[发明专利]实时性场景下鲁棒视频水印的方法及装置

说明书

本发明提出了一种实时性场景下鲁棒视频水印的方法及装置，所述方法包括：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。所述装置使用了所述方法。本发明保障了深度神经网络各个训练阶段的合理性和可靠性，实现了实时性场景下鲁棒视频水印的方法，解决了现有技术中深度神经网络对压缩视频建模过程中存在的难题。

技术领域

本发明涉及视频技术领域，具体涉及一种实时性场景下鲁棒视频水印的方法及装置，特别适用于实时环境下的不可见视频水印嵌入。

背景技术

视频水印的目的是在不改变视频内容的质量的前提下，通过一种难以移除或者篡改的方法，将信息隐藏在视频流中。应用场景包括视频版权保护、视频指纹跟踪等。

对于传统的视频水印嵌入方法，根据水印嵌入的域，可以大致分为三种方案：空间域（在原始未压缩视频上嵌入）、变换域（在视频编解码器网络中嵌入）和压缩域（在压缩视频流中嵌入）。除了传统的视频水印方法，近年来深度学习在水印上的应用也备受关注。目前深度学习的水印嵌入方法主要应用在图像上，如HiDDeN模型，RedMark模型等。

当嵌入水印的视频没有遭受攻击时，传统方法的表现尚可，然而基于离散余弦变换（DCT)或离散小波变换等算法的经典水印技术对于裁剪和缩放等视频处理操作抵抗性较差。如果泄露的视频经历了这些几何变换中的任何一种，水印都可能被破坏。

现有的基于深度学习的水印方法对于上述几何变换的鲁棒性较强，然而现有方法大都应用于图像上，对于视频，有两点不可忽视的缺陷：

1.由于视频的传输不可避免的会将原始数据进行压缩，这一类不可微分的噪声使得深度神经网络难以在训练过程中对此进行建模，这也成为了图像方法迁移至视频的最大阻碍；

2.实时性的需求，水印在视频上的应用常常需要考虑到实时性，深度神经网络的庞大的计算量使得现有的深度学习模型都难以满足该需求。

发明内容

针对现有技术的不足，本发明提出一种实时性场景下鲁棒视频水印的方法及装置，解决了现有技术中深度神经网络难以对压缩视频进行建模，且无法满足实时性需求带来的其庞大的计算量的缺陷。

本发明的技术方案是这样实现的：一种实时性场景下鲁棒视频水印的方法，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。

在其中一个实施例中，上述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。