基于深度学习的零水印鲁棒算法制造技术

本发明专利技术公开了一种基于深度学习的零水印鲁棒算法，具体包括如下步骤：步骤1，在知识版权保护中心注册时间以得到时间戳；步骤2，将宿主图像H和带有时间戳的水印图像B一起输入VGG

【技术实现步骤摘要】
基于深度学习的零水印鲁棒算法


[0001]本专利技术属于版权
，涉及一种基于深度学习的零水印鲁棒算法。

技术介绍

[0002]在这个数字信息时代，图像作为信息传播的有效载体，在人们的生活、工作和通信中发挥着重要的作用。随着计算机的快速发展，每个人都可以从互联网上下载。这使得版权保护面临着巨大的挑战。水印是一种有效的版权保护途径。但是，数字水印技术无法平衡鲁棒性和不可见性之间的矛盾。为了平衡这种矛盾关系，人们提出了零水印技术。现有的零水印算法通过变换域将图像具体的、鲁棒的特征提取出来构造零水印图像。然而事实上，这些特征无法在受到攻击时仍然稳健。

技术实现思路

[0003]本专利技术的目的是提供一种基于深度学习的零水印鲁棒算法，解决了目前零水印技术中普遍存在鲁棒性差的问题。
[0004]本专利技术所采用的技术方案是，基于深度学习的零水印鲁棒算法，具体包括如下步骤：
[0005]步骤1，在知识版权保护中心注册时间以得到时间戳；
[0006]步骤2，将宿主图像H和带有时间戳的水印图像B一起输入VGG
‑
19网络中，VGG
‑
19网络输出一个带有时间戳的图像O，将图像O进行加密，并将加密后的图像O在知识版权保护中心注册为零水印图像；
[0007]步骤3，采用步骤2所得的图像制作数据集，并将数据集输入到训练完成的RCNN卷积神经网络中，网络输出结果是带有时间戳的水印图像，完成零水印的提取验证过程。
[0008]本专利技术的特点还在于：
[0009]步骤1的具体过程为：
[0010]步骤1.1，用户将需要加时间戳的文件用Hash编码加密形成摘要；
[0011]步骤1.2，用户提出时间戳请求，Hash值被传递给时间戳服务器；
[0012]步骤1.3，时间戳服务器采用权威时间源，由国家授时中心负责授时和守时；
[0013]步骤1.4，由第三方时间戳服务机构对电子数据摘要和权威时间记录进行数字签名生成时间戳。
[0014]步骤2的具体过程为：
[0015]步骤2.1，对宿主图像和带有时间戳的水印图像进行预处理；
[0016]步骤2.2，对宿主图像和带有时间戳的水印图像进行语义分割得到宿主分割图像HS和水印分割图像BS；
[0017]步骤2.3，利用VGG
‑
19网络模型对步骤2.2所得图像进行风格迁移；
[0018]步骤2.4，计算内容损失、风格损失和正则化项；
[0019]步骤2.5，以网络初始化图像为带有时间戳的水印图像进行训练，输出结果为带有
H风格的图像O；
[0020]步骤2.6、将风格化图像O通过猫变换算法进行加密，并在知识版权保护中心注册为零水印图像。
[0021]步骤2.1的具体过程为：
[0022]步骤2.1.1，确定宿主图像为风格图片H，确定带有时间戳的水印图片为内容图片B；
[0023]步骤2.1.2，通过下采样将内容图片B和风格图片H大小统一为相同尺寸；
[0024]步骤2.1.3，制作一张水印图片，该水印图片是普通彩色图像即可。
[0025]步骤3的具体过程为：
[0026]步骤3.1，对步骤2所得的零水印图像进行解密；
[0027]步骤3.2，制作数据集，将数据集以24:1的比例分为训练集与测试集；
[0028]步骤3.3，搭建用于提取水印图像的卷积神经网络RCNN；
[0029]步骤3.4，确定损失函数；
[0030]步骤3.5，将数据集中的训练集用于RCNN网络的训练，直到损失函数收敛，用测试集测试网络性能。
[0031]本专利技术的有益效果如下：
[0032]1.本专利技术提出提取图像风格、颜色特征和版权信息来构造零水印图像。
[0033]2.该算法适用于所有彩色图像，因为其都有风格和颜色特征。
[0034]3.零水印生成和提取验证过程均采用卷积神经网络完成，简单、快速、安全。只有经过良好训练的网络才能成功提取水印信息。此外，网络参数、框架和数据集不易被窃取。
附图说明
