基于张量分解与场景分割的鲁棒视频水印算法.pdf

第 49卷 第 8期2023年 8月Computer Engineering 计算机工程基于张量分解与场景分割的鲁棒视频水印算法张天骐，闻 斌，熊 天，吴 超（重庆邮电大学 通信与信息工程学院，重庆 400065）摘要：数字技术的进步使得用户更便捷地在互联网上上传和下载数据，但是由此引发了盗取伪造、非法滥用等问题。数字水印技术可以有效遏制滥用数据的行为。针对现有视频水印算法在面对视频帧攻击时抵抗能力差的问题，提出一种结合张量分解与视频场景分割的鲁棒视频水印算法，提高嵌入水印图像后载体视频的不可见性。将载体视频分割为若干个视频场景，并将视频场景从 RGB颜色空间转换到 YCbCr颜色空间，根据视频场景中每帧的Y分量构造高阶张量，得到相应的张量特征图并进行不重叠分块处理。根据特征图子块联合熵确定嵌入水印的子块，利用奇异值分解对选定块分解得到 U矩阵，并将水印信息嵌入到 U矩阵中，通过对水印图像进行 Arnold置乱处理，增加水印图像的安全性。实验结果表明，在载体视频“suzie.avi”的 MPSNR值为 55 dB以上时，该算法对不同攻击参数的高斯噪声、椒盐噪声、泊松噪声、模糊、帧丢失、帧平均以及帧交换等攻击都具有较强的鲁棒性，归一化互相关系数均在 0.938之上。关键词：视频水印；张量分解；场景分割；联合熵；奇异值分解开放科学（资源服务）标志码（OSID）：源代码链接：https：/ J.计算机工程，2023，49（8）：250-256，264.英文引用格式：ZHANG T Q，WEN B，XIONG T，et al.Robust video watermarking algorithm based on tensor decomposition and scene segmentation J.Computer Engineering，2023，49（8）：250-256，264.Robust Video Watermarking Algorithm Based on Tensor Decomposition and Scene SegmentationZHANG Tianqi，WEN Bin，XIONG Tian，WU Chao（School of Communication and Information Engineering，Chongqing University of Posts and Telecommunications，Chongqing 400065，China）【Abstract】The advancement of digital technology has made it easy for users to upload and download data on the Internet，leading to prevalent issues of theft，forgery，and illegal abuse.To effectively address data abuse，digital watermarking technology has emerged.This paper proposes a robust video watermarking method that combines tensor decomposition and video scene segmentation，aiming to improve the resistance to video frame attacks and enhance the invisibility of watermarking images embedded in a carrier video.The proposed approach involves dividing the carrier video into multiple video scenes.Each video scene is then converted from the RGB color space to the YCbCr color space.High-order tensors are constructed based on the Y component of each frame within the video scene，generating the corresponding tensor feature map.Non-overlapping block processing is applied，and the sub-blocks for watermarking embedding are determined based on the joint entropy size of the feature map sub-blocks.Singular Value Decomposition（SVD）is used to decompose the selected