基于神经网络的视频多码符号隐写水印嵌入与提取方法与流程

本发明涉及数字水印，具体涉及一种基于神经网络的视频多码符号隐写水印嵌入与提取方法。

背景技术：

1、数字水印技术作为信息隐藏领域的重要分支，已广泛应用于视频版权保护、内容溯源及防伪认证等场景。随着深度学习技术的发展，基于神经网络的水印嵌入与提取方案因其端到端的优化能力而受到关注。在视频水印处理中，由于视频流具有帧间高度相关的时间冗余特性，如何充分利用该特性提升水印提取的可靠性成为研究重点。

2、然而，现有视频水印提取方法多采用逐帧独立判决机制，各帧的水印识别结果之间缺乏有效的关联校验手段。当单帧受到视频压缩噪声、亮度变化或局部遮挡等干扰时，逐帧独立判决容易产生误检，导致提取出的水印符号序列存在较多错误，难以满足高可靠性的版权保护需求。因此，亟需一种能够融合多帧信息进行联合校验的视频水印提取技术，以降低单帧误检对整体水印识别结果的影响。

技术实现思路

1、本发明的目的在于提出一种基于神经网络的视频多码符号隐写水印嵌入与提取方法，解决了视频水印提取缺乏时间维度帧间信息融合导致单帧误检率高的问题，实现了基于连续多帧投票确认的鲁棒水印符号识别。

