基于小波變換的運動目標檢測視頻水印算法

李淑芝，吳曉燕，張 翔

(江西理工大學信息工程學院，江西贛州341000)

隨著信息技術的快速發展以及計算機、手持移動設備的不斷普及，催生了更多形式豐富的數字多媒體信息，而互聯網絡技術(特別是移動互聯網)的廣泛應用更是為數字多媒體信息的傳播和使用提供了便利條件。數字視頻產品是多媒體信息形式里最重要的產品之一，種類繁多，豐富了互聯網媒體內容。然而由于網絡的開放性和共享性特點，使得數字視頻產品傳播和使用過程中缺少合理監管，數字視頻產品很容易遭到非法拷貝、傳播和篡改等侵權行為。因此，對數字視頻產品采取相應的版權保護措施變得極其重要。而數字視頻水印技術作為數字產品版權保護和內容認證十分有效的手段，則逐漸成為信息安全領域的研究熱點之一［1-2］。

數字視頻水印技術作為信息隱藏技術中的一個重要分支，是將特定的標記信息嵌入到數字視頻產品中。嵌入的標記信息不會對數字產品的使用價值產生影響且水印信息不易被感知和攻擊篡改，以此達到對數字視頻產品版權保護的目的，同時也可根據視頻水印的正確性和完整性識別視頻產品的真偽。運動特性作為視頻區別圖像的重要特點之一，針對視頻的一般攻擊無法對其進行破壞，因此關于視頻運動特性的研究得到諸多學者的關注。目前視頻水印嵌入算法主要分為3類:1)水印嵌入到壓縮比特流。2)水印嵌入到視頻量化系數。3)編碼水印嵌入到原始視頻序列。第1類算法水印嵌入到壓縮比特流，不需要對視頻進行解碼和編碼，也不會影響視頻質量，但該算法不容易設計，水印容量也很有限;第2類算法水印嵌入在視頻編碼量化系數中，如DCT(Discrete Cosine Transform)系數和運動矢量，但此類算法會使視頻質量會受到影響;本文采用第3類算法，這類算法主要是結合人類的視覺特性，水印嵌入后不易被感知且對常見的視頻攻擊具有較強的穩健性。

Jordan和Kutter等人［3］第一次選擇在修改后的運動向量中嵌入水印信息，并為基于運動特性的視頻水印算法研究開拓了一種新的視角。樓斌等人［4］提出了一種自嵌入式的水印算法，將提取出的運動目標作為水印，該算法針對MPEG壓縮具有一定的穩健性，但遭受加噪攻擊時表現相對脆弱，穩健性能較差。陳希等人［5］通過檢測和標記運動目標，進行奇異值分解并自適應嵌入水印，但受限于水印的嵌入位置，因此嵌入效果并不好。郭燕等人［6］提出基于運動目標檢測和紋理復雜度的視頻水印算法，但水印嵌入算法實時性較差，且不能進行水印盲提取。Cheng等人［7］提出了一種基于離散小波變換(Discrete Wavelet Transform，DWT)跟蹤識別多個對象的方法，在離散小波域采用幀間差分法對運動對象進行分割，但基于離散小波變換的方法對運動對象移位不敏感，不能準確分割運動對象。

針對上述問題，本文在相關研究的基礎上，提出了一種基于小波變換域的運動目標檢測并結合人類視覺系統(Human Visual System，HVS)特性的視頻水印算法。進行Daubechies復雜小波變換后采用近似中值濾波檢測幀間差，從中獲得視頻圖像中已改變的像素值，標記運動區域，并結合HVS特性從靜止區域中劃分出高紋理復雜區域，水印自適應選擇嵌入在運動區域及高紋理復雜區域;原始水印圖像采用混沌加密和Arnold置亂進行預處理，置亂水印圖像的相關性，確保了水印信息的安全性，并在小波域進行水印嵌入，較好地兼顧了水印的不可感知性和穩健性。

1 基于小波域的運動目標檢測

運動目標檢測旨在從視頻中實時檢測并提取運動目標，是視頻序列運動分析與理解的關鍵技術。運動目標檢測會受到諸多因素的影響，比如光照強度突變、背景轉換、物體的移動、陰影、噪聲等。目前，運動目標檢測方法主要有3種:光流法、幀間差分法、背景減法。幀間差分法因其復雜度低、對環境變化較不敏感、自適應能力好而成為研究熱點。本文在進行Daubechies復雜小波變換后，采用幀間差分法并結合近似中值濾波算法檢測幀間差，從而獲取運動目標。

