[发明专利]一种基于深度学习的去除视频水印的方法

权利要求书

1.一种基于深度学习的去除视频水印的方法，其特征在于，包括如下步骤：

1)视频处理：采用视频处理opencv工具把视频转换为图片，将训练图片分为有带水印的图片和不带水印的图片；

2)数据增强：采用mosaic数据增强，其过程是：随机添加水印噪声，每次读取4张图片，对带水印的图片和不带水印图片同时做出翻转、缩放、旋转变化相同的变换，并且按照四个方向位置摆好，进行图片的组合和框的组合，合成一张图片；

3)模型训练：将经过数据增强的图片传入改进后的Unet特征提取网络中进行训练，在改进后的Unet特征提取网络中，采用注意力机制和强化学习，采用L2loss的计算方式，进行图片的训练，Unet特征提取网络采用强化学习找到合适的通道数，过程如下：首先设定搜索的Unet的通道数为1-30；初始化DQN的记忆库Memory D，设置它的容量为200；初始化Q估计网络，随机生成权重ωω；初始化target Q网络，权重为ω-＝ω ω-＝ω；初始化最初状态initial state S1S1；循环遍历step＝1,2,…,100，策略生成action atat，at＝maxaQ(St,a；ω)at＝maxaQ(St,a；ω)；其中St代表loss的值，a代表行为选择的通道数，执行actionatat，接收reward rtrt及新的state St+1St+1；reward rtrt表示接收的奖励，将(St,at,rt,St+1)(St,at,rt,St+1)存入D中；从D中随机抽取一个minibatch的transitions(Sj,aj,rj,Sj+1)(Sj,aj,rj,Sj+1)；令yj＝rjyj＝rj，如果j+1j+1步是terminal的话，否则，令yj＝rj+γmaxa′Q(St+1,a′；ω-)yj＝rj+γmaxa′Q(St+1,a′；ω-)；对(yj-Q(St,aj；ω))2(yj-Q(St,aj；ω))2关于ωω使用梯度下降法进行更新；每隔C steps更新target Q网络，ω-＝ω ω-＝ω，最终找到合适的通道数；

4)实现去除水印：最终保存的训练loss值最低的模型权重，进行模型权重加载对视频进行去除水印操作，将视频提取出带水印和不带水印的图片作为训练样本，以去除水印后的样本和无水印的样本作为像素级别对比，对比准确度和平均误差mse，在进行多次的训练后，使准确率和平均误差都达到最优，能够得到训练好的预设权重，加载出预设权重，对带水印的视频进行处理。

2.根据权利要求1所述的基于深度学习的去除视频水印的方法，其特征在于，步骤3)中所述的L2loss的计算方式为在去除水印视频方法时损失函数计算的时候，采用对于L2损失函数计算，该函数的最优解在被估计真实平均值处取得z,z＝Ey{y}，计算损失值的函数为L(z,y)＝(z-y)²，在网络中输入目标对(x_i,y_i)优化，主要是优化arg min_θE(x,y){L(f_θ(x),y)}，其中，网络函数为f_θ(x)，θ为网络参数，网络学习到输出所有可能结果的平均值，当给定的训练数据无限多时，目标函数的解与原目标函数的解相同，当训练数据有限多时，估计的均方误差等于目标中的噪声的平均方差除以训练样例的数目，即：

3.根据权利要求1所述的基于深度学习的去除视频水印的方法，其特征在于，步骤3)中所述的改进后的Unet特征提取网络为：U-net特征提取网络特征提取是用于图像分割，分割出图像中所需要物体一个完整准确的轮廓，它全程采用valid来进行卷积下采样，然后提取出一层又一层的特征，利用这一层又一层的特征，再进行上采样，允许更多的原图片的纹理信息在高分辨率层进行传播，在上采样部分融合一部分特征，最后得出一个每个像素点对应其种类的图像，在改进的unet部分，采用强化学习DQN方法，搜索最优通道参数，减少unet的通道数量，使它的参数原本从1200w减少到200w，同时采用注意力机制，对一些需要重点特征的区域，投入更多的权重，抑制图片中与水印无关的其它特征。

4.根据权利要求2所述的基于深度学习的去除视频水印的方法，其特征在于，所述强化学习DQN方法为：DQN中采用卷积神经网络来逼近行为值函数，一个是采用target Qnetwork来更新target，还有一个是采用经验回放Experience replay，DQN中经验回放即用一个Memory来存储经历过的数据，每次更新参数的时候从Memory中抽取一部分数据来用于更新，以此来打破数据间的关联，最终来找到最优路径。