block to obtain the U matrix，and the watermarking information is embedded into the U matrix.Additionally，Arnold scrambling is applied on the watermarking image to enhance its security.The experimental results demonstrate the strong robustness of the proposed algorithm against various attacks such as Gaussian noise，salt and pepper noise，Poisson noise，blurring，frame loss，frame averaging，and frame swapping when the MPSNR value of the carrier video suzie.avi exceeds 55 dB.The NCC（Normalized Cross-Correlation Coefficient）values for all attacks are consistently above 0.938.基金项目：国家自然科学基金（61671095，61702065，61701067，61771085）；重庆市自然科学基金（cstc2021jcyj-msxmX0836）；信号与信息处理重庆市市级重点实验室建设项目（CSTC2009CA2003）；重庆市教育委员会科研项目（KJ1600427，KJ1600429）。作者简介：张天骐（1971），男，教授、博士生导师，主研方向为通信信号的调制解调、盲处理；闻 斌、熊 天、吴 超，硕士研究生。收稿日期：2022-06-16 修回日期：2022-09-17 Email：开发研究与工程应用文章编号：1000-3428（2023）08-0250-07 文献标志码：A 中图分类号：TN309.7第 49卷 第 8期张天骐，闻 斌，熊 天，等.基于张量分解与场景分割的鲁棒视频水印算法【Key words】video watermarking；tensor decomposition；scene segmentation；joint entropy；Singular Value Decomposition（SVD）DOI：10.19678/j.issn.1000-3428.00650040概述 随着互联网的快速发展，多媒体作品的传播变得越来越便捷，抄袭和盗版的现象也越来越常见1。数字水印算法是一种在多媒体作品中嵌入特定版权信息的算法，能够解决版权问题并保障多媒体作品作者的合法权益2。因此，数字水印算法的研究具有重要意义。现有的视频水印算法大多都是对图像水印算法进行简单拓展，将载体视频看作视频帧序列，利用离散余弦变换（Discrete Cosine Transform，DCT）3-4、主成 分 分 析5、双 树 复 小 波 变 换（Dual-Tree Complex Wavelet Transform，DT-CWT）6、奇异值分解（Singular Value Decomposition，SVD）7-8、图变换9等方法逐帧嵌入水印信息。由于将视频的每一帧都嵌入水印，视频质量会大幅降低，因此研究人员在视频逐帧处理的基础上结合提取视频关键帧的技术10对视频进行场景分割，根据相邻视频帧的基本信息（如纹理、颜色、亮度、运动信息等）确定场景变化帧。常用的方法包括块匹配法11、直方图法12、运动矢量法13等，进而在不同的视频场景中挑选出最优嵌入帧作为关键帧以嵌入水印。文献 14 根据视频帧边缘亮度差异提取关键帧，最后将水印信息嵌入关键帧经过 DCT 后的低频系数中。文献 15 基于运动矢量进行场景分割，从相邻帧不同子块运动矢量的角度和振幅来提取关键帧，最后将水印嵌入到关键帧的若干子块中。文献 16 基于直方图法进行场景分割，将灰度水印分为 8 个位平面并依次嵌入到不同视频场景关键帧中。上述提出的算法虽然提高了嵌入水印后的视频质量，但是对视频帧攻击的抵抗能力较弱。因视频帧攻击可能会改变关键帧的像素值或者使得关键帧直接丢失，导致鲁棒性变差。本文使用视频场景分割算法，将不同场景下的视频帧序列视为整体进行处理，提出一种结合张量分解和直方图法的抗帧攻击鲁棒视频水印算法。利用相邻灰度视频帧之间的归一化直方图差将载体视频分割成若干个场景，根据视频场景下每一帧的 Y分量构造高阶张量，得到其张量特征图并进行 44不重叠分块处理。根据特征图子块联合熵大小确定嵌入水印的子块，将水印信息嵌入到利用 SVD 对选定块分解得到的 U矩阵中。1张量分解的 Tucker分解 高 阶 张 量 分 解 主 要 有 CP 分 解 和 Tucker 分 解2 种17-18。张量的 CP 分解是通过若干个 N 阶的秩一张量之和来表示 1 个 N 阶张量，N 阶秩一张量是由N 个向量计算外积而得到的张量。