遗传算法和小波变换相融合的视频水印算法

郑海清

(广东南华工商职业学院 信息工程与商务管理学院， 广东 广州 510507)

0 引言

随着科技和数字化技术的不断进步，涌现了大量的视频，它们在医疗、办公、军事和教育等领域得到了成功的应用。视频一般都会携带一定的信息，有的信息还有具有高度的机密性以及隐私性[1]。当前互联网技术的不断成熟，人们基本上通过网络进行视频的传播和交流，由于互联网的开放性，一些非法分子从网络对视频进行拦截，然后对其进行篡改、伪造以及盗版，使得视频产品的版权无法得到保护，使信息泄露，给人们会带来一定的经济损失，面对当前的严峻形势，如何加强视频产品的版权保护引起了人们的高度关注[2-3]。水印算法是一种保护视频产品安全的重要技术，因此设计一个性能良好的视频水印算法具有十分重要的意义。

最初，视频水印沿用图像水印技术，虽然图像与视频有一定的关联性，但是相对于图像水印，视频水印具有一定的特殊性，主要是因为视频信息量比较大，通常由许多帧组成一个序列，视频本身帧与帧之间存在着大量冗余，使得视频水印更加复杂[4-5]。当前视频水印算法有很多，可以将它们划分为两种类型:一种是空间域的视频水印算法;另一种为变换域的视频水印算法。空间域的视频水印算法主要有LSB(Least Significant Bits)视频水印算法和Patchwork视频水印算法，它们将视频图像的像素位置进行微调，但是水印很容易被破坏，抗各种恶意攻击行为的鲁棒性差，应用范围相当的窄[6]；变换域的视频水印算法是当前主要的研究内容，如余弦变换视频水印算法和离散傅里叶变换视频水印算法，它们对原始视频进行余弦变换或者傅里叶变换，然后将水印信息嵌入到变换系数中，具有较强的抗各种恶意攻击行为的鲁棒性，但是其水印的安全性不高，易被检测，因此水印信息的不可见性比较差[7]。随后出现了小波变换视频水印算法，可以对视频更加细致的分解，将水印信息嵌入到小波域中，但是小变换视频水印算法水印嵌入的位置凭经验确定，无法嵌入到最优位置，使得视频水印算法存在明显的缺陷，如：抗攻击性能弱、视频水印的嵌入速度慢、影响视频水印实时性[8-10]。

为了有效保护视频产品的安全，针对当前视频水印算法存在的一些缺陷问题，提出了遗传算法和小波变换的视频水印算法，与其他当前经典视频水印算法进行了对比测试结果表明，本文算法可以提高视频水印的安全性，水印的不可见性和不可感知性很好，对于各种恶意攻击行为，不仅可以进行有效抵抗，而且加快了视频水印的嵌入速度，能够对视频在网络上进行在线操作，实际价值更高。

1 小波变换和遗传算法的概述

1.1 小波变换

(1)

连续小波变换可以表示，如式(2)。

(2)

式中，a表示尺度因子；b表示位移因子。

常见的小波很多，本文选择墨西哥小帽小波，其有较好的局部特征，如式(3)。

(3)

(4)

离散小波变换的逆变换，如式(5)。

(5)

对一个视频中的关键帧图像，采用小波变换进行3级分解后，得到的结果，如图1所示。

(a) 原始图像

小波变换的图像与原始图像具有不同的特性，更加便于水印信息的嵌入。

1.2 遗传算法

遗传算法是一种模拟生物进化论的计算模型，通过模拟自然界进化机制对问题的最优解进行求解，具有并行的搜索方式、非确定性规则和简单方便，其是人工智能的一个重要分支[12]。在遗传算法的运行过程中，有3个基本操作，分别为：选择、交叉和变异，具体描述如下。

(1) 选择操作就是根据个体的适应度函数值将部分较优的个体直接复制到下一代，保证种群基因的连续性。

(2) 交叉操作是产生优良个体主要方式，随机选择两个个体，它们以一定的概率进行交叉操作，会产生两个新的个体；对四个个体根据适应度函数值进行评价，选择两个最优的个体进入下一代。

(3) 变异操作也是一种产生新个体的方式，相对于自然界的基因突变，对一个个体以一定的概率改变其部分基因值，得到一个新的个体；对两个个体根据适应度函数值进行评价，选择最优的个体进入下一代。

综合上述可知，适应度函数的设计十分关键，结合视频水印算法的特征，选择视频图像的峰值信噪比(Peak signal-to-noise ratio，PSNR)和归一化相关系数(normalized correlation，NC)建立适应度函数。具体方式，如式(6)。

Fitness=PSNR+kNC

(6)

式中，k表示NC的权重值。

(7)

