[发明专利]一种基于移动终端用于追踪失窃通信终端控制系统

权利要求书

1.一种基于移动终端用于追踪失窃通信终端控制系统，包括采集数据模块、微处理器和移动终端，其特征在于，所述采集数据模块由GPS定位模块、录音模块和指纹采集模块构成；所述采集数据模块的输出端与采集数据控制模块的输入端电性连接；所述微处理器的输入端分别与输入模块和电源模块的输出端电性连接；所述微处理器的输出端分别与摄像头和蜂鸣器电性连接；所述摄像头的输出端与图像传输模块的输入端电性连接；所述微处理器分别与RAM存储器、MRM存储器、数据库和无线射频收发模块电性连接；所述移动终端通过GPRS网络与无线射频收发模块连接；

所述采集数据控制模块的输出端与输入模块的输入端电性连接；

所述图像传输模块的输出端与输入模块的输入端电性连接；

所述电源模块独立于通信终端。

2.如权利要求1所述的基于移动终端用于追踪失窃通信终端控制系统，其特征在于，所述摄像头设置有数字图像水印提取模块，所述数字图像水印提取模块的数字图像水印提取方法包括数字图像的混沌映射、水印的混沌加密、水印的嵌入、非线性离散系统迭代学习辨识、单幅图像隐藏的迭代学习辨识、多幅图像隐藏的迭代学习辨识、水印的解密和提取、数字水印的评估；

所述的数字图像的混沌映射是指单幅图像和多幅图像参数的混沌加密和多重混合，对加密后的隐藏图像G的图像序列x(t)和载体图像F的图像序列w(t)进行α₁混合得到：S₁＝α₁w(t)+(1-α₁)x(t),再对混合图像S₁和载体图像F进行α₂混合得到S₂＝α₂w(t)+(1-α₂)S₁，依次进行至n重混合得到S_n＝α_nw(t)+(1-α_n)S_n-1，则混合图像S_n为图像F和G的n重混合图像，

混合图像满足下面的关系式，

S_n＝(1-β_nβ_n-1...β₂β₁)F+β_nβ_n-1...β₂β₁G′

其中β_i＝1-α_i,i＝1,2,...,n，

采用Logistic映射来产生迭代参数，选定参数μ'和初值a₁，由公式：

α_i+1＝μ'α_i(1-α_i)

利用多幅图像的多个混合参数来隐藏秘密信息，是多幅图像的混合，对将要隐藏的图像G，记为θ(t)，采用Logistic混沌加密，加密后的图像表示为G′，加密图像G′记为x(t),载体图像F_i(i＝1,2,…,n)和加密图像G′都是M×N的数字图像，并且混合参数为{α_i|0≤α_i≤1,i＝1,2,…,n}，根据图像的混合算法，首先对图像F₁和G′进行α₁混合得到S₁＝α₁F₁+(1-α₁)G′，然后对图像F₂和G′进行α₂混合得到S₂＝α₂F₂+(1-α₂)S₁，依次进行图像混合得到S_n＝α_nF_n+(1-α_n)S_n-1，则数字图像S_n称为图像G′的关于数字图像组F_i(i＝1,2,…,n)的一个n幅图像混合，

混合图像表示为：

$\left\{\begin{array}{c}{S}_1\left(t\right)={\mathrm{\α}}_1{F}_1\left(t\right)+(1-{\mathrm{\α}}_1)x\left(t\right)\\ S_2\left(t\right)={\mathrm{\α}}_2{F}_2\left(t\right)+(1-{\mathrm{\α}}_2)S_1\left(t\right)\\ \·\\ \·\\ \·\\ S_n\left(t\right)={\mathrm{\α}}_n{F}_n\left(t\right)+(1-{\mathrm{\α}}_n)S_{n-1}\left(t\right)\end{array}\right.$

即：

S_n＝α_nF_n+β_nα_n-1F_n-1+…+β_nβ_n-1…β_n-iα_n-iF_n-i

+…+β_nβ_n-1…β₂β₁G′

其中β_i＝1-α_i,i＝1,2,…,n，选定参数μ′和初值α₁，根据α_i+1＝μ′α_i(1-α_i)产生一个混沌序列{α_i|0<α_i<1,i＝1,2,…n}，作为迭代时的参数序列，在这里选取的参数μ′和初值α₁要不同于产生水印时的参数μ(t)和初值x(1)；