虽然张量的 CP分解能够保证分解结果的唯一性，但是对应秩的求解是 1个非确定性多项式难题。张量的 Tucker分解将 N 阶张量分解成 1 个核心张量和 N 个因子矩阵乘积的形式，核心张量保留了原始张量的主要能量，具有较优的稳定性19。因此，本文将张量的 Tucker分解应用于视频水印算法。1 个 N 阶张量A RI1 I2 IN的 Tucker 分解可以表示 1 个核心张量S RI1 I2 IN分别与 N 个因子矩阵U1U2UN的 n-mode乘积的形式，即：A=S U1 U2 UN（1）其中：Uk RIk Jk(k=12N)为正交矩阵。为了计算Uk，将 N 阶张量 A 沿不同维度展开为矩阵Ai(i=12N)，并且将由Ai进行奇异值分解得到的左奇异矩阵作为张量的因子矩阵Ui，如式（2）所示：Ai=Ui Di VTi（2）因此，核心张量S为：S=A(U1)T(U2)T (UN)T（3）为了充分利用相邻视频帧之间的相关性和冗余性，提高水印算法对于帧攻击的鲁棒性，本文将相同场景下的 MNL 灰度视频序列表示为三阶张量 P。张量 P的 3个维度分别表示视频的宽度 M、高度 N 以及时间长度 L。对 P进行 Tucker分解可以得到：P=U1 U2 U3（4）其中：表示核心张量；U1、U2、U3分别表示大小为MM、NN、LL的正交矩阵。令张量=U1 U2，表示视频张量 P 时间轴信息的特征张量，则式（4）可以表示为：P=U3（5）由于因子矩阵U3中的行信息表示视频张量 P不同帧之间的相关系数，根据式（5），视频张量 P 与因子矩阵U3的线性关系表示为：Pt=i=1LUti3 i（6）其中：Pt表示视频张量 P 的第 t帧；i表示特征张量的第 i个正向切片；Uti3表示因子矩阵U3中第 t行的第 i个值。根据式（5）和式（6）得到：P2=2=i=1Li2（7）其中：表示 Frobenius 范数。根据式（5）和奇异值分解理论可以得到：1222 L2（8）其 中：i表 示 特 征 张 量的 第 i 个 正 向 切 片；将12L称为视频张量 P 的第12L幅特征图。从式（8）可以看出，特征图i是按照能量从大到小排列的，第 1幅特征图1包含视频张量 P中的大部分能量。为提高视频水印算法的鲁棒性，本文将水印信2512023年 8月 15日Computer Engineering 计算机工程息嵌入到第 1幅特征图1中。2视频场景分割 灰度直方图是灰度级的函数，描述图像中每种灰度级像素的个数，反映图像中每种灰度出现的频率20。本文利用相邻灰度视频帧之间的归一化直方图差将载体视频划分为多个视频场景。直方图差计算式如式（9）所示：d(ij)=r=0255(hj(r)-hi(r)2hj(r)+hi(r)（9）其中：d(ij)表示第 i个灰度视频帧和第 j个灰度视频帧之间的直方图差，i 1，2，N-1，j=i+1，N 表示载体视频中视频帧的个数；hi(r)和hj(r)表示第 i个灰度视频帧和第 j个灰度视频帧中像素值r(r(0255)出现的次数。为提高场景分割的准确度，按照式（10）将直方图差进行归一化：d(ij)=d(ij)-min(D)max(D)-min(D)（10）其中：D=d(ij)|i=12N-1；j=i+1；min(D)表示集合D中的最小值；max(D)表示集合D中的最大值。在载体视频帧序列之间利用归一化直方图差检测场景变化，如果视频帧 i前后的视频场景发生变化，则 i满足：1）d(i-1i)d(ii+1)且d(ii+1)d(i+1i+2)；2）d(i-1i)，为阈值。本文将第 1 个视频帧设置为初始视频场景改变帧，阈值设置为 0.3。如果第 i（i 1）个视频帧满足条件 1 和条件 2，则第 i个视频帧是下一个视频场景改变帧。为验证该视频场景分割算法，本文从分辨率为480740 像素的电影“cast away”中以 30 帧/s 的速度提取了 230 个视频帧。图 1 所示为该视频序列的前16个视频帧。通过式（9）和式（10）计算前 16个视频帧的归一化直方图差，具体结果如表 1所示。从 表 1 可 以 看 出：d(910)d(1112)且d(1011)=1 0.3，第 11个视频帧为视频场景改变帧，与图 1所示的视觉效果相一致。图 2所示为电影“cast away”提取230个视频帧之间的归一化直方图差，X表示视频帧个数，Y表示归一化直方图差。从图 2可以看出，将“cast away”的 230个视频帧分为4 个视频场景，场景改变帧分别为第 1 个视频帧、第11个视频帧、第134个视频帧和第160个视频帧。3水印嵌入流程 水印嵌入流程如下：1）载体视频预处理。将载体视频视为长度为 N的视频帧序列，并按照第 2 节的视频场景分割算法分为场景 Scene1，Scene2，SceneL，L 表示分割场景的个数。2）水印图像预处理。对大小为 KK原始二值水印图像 W 进行 Arnold 置乱，得到置乱后的水印图像W*。