朱圣烽

?

融合人工蜂群和混沌映射的混合視頻水印算法

朱圣烽

(漢江師范學(xué)院計算機(jī)科學(xué)系，湖北 十堰 442000)

為了解決運(yùn)動矢量搜索效率低下、水印信息嵌入單一等問題，融合自適應(yīng)人工蜂群和Powell局部搜索，提出一種基于獨(dú)立分量分析的運(yùn)動目標(biāo)檢測方法。首先采用自適應(yīng)搜索參數(shù)動態(tài)調(diào)整鄰域搜索范圍，使人工蜂群算法快速收斂于全局最優(yōu)，然后將人工蜂群輸出的所有蜜源進(jìn)行均值聚類，克服均值聚類結(jié)果對初始聚類中心的依賴，再將聚類劃分結(jié)果進(jìn)行Powell局部搜索，加快方法收斂的速度。采用獨(dú)立分量設(shè)計運(yùn)動目標(biāo)最優(yōu)化問題，并利用改進(jìn)方法求解最優(yōu)解，從而提取視頻序列中的運(yùn)動分量。利用Logistic-正弦映射進(jìn)行混沌加密，對加密后的水印圖像進(jìn)行Arnold映射置亂，將最終水印信息嵌入B幀和P幀中，在提高視頻數(shù)據(jù)抗攻擊的同時，增強(qiáng)視頻數(shù)據(jù)的真實完整性。仿真結(jié)果表明，該混合水印嵌入算法在魯棒性和脆弱性方面有良好的表現(xiàn)。

運(yùn)動目標(biāo)檢測；視頻水??；自適應(yīng)人工蜂群；Powell搜索；Logistic-正弦映射；Arnold映射

隨著計算機(jī)多媒體的發(fā)展，多媒體數(shù)字產(chǎn)品的傳輸越來越公開化和便捷化，在便利使用其產(chǎn)品的同時，也為數(shù)字多媒體產(chǎn)品的篡改、偽造、侵犯著作權(quán)帶來了機(jī)會，視頻造假已經(jīng)涉及到文化、經(jīng)濟(jì)和軍事等多個領(lǐng)域，對社會造成了嚴(yán)重的影響。數(shù)字水印，即在多媒體數(shù)據(jù)中添加數(shù)字信息，以保證多媒體數(shù)據(jù)在受到攻擊時能夠有效恢復(fù)原數(shù)據(jù)，從而保護(hù)版權(quán)。運(yùn)動目標(biāo)檢測是數(shù)字視頻水印技術(shù)的基礎(chǔ)，光流法[1]、相鄰幀差法[2]、背景剔除法[3]為當(dāng)前運(yùn)動目標(biāo)檢測的主要方法。但3種方法各有利弊，其中光流法計算復(fù)雜度較大；相鄰幀差法很難檢測拍攝過程運(yùn)動的目標(biāo)；背景剔除法易受運(yùn)動背景和光照的影響。針對傳統(tǒng)方法的弊端，學(xué)者進(jìn)行了深入的研究。文獻(xiàn)[4]使用近似于原始視頻合成幀來提取視頻中的運(yùn)動目標(biāo)，保證了水印嵌入前后目標(biāo)的一致性；文獻(xiàn)[5]以H.264編碼標(biāo)準(zhǔn)為基礎(chǔ)，提出了一種基于運(yùn)動矢量和模式選擇的視頻水印方案，使用小分割模式劃分宏塊，選擇最佳的運(yùn)動矢量嵌入水??；文獻(xiàn)[6]提出基于運(yùn)動目標(biāo)檢測和紋理復(fù)雜度的視頻水印算法，但算法的實時性較差，且不能進(jìn)行水印盲提??；文獻(xiàn)[7]通過結(jié)合人類視覺感知系統(tǒng)和運(yùn)動目標(biāo)檢測技術(shù)，從視頻圖像序列提取運(yùn)動目標(biāo)，將水印嵌入運(yùn)動和高細(xì)節(jié)紋理復(fù)雜度區(qū)域；文獻(xiàn)[8]通過幀間歐氏距離選取關(guān)鍵幀，利用改進(jìn)幀差法提取關(guān)鍵幀中運(yùn)動目標(biāo)，對運(yùn)動目標(biāo)分割成子塊，利用子塊的離散余弦變換直流系數(shù)構(gòu)造特征向量，并實現(xiàn)水印的嵌入。如何在視頻圖像序列中定位前景目標(biāo)已成為視頻水印的關(guān)鍵。

