[发明专利]一种基于少样本学习的图像隐形水印通用检测方法

说明书

本发明公开了一种基于少样本学习的图像隐形水印通用检测方法，包括水印特征提取、图构造、标签传播、损失计算四个步骤组成，在少样本转导传播网络框架的基础上改进了其特征嵌入步骤，改造后的特征嵌入部分由预处理、多尺度特征融合和特征嵌入三个子步骤组成。本发明在实际的图像隐形水印检测任务中可作为通用的隐形水印检测器，不需要单独训练针对特定的隐形水印嵌入算法。另外可在少量隐形水印嵌入算法的水印图像基础上训练图像隐形水印通用检测模型，使实际的图像隐形水印检测过程更加便捷，更加符合实际条件的限制，可真正满足实际情况下的图像隐形水印的检测。

技术领域

本发明涉及一种计算机领域的检测方法，尤其涉及一种基于少样本学习的图像隐形水印通用检测方法。

背景技术

基于深度学习的图像隐形水印检测方法一般只对特定的隐形水印嵌入算法有较好的检测效果且基于深度学习的图像隐形水印检测模型在训练时需要相应水印嵌入算法的大量水印图像数据集，而在实际的图像隐形水印检测任务中，往往需要检测模型未知的隐形水印嵌入算法，该隐形水印嵌入算法的大量水印图像数据集也是难以得到的。如何在少量的目标隐形水印嵌入算法的水印图像样本的条件下，训练通用的图像隐形水印检测方法是一个极大的挑战。

发明内容

发明目的：本发明的目的在于提供一种检测过程更加便捷，提高图像隐形水印的检测准确率的基于少样本学习的图像隐形水印通用检测方法。

技术方案：本发明的基于少样本学习的图像隐形水印通用检测方法，包括以下步骤：

(1)搭建隐形水印特征提取模块，建立高通滤波核，得到输入图像的水印残差特征图；

(2)建立多尺度特征融合模块，通过调用卷积函数，设置超参数，建立1×1、3×3、5×5的卷积函数和可分离卷积函数，通过卷积函数对水印残差特征图进一步提取高维水印特征；

(3)建立卷积神经网络，并对高维水印特征进行特征嵌入；

(4)进行图结构的构造，计算同批次输入到模型中的所有样本节点间的欧式距离，从而得到图邻接矩阵，用来表征图结构；

(5)在得到初始图邻接矩阵后,就以该邻接矩阵中各节点之间距离度量为依据把支持集各节点的标签通过已有的标签传播公式传递给查询集各节点；

(6)将预测的查询集标签与真实标签进行交叉熵的计算，得到查询集样本节点的分类损失，最后对模型进行端到端的参数更新，直至模型收敛。

进一步地，步骤(5)中，所述标签传播公式如公式(1)：

F＝(I-αS)^-1Y   (1)

其中，F为传播后的标签矩阵,S为正则化处理过的邻接矩阵，I为单位矩阵，α为标签传播参数，控制着传播的信息总量且α∈(0，1)，Y为初始标签矩阵；使用softmax将更新后的标签矩阵F进行概率值的转换，如公式(2)：

其中，y_i是查询集样本的预测标签,F_ij^*是由公式(1)计算的传播后的标签矩阵。

进一步地，步骤(6)中，所述查询集样本节点的分类损失,如公式(3)：

其中，是查询集样本的真实标签且

进一步地，步骤(6)中，所述参数更新采用梯度下降法对模型进行端到端的参数更新。

进一步地，步骤(1)中，所述搭建隐形水印特征提取模块是在tensorflow框架和计算机编程语言Python的基础上进行。

进一步地，步骤(1)中，所述高通滤波核的层数为10-64层。