基于Contourlet 变换和神经网络视频水印算法.docVIP

基于Contourlet 变换和神经网络视频水印算法 　　摘要：针对数字水印技术在视频版权保护和抵抗攻击时存在的一系列问题。首先将原始水印图像使用Arnold变换和Hilbert曲线进行置乱处理，再对MPEG原始视频的I帧进行Contourlet变换嵌入数字水印，最后在提取时利用确定的神经网络实现水印的盲提取。实验结果表明，该算法具有良好的不可见性和鲁棒性。 　　关键词： 数字水印；视频；Contourlet变换；神经网络 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）11-2627-04 　　Abstract： In the view of a range of issues for digital watermarking used in video copyright protection and resistance to attacks. Firstly， the original watermark image scrambling processing by Arnold transform and Hilbert curve， and then on the I frame of MPEG video using Contourlet transform watermark embedding. Finally， the use of neural networks in the extraction of the watermark blind extraction. Experimental results show that the algorithm has good invisibility and robustness. 　　Key words： digital watermarking； video； contourlet transform； neural network 　　随着信息技术的快速发展和互联网的广泛普及，互联网用户正经历着从信息的消费者向信息的生产者的角色转化，多媒体数字信息变得越来越丰富，对其进行生产、存储、拷贝和传播变得十分方便。但与此同时，数字多媒体信息正面临着被非法拷贝、篡改和使用等严重的侵权问题。因此，如何在互联网上实现数字多媒体信息的内容认证和版权保护等，已成为世界各国政府亟待解决的知识产权保护问题。 　　数字水印是在数字多媒体（图像、音频和视频等）中将序列号、文字或图像等版权信息嵌入到数字作品本身之中，从而起到数字媒体的版权保护、真伪鉴别和产品标识等作用。数字水印最初研究的重点是图像水印，并且取得了很多研究成果，而视频水印的研究成果则相对较少。随着多媒体技术的发展和互联网带宽的增大，传播视频产品越来越方便，随之而来的侵权行为也不断发生，因此视频产品的版权保护问题亟需解决。考虑到数据存储和网络带宽，传播的视频绝大部分都是经过压缩处理的，因此视频水印的研究要和压缩编码标准（MPEG系列、ITU-T的H.261和H.263等）紧密联系在一起的[1]。 　　本文对目前各种针对视频的版权保护技术进行了研究和分析，给出了一种基于神经网络和Contourlet变换的视频水印算法，能有效解决视频版权保护问题。此算法先将原始水印经过Hilbert变换和Arnold变换置乱后，将置乱后的水印图像，使用Contourlet变换嵌入到压缩编码后的视频I帧，神经网络用于水印的检测过程，改善了水印算法的鲁棒性。 　　1 RBF神经网络 　　径向基函数（Radical Basis Function，RBF）网络[2]是由Moody和Darken提出的一种神经网络结构，是一种三层前向网络，包括输入层、径向基层和输出层。基本思想是：（1）用RBF作为隐单元的“基”构成径向基层空间，将输入矢量直接（即不需要通过权连接）映射到基层空间；（2）当RBF的中心点确定后，映射关系也就确定了；（3）径向基层空间到输出空间的映射是线性的。 　　RBF网络的学习等价于在多维空间中寻找训练数据的最佳拟合平面。径向基函数网络对输入空间的某一个局部区域只存在少数的神经元用于决定网络的输出，是一种局部逼近网络。如图1所示为一径向基函数网络的结构图。 　　RBF网络的优点：1）RBF神经网络具有较强的输入和输出映射功能，并且理论证明在前向网络中RBF网络是完成映射功能的最优网络；2）它具有唯一最佳逼近的特性，且无局部极小问题存在；3）分类能力好；4）学习过程收敛速度快；5）网络连接权值与输出呈线性关系。 　　2 水印图像的置乱 　　数字图像置乱技术是由经典密码学中的单表系统扩展而来，早期用于对模拟图像的位置空间进行置换。针对数字图像，可以在数字图像的空域和频域上进行置乱过程。数字图像置乱算