人工蜂群算法(artificial bee colony algorithm，簡稱ABC算法)是新興的基于群體智能啟發(fā)式算法，與經(jīng)典遺傳算法、粒子群算法、蟻群算法相比，在全局尋優(yōu)和尋優(yōu)精度方面更具優(yōu)勢[9-10]。因此，許多學(xué)者將優(yōu)化算法與聚類算法進(jìn)行融合，發(fā)揮各自的優(yōu)點，解決實際應(yīng)用問題。文獻(xiàn)[11]利用遺傳算法優(yōu)化均值聚類算法，減少均值聚類算法對初始值的依賴；文獻(xiàn)[12]利用密度和距離初始化蜂群，并將聚類算法作為工蜂的一種編碼，增強(qiáng)算法的局部搜索能力；文獻(xiàn)[13]通過對ABC更新位置公式，構(gòu)造新的均值適應(yīng)度函數(shù)，獲得了較好的尋優(yōu)結(jié)果；文獻(xiàn)[14]通過增強(qiáng)ABC算法搜索能力優(yōu)化均值聚類，提高了文本聚類質(zhì)量。對ABC和均值聚類算法不同途徑、角度的改進(jìn)和結(jié)合，效果差異化較大。本文基于改進(jìn)后ABC采用獨(dú)立分量提取視頻序列中的分量，利用Logistic-正弦映射進(jìn)行混沌加密，對加密后的水印圖像進(jìn)行Arnold映射置亂，最后利用文獻(xiàn)[15]中的方法在運(yùn)動分量的小波域嵌入加密置亂水印。

1 人工蜂群算法

ABC算法是一種基于蜜蜂群體的仿生智能優(yōu)化算法，算法通過模擬蜂群分工尋找最優(yōu)蜜源來求解最優(yōu)問題[9]，由于其收斂速度較快、控制參數(shù)少、易于實現(xiàn)等優(yōu)點，被廣泛應(yīng)用于最優(yōu)求解中。ABC算法的基本步驟如下：

步驟2. 根據(jù)式(1)隨機(jī)選擇蜜源

步驟3. 根據(jù)式(2)派出引領(lǐng)蜂在其近鄰搜索，得到新的位置并計算其適應(yīng)度值，比較兩個解的優(yōu)劣，保留質(zhì)量較好的解

步驟4. 式(3)可計算當(dāng)前每個引領(lǐng)蜂的概率，以此指導(dǎo)跟隨蜂選擇引領(lǐng)蜂，即

步驟5. 引領(lǐng)蜂更新完蜜源后，跟隨蜂可根據(jù)引領(lǐng)蜂傳遞的蜜源適應(yīng)度值選擇所要跟隨的引領(lǐng)蜂，根據(jù)式(2)在鄰域內(nèi)搜索更新蜜源，并通過比較選擇較好的蜜源前往采蜜。

步驟6. 某蜜源的搜索次數(shù)達(dá)到最大開采次數(shù)，但蜜源適應(yīng)度不再變化時，放棄該蜜源。同時，將引領(lǐng)蜂轉(zhuǎn)換為偵察蜂。

步驟7. 判斷是否達(dá)到最大迭代次數(shù)，達(dá)或滿足循環(huán)終止條件。若是，算法結(jié)束并輸出適應(yīng)度最好的蜜源作為最優(yōu)解。若不是，返回步驟2。

2 改進(jìn)人工蜂群算法

2.1 自適應(yīng)搜索策略

2.2 Powell局部搜索

Powell算法是利用共軛方向加快收斂的一種搜索算法。該方法在目標(biāo)函數(shù)導(dǎo)數(shù)不連續(xù)時也能應(yīng)用，并且不需要計算梯度，搜索精度較高。Powell算法基本步驟如下：