首先，在Daubechies復雜小波域內分解2個連續幀In和In-1，然后再用近似中值濾波來檢測幀間差［8］。用式(1)計算每一個像素點(i，j)的幀間差

式中:FDn(i，j)是幀間差;WIn(i，j)和 WIn-1(i，j)是對應幀 In和In-1的小波系數。式(1)獲得的幀間差FDn(i，j)可能會有一些噪聲，在小波域可以應用軟門限來消除噪聲［9］

式中:FD'n(i，j)是消除噪聲后的幀間差;λ是相應噪聲。去除噪聲后，采用Sobel邊緣檢測算子檢測FD'n(i，j)中像素差很明顯的邊緣，如式(3)所示

在小波域，得到運動分割對象DEn(i，j)，并標記在原圖像中。為了適應背景和光照變化，背景模型的實時更新如式(4)所示

式中:In(i，j)是第 n 幀的(i，j)像素點的值;In-1(i，j)是第 n-1幀的(i，j)像素點的值。

2 基于DWT域的分塊視頻水印算法

2．1 水印圖像預處理

在嵌入水印前先進行預處理，來提高水印的安全性。本文采用基于Logistic混沌映射的混沌加密技術并結合Arnold變換的置亂技術對水印信息進行預處理工作。Logistic混沌映射定義如式(5)所示

式中:0＜μ≤4，稱為分支參數。當3.569 945 6＜μ≤4時，Logistic 映射處于混沌狀態［10］。

本文選取二值圖像作為水印圖像，先利用密鑰K1(混沌映射初始值)進行混沌加密，接著利用密鑰K2(Arnold迭代次數)對加密后的水印圖像進行Arnold置亂，使嵌入的水印對JPEG壓縮和噪聲干擾等常見操作有較強的穩健性，同時嵌入水印具有很好的不可感知性。

2．2 水印嵌入過程

具體的視頻水印嵌入示意圖如圖1所示。

圖1 水印嵌入示意圖

水印嵌入的具體過程如下:

1)8M×8M原始圖像分為8×8子塊，分別對子圖像塊進行Daubechies復雜小波分解。

2)采用基于近似中值濾波的幀間差分法進行運動目標檢測，并將標記位插入運動區域D1的每個像素中。

3)將視頻當前幀的圖像分割為運動區域D1和靜止區域D2。若靜止區域D2的高頻系數絕對值大于門限T，則標記該像素位置為高紋理復雜區域D2.1。T為預先設定的閾值，在此取T為最大系數絕對值的一半。

4)為了優化水印的不可感知性和強穩健性，水印選擇自適應嵌入算法。運動區域D1和高紋理復雜區域D2.1選為嵌入水印區域。預處理后水印如式(6)所示

式中:w(x，y)為預處理后的水印。采用式(7)進行水印嵌入

式中:X(x，y)為嵌入區域小波系數;X'(x，y)為嵌入水印后小波系數;Q為水印嵌入強度;T1和 T2為閾值，實驗中取T1=0.25Q，T2=0.75Q，mod(·)為求余數運算。

5)在原視頻序列中嵌入水印信息后進行小波逆變換，即可獲得已嵌入水印的視頻圖像。

2．3 水印提取算法

提取算法具體過程如下:

1)利用水印嵌入后視頻序列運動區域中的標記像素位，將視頻當前幀圖像分割為靜止區域和運動區域。

2)當前幀圖像的靜止區域分為8×8子圖像塊，比較小波變換中的高頻系數，若該位置的高頻系數的絕對值大于門限T，則標記該像素位置為高紋理復雜區域。

3)運動區域和高紋理復雜區域選為提取水印區域，采用式(8)提取水印

式中:w'(x，y)是提取出的水印;X'(x，y)為嵌入水印后的小波系數;Q為水印嵌入強度;T1和T2為閾值，實驗中取T1=0.25Q，T2=0.75Q。

4)對提取的水印序列進行重構，先用密鑰K2逆Arnold置亂，然后利用密鑰K1混沌解密，得到正確解密后的水印圖像。

3 實驗結果

3．1 仿真實驗

本文實驗是在 Intel Core、CPU T6500，2.1 GHz的主頻、2 Gbyte的內存，Windows7的操作系統環境下，采用MATLAB R2012b平臺仿真。

