本发明涉及iot特征提取方法的技术领域，更具体地讲，本发明涉及一种用于iot的无侵入水印提取与嵌入方法。
背景技术：
物联网的飞速发展对物品的溯源提供了新的技术手段，通过对物品的生产、加工、运输的各个环节进行时间戳和电子签章的认证，能够记录物品的历史信息，构成一个可信物联网的时间数据流，从而让消费者能够扫描附带的rfid、二维码或者拍摄识别物体本身进行信息溯源。
人工智能的飞速发展，使得对物体的视觉特征的辨识越来越高效，基于深度学习的图像识别已经能够接近人类的视觉认知水平，对图像特征的快速精确匹配，在物联网、金融认证、生物特征识别等领域有广泛的应用。
现有的与本发明相似的专利有以下五个[1-5]。其中，发明专利[1]申请号:cn201710496927.2，提供了一种农产品在生产过程中的信息监控和上传网络的方法，但是其溯源系统忽略了对可信时间信息的认证环节。发明专利[2]申请号:cn201611042032.3，提出了一种通过签到的方式来记录考勤信息的系统，虽然能够认证时间信息，但是缺少对物品的附着性，时间信息不能关联到任意的物品上，并且缺少可移动性，考勤装置不能便捷的移动，因此无法对iot网络中的商品流通进行监管。发明专利[3]申请号:cn201710120913.0，提供了一种基于密钥加密的安全时间戳认证方法，能够对物品的标签关联水印信息，但是其关联方法是传统的标签印刷技术，并没有利用图像水印和图像识别技术，是一种侵入式、接触式的时间认证方式。发明专利[4]申请号：cn201611054170.3，在网络通信领域提出了一种基于硬件的报文时间信息嵌入方式，属于网络数据通信的时间认证方式，不适合用于iot中物品生产流通信息的监管。发明专利[5]申请号:cn201710253044.9，提出了一种基于图像颜色特征的水印嵌入方法，其所利用的图像像素信息与本发明中的特征构造方法有很大的不同，其水印嵌入方式是一种侵入性的方式，仅适合数字媒体图像的版权保护，不能用于对实际物体的辨识。
技术实现要素：
基于此，有必要提供一种用于iot的无侵入水印提取与嵌入方法以解决上述的技术问题。
本发明的一个技术方案是：
一种用于iot的无侵入水印提取与嵌入方法，其特征在于，其包括以下步骤：
s1、对原始图像i(x,y)进行光照的均衡化处理；
s2、对s1中经过光照均衡处理的图像进行纹理和颜色特征的提取；
s3、将步骤s2中所提取的特征在高维度矢量空间中进行建模，增加所提取的特征所在原始图像中的坐标位置分布的信息，进行几何形状特征的构造；
s4、将步骤s3中在高维度矢量空间中建好模的特征送入预先训练好的编码器，进行编码，获得该图像对应的唯一的水印信息；
s5、将步骤s4中所述的图像对应的唯一的水印信息，存储于网络数据中心的存储空间中，关联扩展的数据信息，其中，所述数据信息包括时间、地点以及附加的用户点评信息。
在其中一实施例中，所述步骤s1中光照的均衡化处理采用以下算法：
r＝w1[log(i(x,y))-log(f1(x,y)*i(x,y))]+w2[log(i(x,y))-log(f2(x,y)*i(x,y))]，
其中，w为每个尺度的权重系数，f为高斯滤波器，x和y为图像像素点坐标。