通过运用图像的多重混合嵌入技术将数字图像信息嵌入到数字图像系统的时变参数中，对数字图像系统建立数学模型，运用迭代学习辨识方法在有限时间区间上对时变参数的完全估计这一重要特性，实现数字图像系统的图像信息的完全重建；对数字图像的混沌加密和隐藏，一维Logistic混沌映射从数学形式上看，表示为：

x(t+1)＝μx(t)(1-x(t)),x(t)∈[0,1]，其中3.5699456…≤μ≤4被称为Logistic参数，由给定初值x(0)及参数μ在Logistic映射下所产生的序列{x(t)}与其它不同初值及参数所产生的序列的相关程度几乎为零，记原始图像G为θ(t)，将其加入到参数μ中，即μ(t)＝λ+θ(t)，这时，可写成：

x(t+1)＝(λ+θ(t))x(t)(1-x(t))，这样得到的混沌序列{x(t),t＝1,2,3,…}，就是加密后的图像序列G′，在此记为x(t)，混沌现象是非线性动力系统中确定的、类似随机的过程，一类非常简单却广泛应用的混沌系统是Logistic映射，定义如下

当μ从0逐步变大时，所示动力系统从一个不动点周期1到两个不动点周期2直至周期2ⁿ，随着μ值的增大，大量的倍周期分支出现在越来越窄的μ的间隔中，这种周期倍化的过程是没有限制的，但相应的μ有一个极限值μ_∞＝3.569945672，当μ→μ_∞时，周期无限长，即可视为非周期，此时整个系统处于混沌状态，当μ>4时，系统是不稳定的，因此μ_∞≤μ≤4为系统的混沌区；

所述的水印的混沌加密是指设水印二值图像m(t)，对其进行Logistic混沌加密，将其加入到参数μ中，得到混沌序列{x(t),t＝1,2,3,…}，即加密的水印图像x(t)；

所述的水印的嵌入是指设载体图像为灰度图像w(t)和加密的水印图像x(t)，水印嵌入算法为y(t)＝αw(t)+(1-α)x(t)，α∈(0,1)，其中y(t)为嵌入水印后的图像，α为嵌入强度，这种水印嵌入算法简单实用，然而在选取参数α时时，若α接近1，则y(t)接近w(t)；若α接近0，则y(t)接近x(t)，因此如何确定参数α是一个难题，同时单纯的一次嵌入，很难保证嵌入水印的不可见性，采用n重迭代混合方法嵌入水印图像，

y₁(t)＝α₁w(t)+(1-α₁)x(t)

y₂(t)＝α₂w(t)+(1-α₂)y₁(t)

……

y_n(t)＝α_nw(t)+(1-α_n)y_n-1(t)

α_n+1＝α_n(1-α_n)μ′

所述的非线性离散系统迭代学习辨识是指考虑具有一般形式的非线性离散系统模型为

$\left\{\begin{array}{c}x(t+1)=f\left(x\right(t),\mathrm{\&theta;}\left(t\right),t)\\ y\left(t\right)=g\left(x\right(t),t)\end{array}\right.---\left(2\right)$

式中x(t)∈Rⁿ；θ(t)∈R^m；y(t)∈R^r；f,g为矩阵函数，

假定每次学习的初值x(0)相同，系统第k次运行的输入为θ_k(t)，状态和输出为

$\left\{\begin{array}{c}{x}_k(t+1)=f\&lsqb;x_k\left(t\right),{\mathrm{\&theta;}}_k\left(t\right),t\&rsqb;,\\ y_k\left(t\right)=g\&lsqb;x_k\left(t\right),t\&rsqb;\end{array}\right.$

要求系统在给定的时间区间[0,N]上输出序列y_k(t)跟踪期望输出y_d(t)，所采用的学习律为开环P型迭代学习律，即

θ_k+1(t)＝θ_k(t)+γ(t)e_k(t+1)

式中γ(t)为开环学习系数矩阵且有界；e_k(t+1)＝y_d(t+1)-y_k(t+1)为第k次运行时系统在t+1时刻的跟踪误差，使输出y_d(t)以任意精度跟踪y_d(t)的充分条件为