本文算法選取Foreman視頻第11幀圖像作為待嵌入的視頻圖像。進行Daubechies復雜小波變換后，利用近似中值濾波算法檢測幀間差，然后對運動目標進行定位并準確標記運動區域中每個像素。運動目標檢測過程如圖2所示，其中圖2a表示原始圖像，圖2b表示幀間差分法運動目標檢測，圖2c表示標記運動區域。

圖2 運動目標檢測過程

3．2 不可感知性和安全性測試

為了確保水印嵌入的安全性，在水印嵌入原始視頻之前，先后對要嵌入的水印進行混沌加密和Arnold置亂，因此嵌入水印的幀圖像對JPEG壓縮和噪聲干擾等常見操作有較強的穩健性，同時嵌入水印具有很好的不可感知性。圖3a是原始水印，圖3b是置亂加密后水印，圖3c是Foreman視頻序列中提取的水印圖像，圖3d為在密鑰K1和K2都正確且未遭受攻擊的解密恢復水印，圖3e為密鑰K1，K2其中有一個不正確時的錯誤解密水印。由圖3可以看出，當兩個密鑰全部正確且視頻未遭受攻擊，可正確提取出水印圖像;然而當兩個密鑰中有一個錯誤，則嵌入的水印不能完整提取，故該算法的安全性較高。圖4給出了Foreman11幀圖像及嵌入水印后的圖像，該算法沒有降低視頻幀圖像的觀感質量，較好地滿足了不可感知性要求。

圖3 原始水印和提取水印

圖4 原始圖像及嵌入水印后的圖像

3．3 穩健性測試

穩健性能是指視頻水印應該能夠抵抗各種有意或無意的攻擊包括常見的信號處理攻擊、幾何攻擊和針對視頻的幀操作攻擊，確保能從受到攻擊的視頻中獲取較好的水印信息。為了測試算法的穩健性能，將歸一化互相關系數NC(Normalized Correlation)作為判斷穩健性能的尺度，NC定義如式(9)所示

式中:W，Y是水印的行列大小;w(x，y)為初始水印;w*(x，y)為提取出的水印。在NC值大于0.7時就認為提取出有效水印，NC值與水印的魯棒性呈正相關性。

從視覺看圖4a、圖4b中嵌入水印前后圖像對比，沒有明顯的差別，采用峰值信噪比PSNR來進一步驗證水印的不可感知性，PSNR定義如式(10)所示

式中:D，H是視頻圖像的行列大小;max(I(i，j))2表示視頻圖像像素能取到的最大值;原視頻幀圖像為I(i，j);嵌入水印后的視頻幀圖像為Iw(i，j)。PSNR越大，水印的不可感知性越好。

因此，對已嵌入水印的視頻幀圖像分別進行多種針對視頻的攻擊處理，所提取出水印的實驗結果如圖5和表1所示。圖5a和圖5b分別為視頻遭受方差為0.001的高斯噪聲和椒鹽噪聲攻擊后提取出的水印圖像;圖5c是對嵌入水印后的視頻用均值為0，方差為10的加性噪聲攻擊后提取的水印;圖5d和圖5e是對嵌入水印后的視頻分別用3×3的維納濾波和中值濾波攻擊后提取的水印;圖5f和圖5g分別為視頻遭受MPEG壓縮和JPEG壓縮攻擊后提取出的水印圖像;圖5h～圖5j分別為視頻遭受幀平均攻擊(從視頻序列中的每5幀圖像中隨機抽1幀，再用此幀相鄰的2幀的平均替代被抽出幀)、幀刪除攻擊(從視頻序列中隨機刪除2幀，再隨機插入2幀)以及幀置換攻擊(從視頻序列中每10幀中隨機置換2幀)后提取的水印圖像。

圖5 穩健性測試結果

表1 穩健性測試結果

表1和圖5中的實驗結果表明，本文算法滿足不可感知性要求，且從圖5看出，視頻在經過常見針對視頻的攻擊后，所提取出的水印都容易被人眼識別，足以表明本文算法對常見視頻攻擊具有較強的穩健性。