在其中一实施例中，纹理特征包括：dsp-sift特征、gms特征、图像边缘特征、图像角点特征；颜色特征包括：hsv颜色空间、rgb颜色空间、tsl颜色空间、ycrcb颜色空间中的颜色像素分布概率密度函数；
其中，dsp-sift特征的提取方法如下：
h(θ|i)[x]＝∫p(θ|i,s)[x]e(s)ds
其中，h是特征提取函数，θ是特征的角度方向，在0～2π之间取值，x代表图像中的一个位置，p是sift特征的提取函数，s是图像尺度，e是指数函数。
在其中一实施例中，所述将步骤s2中所提取的特征在高维度矢量空间中进行建模，包括以下步骤：
s41、提取n个特征点的坐标位置(xi,yi)，构成坐标形状的一维形状矢量s＝{x1,y1,x2,y2,...xn,yn}，以用于统计建模，每两个特征点之间，构成一个线段，代表特征点之间的几何位置关系；
s42、将s进行多变量高斯分布模型的概率密度估计，获得均值向量u，形状矢量s的多变量高斯分布如下：
p(s)＝1/((2π)^(d/2)|σ|^(1/2))exp[-0.5(s-u)'σ^(-1)(s-u)]
其中，p代表其概率分布，d代表特征维数，σ代表协方差矩阵，^代表幂运算符号，'代表矩阵转置运算符号；
s43、利用均值向量u，计算形状矢量s与u之间的相对距离矢量d；
s44、将提取的n个特征点的特征数值与相对距离矢量进行合并扩展特征向量维数。
在其中一实施例中，所述步骤s4中高维度矢量空间中建好模的特征送入预先训练好的编码器，进行编码包括以下步骤：
s51、采集同类物品的样本图像，按照步骤s3提取图像的特征矢量；
s52、通过自编码器结构训练深度神经网络，获得压缩数据的神经网络各个节点的参数，神经网络的计算方法：h(x)＝w1*x1+w2*x2+w3*x3+...+b，其中w1,w2...为神经元的权重，b为偏置量，x1,x2...为神经元各结点的输入量
定义f:r→r是一个实数域上的映射函数，称为激励函数，神经网络激活函数使用如下形式：
f(z)＝1/(1+e^(-z))
用s代表类别标号，x代表输入特征矢量，y代表神经网络的输出，前l个层的输入向量记为：vl，其中，l是每个网络节点的标号，隐层向量记为：hl，隐层中的m是每个隐层单元的序号，隐含节点的总数量可计算为nl后验概率：
其中，zl(vl)＝(wl)’vl+al。w是权重向量，a是偏置向量；神经网络的输出层对后验概率进行最终的计算：
当神经网络的节点都是二值化的随机数值时，能量函数为：
e(v,h；θ)＝-v’wh-b’vh-a’h
其中参数θ＝{w,a,b}；
s53、提取自编码器中间层的网络节点输出，作为输入图像的水印信息。
在其中一实施例中，所述步骤s5中关联扩展的数据信息包括以下步骤：
s61、根据图像对应的唯一的水印信息进行数据中心存储地址的映射计算，map:wmark→addr
其中，wmark代表水印数据，addr代表数据地址，映射采用线性函数：
map(x)＝{y1,y2,y3...}
yi＝x1*mi1+x2*mi2+x3*mi3+...
映射函数矩阵即为：
s62、对物品所关联的数据信息进行混沌置乱加密；
s63、采用混沌序列与原始数据进行异或运算的方式进行加密：
记混沌序列为{xi},原始数据为序列{si}，将实值序列{si}转换为二进制序列{bi}，通过异或运算xor可以得到经过混沌序列处理过后的输出序列yi,其中i＝1,2,...n×n.
