一种基于物联网版权保护的数字水印系统.pdf

本发明可以在物联网上直接实现对产品版权的鉴定，本水印系统采用一种双水印算法，解决传统水印抗攻击鲁棒性差以及对篡改不能准确定位的问题。双水印算法采用一种基于AOC-BP神经网络的音频零水印方案作为版权认证水印，因为该水印方案不改变原始音频数据，所以具有良好的透明性；采用一种新的双极性量化方法嵌入半脆弱水印，可以对音频作品进行内容认证，此过程中的二维图像块不需要转换为一维序列，有别于以往算法中图像变维并一次嵌入的方法，并且提高了脆弱水印的敏感性。实验结果表明，该方案认证水印具有很强的抗攻击鲁棒性，脆弱水印具有很强的敏感性，且能够对恶意篡改进行精确定位。附图为数字水印系统基本框架图。

权利要求书
1.  基于物联网的实时识别以及管理系统，采用双水印算法。

2.  采用一种基于AOC-BP神经网络的音频零水印方案。

3.  采用一种新的双极性量化方法嵌入半脆弱水印。

说明书一种基于物联网版权保护的数字水印系统
技术领域
信息管理领域；计算机软件领域；物理网领域：防伪水印：
背景技术
信息管理技术；计算机软件和计算机硬件技术；网络技术；防伪水印技术；市 场分析技术；
发明内容
本水印系统采用一种双水印算法，解决传统水印抗攻击鲁棒性差以及对篡 改不能准确定位的问题。双水印算法采用一种基于AOC-BP神经网络的音频零 水印方案作为版权认证水印，因为该水印方案不改变原始音频数据，所以具有 良好的透明性；采用一种新的双极性量化方法嵌入半脆弱水印，可以对音频作 品进行内容认证，此过程中的二维图像块不需要转换为一维序列，有别于以往 算法中图像变维并一次嵌入的方法，并且提高了脆弱水印的敏感性。实验结果 表明，该方案认证水印具有很强的抗攻击鲁棒性，脆弱水印具有很强的敏感性， 且能够对恶意篡改进行精确定位。
附图1为数字水印系统基本框架图；
附图2为基于物联网版权保护的数字水印系统的总体结构图；
具体实施方式
1.1RBF神经网络
径向基函数(Radial Basis Function，RBF)神经网络是由J.Moody和 C.Darken于20世纪80年代末提出的。径向基函数神经网络由三层构成，分别 为输入层、径向基层、输出层。径向基神经网络是典型的前向神经网络，它具 有训练速度快、能收敛到全局最优点、能以任一精度逼近任一连续函数等优点， 有很高的应用价值。
1.2水印量化
1.2.1量化对象
经典的量化算法取时域或频域的系数直接量化，信噪比较低，本文选取小 波奇偶系数的和之差作为量化对象。假设小波系数为Y＝{y(i)；0≤i≤l}。
(1)分别求出奇偶系数的和，yodd，yeven分别表示奇系数和偶系数。

(2)再做差，求出量化对象α。
α＝S_Yodd-S_Yeven
(2)
1.2.2新的双极性量化策略
设待量化的系数为α，水印信息为V，量化步长为Δ，量化处理后的系数 为α′。量化系数α嵌入水印V的原理如图1所示。按量化步长将系数所在的 坐标轴分成A区域和B区域，落在A区域的坐标表示为‘1’；落在B区域的坐 标表示为‘0’。

图1双极性量化示意图
当嵌入水印v为1时，取与A区域距离最近的一个值；当v为0时，取与 B区域距离最近的一个值。在经典量化策略中，取的是相应A区域或B区域 的中点即Δ/2。当音频受到攻击时，量化对象发生偏移，但偏移量小于Δ/2时仍 能正确检测出水印，对脆弱水印来说，此特性相当于减小了抗攻击敏感性。因 此本文提出新的双极性量化策略，把经典量化值(中点)改为与距离最近的A、 B区域的原点或临近点。如公式(3)所示，其中m＝floor(α/Δ)，r＝α-m×Δ，floor 表示向负无穷取整，e为嵌入参数且0＜e＜1，e越小，水印脆弱性越好。
(1)v＝1，m≠0且m≠-1           (2)v＝0，m≠0且m≠-1
α ′ = α m = 2 k m * Δ - e m = 2 k + 1 , | r | < Δ 2 ( m + 1 ) * Δ + e m = 2 k + 1 , | r | > Δ 2 α ′ = α m = 2 k + 1 m * Δ - e m = 2 k , | r | < Δ 2 ( m + 1 ) * Δ + e m = 2 k , | r | > Δ 2 - - - ( 3 ) ]]>
(3)m＝0          (4)m＝-1
α ′ = Δ 2 v = 1 3 Δ 2 v = 0 α ′ = - Δ 2 v = 0 - 3 Δ 2 v = 1 ]]>
由以上可以得到得到新的奇系数值α″

