现之间不同。与上文描述的区域一样，这些区域可以是任何形状，并可重叠(但不必要如此)。
这一行动由以下公式表示Bi∈Rd×d，l＜＝i＜＝r。Bi是表示取自数字商品的次级表示J的第i个伪随机区域(如，大小为d×d的矩形)的矩阵。注意，在这一实现中，矩形可以是不同的大小。在其它实现中，矩形可以是相同的大小。
在160，通过基于SVD的变换从每一区域Bi生成一组新的特征矢量(其每一个可被标记为～fi)。这一特征矢量生成可被一般地描述为～fi＝T2(Bi)。
这些特征矢量～fi是散列值。基于SVD的变换(T2(Bi))是采用SVD的散列函数。散列函数的示例在下文名为“基于SVD的散列函数”的一节中描述。这两个基于SVD的变换(T1和T2)可以相同，也可以彼此不同。
在170，示例性商品表示器组合该新集合{～f1，...，～fp}的特征矢量以形成新的散列矢量，它产生包括矢量组合的输出。
基于SVD的散列函数本部分描述了可由上文在图1的描述中介绍的基于SVD的变换(T1和T2)采用的若干散列函数。
SVD-SVD散列函数例如，给定一个图像，示例性商品表示器伪随机地选择p个子图像Ai∈Rm×m，l＜＝i＜＝p。然后，示例性商品表示器找出每一子图像的SVDAi=UiSiViT,]]>其中，Ui、Vi分别是m×m的实左奇异值矩阵和实右奇异值矩阵，Si是m×m的实对角矩阵，它由沿其对角线的奇异值构成。
在块140形成了次级表示之后，示例性商品表示器向Bi的小组重新应用SVD。作为散列矢量，示例性商品表示器在合适的量化之后保留来自每一Bi的前r个左奇异矢量和右奇异矢量的对应的集合。
DCT-SVD作为SVD-SVD方法的变异，示例性商品表示器使用2D-DCT变换作为块130中的初始变换(T1)。在找出每一子图像Ai的2D-DCT之后，
Di＝DAiDT仅保留系数矩阵Di的频率的第一个频带。这里，D表示DCT变换矩阵。选择fmin和fmin确定了所选择的频带。低-中带频率的系数对图像起更多的描述作用，并且更有特色。选择fmin＞0避免了接近DC频率，它对简单的尺度变换或DC电平变化更敏感。选择fmax的较小的值避免了使用较高频率的系数，它可通过小噪声添加、平滑和压缩来改变。因此，根据问题的细节，可选择合适的fmin和fmax值。这一频带中的系数然后被储存为每一区域Ai的矢量~di∈Rfmax*fmax-fmin*fmin]]>。{～di}的元素的顺序是取决于用户的，并可被用于引入额外的随机性。然后，沿同一线，通过从组Γ＝{～d1，...，dp)中选择随机矢量并伪随机地形成平滑表示J，来形成次级表示。接下来，示例性商品表示器向J应用SVDJ＝USVT并将第一个左奇异矢量～u1和第一个右奇异矢量～v1储存为散列矢量。
DWT-SVD这是DCT-SVD方法的一种变异，其中，用2D-DWT来替换2D-DCT。在从图像中获得各随机矩形Ai之后，向每一Ai应用DWT的l层。DC子带被储存为矢量~di∈Rm2/2′,]]>以在下一阶段形成次级表示J。下一步，向J应用SVDJ＝USVT对应于最大的奇异值的第一个左奇异矢量～ui和右奇异矢量～vi在合适的量化之后被储存为散列矢量。
二进制SVD作为在原始域中工作的替代，示例性商品表示器从原始图像形成二进制表示，从而保存了数字商品的重要区域。如果商品是图像，则该方法可对图像像素取阈值，其中，选择阈值级别使得仅图像像素的百分之t被表示为1(或0)。可选地，可选择阈值级别使得在每一子图像中，仅图像像素的百分之t是1(或0)。
给定图像I-二进制图像，在取阈值之后，它可被表示为Ib，并且第一个左二进制奇异矢量和右二进制奇异矢量可被定义成对应于最大奇异值，如下(~ub1,vb1)=argmin~x,~y|Ib⊕~x~yT|H]]>其中，～x和～y二进制矢量和是二进制异或操作。可选地，可找到其它奇异矢量，使得第(k+1)个奇异矢量对从Ib⊕Σl=1k~ubl~vbl,]]>k＞1导出，且用于相加。
