一种基于水印嵌入的神经网络模型的版权验证方法

本发明涉及数字水印嵌入领域，尤其涉及一种基于水印嵌入的神经网络模型的版权验证方法。

背景技术：

1、随着互联网的快速发展以及打印机、扫描仪等信息存储传输技术越来越普遍的使用，愈来愈多的数字多媒体作品通过互联网得到了大量快速的传播,导致多媒体作品变得越来越容易取得并被非法恣意修改和复制传播,因此数字化信息产品的所有权极其迫切地需要获得保护。如今密码学和信息安全技术在各领域都得到了飞速发展，由此为多媒体作品内容的安全和版权保护提供了有效的支持。作为信息安全的一种关键技术，数字水印在数字信息产品所有权保护方面无疑是一个强有力的解决方案；因此，发明出一种基于水印嵌入的神经网络模型的版权验证方法变得尤为重要；

2、经检索，中国专利号cn113987429a公开了基于水印嵌入的神经网络模型的版权验证方法，该发明虽然提高了水印嵌入的效率，同时减少水印对神经网络模型本身的影响，同时减少水印对神经网络模型本身功能的影响，而且嵌入效果更加稳固，水印不易被抹除或者伪造，提高了水印的通用性以及鲁棒性，但是需要进行下采样处理，无法实现水印的高度压缩；此外，现有的基于水印嵌入的神经网络模型的版权验证方法需工作人员手动设置参数，神经网络验证精度低；为此，我们提出一种基于水印嵌入的神经网络模型的版权验证方法。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于水印嵌入的神经网络模型的版权验证方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于水印嵌入的神经网络模型的版权验证方法，该验证方法具体步骤如下：

4、(1)收集水印数据以建立水印字典；

5、(2)对获取的水印字典进行记录；

6、(3)构建一组嵌入神经网络并进行优化；

7、(4)嵌入神经网络接收图像并进行验证。

8、作为本发明的进一步方案，步骤(1)中所述水印字典具体建立步骤如下：

9、步骤一：计算机获取各组原始图像，之后对各组原始图像进行一级冗余离散小波变换处理以获取四组子带ll、lh、hl以及hh，并选择ll作为主子带产生字典；

10、步骤二：通过arnold变换算法对主子带ll进行置乱处理，之后对处理后的主子带ll进行奇异值分解以获得正交矩阵u、v以及奇异值矩阵s，依据正交矩阵v生成水印字典，之后通过水印字典生成对应稀疏字典。

11、作为本发明的进一步方案，步骤二中所述置乱处理具体步骤如下：

12、步骤ⅰ：给定变换次数k以及大小为n×n的图像，之后重复对给定图像的每组像素坐标进行变换以获取当前新坐标顺序，其中，具体变换公式如下：

13、

14、其中，x以及y代表变换前像素的横、纵坐标；x'以及y'代表变换后像素的横、纵坐标；mod代表模运算；

15、步骤ⅱ：当变换次数达到指定次数k后停止继续变换，并获取当前坐标位置，将原图像各组坐标位置上的像素一一映射到新的坐标位置上以获得置乱后的图像。

16、作为本发明的进一步方案，步骤(3)中所述嵌入神经网络具体优化步骤如下：

17、步骤①：嵌入神经网络从云服务器提取多组水印数据，并从中选择一组作为观测数据，之后使用剩下的水印数据拟合一组测试模型，并用观测数据来验证测试模型的精度，并重复n次利用均方根误差对该测试模型的预测能力进行计算；

18、步骤②：对生成的参数进行参数优化处理，之后初始化参数范围，并建立数据样本，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，通过训练集训练完模型后，对测试集进行预测，统计测试结果的均方根误差；

19、步骤③：求取最优参数组合，同时将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对各组数据都进行一次预测，通过选取均方根误差最小时对应的组合参数做为最优的参数。