ρ＝||I-C_k(t+1)B_k(t)γ(t)||<1

所述的单幅图像隐藏的迭代学习辨识是指将原始图像G混沌加密后为图像G′,通过多重混合，运用迭代学习辨识算法可完全重建原始图像G，待辨识的非线性离散时间系统标准形式如下：

$\left\{\begin{array}{c}x(t+1)=f\left(x\right(t),\mathrm{\&theta;}\left(t\right),t)\\ y\left(t\right)=g\left(x\right(t),t)\end{array}\right.---\left(8\right)$

式中，时间t∈{0,1,...N}，输入状态x(t)∈Rⁿ；参数θ(t)∈R¹；输出y(t)∈R¹,函数f(x(t),θ(t),t)表示原始图像加密的函数，函数g(x(t),t)表示加密后的图像与载体图像n重迭代混合函数，

将参数θ(t)的期望值记为θ^*(t)时，上述公式(8)可写成:

$\left\{\begin{array}{c}{x}^{*}(t+1)=f\left(x^{*}\right(t),{\mathrm{\&theta;}}^{*}\left(t\right),t)\\ y^{*}\left(t\right)=g\left(x^{*}\right(t),t)\end{array}\right.---\left(9\right)$

用于估计θ^*(t)的迭代学习辨识系统方程可表示为:

$\left\{\begin{array}{c}{x}_k(t+1)=f\left(x_k\right(t),{\mathrm{\&theta;}}_k\left(t\right),t)\\ y_k\left(t\right)=g\left(x_k\right(t),t)\end{array}\right.---\left(10\right)$

由于k为迭代次数，在实验过程中假设每次迭代时的初值相同，并且记f和g关于x、θ的偏导数且存在，记：

其中ξ_k(t)＝(1-σ₁)x^*(t)+σ₁x_k(t)，0<σ₁<1；

$A_k\left(t\right)=\frac{\&part;f\left(x_k\right(t),{\mathrm{\&theta;}}_k\left(t\right),t)}{\&part;x_k\left(t\right)}{|}_{x_k\left(t\right)={\mathrm{\&xi;}}_k\left(t\right)}$

其中ξ_k(t)＝(1-σ₂)x^*(t)+σ₂x_k(t)，0<σ₂<1；

$B_k\left(t\right)=\frac{\&part;f\left(x_k\right(t),{\mathrm{\&theta;}}_k\left(t\right),t)}{\&part;{\mathrm{\&theta;}}_k\left(t\right)}{|}_{x_k\left(t\right)={\mathrm{\&eta;}}_k\left(t\right)}$

其中η_k(t)＝(1-σ₃)θ^*(t)+σ₃θ_k(t)，0<σ₃<1；并记其界为C_C，C_A，C_B，

采用下述学习律：

在上述学习律中引入了sat(·)饱和函数，γ_k(t)为学习增益，输出误差e_k(t)＝y^*(t)-y_k(t)，

根据饱和定理可知如果θ^*(t)＝sat(θ^*(t))

则：

所述的多幅图像隐藏的迭代学习辨识是指利用多个混合参数和多幅载体图像来隐藏一幅图像，通过运用图像的多重混合嵌入技术将图像信息嵌入到数字图像系统的时变参数中，对数字图像系统建立数学模型，运用迭代学习辨识方法在有限时间区间上对时变参数的完全估计这一重要特性，实现数字图像系统的图像信息的完全重建；

记原始图像G为θ(t)序列，加密后为图像G′为x(t)序列，载体图像组F_i(i＝1,2,…,n)为w_i(t)序列,i＝1,2,…,n，混合图像S_n为y(t)，则系统可表示为：

$\left\{\begin{array}{c}x(t+1)=f\left(x\right(t),\mathrm{\&theta;}\left(t\right),t)\\ y^1\left(t\right)=g\left(x\right(t),t)\\ y\left(t\right)=h\left(y^1\right(t),t)\end{array}\right.---\left(24\right)$

t∈{0,1,2...N},x(t)∈Rⁿ,θ(t)∈R¹；y¹(t)∈R¹；y(t)∈R¹,非线性函数f(x(t),θ(t),t)表示原始图像加密的函数，非线性函数g(x(t),t)表示加密后的图像和载体图像一次迭代混合函数，h(y¹(t),t)表示n重迭代混合后的函数，当参数真值为θ^*(t)时，式(14)可写成：