本发明的有益效果：
本发明提出无侵入的水印提取与嵌入方式，在不破坏原图、无需修改原图、仅利用原图的图像数据特征的条件下，将水印信息关联到现实世界中的实际场景或者物品上。其无侵入和无破坏性，使得应用部署措施极为简便，并且天然的具有对各种图像采集设备、网络传输设施的兼容性。与现有的常见技术二维码扫描相比，支持的数据存储量更大，拍摄距离和角度更加方便灵活，并且，利用本发明所提出的图像数据特征的匹配辨识方法，其准确率比同类技术显著提高，可靠性显著增强。对iot中物品或者节点的时间信息携带，能够提高食品、药材等商品的安全性，通过时间信息的溯源获得商品的生产过程关键信息。对iot网络中商品的点评信息，能够保存在水印指向的网络存储空间中，水印提取技术能够分享不同用户的点评信息，同样有利于监督食品或者药材的安全性和流通过程。
附图说明
图1为本发明一种用于iot的无侵入水印提取与嵌入方法流程图；
图2为本发明一种用于iot的无侵入水印提取与嵌入方法中纹理特征的提取流程图；
图3为本发明一种用于iot的无侵入水印提取与嵌入方法中几何特征的构造流程图；
图4为本发明一种用于iot的无侵入水印提取与嵌入方法中水印特征深度神经网络的训练流程图；
图5为本发明一种用于iot的无侵入水印提取与嵌入方法中水印信息的扩展流程图；
图6为本发明一种用于iot的无侵入水印提取与嵌入方法中水印信息的混沌序列加密流程图；
图7为本发明一种用于iot的无侵入水印提取与嵌入方法中时间、地点、点评信息的提取过程流程图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是，本发明可以通过许多不同的形式来实现，并不限于下面所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明提供一种用于iot的无侵入水印提取与嵌入方法，其特征在于，其包括以下步骤：
s1、对原始图像i(x,y)进行光照的均衡化处理；使的原始图像的值更加容易提取，光照的均衡化处理采用以下算法：
r＝w1[log(i(x,y))-log(f1(x,y)*i(x,y))]+w2[log(i(x,y))-log(f2(x,y)*i(x,y))]，
其中，w为每个尺度的权重系数，f为高斯滤波器，x和y为图像像素点坐标；
s2、对s1中经过光照均衡处理的图像进行纹理和颜色特征的提取；其中，纹理特征包括：dsp-sift特征、gms特征、图像边缘特征、图像角点特征；颜色特征包括：hsv颜色空间、rgb颜色空间、tsl颜色空间、ycrcb颜色空间中的颜色像素分布概率密度函数；
其中，dsp-sift特征的提取方法如下：
h(θ|i)[x]＝∫p(θ|i,s)[x]e(s)ds
其中，h是特征提取函数，θ是特征的角度方向，在0～2π之间取值，x代表图像中的一个位置，p是sift特征的提取函数，s是图像尺度，e是指数函数；
s3、将步骤s2中所提取的特征在高维度矢量空间中进行建模，增加所提取的特征所在原始图像中的坐标位置分布的信息，进行几何形状特征的构造；提取的特征在高维度矢量空间中进行建模，包括以下步骤：
t1、提取n个特征点的坐标位置(xi,yi)，构成坐标形状的一维形状矢量s＝{x1,y1,x2,y2,...xn,yn}，以用于统计建模，每两个特征点之间，构成一个线段，代表特征点之间的几何位置关系；
t2、通过多变量高斯分布估计形状矢量s的概率分布，将s进行多变量高斯分布模型的概率密度估计，获得均值向量u，形状矢量s的多变量高斯分布如下：
p(s)＝1/((2π)^(d/2)|σ|^(1/2))exp[-0.5(s-u)'σ^(-1)(s-u)]
其中，p代表其概率分布，d代表特征维数，σ代表协方差矩阵，^代表幂运算符号，'代表矩阵转置运算符号；
t3、利用均值向量u，计算形状矢量s与u之间的相对距离矢量d；
t4、将提取的n个特征点的特征数值与相对距离矢量进行合并扩展特征向量维数。
s4、将步骤s3中在高维度矢量空间中建好模的特征送入预先训练好的编码器，进行编码，获得该图像对应的唯一的水印信息；进行编码包括以下步骤：
m1、采集同类物品的样本图像，按照步骤s3提取图像的特征矢量；
m2、通过自编码器结构训练深度神经网络，获得压缩数据的神经网络各个节点的参数，神经网络的计算方法：h(x)＝w1*x1+w2*x2+w3*x3+...+b，其中w1,w2...为神经元的权重，b为偏置量，x1,x2...为神经元各结点的输入量，
定义f:r→r是一个实数域上的映射函数，称为激励函数，神经网络激活函数使用如下形式：
f(z)＝1/(1+e^(-z))
用s代表类别标号，x代表输入特征矢量，y代表神经网络的输出，前l个层的输入向量记为：vl，其中，l是每个网络节点的标号，隐层向量记为：hl，隐层中的m是每个隐层单元的序号，隐含节点的总数量可计算为nl后验概率：
其中，zl(vl)＝(wl)’vl+al。w是权重向量，a是偏置向量；神经网络的输出层对后验概率进行最终的计算：
当神经网络的节点都是二值化的随机数值时，能量函数为：
e(v,h；θ)＝-v’wh-b’vh-a’h
其中参数θ＝{w,a,b}；
m3、提取自编码器中间层的网络节点输出，作为输入图像的水印信息。
s5、将步骤s4中所述的图像对应的唯一的水印信息，存储于网络数据中心的存储空间中，关联扩展的数据信息，其中，所述数据信息包括时间、地点以及附加的用户点评信息。关联扩展的数据信息包括以下步骤：
n1、根据图像对应的唯一的水印信息进行数据中心存储地址的映射计算，map:wmark→addr
其中，wmark代表水印数据，addr代表数据地址，映射采用线性函数：
map(x)＝{y1,y2,y3...}
yi＝x1*mi1+x2*mi2+x3*mi3+...
