[发明专利]一种用于图像认证与对抗样本防御的深度半脆弱水印方法

权利要求书

1.一种用于图像认证与对抗样本防御的深度半脆弱水印方法，其特征在于，所述深度半脆弱水印方法包括如下步骤：

S1：设计水印嵌入网络结构和损失函数，将二维码图像通过神经网络与载体图像进行嵌合，并输入至所述水印嵌入网络中，获取得到含水印图像；

S2：设计水印提取网络结构，根据不同的图像处理情况，确定不同情况下对应的损失函数，并将所述含水印图像进行水印提取；

S3：确定初步半脆弱水印嵌入与提取模型，并获取对抗样本；

S4：将所述对抗样本输入初步半脆弱水印嵌入与提取模型中，获取得到最终半脆弱水印嵌入与提取模型；

所述不同情况下对应的损失函数，具体如下：

所述含水印图像经过压缩时，对应的损失函数为：

R1loss＝MSELoss(rev_wm1,wm)

其中：R1loss为含水印图像经过压缩时对应的损失函数，rev_wm1为原始含水印图像，wm为二维码图像；

所述含水印图像经过内容篡改时，对应的损失函数为：

R2loss＝MSELoss(rev_wm2,blankimg)

其中：R2loss为含水印图像经过内容篡改时对应的损失函数，rev_wm2为被篡改的水印图像，blankimg为空白图像；

不含水印图像无法提取水印时，对应的损失函数为：

R3loss＝MSELoss(rev_wm3,blankimg)

其中：R3loss为不含水印图像无法提取水印时对应的损失函数，rev_wm3为不含水印的原始图像，blankimg为空白图像；

在步骤S3中并获取对抗样本，具体如下：

S3.1：确定初步半脆弱水印嵌入与提取模型；

S3.2：通过基于梯度的对抗攻击方案BIM、RFGSM和PGD生成对抗样本，对所述初步半脆弱水印嵌入与提取模型进行训练；

所述BIM计算公式为：

其中：x₀^adv为初始化的对抗样本，x为输入图像，x_N+1^adv为第N+1次迭代后生成的对抗样本，Clip为对对抗样本的裁剪操作，x_N^adv为第N次迭代后生成的对抗样本，α为生成对抗扰动的幅度，sign为符号函数，为求梯度，J为损失函数，y_true为真实标签；

所述RFGSM计算公式为：

其中：x′为RFGSM算法生成的对抗样本，为初始化生成的对抗样本，∈和α均为控制着对抗扰动的幅度，sign为符号函数，为求梯度，J为损失函数，x为输入图像，y_true为真实标签，为0到1的正态分布。

2.根据权利要求1所述的一种用于图像认证与对抗样本防御的深度半脆弱水印方法，其特征在于，在步骤S1中获取得到含水印图像，具体如下：

S1.1：通过二维码生成算法生成二维码图像，并将所述二维码图像和载体图像作为水印嵌入网络的输入；

S1.2：所述水印嵌入网络将二维码图像作为水印，嵌入所述载体图像中，获取得到所述含水印图像。

3.根据权利要求2所述的一种用于图像认证与对抗样本防御的深度半脆弱水印方法，其特征在于，所述二维码图像和载体图像均被叠加为一个4通道张量，并作为输入传输至所述水印嵌入网络中。

4.根据权利要求3所述的一种用于图像认证与对抗样本防御的深度半脆弱水印方法，其特征在于，所述水印嵌入网络的前向传播过程对输入的4通道张量进行卷积池化运算，并输出三通道的含水印图像。

5.根据权利要求2所述的一种用于图像认证与对抗样本防御的深度半脆弱水印方法，其特征在于，在所述水印嵌入网络中，通过均方误差作为损失函数衡量输出的含水印图像与载体图像之间的相似度，所述损失函数的计算公式为：

Eloss＝MSELoss(markedimg,coverimg)

其中：Eloss为损失函数，markedimg为水印嵌入网络输出的含水印图像，coverimg为原始载体图像，MSELoss为均方误差损失函数。