[发明专利]一种基于物联网版权保护的数字水印系统

说明书

技术领域

信息管理领域；计算机软件领域；物理网领域：防伪水印：

背景技术

信息管理技术；计算机软件和计算机硬件技术；网络技术；防伪水印技术；市场分析技术；

发明内容

本水印系统采用一种双水印算法，解决传统水印抗攻击鲁棒性差以及对篡改不能准确定位的问题。双水印算法采用一种基于AOC-BP神经网络的音频零水印方案作为版权认证水印，因为该水印方案不改变原始音频数据，所以具有良好的透明性；采用一种新的双极性量化方法嵌入半脆弱水印，可以对音频作品进行内容认证，此过程中的二维图像块不需要转换为一维序列，有别于以往算法中图像变维并一次嵌入的方法，并且提高了脆弱水印的敏感性。实验结果表明，该方案认证水印具有很强的抗攻击鲁棒性，脆弱水印具有很强的敏感性，且能够对恶意篡改进行精确定位。

附图1为数字水印系统基本框架图；

附图2为基于物联网版权保护的数字水印系统的总体结构图；

具体实施方式

1.1RBF神经网络

径向基函数(Radial Basis Function，RBF)神经网络是由J.Moody和C.Darken于20世纪80年代末提出的。径向基函数神经网络由三层构成，分别为输入层、径向基层、输出层。径向基神经网络是典型的前向神经网络，它具有训练速度快、能收敛到全局最优点、能以任一精度逼近任一连续函数等优点，有很高的应用价值。

1.2水印量化

1.2.1量化对象

经典的量化算法取时域或频域的系数直接量化，信噪比较低，本文选取小波奇偶系数的和之差作为量化对象。假设小波系数为Y＝{y(i)；0≤i≤l}。

(1)分别求出奇偶系数的和，y_odd，y_even分别表示奇系数和偶系数。

(2)再做差，求出量化对象α。

α＝S_Y_odd-S_Y_even

(2)

1.2.2新的双极性量化策略

设待量化的系数为α，水印信息为V，量化步长为Δ，量化处理后的系数为α′。量化系数α嵌入水印V的原理如图1所示。按量化步长将系数所在的坐标轴分成A区域和B区域，落在A区域的坐标表示为‘1’；落在B区域的坐标表示为‘0’。

图1双极性量化示意图

当嵌入水印v为1时，取与A区域距离最近的一个值；当v为0时，取与B区域距离最近的一个值。在经典量化策略中，取的是相应A区域或B区域的中点即Δ/2。当音频受到攻击时，量化对象发生偏移，但偏移量小于Δ/2时仍能正确检测出水印，对脆弱水印来说，此特性相当于减小了抗攻击敏感性。因此本文提出新的双极性量化策略，把经典量化值(中点)改为与距离最近的A、B区域的原点或临近点。如公式(3)所示，其中m＝floor(α/Δ)，r＝α-m×Δ，floor表示向负无穷取整，e为嵌入参数且0＜e＜1，e越小，水印脆弱性越好。

(1)v＝1，m≠0且m≠-1           (2)v＝0，m≠0且m≠-1