基于机器学习的音频盲水印方法研究

摘要

随着计算机网络和多媒体技术的飞速发展，多媒体数据逐渐成为人们获取信息的重要来源，并成为人们生活的重要组成部分。因而，作为数字媒体产品知识产权宣告及保护的有效工具，数字水印技术自1993年第一次提出以来已经引起了人们极大的关注，同时，如何保护多媒体信息的安全成为国际上研究的热门课题。特别是音频信号的数字水印技术已经成为近年来研究的热点之一。信息安全技术中采取的密码学技术因仅能控制信息的传播过程，而对于解码后的媒体数据却难以控制，因而无法阻止盗版者的非法拷贝和传播。作为解决上述问题的一种有效途径，数字水印技术开始引起人们的普遍关注。它通过在原始数据中嵌入秘密信息来证实数据的所有权或完整性，以此来抑制对数字作品的盗版或篡改。 数字音频水印技术就是向载体数据(如音频信号)中嵌入秘密信息以达到版权宣告及保护的目的。数字水印技术的关键就是工作域和嵌入策略的选取，从某种程度上说，工作域和嵌入策略选取的好坏从根本上决定了整个数字水印系统的优劣。而近年发展起来的小波变换是一种新型的时频分析方法，具有很多良好的性质，特别适合于音频信号的处理。本文正是将小波变换应用到音频信号的数字水印系统中，提出一种小波域上基于机器学习方法的新的数字音频盲水印算法，使其能在水印的鲁棒性和不可感知性之间寻找到合理的平衡点，从而具有更良好透明性和鲁棒性，并在音频作品的版权保护中能有一定的实用性。 本文的主要贡献如下： (1)提出一种基于支持向量回归机(Support Vector：Regression，SVR)的鲁棒数字音频水印算法。算法的基本思想是先对整段音频信号进行分抽样处理，然后对所有的子音频分别进行小波变换，水印信号则嵌入到其中一个子音频信号的小波变换后的低频系数中，水印提取时不需要原始音频信号。由于不同子音频信号之间的高度相关性，相应的DWT分解后的各小波低频系数分布也具有相似性。利用这种高度相关性，在嵌入和提取的过程应用SVR具有的非线性逼近能力，建立待嵌入的子音频信号与其他子音频信号之间的对应模板关系，再利用训练好的SVR提取水印，实现盲检测。 (2)针对数字音频水印的鲁棒性和不可感知性两者之间是相互制约问题，提出一种采用遗传算法(Genetic Algorithms，GA)来解决最优嵌入能量的优化水印方案。遗传算法是通过群体进化来随机搜索目标函数的最优化问题，对于前述基于支持向量回归机的小波域数字音频盲水印算法，进一步地探讨采用遗传算在嵌入强度集合中搜索对抗攻击能力适应度较高的个体，从而得到最佳嵌入强度的一个优化方案，以实现自适应策略，也使本算法能在水印的鲁棒性和不可感知性之间寻找到合理的平衡点，从而具有更良好透明性和鲁棒性。 仿真实验结果表明，两种方法都具有较强的鲁棒性和不可感知性，水印嵌入容量的自适应性，提取水印时不需要原始音频信号的参与，且对包括MP3有损压缩、低通滤波、重采样/重量化等多种攻击性试验具有较强的稳健性，是可行的数字音频水印算法。可以根据具体需求，用于数字音频作品的版权保护。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题研究的背景和意义

1.2国内外研究现状

1.3当前研究存在的问题

1.4小波理论发展背景及主要应用场合

1.5支持向量机发展背景及在数字水印中的主要应用场合

1.6本文的主要研究内容

第二章数字音频水印技术的理论基础

2.1数字水印的基本原理

2.2数字音频水印的一般原理

2.3经典音频数字水印算法概述

2.4音频水印的主要评估标准和攻击

第三章基于支持向量回归机的小波域数字音频盲水印算法

3.1支持向量机理论概述

3.2小波变换基础理论概述

3.3基于SVR的小波域数字音频盲水印算法的实现

3.4仿真实验结果及分析

3.5本章小结

第四章基于遗传算法的自适应数字音频水印算法

4.1遗传算法理论概述

4.2基于遗传算法的自适应数字音频水印算法的实现

4.3仿真试验

4.4算法尚需改进的地方

第五章总结与展望

5.1本人所作的工作和特点

5.2今后待研究的问题和数字水印技术展望

附录A临界频带分类

参考文献

作者在读期间科研成果简介

致谢