Arnold变换定义如式（11）所示：图 1视频场景变化示意图Fig.1Schematic diagram of video scene changes图 2“cast away”的归一化直方图差Fig.2Normalized histogram difference for cast away表 1相邻灰度视频帧的归一化直方图差 Table 1Normalized histogram difference among adjacent grayscale video frames相邻视频帧(1,2)(2,3)(3,4)(4,5)(5,6)(6,7)(7,8)(8,9)d(ij)0.005 800.001 400.001 300.002 000.003 100.009 200.000 760.001 60相邻视频帧(9,10)(10,11)(11,12)(12,13)(13,14)(14,15)(15,16)d(ij)0.002 001.000 000.000 800.000 000.000 490.000 310.000 78252第 49卷 第 8期张天骐，闻 斌，熊 天，等.基于张量分解与场景分割的鲁棒视频水印算法()xy=()1112()xymod P（11）其中：()xy表示 Arnold变换后的像素位置；()xy表示原始像素位置；mod 表示与 P 相除后的模运算；P 表示Arnold变换的周期。3）颜色空间转换。将场景 Scenei（i=1，2，L）的 每 一 帧 从 RGB 颜 色 空 间 转 换 到 YCbCr 颜 色 空间中。4）提取张量特征图。提取场景 Scenei每帧的 Y分量组成 Ti阶张量Pi，其中，i=1，2，L，Ti表示场景Scenei包含视频帧的个数。将 Pi按照式（4）分解为核心张量和因子矩阵U1、U2、U3，并提取出的第 1个正向切片，即第 1张量特征图1。5）选定嵌入块。对1进行 44不重叠分块处理得到特征图子块1(ij)，其中，i=1，2，H，j=1，2，B，H、B 表示1的高度和宽度，与载体视频的高度和宽度相等。通过计算每个特征图子块1(ij)的联合熵，挑选前 KK 个具有较小联合熵的子块并嵌入水印信息，记录其坐标位置作为秘钥 Key。联合熵的计算式如式（12）所示：Ejoint=-i=1N(pilb pi+pie1-pi)/2（12）其 中：pi表 示 第i个 图 像 像 素 值 出 现 的 概 率，0 pi 1。6）嵌入水印信息。对挑选出的特征图子块进行SVD，U矩阵的系数U21和U31在图像受到攻击后仍然保持极强的稳定性21-22。因此，本文算法利用SVD 将水印图像嵌入到矩阵U中，提高水印的鲁棒性。按照式（13）所示的嵌入规则将置乱后的水印图像 W*嵌入到U矩阵中：U21=Sign(U21)()Uavg-2W*(ij)=1Sign(U21)()Uavg+2W*(ij)=0U31=Sign(U31)()Uavg+2W*(ij)=1Sign(U31)()Uavg-2W*(ij)=0（13）其 中：ij=12N；为 水 印 嵌 入 强 度；Uavg=|U21+|U312。7）恢复载体视频。通过对嵌入水印信息后的特征图子块进行逆 SVD，得到新的张量特征图*1。根据式（6）计算嵌入水印信息后的张量P*i，使用张量P*i的每个正向切片替换场景 Scenei每帧原始的 Y 分量，并将场景 Scenei从 YCbCr 颜色空间转换到 RGB颜色空间，最后按顺序将 L 个视频场景拼接为嵌入水印信息后的载体视频。水印嵌入流程如图 3所示。4水印提取流程 水印提取流程如下：1）载体视频预处理。将嵌入水印信息的载体视频看作长度为 N的视频帧序列，并按照第 2节的视频场景分割方法分为场景 Scene*1，Scene*2，Scene*L。2）重复第 3 节的步骤 3 和步骤 4，得到嵌入水印后的第 1张量特征图*1。3）定位嵌入水印信息的子块。对*1进行 44不重叠分块处理，根据秘钥 Key 提取嵌入水印信息的特征图子块。4）提取水印图像。对提取的特征图子块进行SVD 以得到 U 矩阵，按照式（14）所示的提取规则得到置乱后的水印 W*，对 W*进行 Arnold逆置乱得到原始水印图像 W：W*(ij)=1|U31|U210|U31|U21（14）5）建立投票机制。由于在L个视频场景中嵌入相同的水印图像，因此经过提取算法最终可以得到 L张二值水印图像Wi(i=12L)。将 L张二值水印图像Wi进行矩阵加法运算，得到新的矩阵W。该投票机制根据少数服从多数原则，投票机制流程如图4所示，其中，pq=12N，W(pq)表示待投票的当前数值，图 3水印嵌入流程Fig.3Procedure of watermarking embedding2532023年 8月 15日Computer Engineering 计算机工程W(pq)表示投票之后确定的数值，floor表示数值向下取整。投票机制可以有效解决部分场景遭受严重破坏后提取水印图像鲁棒性较差的问题，从而提高算法的稳定性。水印提取流程如图5所示。