因此，在取阈值之后，可找到每一二进制子图像的第一个二进制奇异矢量，并形成集合Γ＝{～ub1，...，～ubp，～vb1，...，～vbp}。在第二阶段中形成次级二进制表示Jb之后，示例性商品表示器通过在r个伪随机选择的区域上使用二进制SVD来继续。最终的散列值由～h＝{uj1，...，ujr，～vk1，...，vjr}给出。
直接SVDT1可用作单位变换，并直接使用分组。这一思想可容易地适用于可在取阈值之后形成的二进制数字商品(如，二进制图像Ib)。从每一大小为m×m的分组Ai，直接从商品的样值形成矢量~di∈Rm2.]]>次级表示J直接从Γ＝{～d1，...，～dp}生成。下一步，示例性商品表示器向J应用SVDJ＝USVT并将第一个左奇异矢量～u1和右奇异矢量～v1储存为散列矢量。
用于生成数字商品的表示的示例性系统图2示出了用于生成数字商品的表示的示例性系统200，它是示例性商品表示器的实施例的一个示例。
系统200生成数字商品的表示(如，散列值)。在本示例中，数字商品是图像。系统200包括商品获取器210、分区器220、区域统计量计算器230和输出设备240。
商品获取器210获取数字商品205(如，音频信号或数字图像)。它可从几乎任何来源获取商品，如存储设备或通过网络通信链路。除获取之外，商品获取器410也可规范化商品的幅度。在这一情况下，它也可被称为幅度规范化器。
分区器220将商品划分成多个、伪随机大小的、伪随机划分的区域(即，分区)。这些区域可重叠(但是不必要重叠)。
例如，如果商品是图像，它可被划分成伪随机大小和位置的二维多边形(如，区域)。在另一示例中，如果商品是音频信号，则该音频剪辑的二维表示(使用频率和时间)可被划分成伪随机大小和位置的二维多边形(如，三角形)。
在本实现中，区域实际上可彼此重叠。
对于每一区域，区域统计计算器230计算分区器220生成的多个区域的统计量。计算每一区域的统计量。由计算器230计算的统计量可以是上文在块130和160中描述的特征矢量。
输出设备240可呈现区域统计量计算器230的结果(对每一区域或组合)。这些结果可被储存或用于将来的计算。
示例性商品表示器的应用示例示例性商品表示器对各种应用有用。这些应用可包括对抗性和非对抗性情形。
某些非对抗性应用可包括信号数据库中的搜索问题、非对抗性媒体中的信号监控。在非对抗性应用中，在整个图像上应用本方法可产生有利的结果。本算法的又一应用可以是若干认证应用为紧缩地描述人类的有区别的特征(脸部图片、虹膜图片、指纹等)，应用可使用其散列值，其中，散列值由示例性商品表示器产生。
示例性计算系统和环境图3示出了可在其中实现(完全或部分地)本发明所描述的示例性商品表示器的合适的计算环境300的示例。计算环境300可在本发明所描述的计算机和网络体系结构中使用。
示例性计算环境300仅为计算环境的一个示例，并非暗示对计算机和网络体系结构的使用范围或功能的局限。也不应将计算环境300解释为对示例性计算环境300中示出的任一组件或其组合具有依赖或要求。
示例性商品表示器可以使用众多其它通用或专用计算系统环境或配置来实现。适合使用的众所周知的计算系统、环境和/或配置包括但不限于个人计算机、服务器计算机、薄客户机、厚客户机、手持式或膝上设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费者电子设备、网络PC、小型机、大型机、包括任一上述系统或设备的分布式计算环境等等。
