[发明专利]一种基于深度学习的GIF动态图像水印方法

权利要求书

1.一种基于深度学习的GIF动态图像水印方法，其特征在于，为一种基于卷积神经网络的GIF动态图像水印方法，以实现对GIF动态图像的版权所有者认证，具体包括：

预处理器，生成器，噪声层，解码器，所有模块均基于卷积神经网络；将该水印模型定义为三元体(W,C,S)，其中W为待嵌入的水印信息，C代表原始载体图像，S代表嵌入水印后的含水印图像，存在以下映射关系：预处理器：W→W'；生成器：W'*C→S；噪声层：S→S'；解码器：S'→W”；将待嵌的水印图像W经过预处理网络处理后输出W'；对应于水印信息的嵌入，以生成器网络进行实现，将预处理器处理后的待嵌水印W'，和原始载体图像即动态GIF图像C输入到生成器中，最终生成含水印信息的动态GIF图像S；噪声层对数据传输过程中的噪声干扰进行模拟，经过噪声层处理的含水印图像S记为S'；对应于水印信息的提取，以解码器网络进行实现，将通过数据传输后的含有水印信息的图像S'输入到解码器网络，把所含的水印信息W”较为完整的提取出来；

所述噪声层位于生成器和解码器之间，基于卷积神经网络对数据传输过程中的噪声干扰进行模拟；选择高斯模糊，中值滤波，椒盐噪声这3种常见的图像操作，同时结合帧删除和帧置换，共5种噪声干扰组成噪声层集合；将上述高斯模糊，中值滤波，椒盐噪声操作转换为可高效参与深度学习运算的张量形式；帧删除噪声操作，将上一模块生成的含水印图像，以一定占比帧进行删除，其中，占比帧为1/m*T，T表示GIF动态图像的帧数，且0＜m＜T，模拟含水印动态图像在丢失帧信息时的丢失，以随机的形式选中含水印图像中的帧进行删除，并在删除后使用零向量进行填充；帧置换，即含水印动态图像在时间维度上被替换或直接拼接，原始载体图像和生成的含水印图像都可作为替换来源对象，随机挑选原始载体中的帧图像置换含水印图像中的任意帧，替换来源对象为含水印图像本身时，为模拟对含水印图像中的所嵌信息破坏，随机挑选含水印图像的任意帧，在剩下的帧中任意挑选进行替换；在损失函数的约束控制下，噪声层与预处理器，生成器和解码器联合训练。

2.根据权利要求1所述的基于深度学习的GIF动态图像水印方法，其特征在于，所述预处理器基于卷积神经网络对静态图像时间帧信息进行构造，具体包括：

三维反卷积块，三维卷积块，三维批处理层，Relu激活函数层和Tanh激活层；三个反卷积块对应的内核分别为3*1*1,2*1*1,3*1*1，输出的特征图大小均为32，反卷积块的内核设置只在时间维度上进行，以对所扩充的维度进行上采样构造输入图像的时间帧；两个卷积块对应的内核大小均为1*3*3，输出的特征图大小分别为64，32，卷积块只在空域进行特征提取，因此卷积内核在时间维度上均为1；结合三维反卷积块和卷积块，完成在时间维度上的上采样和空域的特征学习提取。

3.根据权利要求1所述的基于深度学习的GIF动态图像水印方法，其特征在于，所述生成器和解码器利用卷积神经网络对GIF动态图像的水印信息进行嵌入和提取，具体包括：

针对GIF动态图像的载体特征，使用三维卷积块对生成器和解码器的结构进行设计，学习GIF动态图像的时域空域特征；生成器网络中包含由三个卷积块和池化层形成的收缩路径，以及进行三个反卷积形成的扩展路径构成，网络中最后一层由三维卷积块和Tanh激活函数层构成；解码器由6层卷积神经网络构成，其中有5层卷积模块由三维卷积网络，三维批处理层，Relu激活函数层构成，最后一层的网络结构与生成器的最后一层结构相同。