5实验结果与分析 本文实验选用标准视频数据库中具有 150 个视频帧的“suzie.avi”（分辨率为 144176 像素）、114 个视 频 帧 的“rhinos.avi”（分 辨 率 为 240320 像 素）、283个视频帧的“vipmen.avi”（分辨率为120160像素）、626 个视频帧的“viptrain.avi”（分辨率为 240360 像素）以及自主拍摄的具有1 358个视频帧的“campus.avi”（分辨率为 1 9201 080 像素）作为载体视频。数字水印是 1个大小为 3232像素的“福”字二值图像，嵌入强度设置为 0.715，视频场景分割阈值设置为 0.3。5.1不可见性分析为验证视频水印算法的不可见性，本文采用平均 峰 值 信 噪 比（Mean Peak Signal-to-Noise Ratio，MPSNR）和 平 均 结 构 相 似 性 指 数（Mean Structural Similarity Index Measure，MSSIM）作 为 衡 量 指 标。表 2 所 示 为“suzie.avi”“rhinos.avi”“vipmen.avi”“viptrain.avi”“campus.avi”的帧数、分割的视频场景数以及嵌入水印后的 MPSNR值和 MSSIM 值。从 表 2 可 以 看 出，“rhinos.avi”“suzie.avi”“vipmen.avi”“viptrain.avi”“campus.avi”嵌入水印后的 MPSNR 值分别为 54.762 dB、55.867 dB、56.112 dB、63.142 dB、68.254 dB，MSSIM 值 分 别 为 0.994、0.993、0.996、0.998、0.998。“campus.avi”的 MPSNR值略高于其他 4 个载体视频，其原因为“campus.avi”具有更多的视频帧，相当于在 194个视频帧嵌入 1个水印图像，嵌入的水印能量可以分布在更多的视频帧中，每帧与原始视频帧的差异较小。5个载体视频的MPSNR 值均在 54 dB 以上，MSSIM 值均在 0.993 以上，说明本文算法具有较优的不可见性。5.2鲁棒性分析为验证本文算法的鲁棒性，本文将“福”字二值水印图像嵌入到“suzie.avi”“rhinos.avi”“vipmen.avi”“viptrain.avi”“campus.avi”载体视频中，对嵌入水印后的载体视频进行均值为 0且方差为 0.01、0.05、0.10的高斯噪声，椒盐噪声攻击，滤波器维数为 33和方差为 0.1、0.2、0.3 的高斯低通滤波攻击（模糊攻击），帧丢失攻击，帧平均攻击，帧交换攻击，并利用提取水印图像的归一化互相关系数（Normalized Cross-Correlation Coefficient，NCC）来评估算法的鲁棒性。实验结果如表 3所示。从表 3可以看出，相比其他载体视频，帧数/场景数比值较大的载体视频“campus.avi”在面对视频攻击时具有更优的稳定性。不同载体视频在面对高斯噪声、椒盐噪声时，NCC值随着噪声强度的增大而减小，NCC 最小值在 0.914 以上，但是在面对泊松噪声时 NCC 值为 0.9871.000，具有较优的鲁棒性。载体视频在面对不同强度的模糊攻击时，NCC 值均达到 1.000，原因在于模糊攻击虽然会分区域改变载体视频帧的像素值，但是经过张量分解后这些改变的像素值在张量特征图上的数值相对关系并没有改变，通过提取规则依然能够准确提取水印图像。不同载体视频在面对视频帧攻击时均具有较优的稳定性。以“suzie.avi”载体视频为例，在面对不同强 度 的 帧 丢 失 攻 击 时，NCC 值 均 在 0.993 以 上 且NCC 值的波动范围较小，主要原因在于帧丢失是随机将一部分视频帧的像素值置零，这些视频帧分散在不同的场景中，经过张量分解后对不同场景的张量特征图的像素值影响较小，而且本文又通过投票表 2本文算法不可见性分析 Table 2Invisibility analysis of the proposed algorithm载体视频rhinos.avisuzie.avivipmen.aviviptrain.avicampus.avi帧数/个1141502836261 358场景数/个32357帧数/场景数387594125194本文算法MPSNR/dB54.76255.86756.11263.14268.254MSSIM0.9940.9930.9960.9980.998图 5水印提取流程Fig.5Procedure of watermarking extraction图 4投票机制流程Fig.4Procedure of voting mechanism254第 49卷 第 8期张天骐，闻 斌，熊 天，等.基于张量分解与场景分割的鲁棒视频水印算法机制提升对帧丢失攻击的稳定性。“suzie.avi”载体视频在面对帧平均攻击时 NCC 值均在 0.997 以上，具有较强的鲁棒性，在面对帧交换攻击强度为 10%、20%、25%时 NCC值均在 0.985以上，但是在面对 35%帧交换攻击强度时 NCC值出现了明显下降，从 0.985下降到 0.938。