如何追踪图片的源头?来看看研究人员如何给图片添加实时水印

   自动化那些事        

提出了一种新的基于深度神经网络的图像水印方法,用于识别互联网上使用各种messenger应用程序共享转发的数字数据的来源。在第一时间用于分享和交流图像的应用程序也被识别在提出的方法中。


为了嵌入水印,将共享和转发的主机图像分成等大小的块,然后对每个块进行小波变换。为了获得较高的可靠性,水印嵌入过程中嵌入了三份源信息(用户和app)。水印提取采用经过训练的多层深度神经网络。本文以“Real-time watermark reconstruction for the identification of source information based on deep neural network”为题发布于《Journal of Real-Time Image Processing》杂志上。

如何追踪图片的源头?来看看研究人员如何给图片添加实时水印


研究背景


目前,使用社交媒体的多种动机非常普遍,如获取关于人的最新消息、天气、状态、世界、政治和金融问题等,或与亲友联系,向人们提供信息等。社交媒体网络是一种简单经济的人与人之间传播信息的方式。


各种各样的通讯应用,如WhatsApp、Hike、Facebook messenger、Tinder等,在信息的分享和再分发方面发挥着重要作用。智能手机的广泛使用有助于在相同或其他社交网络应用程序上下载、上传或转发数字数据。


使用智能手机摄像头很容易创建打印文档等数字图像,然后这些数据可以通过不同数量的messenger应用程序分发给未经授权的用户。有时,人们滥用社交网络,通过传播错误的或不必要的信息来达到不光彩的目的,从而导致政治、社会、经济或许多其他类型的复杂情况。从这个角度来看,有必要从用户、设备或位置的角度,获得尽可能多的关于多媒体数据的来源和处理的信息。它可以帮助确定来源,并停止滥用社交网络,如果任何。数字水印是解决这些问题的有效途径之一。


数字水印是将水印信号插入到主机信号中的过程。利用相应的技术或算法对嵌入的水印信号进行检测或提取。目前,有多种数字水印技术被用于版权保护、所有权检测和保护、篡改检测和互联网安全通信等。然而,随着通信技术的进步和新的软件应用的发明,对信息的数量、准确性和来源的控制已经成为一个更加严重的问题。


为了解决上述问题,人工智能技术如模糊推理系统、人工神经网络、深度学习架构等正在世界各地的研究领域得到应用。科研文章代表了一些技术相关的问题的解决在社交网络,多媒体通信网络安全,源识别,等等,但是,这一地区为研究人员和科学家和大规模的研究机会,因此,从全世界获得非凡的注意力。


深度学习是机器学习的一种特殊类型,它以学习数据表示为基础,可分为监督学习、强化学习和无监督学习三大类。

如何追踪图片的源头?来看看研究人员如何给图片添加实时水印


图为一种通用的深度神经网络(DNN)结构


虽然由于数据集大,DNN的训练时间比其他分类器要高,但这种情况在测试时正好相反。在测试和实际应用中,DNN比传统的分类器/机器学习方法花费更少的时间。DNN和其他分类器的主要区别在于它的问题解决过程。在许多分类器(如支持向量机)中,在应用到学习机制之前,先提取特征,然后进行识别以降低数据复杂度,而dnn的问题求解过程是一个端到端的过程。

如何追踪图片的源头?来看看研究人员如何给图片添加实时水印


图为B/w DNN与其他机器学习方法/分类器(即SVM、Logistic回归等)的差异

如何追踪图片的源头?来看看研究人员如何给图片添加实时水印


图为水印生成过程

如何追踪图片的源头?来看看研究人员如何给图片添加实时水印


图为a水印插入过程b水印提取过程


在水印提取过程中,采用了基于深度神经网络的水印提取方法。为了在尽可能小的误差下选择一种DNN结构,对每一层中不同的层数和不同的神经元数对几种DNN结构进行了研究。与其他DNN框架相比,所选的体系结构提供了最佳的结果。层数较多的DNN体系结构性能优于隐层数较少的DNN体系结构。然而,向DNN添加更多层并不能提高所选DNN体系结构以外的性能。


