基于传统引导机制的深度鲁棒水印算法_郭学镜.pdf

2023 年 4 月 Chinese Journal of Network and Information Security April 2023 第 9 卷第 2 期 网络与信息安全学报 Vol.9 No.2 基于传统引导机制的深度鲁棒水印算法 郭学镜，方毅翔，赵怡，张天助，曾文超，王俊祥（景德镇陶瓷大学机械电子工程学院，江西 景德镇 333000）摘 要：随着网络和多媒体技术的发展，多媒体数据逐渐成为人们获取信息的重要来源，数字媒体逐渐成为版权保护和防伪溯源主战场，版权保护新技术的重要性日益凸显，数字水印技术作为其中一种重要的版权保护手段得到重视。在信息传递过程中，含密数字媒体信息可能会受到噪声和外部干扰攻击，传统鲁棒数字水印技术正是围绕这些问题进行研究。然而，传统的鲁棒数字水印技术对不同类型攻击的综合抵抗能力有待提升。同时，由于其嵌入方式的局限性，传统的鲁棒数字水印算法对不同图像的泛化处理能力较弱。近年来，深度学习由于其强大的自学习能力被广泛应用于鲁棒数字水印技术研究。基于深度网络的鲁棒数字水印算法的初始化通常来源于随机的参数和特征，这会导致生成的模型质量不佳、训练时间过长，甚至无法收敛。结合两者的优点，采用传统的数字水印技术进行引导，兼顾深度网络的学习能力和传统鲁棒数字水印技术特征进行设计，提出一种基于传统引导机制的深度鲁棒数字水印算法。所提算法利用传统的鲁棒数字水印算法生成水印图像，设计的特征构造能够保证传统水印图像的鲁棒性。再利用U-Net结构将传统水印图像融合至深度网络，生成最终的含密图像。实验结果表明，所提算法能够提升含密图像抵抗各种攻击的鲁棒性，并且保证更好的视觉质量。关键词：水印技术；深度网络；鲁棒水印；U-Net 中图分类号：TP393 文献标志码：A DOI:10.11959/j.issn.2096109x.2023031 Traditional guidance mechanism based deep robust watermarking GUO Xuejing,FANG Yixiang,ZHAO Yi,ZHANG Tianzhu,ZENG Wenchao,WANG Junxiang School of Mechanical and Electronic Engineering,Jingdezhen Ceramic University,Jingdezhen 333000,China 收稿日期：20220910；修回日期：20230201 通信作者：方毅翔， 基金项目：国家自然科学基金（62062044，62063010）；江西省科技合作专项重点项目（20212BDH80021）；景德镇市级科技计划项目（2020ZDGG004）Foundation Items:The National Natural Science Foundation of China(62062044,62063010),The Science and TechnologyCooperation Special Key Project of Jiangxi Province(20212BDH80021),Jingdezhen Municipal Science and Technology PlanProject(2020ZDGG004)引用格式：郭学镜,方毅翔,赵怡,等.基于传统引导机制的深度鲁棒水印算法J.网络与信息安全学报,2023,9(2):175-183.Citation Format:GUO X J,FANG Y X,ZHAO Y,et al.Traditional guidance mechanism based deep robust watermarkingJ.Chinese Journal of Network and Information Security,2023,9(2):175-183.176 网络与信息安全学报 第 9 卷 Abstract:With the development of network and multimedia technology,multimedia data has gradually become a key source of information for people,making digital media the primary battlefield for copyright protection and anti-counterfeit traceability.Digital watermarking techniques have been widely studied and recognized as important tools for copyright protection.However,the robustness of conventional digital watermarking methods is limited as sensitive digital media can easily be affected by noise and external interference during transmission.Then the existing powerful digital watermarking technologys comprehensive resistance to all forms of attacks must be enhanced.Moreover,the conventional robust digital watermarking algorithms generalizability across a variety of image types is limited due to its embedding method.Deep