$\left\{\begin{array}{c}{x}^{*}(t+1)=f\left(x^{*}\right(t),{\mathrm{\&theta;}}^{*}\left(t\right),t)\\ y^1\left(t\right)=g\left(x^{*}\right(t),t)\\ y^{*}\left(t\right)=h\left(y^1\right(t),t)\end{array}\right.---\left(25\right)$

用于估计θ^*(t)的迭代学习辨识系统为:

$\left\{\begin{array}{c}{x}_k(t+1)=f\left(x_k\right(t),{\mathrm{\&theta;}}_k\left(t\right),t)\\ y_k^1\left(t\right)=g\left(x_k\right(t),t)\\ y_k\left(t\right)=h\left(y_k^1\right(t),t)\end{array}\right.---\left(26\right)$

式中，k为迭代次数，每次迭代时的初值相同，假设f关于x、θ的偏导数，及g关于x的偏导数,以及h关于g的偏导数存在，记：

$\begin{array}{cc}{D}_k\left(t\right)=\frac{\&part;h\left(y_k^1\right(t),t)}{\&part;g\left(x_k\right(t),t)}{|}_{g\left(x_k\right(t),t)={\mathrm{\&xi;}}_k\left(t\right)}& {\mathrm{\&xi;}}_k\left(t\right)=(1-{\mathrm{\&sigma;}}_1)g\left(x^{*}\right(t),t)+{\mathrm{\&sigma;}}_{1}g\left(x_k\right(t),t),0\&lt;{\mathrm{\&sigma;}}_1\&lt;1\end{array}$

$\begin{array}{cc}{C}_k\left(t\right)=\frac{\&part;g\left(x_k\right(t),t)}{\&part;x_k\left(t\right)}{|}_{x_k\left(t\right)={\mathrm{\&xi;}}_k\left(t\right)}& {\mathrm{\&xi;}}_k\left(t\right)=(1-{\mathrm{\&sigma;}}_2)x^{*}\left(t\right)+{\mathrm{\&sigma;}}_2{x}_k\left(t\right),0\&lt;{\mathrm{\&sigma;}}_2\&lt;1\end{array};$

$\begin{array}{cc}{A}_k\left(t\right)=\frac{\&part;f\left(x_k\right(t),{\mathrm{\&theta;}}_k\left(t\right),t)}{\&part;x_k\left(t\right)}{|}_{x_k\left(t\right)={\mathrm{\&zeta;}}_k\left(t\right)},& {\mathrm{\&zeta;}}_k\left(t\right)=(1-{\mathrm{\&sigma;}}_3)x^{*}\left(t\right)+{\mathrm{\&sigma;}}_3{x}_k\left(t\right),0\&lt;{\mathrm{\&sigma;}}_3\&lt;1\end{array};$

并记其界为C_D,C_C，C_A，C_B；

所述的水印的解密和提取是指在水印嵌入时水印图像掩盖于混沌系统的参数中，再经过n次迭代混合嵌入载体图像中，因此综合数字水印图像的加密和嵌入过程，运用迭代学习算法完全重建原始水印图像，数字水印系统的状态方程为

x(t+1)＝μx(t)(1-x(t))

y₁(t)＝α₁w(t)+(1-α₁)x(t)

y₂(t)＝α₂w(t)+(1-α₂)y₁(t)

……

y_n(t)＝α_nw(t)+(1-α_n)y_n-1(t)

α_n+1＝μ′α_n(1-α_n)

式中μ,μ′∈[3.571448…,4],x(t)∈[0,1]，为了实现水印图像的混沌掩盖，令μ＝λ+m(t)，设λ＝3.7，m(t)为水印二值图像，w(t)为载体图像，y(t)为含水印的图像，注意这里选取的参数值μ′和初值α₁要不同于产生水印时的参数值μ和初值x₁。

