[发明专利]一种基于深度学习的自适应隐形水印同步检测方法

权利要求书

1.一种基于深度学习的自适应隐形水印同步检测方法，其特征在于：包括以下具体方法：

1)总体框架和网络结构的构建：框架基于Adam优化器，框架中共包括2个U型子网络和一个CNN子网络，分别是标记网络、检测网络和辨别器，在嵌入标记时，标记网络通过将提取水印图像四个角固定大小的方形区域作为标记网络的输入，输出带有位置信息的四张残差图像并依次将其放回原图中获得标记图像，在检测标记时，将拍摄的标记图像送入检测网络中，输出显示残差图像位置的掩码图，从而确定水印图像的四个角点，再使用透视变换实现水印图像与拍摄的标记图像的同步，辨别器进行区分原水印图像和水印标记图像；

2)构建噪声层：噪声层包括打印和拍摄时会存在的噪声，噪声层设置在标记网络和检测网络之间来模拟图片被打印和拍摄后的效果；

3)构建水印同步层：水印同步层设置在检测网络之后，用以获取拍摄图像的水印区域并对该区域进行校正，当拍摄的图像进入检测网络后，输出掩码图像，其中像素值为0的区域为背景，像素值为1的区域为标记区域，根据轮廓查找算法,可以获得标记区域的轮廓，使用I(x，y)表示图像在(x，y)处的灰度值，图像空间距离m_ji的计算公式为：

m_ji＝∑_x，y(I(x，y)×xⁱ×yⁱ)，

轮廓区域的质心为为：

确定轮廓区域的质心后，水印同步层首先判断是否存在4个质心，若存在，则认为4个质心所包裹的区域为水印图像；再使用透视变换将其变换为与原水印图像大小相同的图像，实现水印同步；

4)构建损失函数：使用LPIPS损失和L2损失来联合监督标记网络：

其中x为输入图像，为输出图像，α₁和α₂分别为L2损失和LPIPS损失的权重；

图像中的每一个像素点做二分类，0类表示背景区域，1类表示嵌有标记信息的图像块，使用交叉熵作为损失函数，以衡量检测的准确性：

其中N代表输入图片的大小为N×N，i代表图片中每个像素的位置，y_i代表每个像素的真实类别，代表预测为真实类别的概率；

增加一个额外的辨别器来分辨图像是否含有标记信息，当更新标记网络与检测网络时，辨别器可作为一个loss加入训练：

其中为标记网络生成的图像，α₄为辨别器的损失权重，为辨别器对标记图片预测为标记图片的概率，因此，网络的总体损失函数L_total为：

L_total＝L_encoder+L_detector+L_{discriminator_fix}；

当更新辨别器时，使用L2损失作为损失函数，以衡量辨别器的性能：

通过对标记网络、检测网络与辨别网络的交替迭代更新网络权重，最终得到训练好的标记网络可以用于生成带标记的水印图片，检测网络提取并获得具体水印的位置，可对标记水印图像进行水印同步并提取秘密信息。

2.根据权利要求1所述的一种基于深度学习的自适应隐形水印同步检测方法，其特征在于：所述标记网络、检测网络及辨别器在步骤1)实施前需要进行模型训练，Adam优化器中的标记网络与检测网络的学习率为0.0001，辨别器的学习率为0.0001，损失函数的输入权重为α₁＝3.0，α₂＝1.5，α₃＝2.0，α₄＝0.5，批次大小为8，根据需求不同可以选择不同的数值，训练过程中标记网络、检测网络训练的次数与辨别器的训练次数相同，即更新一次标记、检测网络后，更新一次辨别器，网络框架的总体迭代训练设置为400000，噪声层的强度设置由弱到强逐渐叠加。

3.根据权利要求2所述的一种基于深度学习的自适应隐形水印同步检测方法，其特征在于：所述噪声层包括几何失真、运动模糊、随机噪点、色彩变化、亮度变化和JPEG压缩。