[發明專利]一種用于IoT的無侵入水印提取與嵌入方法

有效

• 申請號: 201810246835.3
• 申請日: 2018-03-23
• 公開（公告）號: CN108399593B
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 李嘉;黃程韋
• 申請（專利權）人: 李嘉;黃程韋
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06T7/49;G06T7/90
• 代理公司: 淮安市科翔專利商標事務所 32110
• 代理人: 韓曉斌

1.一種用于IoT的無侵入水印提取與嵌入方法，其特征在于，其包括以下步驟：

S1、對原始圖像I(x,y)進行光照的均衡化處理；

S2、對S1中經過光照均衡處理的圖像進行紋理和顏色特征的提取；

S3、將步驟S2中所提取的特征在高維度矢量空間中進行建模，增加所提取的特征所在原始圖像中的坐標位置分布的信息，進行幾何形狀特征的構造；其中，所述將步驟S2中所提取的特征在高維度矢量空間中進行建模，包括以下步驟：

S41、提取n個特征點的坐標位置(xi,yi)，構成坐標形狀的一維形狀矢量S＝{x1,y1,x2,y2,...xn,yn}，以用于統計建模，每兩個特征點之間，構成一個線段，代表特征點之間的幾何位置關系；

S42、將S進行多變量高斯分布模型的概率密度估計，獲得均值向量U，形狀矢量S的多變量高斯分布如下：

p(S)＝1/((2π)^(d/2)|Σ|^(1/2))exp[-0.5(S-U)'Σ^(-1)(S-U)]

其中，p代表其概率分布，d代表特征維數，Σ代表協方差矩陣，^代表冪運算符號，'代表矩陣轉置運算符號；

S43、利用均值向量U，計算形狀矢量S與U之間的相對距離矢量D；

S44、將提取的n個特征點的特征數值與相對距離矢量進行合并擴展特征向量維數；

S4、將步驟S3中在高維度矢量空間中建好模的特征送入預先訓練好的編碼器，進行編碼，獲得該圖像對應的唯一的水印信息；

S5、將步驟S4中所述的圖像對應的唯一的水印信息，存儲于網絡數據中心的存儲空間中，關聯擴展的數據信息，其中，所述數據信息包括時間、地點以及附加的用戶點評信息。

2.根據權利要求1所述的一種用于IoT的無侵入水印提取與嵌入方法，其特征在于，所述步驟S1中光照的均衡化處理采用以下算法：

R＝w1[log(I(x,y))-log(F1(x,y)*I(x,y))]+w2[log(I(x,y))-log(F2(x,y)*I(x,y))]，

其中，w為每個尺度的權重系數，F為高斯濾波器，x和y為圖像像素點坐標。

3.根據權利要求1所述的一種用于IoT的無侵入水印提取與嵌入方法，其特征在于，所述步驟S4中高維度矢量空間中建好模的特征送入預先訓練好的編碼器，進行編碼包括以下步驟：

S51、采集同類物品的樣本圖像，按照步驟S3提取圖像的特征矢量；

S52、通過自編碼器結構訓練深度神經網絡，獲得壓縮數據的神經網絡各個節點的參數，神經網絡的計算方法：h(x)＝w1*x1+w2*x2+w3*x3+...+b，其中w1,w2...為神經元的權重，b為偏置量，x1,x2...為神經元各結點的輸入量

定義f:R→R是一個實數域上的映射函數，稱為激活函數，神經網絡激活函數使用如下形式：

f(z)＝1/(1+e^(-z))

其中z代表函數的自變量，為激活函數的輸入值；

用s代表類別標號，x代表輸入特征矢量，y代表神經網絡的輸出，前L個層的輸入向量記為：v^l，其中，l是每個網絡節點的標號，隱層向量記為：h^l，隱層中的m是每個隱層單元的序號，隱含節點的總數量可計算為N^l后驗概率：

其中，z^l(v^l)＝(W^l)’v^l+a^l，W是權重向量，a是偏置向量；神經網絡的輸出層對后驗概率進行最終的計算：

當神經網絡的節點都是二值化的隨機數值時，能量函數為：

E(v,h；θ)＝-v'wh-b'vh-a'h

其中參數θ＝{w,a,b}；

S53、提取自編碼器中間層的網絡節點輸出，作為輸入圖像的水印信息。