映射函数矩阵即为：
n2、对物品所关联的数据信息进行混沌置乱加密；
n3、采用混沌序列与原始数据进行异或运算的方式进行加密：
记混沌序列为{xi},原始数据为序列{si}，将实值序列{si}转换为二进制序列{bi}，通过异或运算xor(exclusiveor)可以得到经过混沌序列处理过后的输出序列yi,其中i＝1,2,...n×n.
如图1所示，在iot移动网络中，通过终端设备的摄像设备采集物品或者现场的图像，对图像的纹理特征，如sift、dsp-sift、gms等特征进行提取，构成识别图像目标的数据。在原始图像数据的基础上进行深度自编码神经网络的数据压缩，提取高效的特征表达，形成图像的水印。通过网络数据中心，对该物品或场景的图像水印进行解析，读取对应数据存储地址位置上的物品信息，一般可以包括，时间信息、地点信息、点评信息等。对物品的认证信息采用混沌秘钥进行加密和解密，保护关键数据的安全性，从而实现对iot中现场物品的可信信息提取。
如图2所示，数字图像的特征提取，有多种实现途径，例如，orb特征、sift特征、surf特征、dsp-sift特征，gms特征等，后两种特征是目前为止在图像识别领域效果最好的特征，比深度卷积网络具有更高效的区分能力。通过传统的图像边缘、图像兴趣点(角点)检测，也能提取对图像识别有利的特征，将这些不同维度的特征进行合并，构成识别用的高维度特征，这一原始的特征，能够反映出图像中物品或者场景的视觉特点，然后还需要进行进一步的特征压缩优化处理，才能的到更加高效的数据表达。
如图3所示，对图像特征进行处理，增加特征点所在位置的坐标，将这些坐标扩展成为x轴y轴交替出现的一维特征向量，以进行多变量高斯模型的建模，在诸多图像的均值上，对特征坐标的形状进行规范化，构成几何形状特征，反映出特征点在图像中的相对位置关系。
如图4所示，从数字图像中提取的特征信息，作为原始的水印信息，输入深度神经网络，进行特征的压缩。利用自编码器神经网络结构，其输入层、输出层关于中间的网络节点上下对称，其输出层是对压缩后数据的复原。在训练网络的过程中，代价函数由输出和输入之间的差来定义，通过训练使得误差最小化。训练好的神经网络，其最中间的神经元节点，即是计算了原始数据特征的最佳表达，相当于特征压缩过程，由此获得的特征数据作为图像的水印提取结果。
如图5所示，在网络数据中心，从图像水印进行一定规则的映射，获得存放数据信息的存储地址，在网络数据中心对应的存储地址可以保存该注册物品的信息，例如时间、地点、附加的用户点评信息等。这些信息通过混沌序列的加密保护数据安全。
如图6所示，在iot网络中移动端拍摄物体图片后，近特征的提取和水印信息提取，从网络数据中心解析地址，获取存储的时间地点等信息，通过事先约定的混沌秘钥进行解密，解密后的数据返回发送到移动端，用户即看到可信的溯源信息。
如图7所示，通过tent映射，生成混沌序列，与随机序列具有高度的相似性，以混沌序列作为秘钥，与待加密的信息进行异或运算，得到密文。在解密过程中，将事先约定好的秘钥进行解密运算，恢复明文信息。
为使本发明的上述目的、特征和优点能够更加明显易懂，上面结合附图对本发明的具体实施方式做详细的说明。在上面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于上面描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受上面公开的具体实施例的限制。并且，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。