2.3 基于改進(jìn)人工蜂群的運(yùn)動目標(biāo)定位

獨(dú)立分量分析(independent component analysis, ICA)是指從多個源信號的線性混合信號中分離出源信號的技術(shù)。通過對視頻連續(xù)幀進(jìn)行獨(dú)立分量分析，可以將視頻中的目標(biāo)提取出來。并將峭度作為ICA的目標(biāo)函數(shù)，采用改進(jìn)后的ABC函數(shù)優(yōu)化求取最優(yōu)解?；殳B以及解混疊信號模型如下

分離矩陣為

利用獨(dú)立分量需要求解的優(yōu)化問題為

利用改進(jìn)的ABC算法尋找式(9)中目標(biāo)函數(shù)取最大值的分離矩陣，利用改進(jìn)算法求解最優(yōu)分離矩陣的流程為：

步驟2. 對視頻圖像按行去相關(guān)，生成一維序列，利用均值聚類算法對離散化一維數(shù)據(jù)進(jìn)行初始化，將聚類中心作為蜂群的初始位置；

步驟3. 根據(jù)式(4)得到分離圖像信號，對每只蜜蜂按照式(13)和(10)計算其適應(yīng)度值并按降序排列，對半劃分為引領(lǐng)蜂和跟隨蜂；

步驟4. 引領(lǐng)蜂根據(jù)式(4)進(jìn)行搜索獲取新蜜源，如果新蜜源比原蜜源適應(yīng)度函數(shù)值大，保留新蜜源，否則保持原蜜源；

步驟7. 當(dāng)所有跟隨蜂完成迭代搜索后得到新蜜源對應(yīng)的中心，對保存的所有蜜源中心進(jìn)行均值聚類，對當(dāng)前群體中最優(yōu)蜜源位置按照改進(jìn)的Powell算法進(jìn)行局部搜索，得到最新聚類中心點以此更新蜂群中蜜源位置；

步驟8. 當(dāng)某引領(lǐng)蜂迭代次數(shù)超過最大開采次數(shù)后，判斷是否存在有未更新的蜜源，若無則舍棄此蜜源，由偵察蜂隨機(jī)產(chǎn)生新蜜源取代原蜜源；

在算法迭代過程中，隨著蜜源的不斷更新，f與avg之間的差異逐漸變小。當(dāng)所有蜜源的適應(yīng)度從整體上不再變化時，2會縮小到某個范圍。因此，2反映了所有蜜源的收斂程度。

根據(jù)文獻(xiàn)[16]的方法，利用上述過程可從連續(xù)幀中分離出靜態(tài)分量X和運(yùn)動分量Y。

3 水印信息預(yù)處理

3.1 Logistic-正弦映射

Logistic映射雖然實現(xiàn)簡單但可以產(chǎn)生復(fù)雜的混沌狀態(tài)，可定義為

當(dāng)參數(shù)在[3.57,4]范圍內(nèi)，系統(tǒng)處在混沌狀態(tài)，如圖1(a)所示。但Lyapunov指數(shù)較小，混沌序列分布不均勻。正弦映射與Logistic 映射具有類似的混沌特性，可定義為

Logistic-正弦映射具有較大Lyapunov指數(shù)[17]，序列分布比較均勻，如圖2(c)所示。

由圖1~2可知，與Logistic映射和正弦映射相比，Logistic-正弦映射具有更大的參數(shù)空間，更加均勻的混沌序列分布和更大的Lyapunov指數(shù)。由于Lyapunov指數(shù)越大，說明混沌特性越明顯，混沌程度越高，因此更適合利用混沌狀態(tài)對圖像進(jìn)行加密。

圖1 混沌序列分岔圖

3.2 Arnold映射

Arnold映射也稱為貓映射，其是采用階數(shù)維的圖像矩陣將目標(biāo)圖像中的像素點(,)變換到(,)處，其變換矩陣如下

Arnold映射變換中，經(jīng)過一定次數(shù)的迭代后，目標(biāo)圖像中的像素點的位置會得到變換，可使其隨機(jī)均勻地分布在置亂后的圖像中。但Arnold映射變換具有周期性，被置亂的圖像可能會被迭代變換恢復(fù)。為了解決此問題，可將經(jīng)Arnold映射變換后的圖像進(jìn)行替換和擴(kuò)散，即