3.如权利要求1所述的基于移动终端用于追踪失窃通信终端控制系统，其特征在于，所述图像传输模块设置有图像超分辨率重建模块，所述图像超分辨率重建模块的图像超分辨率重建方法包括：

(1)在正弦域图像为训练样本集选取N组图像小块训练样本对每组图像小块训练样本对包含一个高分辨率正弦域图像小块和低分辨率正弦域图像小块，低分辨率图像小块的大小为5，设置字典大小为K，样本数量N＝1000000，字典大小K＝512；

(2)初始化字典外循环迭代次数n，n的最大值为N，内循环迭代次数t，t的最大值为100；

(3)对于所有N组图像小块训练样本对，计算梯度：

梯度根据以下几个公式来计算：

$z_i=\underset{{\mathrm{\&alpha;}}_i}{\mathrm{argmin}}\left|\right|y_i-D_y{\mathrm{\&alpha;}}_i|{|}_2^2+\mathrm{\&lambda;}|\left|{\mathrm{\&alpha;}}_i\right|{|}_i,\&ForAll;i=1,2LN;$

$z_i=\underset{{\mathrm{\&alpha;}}_i}{\mathrm{argmin}}\left|\right|x_i-D_x{\mathrm{\&alpha;}}_r|{|}_2^2,\&ForAll;i=1,2LN;$

其中为输入的低分辨率正弦域样本集里选取图像小块，为输入的高分辨率正弦域样本集里选取图像小块，为稀疏表示，松弛因子λ＝0.15，N＝1000000，α_i为x的稀疏编码表示：

$L(D_x,D_y,x,y)=\frac{1}{2}\left|\right|D_{x}z-x|{|}_2^2;$

L表示平方项损失，通过求上式的最小化优化D_x,D_y，如下所示：

$\underset{D_x,D_y}{min}\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}L(D_x,D_y,x,y);$

$\begin{array}{cc}s.t.& z_i=\arg \underset{\mathrm{\&alpha;}}{min}\left|\right|y_i-D_y\mathrm{\&alpha;}|{|}_2^2+\mathrm{\&lambda;}|\left|\mathrm{\&alpha;}\right|{|}_1\end{array},i=1,L,N;$

||D_x(:,k)||₂≤1，||Dy(:,k)||₂≤1，k＝1,L,K；

s.t.表示受约束于，引入正则化相来求解，因此上式变为：

$L=\frac{1}{2}\left(\mathrm{\&gamma;}\right||D_x{z}_i-x_i|{|}_2^2+\left(1-\mathrm{\&gamma;}\right)\left|\right|D_y{z}_i-y_i\left|{|}_2^2\right);$

γ(0<λ≤1)是用来平衡两个式子之间的参数：

$\frac{\&part;L}{\&part;D_y}=\frac{1}{2}\{\underset{j\&Element;\mathrm{\&Omega;}}{\&Sigma;}\frac{({\mathrm{\&gamma;R}}_x+(1-\mathrm{\&gamma;}\left)R_y\right)}{\&part;z_j}\frac{{\mathrm{dz}}_j}{{\mathrm{dD}}_y}+\left(1-\mathrm{\&gamma;}\right)\frac{\&part;R_y}{\&part;D_y}\};$

其中z_j为z的第j个元素，Ω表示j的所有情况的集合；

(4)对于所有N组图像小块训练样本对，更新：

$D_y^{\left(n\right)}=D_y^{\left(n\right)}-a/t;t=t+1;$

(5)当所有N组图像小块训练样本对都已经计算完毕后，更新：

根据以下公式具体计算：

$\underset{D_x}{min}\underset{i=1}{\overset{N}{\&Sigma;}}\frac{1}{2}\mathrm{||}{D}_x{z}_i-x_i|{|}_2^2;$

$\begin{array}{cc}s.t.& z_i=\arg \underset{\mathrm{\&alpha;}}{min}\left|\right|y_i-D_y\mathrm{\&alpha;}|{|}_2^2+\mathrm{\&lambda;}|\left|\mathrm{\&alpha;}\right|{|}_1\end{array},i=1,L,N;$

||D_x(:,k)||₂≤1，k＝1,L,K；

当D_y确定时，求出D_x；

(6)重复步骤(3)至步骤(5)直至收敛；

(7)输出双字典D_x，D_y。