一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法技术

本发明专利技术公开了一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法，该方法具体为：步骤1：准备训练集与测试集；步骤2：建立抗屏摄文本图像水印模型，步骤3：对抗屏摄文本图像水印模型进行训练；步骤4：将测试集中的图像按张输入至步骤3中训练好的抗屏摄文本图像水印模型中，检测模型的正确率；步骤5：将需要进行水印嵌入的载体图像输入至训练好的抗屏摄文本图像水印模型中，得到水印嵌入后的载体图像，和水印信息。本发明专利技术的方法具有水印容量高、鲁棒性高和实用性强的特点。在实际使用过程中，成本更低、检测精度更高、耗时更短。耗时更短。耗时更短。

【技术实现步骤摘要】
一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法


[0001]本专利技术属于数字媒体版权保护领域。

技术介绍

[0002]随着商业化进程的加速，商业秘密泄露事件频繁发生，导致商业秘密的泄露源跟踪越来越受到关注。对于传统的窃取信息的方式，如扫描和使用电子邮件发送商业文件或复制电子文件等，人们可以通过使用传统鲁棒图像水印方案来跟踪泄漏源。然而，随着智能手机的普及，拍摄已经成为最简单、最有效的信息传输方式，给泄露源跟踪带来了新的挑战。任何有权访问文件的人(如授权员工)可以简单地通过拍照泄露信息，而不留下任何记录。抗屏摄文本图像水印方案可作为泄露源跟踪的有力保证。我们可以在文本图像中嵌入设备标识或员工标识等信息。当偷偷拍摄这些图像时，我们可以从照片中提取相应的信息。然后根据信息查找泄露的设备或员工编号，缩小调查范围，实现问责流程。
[0003]现有的抗屏摄文本图像水印算法主要是通过寻找变换不变域，将水印信息嵌入到不变域内，以期望抵抗屏幕拍摄带来的一系列图像失真，如亮度失真，对比度失真，饱和度失真和图像压缩等失真。通过寻找变换不变域方法来嵌入水印，图像质量取得了一定的效果。然而，这些算法并未考虑文本图像纹理简单的特点，水印信息易受屏摄过程影响，提取精度较低，并不能适用于现实场景。