20、作为本发明的进一步方案，步骤①中所述均方根误差具体计算公式如下：

21、

22、其中，e(yi)表示第i个实际观测值；yi为模型反演出的第i个预测值；n是观测样本总数。

23、作为本发明的进一步方案，步骤(4)中所述嵌入神经网络具体水印验证步骤如下：

24、第一步：嵌入神经网络对各组水印标记图像执行冗余离散小波变换、anorld置乱以及svd处理提取该图像的奇异值矩阵，并通过解码函数提取相关稀疏表示；

25、第二步：使用获取的水印字典重构稀疏编码水印，再计算各组稀疏编码水印方差系数，并筛选出能够表示版权信息的特征参数，并筛除对于表征能力差的特征参数，之后将各组稀疏编码水印分为测试集以及训练集，并通过标准化处理将训练集处理成训练样本；

26、第三步：将训练样本输送到嵌入神经网络中，将最优参数设置为模型参数，采用长期迭代法训练该嵌入神经网络，并将测试集输入到训练好的模型中，并输出验证结果。

27、作为本发明的进一步方案，第二步中所述标准化处理具体计算公式如下：

28、

29、其中，x表示提出的特征参数；mean(x)表示对所提特征参数进行平均处理；std(x)表示对特征参数求标准差。

30、相比于现有技术，本发明的有益效果在于：

31、1、该基于水印嵌入的神经网络模型的版权验证方法相较于以往验证方法，本发明通过计算机获取各组原始图像，之后对各组原始图像进行一级冗余离散小波变换处理以获取四组子带ll、lh、hl以及hh，并选择ll作为主子带产生字典，之后给定变换次数以及大小为n×n的图像，之后重复对给定图像的每组像素坐标进行变换，当变换次数达到指定次数后停止继续变换，并获取当前坐标位置，将原图像各组坐标位置上的像素一一映射到新的坐标位置上以获得置乱后的图像，之后对处理后的主子带ll进行奇异值分解以获得正交矩阵u、v以及奇异值矩阵s，依据正交矩阵v生成水印字典，之后通过水印字典生成对应稀疏字典，能够省略了下采样环节，实现了水印的高度压缩，改善了水印的不可感知性；

32、2、该基于水印嵌入的神经网络模型的版权验证方法通过嵌入神经网络从云服务器提取多组水印数据，并拟合一组测试模型，验证测试模型的精度，再利用均方根误差对该测试模型的预测能力进行计算，对生成的参数进行参数优化处理，之后通过选取均方根误差最小时对应的组合参数做为最优的参数，然后嵌入神经网络对各组水印标记图像进行相应处理，之后计算各组图像方差系数并进行数据筛选，最后将各组稀疏编码水印分为测试集以及训练集，将最优参数设置为模型参数，采用长期迭代法训练该嵌入神经网络，并将测试集输入到训练好的模型中，并输出验证结果，能够自行寻找模型最优参数，无需工作人员手动设置参数，提高神经网络验证精度，方便工作人员操作。

技术特征：

1.一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，该验证方法具体步骤如下：

2.根据权利要求1所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，步骤(1)中所述水印字典具体建立步骤如下：

3.根据权利要求2所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，步骤二中所述置乱处理具体步骤如下：

4.根据权利要求1所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，步骤(3)中所述嵌入神经网络具体优化步骤如下：

5.根据权利要求4所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，步骤①中所述均方根误差具体计算公式如下：

6.根据权利要求4所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，步骤(4)中所述嵌入神经网络具体水印验证步骤如下：

7.根据权利要求6所述的一种基于水印嵌入的神经网络模型的版权验证方法，其特征在于，第二步中所述标准化处理具体计算公式如下：

技术总结
本发明公开了一种基于水印嵌入的神经网络模型的版权验证方法，属于数字水印嵌入领域，该验证方法具体步骤如下：(1)收集水印数据以建立水印字典；(2)对获取的水印字典进行记录；(3)构建一组嵌入神经网络并进行优化；(4)嵌入神经网络接收图像并进行验证；本发明能够省略了下采样环节，实现了水印的高度压缩，改善了水印的不可感知性，能够自行寻找模型最优参数，无需工作人员手动设置参数，提高神经网络验证精度，方便工作人员操作。

技术研发人员：黄梓杰
受保护的技术使用者：厦门大学嘉庚学院
技术研发日：
技术公布日：2024/1/13