一种基于变换域鲁棒水印的人脸识别算法研究

庞寅

1.数字水印技术简介

水印是“制造过程中压在纸上的半透明设计，纸张对光时可见”。如果您有一个重要打印文件（如对某辆汽车的资格证书），希望确保别人不能仅通过在激光复印机上打印出一个副本便声称拥有您的汽车。这种文档上的水印便可以验证其真实性。

人类视觉系统（HVS）在视觉感知及人类听觉系统（HAS）在听觉感知方面是极为有限的，要实现水印数字信号的隐藏性，相当于在较强信号载体下添加一个较弱的具有指定意义的信号，而这个添加的信号强度必须低于HVS和HAS的感知极限。目前，如何对水印信号通过水印嵌入算法进行相应调整是数字水印技术领域的重点研究方向。

2.人脸识别领域中的数字水印技术应用

2.1人脸识别技术的研究背景

随着数字水印技术在实际应用中凸显出来的重要作用，人脸识别技术作为一种基于数字水印技术的有效生物特征识别技术，2001年“911”袭击之后，安全技术领域在全世界绝大多数国家之间引起了更广泛的关注，其中包括验证身份的手段之一：人脸识别技术。

2.2ORL人脸图像数据库样本人脸识别步骤

针对目前国内外采用的人脸图像识别算法时间复杂度高，较为敏感且容易发生无法识别的情况，本论文采用的用于人脸图像匹配的技术基本实现过程如下：

2.2.1对所有待测人脸原始图像进行DCT变换；

2.2.2从ORL人脸图像数据库中选取10个正常表情人脸图像作为原始人脸图像进行测试，根据最低有效位算法（1east significant bits，LSB）原理，选取其中一个原始人脸图像中低频部分的前8x8个系数，而后在选取的8x8个系数中寻找一个抗攻击的特征向量，使用Matlab或同等软件产生一组长度为64bit的伪随机水印二值序列，其中值为+1或0，并与原始人脸图像的特征向量通过密码学哈希函数进行关联以实现零水印嵌入。

2.2.3检测阶段，第一步通过Matlab获取待测人脸图像的特征向量，然后计算待测人脸图像和原始人脸图像的特征向量的相关系数的最大值，并且使用相关系数最大值对应的人脸图像序号实现人脸选择检测。

2.2.4将待测人脸图像特征向量通过使用密码学哈希函数公式实现水印提取，同时计算水印相关系数。

2.3DCT变换域和零水印技术的人脸匹配实现过程

下面是本论文采用的基于DCT变换域的人脸图像匹配技术的算法实现过程和Matlab中实现的基本方法的说明。

2.3.1实现原始人脸图像零水印嵌入

（1）选取一张正常表情的人脸图像，命名为“原始人脸图像.BMP”，用f（i，j）表示原始人脸图像的所有像素值，表达式为：

F={f（i，j）|f（i，j）∈R；1≤i≤M1，1≤j≤N1}。

（2）定义1000组64bit的随机二值序列作为待嵌入水印，表达式记为：

W={w（j）|w（j）=0，1；1≤i≤L}；

（3）对原始人脸图像进行全局DCT变换，选取低频系数矩阵FD（i，j）。本文选取低频系数矩阵中的前8×8个系数，记为FD8（i，j），然后对FD8（i，j）进行二值化处理（8×8个系数个系数中大于或等于0时转换为1，小于0时转换为0，从而得到F（n）的特征向量序列），表达式描述如下：

FD8（i，j）=DCT2（F（i，j））

V（n）=BINARY（FD8（i，j））

（4）利用原始人脸图像得到的特征向量序列V（n）和随机二值序列水印W（n）根据密码学哈希函数中的异或运算生成含水印信息的二值密钥序列Key（n），并可存储于第三方，从而实现向原始人脸图像嵌入零水印，表达式描述如下：