經(jīng)過改進(jìn)后的變換矩陣不僅具有混沌映射的特性，還可經(jīng)一定迭代次數(shù)后，使任意相鄰的像素點可隨機(jī)分布在整個圖像空間中且不重疊。

4 混合視頻水印方案

多媒體技術(shù)的突飛猛進(jìn)，在方便人們開發(fā)創(chuàng)作視頻數(shù)據(jù)的同時，也對其完整性和原創(chuàng)性造成了傷害。視頻水印的加入不僅要保護(hù)視頻數(shù)據(jù)的真實、完整性也要保護(hù)其版權(quán)信息不被破壞。基于此，本文提出在視頻數(shù)據(jù)中B幀運(yùn)動矢量殘差中嵌入魯棒性水印，提高視頻數(shù)據(jù)的抗攻擊能力，在視頻數(shù)據(jù)中P幀運(yùn)動矢量中嵌入脆弱性水印，增強(qiáng)視頻數(shù)據(jù)的真實、完整性。

4.1 魯棒性水印嵌入

H.264視頻中包含I、P、B 3種幀，其中B幀不作為參考幀，不會因誤差累積而影響視頻質(zhì)量，一個畫面組中擁有較多的B幀，其具有4個運(yùn)動矢量的宏塊相對較多，為了減少宏塊的數(shù)量，文中基于2.3節(jié)定位方法得到視頻運(yùn)動區(qū)域，具體的水印嵌入流程如下：

步驟4. 將運(yùn)動矢量分解為水平分量和垂直分量，判斷運(yùn)動矢量水平分量和垂直分量是否同時為零，若是則跳出當(dāng)前該宏塊；

水印嵌入規(guī)則：

如果||≥||，若w=0&||%2=0或w=1&||%2=1時，選取水平運(yùn)動殘差

步驟6. 重復(fù)步驟2~5，直到視頻中每個畫面組都嵌入完整水印信息。

4.2 脆弱性水印嵌入

圖3 嵌入范圍示意圖

為進(jìn)一步增強(qiáng)水印的易損性，采用表1相關(guān)聯(lián)的方式選擇水印嵌入位置。

表1 水印位運(yùn)動矢量選擇

具體的水印嵌入流程如下：

步驟2. 基于改進(jìn)ABC的運(yùn)動目標(biāo)定位運(yùn)動區(qū)域，遍歷定位區(qū)域內(nèi)宏塊中的所有塊，選擇3個連續(xù)的運(yùn)動塊，判斷是否為跳躍宏塊P，若不是則對其中的每個運(yùn)動矢量進(jìn)行運(yùn)動估計，定位最佳整像素和最佳1/2像素的精度搜索點；

步驟3. 以最佳1/2像素為中心十字搜索1/4像素點，選取、1、2、5、6為1/4像素點，根據(jù)表1選擇方法，且根據(jù)以下規(guī)則對運(yùn)動矢量的水平分量、垂直分量精度值進(jìn)行修改，以嵌入水?。?/p>

當(dāng)w=1，如果(,2)=0，利用SATD(sum of absolute transformed difference)準(zhǔn)則(對殘差進(jìn)行哈德曼變換的系數(shù)絕對和)在5、6點間選擇最佳點嵌入，否則在剩余點中選擇最佳點嵌入；

