[发明专利]一种基于深度学习的GIF动态图像水印方法

说明书

本发明涉及一种基于深度学习的动态GIF图像水印方法。其发明内容主要包括：提出一种GIF动态图像的可抵抗帧维度噪声干扰的鲁棒性水印方法，在此基础上，通过构造静态图像的时间帧维度对水印信息进行预处理，并实现对GIF动态图像的水印嵌入。本发明首次提出针对GIF动态图像的深度学习水印方法，为目前的大量的动态表情包等GIF图像作品的版权认证需求提供了解决方案。本发明可生成GIF动态图像的鲁棒性水印，实现对GIF动态作品的所有权归属认证，在现实生活场景下具有实际应用价值。

技术领域

本发明涉及深度学习和信息隐藏领域，具体涉及一种基于深度学习的GIF动态图像水印方法。

背景技术

数字图像在多媒体信息中占据主导地位，其中GIF格式(Graphics InterchangeFormat)动态图像近年来在各大社交媒体平台的大热态势前所未有，目前已经成为当代数字媒体中一个关键的交流工具。GIF图像将图片和视频进行完美结合，对硬件设备的要求低并且易于传播。GIF图像格式可形成短序列动画效果，凭借这一特点，在生活交流中可高度贴合表达场景下的情感表现。在这样的背景下，诞生了很多的GIF动态图像作品，每天大量GIF动态图像被创造，如动态表情包，微动图像甚至逐渐形成商品化趋势。因此，为满足GIF动态图像信息安全的市场需求，需要对GIF动态图像的版权保护提供更多的关注。

数字水印技术是目前解决知识产权保护和数据安全问题的一种有效的解决方案，作为版权保护的重要手段，其对现代社会的多媒体安全的重要性不言而喻。图像数字水印通过在图像中嵌入版权信息来保护图像版权。水印技术在嵌入版权信息的同时，对图像及其视觉质量产生尽可能小的失真。传统的鲁棒性水印主要从图像格式出发，对GIF图像的调色板数据进行设计，存在一定程度的视觉失真，且可嵌容量十分有限。文献“RMachado.EzStego.http://www.stego.com,1997.”公开了一种对调色板数据中的颜色信息进行排序后，创建一个新的颜色对顺序的算法。文献“Kwan M.Gifshuffle.http://www.darkside.com.au/gifshuffle,2003.”直接把调色板数据的颜色对顺序对与秘密信息进行应于，并重新排列完成嵌入操作，提取时与嵌入操作反向进行实现秘密信息的提取。除此之外，出现了基于深度学习技术的水印方法，文献“Zhu J,Kaplan R,Johnson J,andFei-Fei L.HiDDeN:Hiding data with deep networks.Proceedings ofthe EuropeanConference on ComputerVision(ECCV).2018.”使用一个端到端的水印模型，利用卷积神经网络对静态图像实现水印的嵌入以及在部分噪声攻击情境下的水印提取。

由于GIF动态图像包含了时间维度信息，且部分算法对不包含全局调色板的GIF图像无效，因此现有的研究方法不适用于GIF的动态图像鲁棒性水印。面向GIF动态图像的版权保护需求，本发明旨在提出一种针对GIF动态图像的基于深度学习的水印方法，生成GIF动态图像的鲁棒性水印，实现对GIF动态图像的版权认证功能。

发明内容

本发明提出了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，主要包括：提出一种GIF动态图像的可抵抗帧维度噪声干扰的鲁棒性水印方法，在此基础上，通过构造静态图像的时间帧维度对水印信息进行预处理，并实现对GIF动态图像的水印嵌入。

具体内容如下：

(1)提出一种GIF动态图像的可抵抗帧维度噪声干扰的鲁棒性水印方法：通过对GIF载体图像的特征分析，在实现水印信息的嵌入和提取外，对载体的帧层次信息设计噪声层以生成鲁棒性水印：

具体由预处理器，生成器，噪声层，解码器几个部分构成，所有模块均基于卷积神经网络进行设计。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。存在以下映射关系即：