其原因在于“suzie.avi”分为 2 个视频场景，这 2 个场景的视频帧像素值差别较大，随机35%的帧交换将 2个场景的大部分视频帧进行交换，经过张量分解后张量特征图的像素值变化较大，导致提取出错。5.3对比实验本文为验证该算法的优越性，将本文算法与文献 23 所提算法、文献 24 所提算法进行对比，选择具有160个视频帧的“suzie.avi”（分辨率为144176像素）作为载体视频，通过提取水印的NCC值来评估算法的优越性。本节实验结果均基于嵌入水印后“suzie.avi”的 MPSNR 值 55 dB 得到。不同算法的归一化互相关系数对比如表 4所示。从表 4 可以看出，本文算法在面对加噪攻击时NCC 值均高于对比算法，特别是对泊松噪声攻击时NCC 值达到 0.998，而文献 23 算法和文献 24 算法仅为 0.845和 0.855。在面对模糊攻击时所有算法的NCC 值均达到了 1.000。本文算法在面对帧丢失攻击时，NCC 值均高于对比算法。当帧丢失攻击强度越大时，本文算法的优越性越明显。当帧丢失攻击强度达到 25%时，本文算法 NCC 值达到 0.996，而文献 23 算法和文献 24 算法仅为 0.861 和 0.850。文献23算 法 略 优 于 文 献24算 法，其 原 因 为 文献 23 算法采用逐帧嵌入水印的方法，而文献 24算法采用基于 Fibonacci序列选择关键帧嵌入水印。在面对帧丢失攻击时，文献 23 算法可以在剩余视频帧中提取水印，而文献 24 算法的关键帧可能全部丢失。本文算法在面对帧平均以及帧交换攻击时性能均优于对比算法，当攻击强度逐渐增大时，本文算法的 NCC 值波动范围较小，最低 NCC 值在 0.985以上，而对比的 NCC 值随着攻击强度增大而大幅下降。因此，本文算法在面对不同攻击类型尤其是帧攻击时具有较优的性能。为进一步验证本文算法在面对视频帧攻击时的有效性，本文将该算法与近年来较先进且具有代表性的视频水印算法25进行比较，分别采用强度为10%、20%、25%的帧丢失、帧平均和帧交换攻击，实验结果如图 6所示。从图 6可以看出，文献 25 算法在面对帧攻击时性能相较于本文算法较差，当攻击强度逐渐增大时，文献 25 算法的 NCC 值呈现陡坡表 3本文算法对不同攻击类型的 NCC对比 Table 3Comparison of NCC for different attack types using the proposed algorithm攻击类型高斯噪声椒盐噪声泊松噪声模糊帧丢失帧平均帧交换攻击参数N(0,0.01)N(0,0.05)N(0,0.10)0.010.050.103,3,0.13,3,0.23,3,0.310%20%25%35%10%20%25%35%10%20%25%35%NCCrhinos.avi0.9980.9740.9550.9980.9900.9830.9981.0001.0001.0000.9970.9940.9910.9890.9970.9900.9840.9230.9940.9890.9770.939suzie.avi0.9940.9560.9390.9980.9840.9760.9981.0001.0001.0000.9990.9970.9960.9930.9990.9990.9980.9970.9970.9880.9850.938vipmen.avi0.9500.9220.9140.9760.9520.9260.9871.0001.0001.0000.9990.9950.9940.9930.9980.9860.9740.9390.9500.9360.9360.925viptrain.avi0.9990.9890.9611.0000.9960.9851.0001.0001.0001.0001.0000.9990.9990.9971.0000.9790.9690.9580.9970.9930.9860.957campaus.avi0.9990.9920.9781.0000.9970.9891.0001.0001.0001.0001.0000.9990.9990.9981.0000.9840.9920.9680.9980.9950.9910.967表 4不同算法的归一化互相关系数对比 Table 4Normalized cross-correlation coefficient comparison among different algorithms攻击类型高斯噪声椒盐噪声泊松噪声模糊帧丢失帧平均帧交换攻击参数N(0,0.01)N(0,0.05)N(0,0.10)0.010.050.103,3,0.13,3,0.23,3,0.310%20%25%10%20%25%10%20%25%NCC文献23算法0.9290.9210.8810.9130.8950.9130.8451.0001.0001.0000.9800.9230.8610.9760.9190.8430.9850.9380.843文献24算法0.9370.9330.9070.9280.9180.8780.8551.0001.0001.0000.9780.9090.8500.9750.9140.8690.9870.9470.869本文算法0.9940.9560.9390.9980.9840.9760.9981.0001.0001.0000.9990.9970.9960.9990.9990.9980.9970.9880.9852552023年 8月 15日Computer Engineering 计算机工程下降的趋势，而本文算法 NCC 值变化幅度不大，具有较强的稳定性。