一种基于AI模型的高鲁棒性水印嵌入方法技术

本发明专利技术公开了一种基于AI模型的高鲁棒性水印嵌入方法。首先图像拥有者先使用一个训练好的AI模型将水印信息嵌入进图像中，并将带有水印信息的图像发送至云端或社交媒体上。之后，接收者可以下载这些带有水印信息的图像，并使用预训练好的提取模型将水印从图像中取出，以此来证明图像的真实性和有效性。本发明专利技术将深度学习与水印算法相结合，并对AI模型设计了多种训练策略，实现了高创新性、高安全性以及高鲁棒性的水印嵌入算法。相比于其他现有的水印嵌入算法，本发明专利技术不仅继承了在传统方法中计算复杂度低、安全性高的优点，而且在深度学习的帮助下，所生成的含水印信息的图像和自然图像并没有区别，还可以抵御多种隐写分析以及恶意攻击。恶意攻击。恶意攻击。

【技术实现步骤摘要】
一种基于AI模型的高鲁棒性水印嵌入方法


[0001]本专利技术属于信息安全中的图像内容安全领域，具体涉及一种基于AI模型的高鲁棒性水印嵌入方法。

技术介绍

[0002]随着5G传输技术和互联网的飞速发展，基于云存储的社交媒体软件已经成为人们日常生活中不可或缺的智能工具。越来越多的用户使用社交平台来发布自己的私人数据。然而，在这些公开的场合，一些恶意攻击者可能会非常轻易的取得这些数据，并用于一些牟利行为。因此，如何在社交平台中保护自己的数据，防止被恶意盗取，已经成为越来越多学者研究的问题。水印嵌入是一种常见的网络安全技术，其可以直接在原始图像中嵌入精心设计且不可察觉的水印，以此来保护这些数据的版权。以图像为例，嵌入的水印可以成为保护图像主要手段，若图像被恶意攻击者盗取，图像拥有者可以从这些图像中提取出自己嵌入的水印以此来证明图像的所属权；也可以在批量的图像中嵌入特定的水印，合法的接收者可以从这些图像中提取出所嵌入的水印，以此来验证图像的真实性以及有效性。
[0003]随着计算机的软、硬件的不断升级，基于深度学习的水印嵌入算法，得到了越来越多人的关注。这种技术可以将水印信息以人眼无法察觉的方式嵌入原始图像中。虽然传统的水印嵌入算法也能提供高质量的伪装图像，但是这些图像是由原始图像直接修改而来的，因此无法对抗一些针对图像的恶意攻击，而且也很难能逃脱基于深度学习的隐写分析检测。为了使水印信息可以抵御隐写分析的同时又能对抗针对图像的恶意攻击，本专利技术提出了一种基于AI模型的高鲁棒性水印嵌入算法。