技术实现思路

[0004]专利技术目的：为了解决上述现有技术存在的问题，本专利技术提供了一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法。
[0005]技术方案：一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法，其特征在于，具体包括如下步骤：
[0006]步骤1：准备训练集与测试集；
[0007]步骤2：建立抗屏摄文本图像水印模型，所述抗屏摄文本图像水印模型包括依次连接的水印嵌入网络，屏幕拍摄模拟网络和水印提取网络；
[0008]步骤3：对抗屏摄文本图像水印模型进行训练：每次训练时，在训练集中选取n张载体图像作为一组载体数据，同时随机生成n个水印信息作为一组水印数据，将该载体数据和水印数据输入至抗屏摄文本图像水印模型中，水印信息通过水印嵌入网络嵌入至相应的载体图像中，得到含水印图像，并通过屏幕拍摄模拟网络对含水印图像进行噪声攻击，得到含水印的噪声图像，最后采用水印提取网络提取噪声图像中的水印；
[0009]步骤4：将测试集中的图像按张输入至步骤3中训练好的抗屏摄文本图像水印模型中，首先测试含水印图像在屏摄情况下的水印信息提取的正确率，若正确率大于预设的阈值，则保留步骤3中训练好的抗屏摄文本图像水印模型；否则采用训练集对步骤3中训练好的抗屏摄文本图像水印模型中的参数进行优化。
[0010]步骤5：将需要进行水印嵌入的载体图像输入至训练好的抗屏摄文本图像水印模
型中，得到水印嵌入后的载体图像，和水印信息。
[0011]进一步的，所述水印嵌入网络包括第一全连接层和依次连接的第一～十九卷积层；水印信息输入至第一全连接层后，对第一全连接层输出的水印特征图进行上采样，将上采样后的水印特征图与载体图像进行拼接操作，生成张量图Input；将该张量图Input输入至第一卷积层，经过第一～十卷积层的卷积操作，每个卷积层输出相应的张量图conv1～conv10，第十卷积层输出张量图conv10，对conv10进行上采样后输入至第十一卷积层，得到张量图conv11，将conv11与conv8拼接后输入至第十二卷积层，得到张量图conv12；对conv12进行上采样后输入至第十三卷积层，得到张量图conv13，将conv13与conv6拼接后输入至第十四卷积层，得到张量图conv14；对conv14进行上采样后输入至第十五卷积层，得到张量图conv15，将conv15与conv4拼接后输入至第十六卷积层，得到张量图conv16；对conv16进行上采样后输入至第十七卷积层，得到张量图conv17，将conv17与conv2拼接后输入至第十八卷积层，得到张量图conv18，将conv18输入到第十九卷积层后得到含水印掩膜图像，将含水印掩膜图像与相应的载体图像相加后得到含水印图像。
[0012]进一步的，所述第一全连接层中的激活函数为采用relu函数，卷积核初始化使用he_normal方法；第一～第十九中的卷积层均采用relu函数，初始化使用he_normal方法，池化层像素填充使用“same”方式。
[0013]进一步的，所述屏幕拍摄模拟网络包括变换层和噪声层，所述变换层对含水印图像进行仿射变换，并将仿射变换后的图像输入至噪声层，所述噪声层对收到图像进行噪声攻击最终得到含水印的噪声图像。
[0014]进一步的，所述水印提取网络包括第二全连接层和依次连接的第二十～第二十七卷积层将含水印的噪声图像输入至第二十卷积层，经过第二十～第二十七卷积层，得到第二十七卷积层输出的张量图conv27，对conv27进行Flatten操作后输入至第二全连接层，采用sigmoid函数对第二全连接层的输出进行激活，得到水印信息。
[0015]进一步的，所述第二十～第二十七卷积层的激活函数为relu函数，卷积核初始化使用he_normal方法，池化层像素填充使用same方法，第二十一～第二十七卷积层的水平滑动和垂直滑动步长值均为2。
[0016]进一步的，所述抗屏摄文本图像水印模型训练时的损失函数包括水印图像损失函数L
C
(I
co
,I
en
)，文本图像损失函数L
t
(I
co
,I
en
)和水印信息损失函数L
W
(W
in
,W
out
)；每个损失函数的表达式如下所示：
[0017]L
C
(I
co
,I
en
)＝MSE(I
co
,I
en
)
[0018][0019]L
W
(W
in
,W
out
)＝
‑
(W
in
*log(W
out
)+(1
‑
W
in
)*log(1
‑
W
out
)
[0020]其中，MSE表示均方误差，I
co
表示载体图像，I
en
表示含水印的图像，表示载体图像的按位反转；W
in
是表示水印信息，W
out
表示提取出的水印信息。
[0021]有益效果：本专利技术的方法具有水印容量高、鲁棒性高和实用性强的特点。在实际使用过程中，成本更低、检测精度更高、耗时更短。
附图说明
[0022]图1为本专利技术模型的总体框架示意图。
[0023]图2为深度神经网络的文本图像实例图。
[0024]图3为水印图像实例图。
[0025]图4为水印嵌入网络结构图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法，其特征在于，具体包括如下步骤：步骤1：准备训练集与测试集；步骤2：建立抗屏摄文本图像水印模型，所述抗屏摄文本图像水印模型包括依次连接的水印嵌入网络，屏幕拍摄模拟网络和水印提取网络；步骤3：对抗屏摄文本图像水印模型进行训练：每次训练时，在训练集中选取n张载体图像作为一组载体数据，同时随机生成n个水印信息作为一组水印数据，将该载体数据和水印数据输入至抗屏摄文本图像水印模型中，水印信息通过水印嵌入网络嵌入至相应的载体图像中，得到含水印图像，并通过屏幕拍摄模拟网络对含水印图像进行噪声攻击，得到含水印的噪声图像，最后采用水印提取网络提取噪声图像中的水印；步骤4：将测试集中的图像按张输入至步骤3中训练好的抗屏摄文本图像水印模型中，测试含水印图像在屏摄情况下的水印信息提取的正确率，若正确率大于预设的阈值，则保留步骤3中训练好的抗屏摄文本图像水印模型；否则采用训练集对步骤3中训练好的抗屏摄文本图像水印模型中的参数进行优化。步骤5：将需要进行水印嵌入的载体图像输入至训练好的抗屏摄文本图像水印模型中，得到水印嵌入后的载体图像，和水印信息。2.根据权利要求1所述的一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法，其特征在于，所述水印嵌入网络包括第一全连接层和依次连接的第一～第十九卷积层；水印信息输入至第一全连接层后，对第一全连接层输出的水印特征图进行上采样，将上采样后的水印特征图与载体图像进行拼接操作，生成张量图Input；将该张量图Input输入至第一卷积层，经过第一～第十卷积层的卷积操作，每个卷积层输出相应的张量图conv1～conv10，第十卷积层输出张量图conv10，对conv10进行上采样后输入至第十一卷积层，得到张量图conv11，将conv11与conv8拼接后输入至第十二卷积层，得到张量图conv12；对conv12进行上采样后输入至第十三卷积层，得到张量图conv13，将conv13与conv6拼接后输入至第十四卷积层，得到张量图conv14；对conv14进行上采样后输入至第十五卷积层，得到张量图conv15，将conv15与conv4拼接后输入至第十六卷积层，得到张量图conv16；对conv16进行上采样后输入至第十七卷积层，得到张量图conv17，将conv17与conv2拼接后输入至第十八卷积层，得到张量图conv18，将conv18输入到第十九卷积层后得到含水印掩膜图像，将含水印掩膜图像与相应的载体图像相加后得到含水印图像。3.根据权利要求2所述的一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法，其特征在于，所述第一全连接层中的激活函数采用relu函数，卷积核初始化使用he_normal方法；第一～第十九中的卷积层均采用relu函数，初始化使用he_normal方法，池化层像素填...

【专利技术属性】
技术研发人员：夏志华，葛苏龙，徐勇，余佩鹏，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：