因此，本文算法能够有效抵抗视频帧攻击。6结束语 本文结合张量分解与视频场景分割方法，提出一种有效抵抗帧攻击的鲁棒视频水印算法。该算法将载体视频分割为若干个场景，根据不同场景下视频帧序列的 Y 分量构造高阶张量，得到其张量特征图并进行分块处理，最后根据特征图子块联合熵大小确定嵌入水印的子块，将水印信息嵌入到选定块通过奇异值分解得到的 U 矩阵中。实验结果表明，当“suzie.avi”载体视频 MPSNR 值为 55 dB 以上时，本文算法除了对不同强度的帧丢失、帧平均、帧交换都有较强的抵抗能力之外，NCC达到 0.938之上。下一步将探究经过旋转后载体视频的张量特征图与原始视频的张量特征图之间像素位置的变化关系，设计旋转校正算法，从而提高本文算法在面对旋转攻击时的鲁棒性。参考文献 1 PIVA A，BARTOLINI F，BARNI M.Managing copyright in open networks J.IEEE Internet Computing，2002，6（3）：18-26.2 HARRAN M，FARRELLY W，CURRAN K.A method for verifying integrity&authenticating digital media J.Applied Computing and Informatics，2018，14（2）：145-158.3 王颖，袁开国，席敏超.基于离散余弦变换的可移除数字视频水印算法 J.计算机工程，2015，41（5）：169-174.WANG Y，YUAN K G，XI M C.Removable digital video watermark algorithm based on discrete cosine transform J.Computer Engineering，2015，41（5）：169-174.（in Chinese）4 KO H J，HUANG C T，HORNG G，et al.Robust and blind image watermarking in DCT domain using inter-block coefficient correlation J.Information Sciences，2020，517：128-147.5 AJITHA G，MENDA S，ANNAPURNA P，et al.Bind video watermarking based on wavelet transform C/Proceedings of the 5th International Conference on Trends in Electronics and Informatics.Washington D.C.，USA：IEEE Press，2021：1-5.6 HUAN W N，LI S，QIAN Z X，et al.Exploring stable coefficients on joint sub-bands for robust video watermarking in DTCWT domain J.IEEE Transactions on Circuits and Systems for Video Technology，2022，32（4）：1955-1965.7 VELICKOVIC Z S，MILIVOJEVIC Z N.Video protection by color watermark using a modified cyclic insertion schemeC/Proceedings of the 24th International Conference on Information Technology.Washington D.C.，USA：IEEE Press，2020：1-4.8 ALSHOURA W H，ZAINOL Z，TEH J S，et al.A new chaotic image watermarking scheme based on SVD and IWT J.IEEE Access，2020，8：43391-43406.9 SHARMA C，AMANDEEP B，SOBTI R，et al.A secured frame selection based video watermarking technique to address quality loss of d