當(dāng)w=0，如果(,2)！=0，利用SATD準(zhǔn)則在、1、2點間選擇最佳點嵌入，否則在剩余點中選擇最佳點嵌入；

步驟4. 利用運(yùn)動矢量與運(yùn)動矢量預(yù)測值求取運(yùn)動矢量預(yù)測殘差值，并對編碼；

步驟5. 重復(fù)步驟2~4，直到視頻3個連續(xù)的運(yùn)動塊嵌入了完整的水印信息。

水印的提取為水印嵌入的逆過程，文中不再贅述。

5 仿真實驗

圖4 原水印圖像和混沌置亂后圖像

采用“江漢師范”二值圖像(60×60)作為脆弱性水印，并對其按行生成二進(jìn)制序列，生成3 600位二值信息，將此二值信息嵌入到P幀中。

為了驗證改進(jìn)ABC運(yùn)動目標(biāo)定位的效果，對bus視頻序列進(jìn)行處理，得到運(yùn)動區(qū)域與原幀圖像，如圖5所示。

圖5 原幀圖像與運(yùn)動目標(biāo)定位區(qū)域

通過分析視頻序列，本文算法所定位的區(qū)域的確為視頻運(yùn)動信息所在的位置，通過計算原bus視頻幀中的運(yùn)動矢量與定位區(qū)域的運(yùn)動矢量可知，本算法所定位的區(qū)域運(yùn)動矢量占據(jù)整個視頻幀的75%左右。由此可知，將水印信息嵌入到所定位區(qū)域的運(yùn)動矢量中，能夠最大程度上保證水印的安全。

5.1 不可見性分析

含水印視頻質(zhì)量的好壞是評價水印算法的重要依據(jù)，文章利用峰值信噪比(peak signal noise ratio，PSNR)和均方誤差(median square error，MSE)客觀評價嵌入視頻前后視頻數(shù)據(jù)的質(zhì)量。

圖6 視頻幀在水印嵌入前后效果

圖7 算法嵌入水印前后PSNR對比

5.2 水印魯棒性和脆弱性

為了說明本文算法的魯棒性和脆弱性，利用本文算法對嵌入學(xué)校?；蘸汀敖瓭h師范”二值圖像的視頻數(shù)據(jù)進(jìn)行幀刪除、加噪濾波、尺寸縮放剪裁等攻擊，采用歸一化系數(shù)(normalized cross-correlation，NC)對提取水印與原始水印的相似度進(jìn)行客觀評價，即

表2 幀刪除仿真結(jié)果

表3 加噪濾波攻擊仿真結(jié)果

表4 經(jīng)不同尺寸縮放后NC值

6 結(jié) 論

本文在借鑒前人研究成果的基礎(chǔ)上，融合自適應(yīng)ABC和Powell局部搜索，實現(xiàn)一種基于獨(dú)立分量分析的運(yùn)動目標(biāo)檢測算法?；谠撍惴ㄇ蠼膺\(yùn)動目標(biāo)最優(yōu)化問題，從而提取視頻序列中的運(yùn)動分量，并將混沌置換后的水印信息嵌入視頻B幀運(yùn)動矢量殘差和P幀運(yùn)動矢量中，仿真實驗表明本混合視頻水印算法不僅提高了視頻數(shù)據(jù)抗攻擊的能力還增強(qiáng)了視頻數(shù)據(jù)的真實完整性。

[1] SENST T, EVANGELIO R H, SIKORA T. Detection people carrying object based on an optical flow motion model [C]//Proceeding of IEEE Workshop on Application of Computer Vision. Washington:Society, 2011: 301-306.

[2] WENG M Y, HUANG G C. A new interframe difference algorithm for moving target detection [C]//The 3rd International Congress on Image and Signal Processing. New York: IEEE Press, 2010: 285-289.

[3] MOHAMED S S, TAHIR N M, ADNAN R. Background modeling and background subtraction performance for object detection [C]//The 6th International Colloquium on Signal Processing and Its Application. New York: IEEE Press, 2010: 236-241.

[4] 孫慧, 石艷嬌, 王建中, 等. 一種基于運(yùn)動目標(biāo)的視頻水印方法[J]. 計算機(jī)工程, 2013, 39(2): 155-161.

[5] 夏麗娟, 馮桂, 黃建筑. 基于運(yùn)動矢量和模式選擇的視頻水印方案[J]. 計算機(jī)工程與應(yīng)用, 2011, 47(24): 93-96.

[6] 郭燕, 盧忱, 范九倫. 運(yùn)動目標(biāo)檢測和紋理復(fù)雜度與視頻水印算法[J]. 西安郵電大學(xué)學(xué)報, 2013, 18(1): 35-39.