用40幅图像对深层神经网络结构进行了训练。这40幅图像PSNR值的均值和标准差分别为39.3516和0。6677。输入数据集的大小为(256×614,400),目标数据集的大小为(1×614,400)。为了提高性能,利用图中提到的DNN结构,计算了每一次攻击的误码率均值和标准差值。

如何追踪图片的源头?来看看研究人员如何给图片添加实时水印


图为应用程序1的主机和水印图像


通过将给定沃尔什代码中的−1替换为0,将沃尔什代码转换为二进制序列。然后,它被转换成如图所示的文本形式。随机Walsh码为该方案提供了更多的安全性,因为它受到秘密密钥的保护。

如何追踪图片的源头?来看看研究人员如何给图片添加实时水印


图为a256位沃尔什码b文本形式的沃尔什代码c随机256位沃尔什码d文本形式的随机Walsh代码


实验中使用的水印信息在嵌入和提取过程中采用二进制形式。因此,需要进行比特级比较,以检查嵌入水印和提取水印之间的相似性,并研究该方案的鲁棒性。


随着图像大小的增加,使用的水印有效载荷(多个水印副本)也随之增加,从而增加了嵌入和提取过程的执行时间。为了在执行时间上取得更好的效果,对嵌入方法进行了改进,根据图像大小对块选择过程进行了优化,将块大小固定为16×16,并在EQ中对优化的块选择过程进行了数学描述。

如何追踪图片的源头?来看看研究人员如何给图片添加实时水印


图为具有优化逻辑的水印处理的计算时间与图像大小

如何追踪图片的源头?来看看研究人员如何给图片添加实时水印


图为嵌入过程的计算时间与图像大小的比较

如何追踪图片的源头?来看看研究人员如何给图片添加实时水印


图为提取过程的计算时间与图像大小的比较


实验分析表明,应用优化逻辑后,嵌入和提取过程的执行次数明显减少。结果表明,所提出的优化块选择方法具有足够快的速度,适用于需要对300~800 KB图像进行快速处理的实时应用。


与非优化方法相比,优化块选择方法提供了很高的不可见性.分析表明,基于优化块选择逻辑的水印算法在速度、不可见性和鲁棒性等方面都具有较好的性能。该方法可以成功地用于实时应用,提高了参数化效率。


结果表明,所提出的优化方案在水印的整体处理时间方面比现有的算法具有更高的计算效率。该方案提供了用户和应用程序的识别,但现有的方法只进行所有权(版权)验证。另外,该研究提出的图像水印方法可以应用于不同大小的图像,而现有的水印算法只适用于固定大小的图像。这表明了所提出的方案优于现有的方法,特别是在实时应用中。


研究结论


该研究提出一种图像水印方法,用于检测负责在互联网上共享数据(图像信号)的第一个用户(所有者)和特定的信使应用程序(共享转发状态)。该方法可以帮助调查机构和法医社区识别在互联网上传播错误(虚假)和敏感信息的社交媒体用户。


该方案可以检测数字信息(图像信号)是首次共享还是首次转发。它可以用来通知其他用户共享的信息数据的可靠性。采用多层反向传播神经网络提取水印。


在提取水印信息之前,利用各种信号处理攻击检测其对提取的水印信息的影响,在误码率和PSNR方面取得了较好的效果。采用优化的块选择逻辑降低了计算复杂度,取得了较好的效果。通过与现有水印方案的比较,可以看出该优化水印方案在时间复杂度、鲁棒性和安全性方面的重要意义。


在未来,该方法将被改进以对抗轮转攻击和其他专门化攻击。研究了该方法对不同类型水印信号的有效性和使用参数的优化,以得到改进的结果。


参考文献:Rishi Sinhal, Irshad Ahmad Ansari & Deepak Kumar Jain Real-time watermark reconstruction for the identification of source information based on deep neural network  Journal of Real-Time Image Processing 2077–2095(2020)



最新评论(0)条评论
不吐不快,我来说两句

还没有人评论哦,抢沙发吧~

相关新闻推荐