[发明专利]实时性场景下鲁棒视频水印的方法及装置

权利要求书

1.一种实时性场景下鲁棒视频水印的方法，其特征在于，包括：

构造用于训练水印嵌入的深度神经网络，所述深度神经网络包括编码器-解码器模块；

训练所述深度神经网络以使编码器-解码器模块可以在无视频压缩干扰下完成水印的无损嵌入提取；

训练所述深度神经网络以使编码器-解码器模块可以在有视频压缩干扰下完成水印的无损嵌入提取；

对原视频进行抽样提取得到连续帧，将所述连续帧和待添加水印输入至编码器网络中，生成水印视频；

所述训练所述深度神经网络以使编码器-解码器模块可以在无视频压缩干扰下完成水印的无损嵌入提取的步骤，包括：

提取训练集视频的单独帧，并随机生成水印，将所述单独帧和水印共同输入至编码器网络中，获取水印视频帧；

分别将水印视频帧通过直接输入和可微分噪声层进行扰乱后输入至解码器网络，获得两种输出解码水印；

计算两种解码水印与原输入水印的信息损失，并将损失反向传输至编码器-解码器模块；

重复上述步骤，直至编码器-解码器模块可以在无视频压缩干扰下完成水印的无损嵌入提取；

所述训练所述深度神经网络以使编码器-解码器模块可以在有视频压缩干扰下完成水印的无损嵌入提取的步骤，包括：

在编码器-解码器模块已经可以在无视频压缩干扰下完成水印的无损嵌入提取时，随机提取训练集视频的单独帧，并随机生成水印，将所述单独帧和水印共同输入至编码器网络中，获取水印视频帧；

分别将水印视频帧通过直接输入、可微分噪声层进行扰乱后输入以及经过视频压缩扰乱后输入至解码器网络，获得三种输出解码水印；

计算三种解码水印与原输入水印的信息损失，将可微分噪声层进行扰乱后输入的损失反向传播至编码器-解码器模块，将视频压缩扰乱后输入的损失反向传输至解码器网络；

重复上述步骤，直至编码器-解码器模块可以在有视频压缩干扰下完成水印的无损嵌入提取；

所述对原视频进行抽样提取得到连续帧，将所述连续帧和待添加水印输入至编码器网络中，生成水印视频的步骤，包括：

获取原视频的分辨率H×W；

设定比例因子k；

通过比例因子计算切角块的分辨率R=h×w，其中：

h=H×k，h为切角的高度分辨率；

w=W×k，w为切角的宽度分辨率；

在同一原视频帧的左上、右上、左下、右下角处分别提取出共四个切角块；

提取连续视频帧的各切角块，与待添加水印输入至编码器网络中，得到连续视频帧的水印切角块；

将水印切角块覆盖至对应原视频帧的对应位置，生成水印视频，水印以不可见但可被检测的形式存在。

2.如权利要求1所述的方法，其特征在于，所述对原视频进行抽样提取得到连续帧，将所述连续帧和待添加水印输入至编码器网络中，生成水印视频的步骤，包括：

获取原视频的帧数N；

设定嵌入间隔K和连续嵌入帧数B；

根据每间隔K帧提取B帧的规则对原视频进行抽样提取操作，得到连续帧；

将所述连续帧和待添加水印输入至编码器网络中，生成水印视频。

3.如权利要求2所述的方法，其特征在于，所述训练集视频通过hollywood2数据集获取，所述构造用于训练水印嵌入的深度神经网络，所述深度神经网络包括编码器-解码器模块的步骤，具体为：

使用mobilenet为backbone设计并构造包括编码器-解码器模块的神经网络模型。