示例性商品表示器可在诸如由计算机执行的程序模块等计算机可执行指令的一般上下文环境中描述。一般而言，程序模块包括例程、程序、对象、组件、数据结构等等，执行特定的任务或实现特定的抽象数据类型。示例性商品表示器也可以在分布式计算环境中实践，其中，任务由通过通信网络连接的远程处理设备来执行。在分布式计算环境中，程序模块可以位于本地和远程计算机存储媒质中，包括存储器存储设备。
计算环境300包括以计算机302形式的通用计算装置。计算机302的组件可包括但不限于，一个或多个处理器或处理单元304、系统存储器306以及将包括处理器304的各类系统组件耦合至系统存储器306的系统总线308。
系统总线308可以是若干种总线结构类型的任一种，包括存储器总线或存储器控制器、外围总线、加速图形端口以及使用各类总线体系结构的处理器或局部总线。作为示例而非局限，这类体系结构包括卡式总线(CardBus)、个人计算机存储卡国际协会(PCMCIA)、加速图形端口(AGP)、小型计算机系统接口(SCSI)、通用串行总线(USB)、IEEE 1394、视频电子技术标准协会(VESA)局部总线以及外围部件互连(PCI)总线，也称为Mezzanine总线。
计算机302通常包括各种处理器可读媒质。这类媒质可以是可由计算机302访问的任一可用媒质，并包括易失和非易失媒质、可移动和不可移动媒质。
系统存储器306包括以易失存储器形式的处理器存储媒质，如随机存取存储器(RAM)310，和/或非易失存储器形式的处理器可读媒质，如只读存储器(ROM)312。基本输入/输出系统(BIOS)314包括如在启动时帮助在计算机302内的元件之间传输信息的基本例程，通常储存在ROM 312中。RAM 310通常包含处理单元304立即可访问或者当前正在操作的数据和/或程序模块。
计算机302也可包括其它可移动/不可移动、易失/非易失计算机存储媒质。作为示例，图3示出了对不可移动、非易失磁媒质(未示出)进行读写的硬盘驱动器316、对可移动、非易失磁盘320(如，“软盘”)进行读写的磁盘驱动器318以及对可移动、非易失光盘324，如CD-ROM、DVD-ROM或其它光媒质进行读写的光盘驱动器322。硬盘驱动器316、磁盘驱动器318和光盘驱动器322通常通过一个或多个数据媒质接口325连接到系统总线308。可选地，硬盘驱动器316、磁盘驱动器318和光盘驱动器322可通过一个或多个接口(未示出)连接到系统总线308。
盘驱动器及其相关的处理器可读媒质为计算机302提供了计算机可执行指令、数据结构、程序模块和其它数据的非易失存储。尽管示例示出了硬盘316、可移动磁盘320以及可移动光盘324，可以理解，也可以使用储存可由计算机访问的数据的其它类型的处理器可读媒质，如盒式磁带或其它磁存储设备、闪存卡、CD-ROM、数字多功能盘(DVD)或其它光存储、随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)等等，来实现示例性计算系统和环境。
任意数量的程序模块可储存在硬盘316、磁盘320、光盘324、ROM 312和/或RAM 310中，作为示例，包括操作系统326、一个或多个应用程序328、其它程序模块330以及程序数据332。
用户可以通过输入设备，如键盘334和定位设备336(如，“鼠标”)向计算机302输入命令和信息。其它输入设备338(未具体示出)可包括麦克风、操纵杆、游戏垫、圆盘式卫星天线、串行端口、扫描仪和/或其类似物。这些和其它输入设备通常通过耦合至系统总线308的输入/输出接口340连接到处理单元304，但也可通过其它接口和总线结构连接，如并行端口、游戏端口或通用串行总线(USB)。
监视器342或其它类型的显示设备也通过接口，如视频适配器344连接到系统总线308。除监视器之外，其它输出外围设备可包括诸如扬声器(未示出)和打印机346等组件，它们通过输入/输出接口340连接到计算机302。