Key（n）=V（n）⊕W（n）

其中，含水印信息的二值密钥序列Key（n）作用在于当对待测人脸图像进行对比，从而申请获取原始人脸图像的使用权、所有权时或对二值秘钥序列Key（n）提取水印信息时，可用密码学哈希函数中的异或运算W′（n）=Key（n）？茌V′（n）进行反向提取实现。

2.3.2待测人脸图像水印的提取

（1）求得待测人脸图像F′（n）的特征向量序列V′（n），求取过程与求取原始人脸图像F（n）的特征向量序列V（n）基本相同，表达式描述如下：

FD8′（i，j）=DCT2（F′（i，j））

V′=BINARY（FD′（i，j））

（2）计算待测人脸的特征向量V′与原始人脸的V（n）的相关系数NC（n），取NC（n）的最大值，令n=k，从而得到二值密钥序列Key（k）和原始人脸图像F（k）。再根据W′（k）=Key（k） ？茌V′（k）提取出原始人脸图像F（k）中的水印W（k）。特征向量相关系数归一化表达式描述如下：

（3）利用存在于第三方的二值逻辑密钥序列Key（k）和待测人脸的特征向量V′，提取出待测图像中的水印W′（k），表达式描述如下：

W′（k）=Key（k）？茌V′（k）

（4）利用相关系数归一化表达式求出W′和W（k）之间的相关系数，从而根据原始人脸图像水印和待测人脸图像水印的相关系数最大值判断待测图像是否与原始人脸图像一致。相关求取NC值公式如下：

3.人脸识别技术算法有效性说明

本文选取ORL人脸数据库中的10个作为算法有效性验证依据。人脸库中包含40幅不同人类面部图像，同时，该库包含大量人脸数据的比较结果。

本文选取其中10个正常表情的人脸图像进行测试，为了验证系数符号序列是可以表示人脸图像特征的向量，这里对选取的10个正常人脸图像进行特征向量求取。根据最低有效位（least significant bit，LSB）的原理，在对选取的人脸图像进行DCT变换以后，取DCT低频域中的前8×8，总计64bit的DCT系数，最后得出所有特征向量之间的相关系数。计算结果如下：

10个不同人脸图像特征向量之间的相关系数（向量长度64bit）

从上述表中可以观察到相同人脸图像之间的相关系数，即NC=1，而不同人脸图像的相关系数均小于0.5。从而可以说明本文方法得到人脸图像特征向量的相关系数可以用于不同人脸图像的识别。

4.基于DCT变换域和零水印技术的人脸识别技术优势

基于DCT变换域的零水印人脸图像识别匹配技术具有如下优点：

4.1针对目前国内外主流图像识别算法，采用基于DCT变换域的零水印算法，实现水印的隐蔽性和鲁棒性的较为理想地结合；

4.2人脸图像在不同常见攻击下，采用的算法具有较强鲁棒性；

4.3由人脸图像的特征向量和嵌入的水印信息产生的二值密钥序列可用于第三方。

5.结论

本文基于局部特征识别方法，结合DCT变换域和零水印技术的相关理论，研究一种大数据背景下基于变换域零水印的人脸图像识别技术，论证本文提出的人脸识别算法的有效性。

参考文献：

[1]王继军.基于视觉特性的数字图像信息隐藏方法研究[D].广西师范大学，2008.

[2]冯雪，朱新山，汤帜.多媒体数字水印技术研究进展[J].计算机工程与应用，2007，13：1-6+10.

[3]王晓珍.鲁棒性数字水印算法的研究[D].陕西师范大学，2013.

[4]赵翔，郝林.数字水印综述[J].计算机工程与设计，2006，11：1946-1950.

[5]朱晓冬.数字水印技术的研究[D].吉林大学，2004.

[6]张翠平，苏光大.人脸识别技术综述[J].中国图像图形学报，2000，11：7-16.

[7]孙冬梅，裘正定.生物特征识别技术综述[J].电子学报，2001，S1：1744-1748.