learning has been widely used in the development of robust digital watermarking systems due to its self-learning abilities.However,current initialization techniques based on deep neural networks rely on random parameters and features,resulting in low-quality model generation,lengthy training times,and potential convergence issues.To address these challenges,a deep robust digital watermarking algorithm based on a traditional bootstrapping mechanism was proposed.It combined the benefits of both traditional digital watermarking techniques and deep neural networks,taking into account their learning abilities and robust characteristics.The algorithm used the classic robust digital watermarking algorithm to make watermarked photos,and the constructed feature guaranteed the resilience of traditional watermarked images.The final dense image was produced by fusing the conventionally watermarked image with the deep network using the U-Net structure.The testing results demonstrate that the technique can increase the stego images resistance to various attacks and provide superior visual quality compared to the conventional algorithm.Keywords:watermarking technology,deep network,robust watermarking,U-Net 0 引言 随着多媒体信息技术的快速发展，信息的传输变得方便快捷和多样化。然而，信息来源的有效性和安全性受到许多不法分子的威胁，如图片盗用、商标窃取等。因此，信息的溯源和认证成为信息安全领域的一大挑战。为了解决上述问题，数字水印技术1被提出。水印技术包括编码端和解码端，编码端需要将水印嵌入载体中生成含密信息。相应地，水印将在解码端从含密信息中提取出来。在实际传输过程中，含密信息可能会受到信道的噪声干扰甚至不法分子的恶意攻击，从而破坏水印的提取过程。基于此，鲁棒水印技术被提出。鲁棒水印技术保证了水印在含密信息受到噪声或恶意攻击后仍能被准确提取。鲁棒性、视觉质量以及嵌入容量是衡量鲁棒水印技术的重要指标。传统的鲁棒水印技术大致可以分为 3 类：基于像素域的方法2-3、基于变换域的方法4-15、基于几何不变域的方法16-22。基于像素域的方法通过改变非重叠块中相邻像素间的空间关系实现了在像素域中的鲁棒水印嵌入，该方法能够抵抗常见的一些图像处理攻击，如模糊、滤波等。随着研究的进行，许多学者发现变换域相比于像素域更具鲁棒性。Cox 等4提出了基于变换域的鲁棒水印技术，该方法通过改变离散余弦变换后的频域系数来嵌入方法，其能在一定程度上抵抗有损压缩和滤波。Hsu 等5在文献4的基础上进行了算法改进，将水印嵌入每一个非重叠图像块中的中频系数以提升含密图像的质量。此外，针对变换域鲁棒水印的研究有许多（如离散余弦变换（DCT）6-9、离散小波变换（DWT）10-11、奇异值分解（SVD）12-13、提升小波变换（LWT）14-15）。尽管上述方法对常见的噪声、滤波、模糊、有损压缩等攻击达到了一定程度的鲁棒性，但对几何攻击（如旋转或缩放）的抵抗力仍然具有很大的挑战。为了解决这个问题，基于几何不变域的方法被提出。文献16-17中的方法利用不变的区域产生Harris 三角形网格来嵌入水印。此外，几何不变域由于其受几何攻击前后系数不变的特性被应用于鲁棒水印以抵抗旋转、剪切和缩放等几何攻击。基于几何不变域的方法有傅里叶梅林域18-19、第 2 期 郭学镜等：基于传统引导机制的深度鲁棒水印算法 177 Zernike 矩20-22、非径向单位映射矩23。这些方法通过对不变矩系数的修改来嵌入水印以达到抵抗几何攻击的目的。不难发现，传统的鲁棒水印技术一般是通过针对已知攻击的程度来设计或构造能够抵抗该攻击的特征系数，其优势在于将人工先验知识作为基础展开探索和设计。然而，传统的鲁棒水印对不同种类型攻击的综合抵抗能力仍然有待提升。此外，由于嵌入方式的局限性，传统鲁棒水印算法对不同图像的泛化处理能力较弱。近年来，深度学习由于其强大的自学习能力被广泛应用于鲁棒水印技术领域。Zhu 等24提出一个基于端对端的深度网络水印算法，其利用生成对抗网络（GAN）25的对抗生成理念来训练以得到最佳的编码解码网络。Hidden24的端对端网络的特点在于新的失真可以直接合并到训练过程中而无须设计新的专用算法。文献26提出的StegaStamp 模型在文献24的方法基础上将真实物理世界的模拟攻击加入噪声层并且进行了多类