[发明专利]基于SVM分类的3D模型嵌入水印及提取水印的方法

说明书

技术领域

本发明涉及监控技术领域，尤其涉一种基于SVM分类的3D模型嵌入水印及提取水印的方法。

背景技术

随着因特网的快速发展，通过因特网传输数据媒体数据变得越来越流行。但是，这些数据很容易的被非法复制和再发送。于是，对于数字化数据版权和完整性的保护显得越来越重要。3D模型在动画，虚拟现实，CAD，建筑，考古以及科学数字可视化的广泛使用吸引了一大批的研究团体去探究3D模型的版权保护水印技术。基于机器学习的水印嵌入和提取技术已被广泛应用于图像，声音，视频上。但是，人工智能的技术仍然没有深入的应用在3D图形上。本发明提出一种基于SVM分类的3D模型嵌入与提取水印方法。

Support Vector Machine(SVM)是Vapnik以及他的同事在1995年发展的一种分类算法。近年来，出现了许多研究SVM解决函数逼近，模式识别等问题的应用。

最早提出的水印嵌入技术是由Schyndel等人提出的m序列生成器来生成水印。水印嵌入在原图的最低有效位，提取水印也在相应的最低有效位。其后，Cox等发现最低有效位的水印嵌入技术并不能抵抗噪声攻击，发展了在DCT域进行水印嵌入的技术。该技术通过在图像的DCT系数较大值的地方嵌入水印，并通过反DCT以得到嵌入了水印的图像。在1997年，Xia,Boncelet等人提出了离散小波转换的技术，把水印当作高斯噪声，嵌入到图像的中频和高频部分，比DCT嵌入技术更具有抗攻击性。随后，Delaigle等人提出了基于人类视觉系统的独特的水印方法。该方法通过产生二进制m序列并调制到一个随机载波上，并嵌入到原始信号和调制信号上，该技术具有抗噪声，JPEG压缩和二次扫描攻击。

Rakhi C等人提出的基于分类的3D网格水印嵌入优化技术通过提取三维模型中具有6价的顶点，并计算其6个连接平面的法向量与该6个法向量的平均向量的张角，把计算得到的6个张角作为SVM的特征向量进行训练以得到一个模型的SVM的分类器。水印的嵌入通过正则化，把原始模型缩放到(-1,-1,-1)到(1,1,1)的空间上，并提取特征向量，通过SVM分类器，决定这些特征向量的部分顶点作为水印嵌入的地方。但是该方法对噪声和平滑并没有很好的抵抗性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于SVM分类的3D模型嵌入与提取水印方法，能有效抵抗图形的平滑和噪声攻击。

为了解决上述问题，本发明提出了一种基于SVM分类的3D模型嵌入水印的方法，包括如下步骤：

对图形的顶点计算极坐标速率，切线率，曲率以及光谱系数向量作为特征向量，通过SVM训练得到SVM分类器，对原图形进行正则化变换并选取特征向量，使用分类器对特征向量进行选取水印嵌入点，并嵌入水印。

本发明还提出了一种基于SVM分类的3D模型提取水印的方法，包括如下步骤：

还原水印图形，通过对比原图形，得到不同的顶点坐标值，得到水印向量，再作比列变换，即可还原水印。

实施本发明实施例，是在使用更加有效的特征向量做SVM训练，使得水印对于平滑和噪声更有抵抗力。本发明使用独特的特征向量，以分类出具有平移，旋转，平滑，噪声等抵抗性的水印嵌入顶点。该方法相比于RakhiC等人的方法能增强噪声和平滑的抵抗性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员 来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例的基于SVM分类的3D模型嵌入水印方法流程图；

图2是本发明实施例的基于SVM分类的3D模型提取水印方法流程图。

。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的在于，针对以上的不足，提供一种基于SVM分类的3D模型嵌入与提取水印方法，能有效抵抗图形的平滑和噪声攻击。