计算机302可以在使用到一个或多个远程计算机，如远程计算机348的逻辑连接的网络化环境中操作。作为示例，远程计算机348可以是个人计算机、便携式计算机、服务器、路由器、网络PC、对等设备或其它公用网络节点等等。远程计算装置348被示出为包括此处所描述的涉及计算机302的许多或所有元件和特征的便携式计算机。
计算机302和远程计算机348之间的逻辑连接被描述为局域网(LAN)350和广域网(WAN)352。这类网络环境常见于办公室、企业范围计算机网络、内联网以及因特网。这类网络环境可以是有线或无线的。
当在LAN网络环境中实现时，计算机302通过网络接口或适配器354连接至局域网350。当在WAN网络环境中实现时，计算机302通常包括调制解调器356或其它装置，用于通过广域网352建立通信。调制解调器356可以对计算机302是内置或外置的，它可通过输入/输出接口340或其它适当的机制连接至系统总线308。可以理解，示出的网络连接是示例性的，也可以使用在计算机302和348之间建立通信链路的其它装置。
在诸如用计算环境300所示的网络化环境中，所描述的涉及计算机302的程序模块或其部分可储存在远程存储器存储设备中。作为示例，远程应用程序358驻留在远程计算机348的存储器设备上。为说明目的，此处，应用程序和其它可执行程序程序组件，如操作系统，作为离散的块示出，尽管可以认识到，这些程序和组件在不同的时刻驻留在计算装置302的不同存储组件中，并可由计算机的数据处理器执行。
处理器可执行指令示例性商品表示器的一个实现可在诸如由一个或多个计算机或其它设备执行的处理器可执行指令的一般上下文中描述。一般而言，程序模块包括例程、程序、对象、组件、数据结构，它们执行特定的任务或实现特定的抽象数据类型。通常，如各个实施例所要求的，程序模块的功能可被组合或分散。
示例性操作环境图3示出了可在其中实现示例性商品表示器的合适的操作环境300的一个示例。具体地，本发明所描述的示例性商品表示器可由图3的任何程序模块328-330和/或操作系统326或其部分(完全或部分地)实现。
该操作环境仅为合适的操作环境的一个示例，并非暗示对本发明所描述的示例性商品表示器的使用范围或功能的局限。适合使用的众所周知的计算系统、环境和/或配置包括但不限于个人计算机(PC)、服务器计算机、手持式或膝上设备、多处理器系统、基于微处理器的系统、可编程消费者电子设备、无线电话和设备、通用和专用设备、应用专用集成电路(ASIC)、网络PC、小型机、大型机、包括任一上述系统或设备的分布式计算环境等等。
处理器可读媒质示例性商品表示器的实现可储存在某一形式的处理器可读媒质上，或通过其发送。处理器可读媒质可以是可由计算机访问的任一可读媒质。作为示例，处理器可读媒质可包括但不限于“计算机存储媒质”和“通信媒质”。
“计算机存储媒质”包括以用于储存诸如计算机可读指令、数据结构、程序模块或其它数据等信息的任一方法或技术实现的易失和非易失，可移动和不可移动媒质。计算机存储媒质包括但不限于，RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储设备、或可以用来储存所期望的信息并可由计算机访问的任一其它媒质。
“通信媒质”通常在诸如载波或其它传输机制的已调制数据信号中包含计算机可读指令、数据结构、程序模块或其它数据。通信媒质也包括任一信息传送媒质。
术语“已调制数据信号”指以对信号中的信息进行编码的方式设置或改变其一个或多个特征的信号。作为示例而非局限，通信媒质包括有线媒质，如有线网络或直接连线连接，以及无线媒质，如声学、RF、红外和其它无线媒质。上述任一的组合也应当包括在处理器可读媒质的范围之内。
总结尽管以对结构特征和/或方法步骤专用的语言描述了本发明，然而可以理解，所附权利要求书中定义的本发明不必要限于所描述的具体特征或步骤。相反，揭示了具体特征和步骤作为实现本发明的较佳形式。
