视 频数字水印技术是通过向视频序列中隐藏版权(2)

　　1.2 水印的检测本文采用的水印检测是半盲检测方法。在水印检测的时候不需要原始视频图像，但是需要原始水印信息。水印的检测是利用嵌入水印之后的解码视频图像与原始水印信息之间的相关性来完成的。如果相关性大于某个阈值则认为该帧含有水印，否则认为不含水印。水印的检测主要通过计算水印序列与所有子序列的高频系数组成的一维序列的相关性来判别是否含有水印。具体步骤如下：

　　①将一帧图像的亮度分量分成8×8 大小的块，对其进行二维DCT 变换，然后把所有块的直流系数组成一维序列S。

　　2 实验结果为了验证算法的有效性，本文分别对 的CITY，CREW 和SOCCER 3 个视频序列（大小为704×576）的前100 帧进行了测试，实验中使用的n=8，利用密钥生成随机±1 水印序列，水印序列的长度为(704×576)／(64×8)。嵌入后的相关性检测实验结果如图1所示，显然，嵌入水印的视频序列和没有嵌入水印的视频序列其相关性系数有显着的差异。

　　嵌入水印的3 个视频序列的PSNR 如图2 所示，绝大部分均大于45 dB，表明算法引入JND模型后，其视觉质量满足要求。

　　为了进一步说明算法引入JND 后的优势，本文又对CITY 的前100 帧图像进行了进一步的测试和分析。首先将固定嵌入强度的水印算法和提出的算法做了比较，如图3 所示。在实验过程中，经测试发现所有DC 系数的JND 的平均值为43 左右，因此采用固定嵌入强度分别为40 和50 进行了测试。实验结果表明，当固定嵌入强度为50 时，它的相关性系数比使用JND 的效果稍好，但是从图4 可以看出，当固定强度为50 的时候，在第71 帧中在一些比较平缓的地带已经出现了一些比较明显的块效应，当播放连续帧时，这种块效应体现的更加明显，而对固定嵌入强度为40 来说，虽然它PSNR 比使用JND 来说会更高一些，但相关性检测却差于使用JND 的情况，因此引入JND 模型来动态地调节嵌入强度，在不可见性和鲁棒性之间很好地达到了平衡，使水印在保证了不可见性的基础上，最大限度地提高了自身的鲁棒性。

　　从图1 已经可以看出来，该算法可以很好地将没有嵌入水印和已经嵌入水印的情况区分开了，这也为半盲检测提供了前提条件。根据当前帧和原始水印的相关性的大小来判别该帧是否含有水印，只要为该视频序列设置合适的C 检测阈值，就能准确地判别该帧是否含有水印。

　　当AVS 压缩的QP=28 和H.264 压缩的QP=24 时，从图5 可以看出来，在1 个GOP 中，相关性系数的曲线呈现出2 个“V”连接的形状，也就是说，在1 个GOP 中，I 帧和P 帧的相关性系数会比较高，但是B 帧的相关性系数却比较低。这是因为I 帧使用是帧内编码的方式，其损失的信息相对较少，而P 帧是由I 帧预测得到的，相对而言，在压缩过程中损失的信息会比较多，B 帧是由I 帧和P 帧双向预测得到的，其损失的信息是最多的。因此当解码端解码出相应的帧以后，在P 帧和B 帧中存在的水印信息就相对较少，所以其中的水印相关性系数就相对较低。另外随着QP 的增大，视频编码的码率越来越小，检测到的峰值有轻微的下降，这是因为随着码率的降低，编码的视频帧的质量（反映为PSNR 的值）随之下降，丢失了更多的视频帧的信息，导致嵌入的水印信息的强度也有部分的损失。

　　从上面的实验结果，同样也可以分析出该算法对于帧删除攻击也具有一定的抵抗能力。

　　由于算法在所有的视频帧中嵌入了同样的水印，所以并不存在不能同步的现象，只要在进行帧删除后的视频序列中仍然存在I 帧和P 帧，那么本文的算法就能很好地抵抗帧删除攻击。

　　同时，我们也进行了信号处理过程中常见的中值滤波攻击实和几何攻击中常见的旋转变换攻击实验。 显示了对视频帧的中值滤波和旋转变换（旋转角度为0.5°）攻击后视频帧与原始水印的相关性大小。