技术实现思路

[0004]本专利技术公开了一种基于AI模型的高鲁棒性水印嵌入算法。首先图像拥有者先使用一个训练好的AI模型将水印信息嵌入进图像中，并将带有水印信息的图像发送至云端或社交媒体上。之后，接收者可以下载这些带有水印信息的图像，并使用预训练好的提取模型将水印从图像中取出以此来证明图像的真实性和有效性。本专利技术将深度学习与水印算法相结合，并对AI模型设计了多种训练策略，实现了高创新性、高安全性以及高鲁棒性的水印嵌入算法。相比于其他现有的水印嵌入算法，本专利技术不仅继承了在传统方法中计算复杂度低、安全性高的优点，而且在深度学习的帮助下，生成的含水印信息的图像和自然图像并没有区别，还可以抵御多种隐写分析以及恶意攻击。
[0005]本专利技术的技术方案步骤如下：
[0006]一种基于AI模型的高鲁棒性水印嵌入方法，其具体步骤如下：
[0007]S1：图像拥有者将待嵌入的水印信息映射成和原始图像大小相同的二进制水印图像，并和图像拼接，得到拼接图像；
[0008]S2：图像拥有者将所述拼接图像输入用于将水印信息嵌入进原始图像中的水印嵌入模型，从而得到带有水印信息的伪装图像，并将伪装图像发送至云端或社交媒体中；所述
水印嵌入模型基于RCAN模型进行训练得到，其输入为相同尺寸的二进制水印图像和原始图像的拼接结果，输出为带有水印信息的伪装图像；
[0009]S3：接收者通过云端或社交媒体取得伪装图像后，使用微调好的水印提取模型来取得伪装图像中的水印信息；所述水印提取模型基于带有注意力机制模块的U
‑
net进行训练得到，其输入为伪装图像，输出为伪装图像中的水印信息，训练后的水印提取模型再通过微调使其能够对抗针对图像的恶意攻击。
[0010]作为优选，所述S1中，图像拥有者得到拼接图像的方法如下：
[0011]S11：图像拥有者先获取待嵌入水印信息和原始图像，所述原始图像为RGB图像，所述待嵌入水印信息为长度n2比特的二进制序列；然后将待嵌入水印信息的二进制序列重新按序排列成n
×
n的水印图像，再将水印图像通过上采样放大至与原始图像相同大小的N
×
N尺寸；
[0012]S12：图像拥有者将上采样后的水印图像直接和原始图像O在颜色通道上进行拼接，得到拼接图像I
c
。
[0013]作为优选，所述S3中，接收者使用微调好的水印提取模型提取出伪装图像中的水印信息的方法如下：
[0014]S31：接收者将接收到的伪装图像输入水印提取模型E中进行提取水印信息S
′
；
[0015]S32：接收者将提取的水印信息S
′
通过下采样缩小至n
×
n大小，并重新按序排列成长度n2比特的二进制序列，从而回复原始的水印信息。
[0016]作为优选，所述水印嵌入模型和水印提取模型通过联合训练后再微调的方法得到，具体训练流程如下：
[0017]首先，以RCAN模型作为初始的水印嵌入模型G，以带有注意力机制模块的U
‑
net模型作为初始的水印提取模型E，将对抗学习框架将水印嵌入模型G和水印提取模型E通过级联的方式联合并进行交替训练，使水印嵌入模型G能将水印以不可察觉的形式嵌入原始图像中形成伪装图像，并能让水印提取模型E完美地从伪装图像中提取出水印；
[0018]然后基于添加图像攻击后的带有水印信息的伪装图像数据集，对完成联合训练后的水印提取模型E单独进行微调训练，使其能够对抗针对图像的恶意攻击。
[0019]作为优选，水印嵌入模型G和水印提取模型E联合后进行交替训练过程中，训练水印提取模型E采用的损失函数L
E
如下：
[0020]L
E
＝∑
i,j
‑
[S
i,j
×
log(σ(S
′
i,j
))+(1
‑
s
i,h
)
×
log(1
‑
σ(S
′
i,j
))][0021]其中：S是待嵌入水印信息的二进制序列重新按序排列形成的n
×
n大小水印图像，S
′
为水印提取模型E从伪装图像中提取的水印图像，S
i,j
、S
′
i,j
分别表示水印图像S、S
′
中位置(i,j)处的像素值，函数σ(S
′
i,j
)＝1/(1+exp
‑
S
′
i,j
))；
[0022]训练水印嵌入模型G的损失函数L
G
包含像素级别损失和与水印提取模型E的对抗损失两部分，其公式为：
[0023]L
G
＝∑
i,j
(O
ij
‑
I
′
i,j
)2+μL
E
[0024]其中：O
ij
和I
′
i,j
分别表示原始图像O和伪装图像I
′
中位置(i,j)处的像素值，μ为权重超参数；
[0025]所述水印提取模型进行微调时采用的损失函数为L
E
。
[0026]作为优选，所述权重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI模型的高鲁棒性水印嵌入方法，其特征在于，具体步骤如下：S1：图像拥有者将待嵌入的水印信息映射成和原始图像大小相同的二进制水印图像，并和图像拼接，得到拼接图像；S2：图像拥有者将所述拼接图像输入用于将水印信息嵌入进原始图像中的水印嵌入模型，从而得到带有水印信息的伪装图像，并将伪装图像发送至云端或社交媒体中；所述水印嵌入模型基于RCAN模型进行训练得到，其输入为相同尺寸的二进制水印图像和原始图像的拼接结果，输出为带有水印信息的伪装图像；S3：接收者通过云端或社交媒体取得伪装图像后，使用微调好的水印提取模型来取得伪装图像中的水印信息；所述水印提取模型基于带有注意力机制模块的U
‑
net进行训练得到，其输入为伪装图像，输出为伪装图像中的水印信息，训练后的水印提取模型再通过微调使其能够对抗针对图像的恶意攻击。2.根据权利要求1所述的一种基于AI模型的高鲁棒性水印嵌入方法，其特征在于，所述S1中，图像拥有者得到拼接图像的方法如下：S11：图像拥有者先获取待嵌入水印信息和原始图像，所述原始图像为RGB图像，所述待嵌入水印信息为长度n2比特的二进制序列；然后将待嵌入水印信息的二进制序列重新按序排列成n
×
n的水印图像，再将水印图像通过上采样放大至与原始图像相同大小的N
×
N尺寸；S12：图像拥有者将上采样后的水印图像直接和原始图像O在颜色通道上进行拼接，得到拼接图像I
c
。3.根据权利要求2所述的一种基于AI模型的高鲁棒性水印嵌入方法，其特征在于，所述S3中，接收者使用微调好的水印提取模型提取出伪装图像中的水印信息的方法如下：S31：接收者将接收到的伪装图像输入水印提取模型E中进行提取水印信息S
′
；S32：接收者将提取的水印信息S
′
通过下采样缩小至n
×
n大小，并重新按序排列成长度n2比特的二进制序列，从而回复原始的水印信息。4.根据权利要求3所述的一种基于AI模型的高鲁棒性水印嵌入方法，其特征在于，所述水印嵌入模型和水印提取模型通过联合训练后再微调的方法得到，具体训练流程如下：首先，以RCAN模型作为初始的水印嵌入模型G，以带有注意力机制模块的U
‑
net模型作为初始的水印提取模型E，将对抗学习框架将水印嵌入模型G和水印提取模型E通过级联的方式联合并进行交替训练，使水印嵌入模型G能将水印以不可察觉的形式嵌入原始图像中形成伪装图像，并能让水印提取模型E完美地从伪装图像中提取出水印；然后基于添加图像攻击后的带有水印信息的伪装图像数据集...

【专利技术属性】
技术研发人员：高锴，张靖群，张真诚，袁文强，
申请(专利权)人：杭州电子科技大学上虞科学与工程研究院有限公司，
类型：发明
国别省市：