[0035]图1是本专利技术基于深度学习的零水印鲁棒算法的总体流程图；
[0036]图2是本专利技术基于深度学习的零水印鲁棒算法的零水印构造流程图；
[0037]图3是本专利技术基于深度学习的零水印鲁棒算法的带有时间戳的水印图像B；
[0038]图4是本专利技术基于深度学习的零水印鲁棒算法的零水印提取验证的RCNN网络结构图。
具体实施方式
[0039]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0040]本专利技术基于深度学习的零水印鲁棒算法，具体按照图1所示步骤实施：
[0041]步骤1、在知识版权保护中心注册时间以得到时间戳；
[0042]步骤1具体按照以下步骤实施：
[0043]步骤1.1、用户将需要加时间戳的文件用Hash编码加密形成摘要；
[0044]步骤1.2、用户提出时间戳请求，Hash值被传递给时间戳服务器；
[0045]步骤1.3、时间戳服务器采用权威时间源，由国家授时中心负责授时和守时；
[0046]步骤1.4、由可信第三方时间戳服务机构(如:知识产权保护中心)对电子数据摘要和权威时间记录进行数字签名生成时间戳。
[0047]步骤2、将宿主图像H(风格图像)和带有时间戳的水印图像B(内容图像)水印图像B
如图3所示，一起输入VGG
‑
19网络中，网络输出一个带有时间戳的图像O(风格化图像)。该图像通过置乱算法进行加密，并在知识版权保护中心注册为零水印图像Z，完成零水印的生成过程。生成过程如图2所示；
[0048]步骤2具体按照以下步骤实施，如图2所示：
[0049]步骤2.1，对宿主图像和水印图像进行预处理；
[0050]步骤2.1具体按照以下步骤实施：
[0051]步骤2.1.1、确定宿主图像为风格图片H，确定带有时间戳的水印图片为内容图片B；
[0052]步骤2.1.2、在输入网络之前，需要对图像进行预处理，通过下采样将内容图片B和风格图片H大小统一为128*128，之后将每一个像素的大小减去整幅图像素的平均数；
[0053]步骤2.1.3、制作一张水印图片，该水印图片是普通彩色图像即可；
[0054]步骤2.2，对宿主图像和水印图像进行语义分割得到宿主分割图像HS和水印分割图像BS；
[0055]步骤2.2具体按照以下步骤实施：
[0056]步骤2.2.1、采用resnet101作为骨架网络进行图像特征提取，将H和B先后输入网络中；
[0057]步骤2.2.2、采用联合特征金字塔jfp模型将resnet101输出的后三层进行联合；
[0058]步骤2.2.3、将jfp模型的输出接入暗黑空间金字塔aspp模型进一步提取图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的零水印鲁棒算法，其特征在于：具体包括如下步骤：步骤1，在知识版权保护中心注册时间以得到时间戳；步骤2，将宿主图像H和带有时间戳的水印图像B一起输入VGG
‑
19网络中，VGG
‑
19网络输出一个带有时间戳的图像O，将图像O进行加密，并将加密后的图像O在知识版权保护中心注册为零水印图像；步骤3，采用步骤2所得的图像制作数据集，并将数据集输入到训练完成的RCNN卷积神经网络中，网络输出结果是带有时间戳的水印图像，完成零水印的提取验证过程。2.根据权利要求1所述的基于深度学习的零水印鲁棒算法，其特征在于：所述步骤1的具体过程为：步骤1.1，用户将需要加时间戳的文件用Hash编码加密形成摘要；步骤1.2，用户提出时间戳请求，Hash值被传递给时间戳服务器；步骤1.3，时间戳服务器采用权威时间源，由国家授时中心负责授时和守时；步骤1.4，由第三方时间戳服务机构对电子数据摘要和权威时间记录进行数字签名生成时间戳。3.根据权利要求2所述的基于深度学习的零水印鲁棒算法，其特征在于：所述步骤2的具体过程为：步骤2.1，对宿主图像和带有时间戳的水印图像进行预处理；步骤2.2，对宿主图像和带有时间戳的水印图像进...

【专利技术属性】
技术研发人员：刘晶，李倩楠，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：