[发明专利]一种基于深度学习的抗拍屏鲁棒水印系统及算法

说明书

本发明公开了一种基于深度学习的抗拍屏鲁棒水印系统及算法，包括：编码器、与所述编码器信号连接的鉴别器与噪声网络模块及与所述噪声网络模块信号连接的解码器；所述编码器用于用待嵌入的秘密信息构造信息膜；所述鉴别器用于来区分图像是否被编码；所述噪声网络模块用于对编码图像进行攻击；所述解码器用于利用被攻击的编码图像来恢复嵌入的秘密信息.根据本发明，在保证一定图像质量的同时具有更强的鲁棒性和实用性，输出得到只含有信息的信息膜，可以附加在任意图像上，更具有实际应用价值，在各种真实的拍摄屏幕场景下也可以达到几乎百分之百的提取准确率。

技术领域

本发明涉及多媒体信息安全的技术领域，特别涉及一种基于深度学习的抗拍屏鲁棒水印算法系统及。

背景技术

近年来，随着互联网的发展以及数字移动设备的普及，我们生活在一个信息爆炸的时代，人们已经习惯于出门携带手机作为数据处理的便携终端。借助智能手机的摄像功能，扫码付款、扫码点单、物品识别、物流信息查询等与数字图像处理技术息息相关的应用已经融入我们的生活中，成为不可分割的一部分。另一方面，由于数字媒体的获取变得几乎没有成本，这就导致数字媒体非法获得、盗取和篡改也愈演愈烈，不仅给媒体作品的作者带来困扰，有时甚至会影响国家信誉和安全，因此迫切的需要版权保护技术。

对打印的图像进行扫描，对打印或者显示在显示器上的图像进行拍摄，都是日常生活中常见的图像重获手段。然而当互联网中的图像经过这种重获过程，会引入多种复杂噪声，图像中的水印信息往往会丢失，从而导致无法正确提取信息。在这种情况下，如何设计能够抵抗现实世界中的复杂噪声的鲁棒性水印成为数字水印技术领域的一大难点。

近年来，深度卷积神经网络在图像处理和图像分类领域取得了巨大进步，亦有学者提出在数字图像信息隐藏领域应用深度卷积神经网络，取得了优异的成果，与传统方法相比，它具有更强的鲁棒性可以抵抗多种噪声同时具有不错的图像质量。但是他们通常根据载体图像来进行编码嵌入水印，实用性不强。本文将以基于深度卷积神经网络的抗屏幕拍摄算法作为研究对象，探讨如何使用深度卷积神经网络：1.搭建针对抗屏幕拍摄过程的编码和提取网络；2.编码网络只编码秘密信息，而与载体图像无关；3.在确保鲁棒性的同时降低水印图像的失真。

发明内容

针对现有技术中存在的不足之处，本发明的目的是提供一种基于深度学习的抗拍屏鲁棒水印算法，在保证一定图像质量的同时具有更强的鲁棒性和实用性，输出得到只含有信息的信息膜，可以附加在任意图像上，更具有实际应用价值，在各种真实的拍摄屏幕场景下也可以达到几乎百分之百的提取准确率。为了实现根据本发明的上述目的和其他优点，提供了一种基于深度学习的抗拍屏鲁棒水印系统，包括：

编码器、与所述编码器信号连接的鉴别器与噪声网络模块及与所述噪声网络模块信号连接的解码器；

所述编码器用于用待嵌入的秘密信息构造信息膜；

所述鉴别器用于来区分图像是否被编码；

所述噪声网络模块用于对编码图像进行攻击；

所述解码器用于利用被攻击的编码图像来恢复嵌入的秘密信息。

一种基于深度学习的抗拍屏鲁棒水印算法，包括以下步骤：

S1、将随机二进制信息m₀输入编码器，所述m₀首先通过一个线性全连接层，处理成一个50*50*3的张量，再上采样成400*400*3的张量，这种信息的预处理方式有助于其收敛；

S2、构建编码网络，编码网络的作用是生成一张用于附加在待编码图像上的信息膜，应用几个卷积层和Relu层对步骤1产生的张量进行向下采样四次得到50*50*3的张量，然后再进行向上采样四次恢复到原来的尺寸，输出一个尺寸为400*400*3的信息膜；

S3、将待编码图像与步骤S2中生成的信息膜相加即可得到水印图像；