归一化相关系数NC主要描述水印的鲁棒性，NC值越大，表示检测到的水印与原始水印的相似程度越高。计算公式，如式(8)。

(8)

2 本文视频水印算法的设计

遗传算法和小波变换相融合的视频水印算法包括水印信息的生成、视频水印的嵌入和视频水印的检测等环节，由于视频水印检测是视频水印嵌入的可逆过程，因此下面只对水印信息的生成，视频水印的嵌入进行详细描述。

2.1 水印信息的生成

首先采集一幅图像作为嵌入的水印，直接将水印嵌入到视频中，那么极易被非法者检测到，水印的安全性性能低，因此需要对原始水印图像进行处理，通常采用Arnold变换，使原始水印图像的像素位置发生改变，经过多次Arnold变换后，水印图像就会变得杂乱无章，无法用肉眼进行辨识，达到混淆原始水印信息的目的，从而生成水印信息。Arnold变换，如式(9)。

(9)

式中，N表示Arnold变换的阶数。

对一个水印信息，通过Arnold变换后，如图2所示。

(a) 原始水印

对比原始水印和变换后的水印可以发现两者之间没有什么关联，达到了保护水印信息的目的。

2.2 水印的嵌入

(1) 采集一个场景中的视频，由于连续的视频帧与帧之间的相似度很高，存在冗余特性，因此对视频进行嵌入水印时，不是对所有的视频帧均嵌入水印，只需要对一些关键帧进行水印嵌入即可，因此提取视频的关键帧序列，并且保存关键帧的编号。

(2) 采用小波变换对视频的关键帧序列进行多尺度的分解，得到许多低频和高频分量。

(3) 采用Arnold变换对原始水印信息进行处理，并对变换的水印信息进行扫描，产生个一维数字水印序列。

(4) 对低频分量和高频分量进行分块操作，得到许多个子块。

(5) 初始化遗传算法的相关参数和种群。

(6) 遗传算法模拟自然界进化机制从多个子块像素中搜索到水印的最优嵌入位置。

(7) 将一维数字水印序列嵌入到最优嵌入位置，并采用小波的逆变换到含有水印的关键帧序列。

(8) 根据关键帧的编号将含有水印的关键帧进行组合，得到含有水印的视频。

综合上述可知，遗传算法和小波变换相融合的视频水印的嵌入过程，如图3所示。

图3 视频水印的嵌入流程

3 算法的性能测试与分析

3.1 测试对象

为了测试遗传算法和小波变换相融合的视频水印算法的性能，采用Matlab 2018作为编程工具实现视频水印算法程序，选择foreman视频、akiyo视频、carphone视频和waterfall视频作为测试对象。它们的代表性关键帧，如图4所示。

(a) foreman

采用图2的水印作为嵌入。为了使本文设计的算法测试结果具有可比性，选择没有遗传算法优化最优位置的小波变换的视频水印算法和文献[10]的视频水印算法进行对照测试。

3.2 水印的不可见性测试

采用峰值信噪比(PSNR)描述水印信息的不可见性，统计3种算法对4类视频的峰值信噪比，如图5所示。

图5 视频嵌入水印前后的峰值信噪比

对图5的峰值信噪比进行对比和分析可以明显看出，相对于小波变换的视频水印算法和文献[10]的视频水印算法，本文算法的峰值信噪比更大，这表明水印嵌入前后的视频图像之间的像素点偏差很小，水印具有十分理想的不可见性，水印带来的视频变化是人眼不可察觉的。

3.3 水印的鲁棒性测试

归一化相关系数NC主要描述水印的鲁棒性，影响水印的鲁棒性主要是各种攻击，选择carphone视频为测试对象，统计各种攻击后的3种视频水印算法的归一化相关系数值，如表1所示。

表1 不同视频水印算法的归一化相关系数对比

从表1可以看出，相对于小波变换的视频水印算法和文献[10]的视频水印算法，本文算法的归一化相关系数值更大，表明检测到的水印与原始水印的相似程度更高，水印具有较强的稳健性，能够抵抗各种攻击行为，这主要是由于本文算法引入了遗传算法将水印嵌入到了最优的位置，水印的鲁棒性更强。

4 总结

水印是一种保护视频产品版权的重要的方法，能够有效地解决视频产品版权纠纷问题，为了更好的保护视频产品的版权和信息安全，本文提出了一种遗传算法和小波变换相融合的视频水印算法，该算法结合了遗传算法的智能搜索和小波变换的多分辨率的优点，能够将水印信息嵌入到最适当的视频中。实验证明，本文算法不仅具有良好的不可见性，同时具有强大的对抗各种类型非法攻击的能力，可以应用于实际的视频产品版权保护中，具有十分广泛的应用前景。