按照下式在奇系数上嵌入量化值，这样就可以将量化噪声分散在奇系数上。
当α＞0时，

当α＜0时，          (5)

当α＝0时，

2水印嵌入过程
2.1鲁棒水印构造算法
鲁棒零水印的构造原理图见参考文献[5]，其具体步骤如下：
(1)将长度为L的数字音频信号x(n)分段，每段包含L1个数据，总段数每n1段取一段用来构造水印，L1和n1作为密钥k1，选出的各段进行小波 分解，小波基函数选用Daubechies-4，提取第三级小波系数c3(i)，i＝1，2，...m；
(2)将水印信号w(i)也进行小波分解，提取第三级小波系数，分成n段，每段 含有q个数据，不够长度的补零；
(3)将水印w(i)的每一段三级小波系数按其大小排序得到矩阵WPk(k代表水印 的第k段)，这些系数在水印w(n)中的位置索引可作为密钥K(Wk)在提取 方案中使用；选取宿主信号x(n)的每一段三级小波系数中k2个绝对值最 大的数，按其大小排序得到矩阵XPk(k代表x(n)的第k段)，这些系数 在宿主信号x(n)中的位置索引可作为密钥K(Xk)在提取方案中使用。
(4)建立RBF网络，m×n的小波分解低频系数XPk作为RBF网络的输入向量， q×n的水印WPk作为RBF网络的目标向量，通过训练网络，使网络输出和 目标匹配，保存训练好的网络。
2.2嵌入脆弱水印
(1)将长度为L的原始音频信号和水印图像各分成四部分，分别表示为 Xi(1≤i≤4)，Bi(1≤i≤4)。对图像块Bi进行Anold置乱后记为Vi。使每一部 分Xi与图像Vi块相对应；
(2)对Xi进行分段，总段数为K4段，K4设为密钥，再对每一段进行三级小 波分解；
(3)第一级小波系数敏感度高，非常适合嵌入脆弱水印，提取每段第一级小波 分解的中低频系数，再细分为K4小段，记为Y＝{y(i)；0≤i≤l}，l为小段的 长度；
(4)各小段嵌入0或1的水印值。嵌入方法采用均值量化，量化值的选取和量 化策略如2.2节所示；
(5)重复(2)～(4)步骤，直到i＝4，完成全部水印信息的嵌入；
1水印检测过程
本文的双水印算法为盲检测，即提取水印时不需要原始信号。检测时，先 对其进行版权认证，若通过版权认证，则进行下一步的内容认证，否则只进行 版权认证，无需内容认证。
步骤一版权认证
(1)将待检测信号x′(n)进行三级小波分解，小波基函数选用Daubechies-4，提取 第三级小波系数ca3x′，根据密钥k1分段；
(2)利用密钥K(Xk)提取x′(n)每一段相应位置的值作为训练好的RBF神经网 络的输入向量，调用训练好的RBF神经网络，模拟得到神经网络输出向量 利用密钥K(Wk)按分段原则恢复成水印信号w′(i)，得到提取出的零水 印。将W′与W通过相似度检测器进行相似度检测和误码率检测。
相似度检测公式如下：
(6)
误码率检测公式如下：
BER ( W , W ′ ) = 1 N Σ n = 1 N b ( n ) × 100 % , b ( n ) = 1 , w ′ ( n ) &NotEqual; w ( n ) 0 , w ′ ( n ) = w ( n ) - - - ( 7 ) ]]>
其中，W为原始水印，W′为提取出的水印。
步骤二内容认证
经过以上版权认证，若其受到版权保护则进行下一步的内容认证。把x′(n)分成 4大段，根据2.2节的步骤(2)～(3)，提取中低频系数代入公式(1)和(2)，求 出奇偶系数和之差α′。根据量化步长Δ划分A、B区间，若α′落在A区间，则 水印信息为1；若α′落在B区间，则水印信息为0。将生成的水印信息再进行 Anold逆置乱，提取出脆弱水印图像。