2、第一方面，本技术实施例提供了一种基于神经网络的视频多码符号隐写水印嵌入与提取方法，包括以下步骤：

3、获取待处理视频和水印信息序列；

4、构建多码符号水印编码矩阵，并在多码符号水印编码矩阵中检索水印信息序列对应的规范编码向量；

5、将待处理视频解码得到原始视频帧序列，对原始视频帧序列进行归一化处理得到帧张量；

6、将帧张量与规范编码向量绑定输入预训练编码器模型进行推理，生成水印帧张量，对水印帧张量进行反归一化处理并编码为带水印视频；

7、对带水印视频逐帧解码与归一化处理后输入预训练解码器模型，得到各帧的水印信号向量，对各水印信号向量进行阈值二值化，得到各帧的二进制水印估计；

8、将各帧的二进制水印估计与多码符号水印编码矩阵进行汉明距离匹配得到候选符号序列；

9、对候选符号序列执行时间一致性滤波，输出有效水印符号序列，完成基于神经网络的视频多码符号隐写水印嵌入与提取。

10、可选地，构建多码符号水印编码矩阵，包括：

11、设定编码位宽，以预设的基本二进制单元循环填充至编码位宽长度，生成多个具有均匀位密度的二进制编码向量；

12、将多个二进制编码向量分别映射为不同的水印符号，构建多码符号水印编码矩阵；

13、其中，任意两个二进制编码向量之间的汉明距离满足预设的最小汉明距离约束。

14、可选地，在多码符号水印编码矩阵中检索水印信息序列对应的规范编码向量，包括：

15、遍历水印信息序列中的各个水印符号；

16、根据当前位置的水印符号，在多码符号水印编码矩阵中查表获取对应的二进制编码向量；

17、将二进制编码向量中的各比特位映射为浮点值，构造规范编码向量。

18、可选地，将待处理视频解码得到原始视频帧序列，对原始视频帧序列进行归一化处理得到帧张量，包括：

19、将待处理视频逐帧解码为原始像素帧；

20、将各原始像素帧按照帧索引顺序排列，得到原始视频帧序列；

21、将原始视频帧序列中各原始像素帧的像素值从整数区间映射至浮点归一化区间，得到各原始像素帧对应的归一化像素数据；

22、将归一化像素数据重塑为包含批次维度、通道维度、时间维度、高度维度和宽度维度的帧张量。

23、可选地，将帧张量与规范编码向量绑定输入预训练编码器模型进行推理，生成水印帧张量，包括：

24、按照帧栈大小将原始视频帧序列对应的连续帧张量打包为帧批次；

25、将帧批次中各帧张量分别绑定至预训练编码器模型的帧输入节点，将各帧张量对应的规范编码向量分别绑定至预训练编码器模型的数据输入节点；

26、以帧批次为单位依次执行预训练编码器模型的推理，获取预训练编码器模型输出的水印帧张量。

27、可选地，对水印帧张量进行反归一化处理并编码为带水印视频，包括：

28、将水印帧张量中的像素值从浮点归一化区间反归一化至整数区间，并重塑为原始分辨率的像素数组，得到水印嵌入帧；

29、将水印嵌入帧发送至视频编码器进行视频重编码，生成无音频的带水印视频流；

30、提取待处理视频的原始音频轨道，并将原始音频轨道与无音频的带水印视频流进行轨道合并，输出带水印视频。

31、可选地，对带水印视频逐帧解码与归一化处理后输入预训练解码器模型，得到各帧的水印信号向量，对各水印信号向量进行阈值二值化，得到各帧的二进制水印估计，包括：

32、将带水印视频按帧解码为带水印原始像素帧，将带水印原始像素帧进行归一化处理并重塑为输入张量；

33、将帧张量输入预训练解码器模型执行推理，输出与编码位宽对应维数的浮点水印信号向量；

34、将水印信号向量的每一维元素与预设零值阈值比较，当元素大于预设零值阈值时判定对应位为逻辑一，否则判定为逻辑零，组合得到二进制水印估计。

35、可选地，将各帧的二进制水印估计与多码符号水印编码矩阵进行汉明距离匹配得到候选符号序列，包括：

36、将各帧的二进制水印估计与多码符号水印编码矩阵中的各个二进制编码向量逐位比对，计算匹配位数；

37、选取匹配位数最多的二进制编码向量对应的水印符号作为当前帧的候选符号；

38、按时间顺序排列各个候选符号，得到候选符号序列。

39、可选地，对候选符号序列执行时间一致性滤波，输出有效水印符号序列，包括：

40、遍历候选符号序列，检测连续出现相同候选符号的游程长度；

41、将游程长度与预设的最小连续帧数阈值进行比较；

42、若游程长度大于或等于最小连续帧数阈值，则将该游程长度对应的候选符号确定为有效水印符号并单次写入结果集；

43、若游程长度小于最小连续帧数阈值，则将该游程长度对应的候选符号作为噪声丢弃；

44、按照确认顺序排列各有效水印符号，输出有效水印符号序列。

45、第二方面，本技术实施例提供了一种基于神经网络的视频多码符号隐写水印嵌入与提取系统，包括：

46、数据获取模块，被配置为获取待处理视频和水印信息序列；

47、编码构建模块，被配置为构建多码符号水印编码矩阵，并在多码符号水印编码矩阵中检索水印信息序列对应的规范编码向量；

48、视频解码模块，被配置为将待处理视频解码得到原始视频帧序列，对原始视频帧序列进行归一化处理得到帧张量；

49、水印嵌入模块，被配置为将帧张量与规范编码向量绑定输入预训练编码器模型进行推理，生成水印帧张量，对水印帧张量进行反归一化处理并编码为带水印视频；

50、水印提取模块，被配置为对带水印视频逐帧解码与归一化处理后输入预训练解码器模型，得到各帧的水印信号向量，对各水印信号向量进行阈值二值化，得到各帧的二进制水印估计；

51、距离匹配模块，被配置为将各帧的二进制水印估计与多码符号水印编码矩阵进行汉明距离匹配得到候选符号序列；

52、滤波输出模块，被配置为对候选符号序列执行时间一致性滤波，输出有效水印符号序列，完成基于神经网络的视频多码符号隐写水印嵌入与提取。

53、本发明的有益效果是：

54、（1）本发明通过构建多码符号水印编码矩阵并在编码矩阵中检索水印信息序列对应的规范编码向量，将帧张量与规范编码向量绑定输入预训练编码器模型进行推理生成水印帧张量，对带水印视频逐帧解码后输入预训练解码器模型得到水印信号向量，经汉明距离匹配和时间一致性滤波输出有效水印符号序列，解决了视频水印提取缺乏时间维度帧间信息融合导致单帧误检率高的问题，实现了基于连续多帧投票确认的鲁棒水印符号识别；

55、（2）本发明通过设定编码位宽并以预设基本二进制单元循环填充至编码位宽长度生成多个具有均匀位密度的二进制编码向量，使任意两个二进制编码向量之间的汉明距离满足预设的最小汉明距离约束，解决了多码符号水印编码方案扩展性差且增加水印符号数量时需要重新训练模型的问题，实现了水印符号数量的灵活扩展而无需重新训练模型。