[7] 周萍, 劉巖, 陳希, 等. 基于運(yùn)動目標(biāo)檢測的視頻水印算法研究[J]. 計算機(jī)應(yīng)用與軟件, 2014, 31(2): 157-161.

[8] 李淑芝, 晏啟明. 基于運(yùn)動目標(biāo)子塊分割的視頻零水印算法[J]. 計算機(jī)應(yīng)用與軟件, 2015, 32(4): 191-196.

[9] KARABOGA D, BASTURK B. A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm [J]. Journal of Global Optimization, 2007, 39(3): 459-471.

[10] KARABOGA D, AKAY B. A modified artificial bee colony (ABC) algorithm for constrained optimization problems [J]. Applied Soft Computing, 2011, 11(3): 3021-3031．

[11] 柳景青, 郭東進(jìn), 葉萍. 改進(jìn)的給水管網(wǎng)節(jié)點K均值空間聚類[J]. 浙江大學(xué)學(xué)報: 工學(xué)版, 2015, 49(11): 2128-2134.

[12] 羅可, 李蓮, 周博翔. 一種蜜蜂交配優(yōu)化聚類算法[J]. 電子學(xué)報, 2014, 42(12): 2435-2442.

[13] 喻金平, 鄭杰, 梅宏標(biāo). 基于改進(jìn)人工蜂群算法的K均值聚類算法[J]. 計算機(jī)應(yīng)用, 2014, 34(4): 1065-1069.

[14] 柯鋼. 基于增強(qiáng)蜂群優(yōu)化與K-means的文本聚類算法[J]. 計算機(jī)應(yīng)用研究, 2016, 33(8): 2298-2302.

[15] 鄒強(qiáng). 一種小波域的自適應(yīng)數(shù)字盲水印算法研究[J]. 計算機(jī)仿真, 2011, 28(6): 284-287．

[16] 成吳, 唐斌. 基于相關(guān)熵的盲源分離算法[J]. 電子科技大學(xué)學(xué)報, 2013, 42(2): 214-218.

[17] ZHOU Y, BAO L, CHEN C L P. A new 1D chaotic system for image encryption [J]. Signal Processing, 2014, 97: 172-182.

[18] 李淑芝, 吳曉燕, 張翔. 基于小波變換的運(yùn)動目標(biāo)檢測視頻水印算法[J]. 電視技術(shù), 2015, 39(15): 1-5.

A Hybrid Video Watermarking Algorithm Based on Artificial Bee Colony and Chaotic Mapping

ZHU Shengfeng

(Department of Computer Science, Hanjiang Normal University, Shiyan Hubei 442000, China)

In order to solve the problem that the motion vector search is inefficient and the embedded watermark information is single, this paper integrates adaptive artificial bee colony and Powell local search to realize a moving object detection method based on independent component analysis.Adaptive search parameters are used to adjust neighborhood search scope dynamically, that makes artificial bee colony algorithm quickly converge to global optimal and achieve a more optimal solution. Then, all nectaries will be clustered by-mean to be dependence of clustering result on the initial center, and then clustering results are divided into Powell local search, which accelerate the algorithm convergence speed. The motion component optimization problem is designed by using the independent component, and the optimal solution is solved by the improved method to extract the motion component in the video sequence.By using Logistic-sinusoidal mapping for chaotic encryption, the Arnold map is scrambled on the encrypted watermark image, and the final watermark information is embedded in B frame and P frame, and the real integrity of the video data is enhanced while improving the video data attack.The simulation results show that the hybrid watermark embedding algorithm has good performance in robustness and vulnerability.

moving target detection; video watermark; artificial bee colony; Powell search; Logistic-sine mapping; Arnold mapping

TP 391

10.11996/JG.j.2095-302X.2018010021

A

2095-302X(2018)01-0021-09

2017-05-04；

2017-06-07

朱圣烽(1981–)，男，湖北房縣人，講師，本科。主要研究方向為圖形圖像處理與視頻水印。E-mail：zhushengfeng81@126.com