3．4 與現有算法的性能比較

為了驗證算法及進一步討論算法的性能，在MATLAB R2012b平臺上進行實驗仿真后，將本文算法和文獻［13］中的算法(算法1)、文獻［14］中的算法(算法2)及采用 LSB(Least Significant Bit)嵌入策略的算法(算法3)進行性能比較。算法1通過對亮度分量進行1級整數小波變換，水印嵌入在小波變換低頻子帶的最大奇異值上。算法2算法先對視頻進行2級DWT變換，再對HL2子帶進行SVD分解，根據LSB調制SHL2奇異值實現水印嵌入。算法3是先對視頻每幀進行2級的整數小波變換，其次對低頻子帶LL2進行分塊，并對每一分塊進行SVD分解。針對穩健性能的測試，以Foreman視頻序列為例，考察了幾種常見噪聲和濾波的攻擊，對應的實驗結果如圖6a～圖6d。在圖6a高斯噪聲攻擊實驗中隨著高斯噪聲的增大，NC系數均受到影響，而本文算法中的NC值受到影響最小;在圖6b的加性噪聲攻擊對比實驗中，隨著加性噪聲強度增加，本文算法和算法1的NC系數均減小，而本文算法中NC系數減小力度更小，算法2和算法3的NC系數則是上下波動較大不穩定;圖6c、圖6d是中值濾波和維納濾波攻擊對比實驗，兩個實驗結果均顯示本文算法的NC系數減小幅度最小且保持在較高水平。通過以上實驗結果可以總結出，本文算法的穩健性能明顯優于算法1、算法2及算法3，因此本文算法具有較強的穩健性能。

4 結束語

本文在保證視頻水印算法穩健性前提下，結合視頻運動特性，提出一種基于Daubechies復雜小波變換的運動目標檢測視頻水印算法。Daubechies復雜小波變換具有平移不變性和良好的方向選擇性，解決了陰影、重影、噪聲等問題。該算法在Daubechies復雜小波域采用近似中值濾波算法來檢測幀間差，更加準確地檢測運動目標，并采用背景更新法，以防止背景模型的退化。對嵌入的視頻水印信息進行Arnold置亂和混沌加密處理，并結合HVS特性，將運動區域和高紋理復雜區域作為嵌入水印區域，以達到水印信息具有不可感知性和穩健性的目的。實驗結果驗證了本文算法對噪聲、濾波器、壓縮、幀平均等攻擊有很好的穩健性和抗攻擊性，并能實現水印盲提取，能夠有效保護視頻版權。

圖6 攻擊對比實驗

［1］李淑芝，晏啟明，楊書新.基于關鍵幀和小波變換的盲視頻水印算法［J］.電視技術，2013，37(9):12-15.

［2］朱光，張軍亮.基于SVD和小波包分解的自適應魯棒水印算法［J］.計算機應用研究，2013，30(4):1230-1233.

［3］ KUTTER M，JORDAN F，EBRAHIMI T.ISO/IEC Document，JTCI/SC29/WG11，Proposal of a watermarking technique for hiding/retrieving data in compressed and decompressed video，Technical report M2281［S］.1997.

［4］樓斌，沈海濱，嚴曉浪.基于運動目標檢測的自嵌入視頻水印［J］.浙江大學學報:工學版，2008，42(3):382-386.

［5］陳希，周萍.基于運動目標檢測的視頻水印算法［J］.計算機應用，2011，31(1):258-259.

［6］郭燕，盧忱，范九倫.運動目標檢測和紋理復雜度與視頻水印算法［J］.西安郵電大學學報，2013，18(1):35-39.

［7］ CHENG F H，CHEN Y L.Real time multiple objects tracking and identification based on discrete wavelet transform［J］.Pattern Recognition，2006，39(6):1126-1139.

［8］ ERDEM C E，SANKUR B，TEKALP A M.Performance measures for video object segmentation and tracking［J］.IEEE Trans.Image Processing，2004，13(7):937-951.

［9］ KHARE A，TIWARY U S，PEDRYCZ W，et al.Multilevel adaptive thresholding and shrinkage technique for denoising using Daubechies complex wavelet transform［J］.The Imaging Science Journal，2010，58(6):340-358.

［10］張雪鋒，范九倫.一種新的分段非線性混沌映射及其性能分析［J］.物理學報，2010，59(4):2298-2304.

［11］徐少平，楊榮昌，劉小平.信息量加權的梯度顯著度圖像質量評價［J］.中國圖象圖形學報，2014，19(2):201-210.

［12］朱宏，蔣剛毅，王曉東，等.一種基于人眼視覺特性的視頻質量評價算法［J］.計算機輔助設計與圖形學學報，2014，26(5):776-781.

［13］熊祥光，蔣天發，蔣巍.基于整數小波變換和SVD的視頻水印算法［J］.計算機工程與應用，2014，50(1):78-82.

［14］ RAJAB L，AL-KHATIB T，AL-HAJ A.Hybrid DWT-SVD video watermarking［C］//Proc.International Conference on Innovations in Information Technology，2008(IIT 2008). ［S.l.］:IEEE Press，2008:588-592.