权利要求
1.一种具有处理器可执行指令的处理器可读媒质，当由处理器执行所述指令时，执行一种包括在定义的表示域中表示数字商品的方法，其中，该表示是基于矩阵不变性的。
2.如权利要求1所述的媒质，其特征在于，所述方法还包括提取所述数字商品的健壮伪随机特征，其中，所述特征在所定义的表示域内。
3.如权利要求1所述的媒质，其特征在于，所述矩阵不变性包括奇异值分解(SVD)。
4.如权利要求1所述的媒质，其特征在于，所述数字商品选自一包括数字图像、数字音频剪辑、数字视频、数据库和软件图象的组。
5.一种计算装置，其特征在于，它包括一音频/视频输出；一如权利要求1所述的媒质。
6.一种具有处理器可执行指令的处理器可读媒质，当由处理器执行所述指令时，执行一种方便数字商品的保护的方法，其特征在于，所述方法包括获取一数字商品；将所述商品划分成多个区域；计算所述多个区域的一个或多个的统计量，使得所述区域的统计量表示该区域，其中，所计算的统计量是基于矩阵不变性的。
7.如权利要求6所述的媒质，其特征在于，所述多个区域的至少某些是重叠的。
8.如权利要求6所述的媒质，其特征在于，所述划分包括伪随机地将所述商品分割成多个区域。
9.如权利要求6所述的媒质，其特征在于，所述矩阵不变性包括奇异值分解(SVD)。
10.如权利要求6所述的媒质，其特征在于，所述数字商品选自一包括数字图像、数字音频剪辑、数字视频、数据库和软件图象的组。
11.如权利要求6所述的媒质，其特征在于，所述方法还包括产生包括所述一个或多个区域的所计算的统计量的输出。
12.一种由权利要求11所述的媒质生成的已调制信号。
13.一种包括权利要求6所述的一个或多个处理器可读媒质的计算机。
14.一种方法，其特征在于，它包括获取一数字商品；将所述商品划分成多个区域；从所述多个区域提取健壮特征，其中，所述特征是基于矩阵不变的奇异值分解(SVD)的。
15.如权利要求14所述的方法，其特征在于，所述多个区域的至少某些是重叠的。
16.如权利要求14所述的方法，其特征在于，所述划分包括伪随机地将所述商品分割成多个区域。
17.如权利要求14所述的方法，其特征在于，所述数字商品选自一包括数字图像、数字音频剪辑、数字商品、数据库和软件图象的组。
18.如权利要求14所述的方法，其特征在于，所述方法还包括产生包括所述一个或多个区域的健壮特征的输出。
19.一种系统，其特征在于，它包括一获取器，它被配置成获取一数字商品；一分区器；它被配置成将所述商品划分成多个区域；一计算器，它被配置成计算所述多个区域的一个或多个的统计量，使得所述区域的统计量表示该区域，其中，所计算的统计量是基于矩阵不变性的。
20.如权利要求19所述的系统，其特征在于，所述多个区域的至少某些是重叠的。
21.如权利要求19所述的系统，其特征在于，所述分区器还被配置成伪随机地将所述商品分割成多个区域。
22.如权利要求19所述的系统，其特征在于，所述矩阵不变性包括奇异值分解(SVD)。
23.如权利要求19所述的系统，其特征在于，所述数字商品选自一包括数字图像、数字音频剪辑、数字视频、数据库和软件图象的组。
24.如权利要求19所述的系统，其特征在于，它还包括一输出设备，它被配置成产生包括所述一个或多个区域的所计算的统计量的输出。
全文摘要
本发明所描述的是一种在新定义的表示域中产生数字商品(如图像)的新表示的实现。特别地，该新域中的表示是基于矩阵不变性的。在某些实现中，矩阵不变性可以例如大量地使用奇异值分解(SVD)。
文档编号G06Q50/00GK1638328SQ20041010061
公开日2005年7月13日 申请日期2004年12月1日 优先权日2004年1月6日
发明者M·K·米卡克, R·文卡特杉, S·S·科扎特 申请人:微软公司