[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

说明书

本发明涉及一种基于深度学习的自适应隐形水印同步检测方法，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。本发明涉及的一种基于深度学习的自适应隐形水印同步检测方法，在保证视觉效果的前提下极大的提高了水印的解码准确率。

技术领域

本发明涉及图像处理技术领域，具体是指一种基于深度学习的自适应隐形水印同步检测方法。

背景技术

目前，大多数鲁棒图像水印所面临的最大问题就是几何攻击，而现有水印技术大都难以抵抗几何变换类攻击，如旋转，尺度变换等，由于几何攻击破坏了水印分量的同步，即使微小幅度的图像旋转或尺度变换都可能导致水印检测过程失败。

而且，在拍摄水印图像并对其进行解码的过程中，由于拍摄的距离、角度等因素的影响，所拍摄的水印图像通常会较原图像会存在一定的扭曲和变形，也称之为几何形变失真。水印图像的几何形变失真会导致水印图像无法被准确解码，因此通常在对水印图像进行解码之前需要先进行几何失真校正。目前矫正的方法主要是添加可见标记点或边框来引导计算机对水印图像进行校正。然而可见标记点的引入会降低水印的视觉效果，增加了水印被感知的风险。

发明内容

基于以上技术问题，提供一种基于深度学习的自适应隐形水印同步检测方法，其可以判断载体在遭受几何攻击并进行逆变换，保证水印检测准确率。

为解决上述技术问题，本发明提供的技术方案为：

一种基于深度学习的自适应隐形水印同步检测方法，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；