CN106096668A - 带水印图像的识别方法及识别*** - Google Patents

Abstract

本发明公开了带水印图像的识别方法及识别***，选取待识别图像的所有水印候选区域；并通过深度卷积神经网络分类器对每个水印候选区域进行水印识别，判断待识别图像是否为带水印图像；实现带水印图像的识别。本发明能够方便快捷地获取大量的图像训练数据，利用大量的图像训练数据通过卷积神经网络算法建立深度卷积神经网络分类器，解决了现有技术中训练数据不足的问题。本发明建立的深度卷积神经网络分类器，有效地模拟了人眼视觉处理***，能够识别出局部细微的水印纹理，较好地解决了带水印图像中，水印所占面积小、颜色浅、透明度高等问题。本发明能够减少对无水印区域的识别过程，缩短了识别时间，提高了识别效率。

Description

带水印图像的识别方法及识别***

技术领域

本发明涉及图像识别领域，具体涉及一种带水印图像的识别方法及识别***。

背景技术

图像包含了丰富且直观的信息，当前在互联网的社交、购物和旅游等领域，都需要大量的图像来给用户传递信息。由于互联网信息的传播极为快速和便携，越来越多的个人和组织选择给自身拥有的图像嵌入水印信息，如在图像部分区域打上商标或网址的水印，以此保护图像信息的所有权。因此，图像信息的提供方在使用图像前，需要对图像进行审核，识别图像中是否含有水印信息，避免出现误用和侵权的行为。随着互联网的飞速发展，图像提供方每天都会利用用户上传、爬虫下载等诸多途径获取大量图像信息，数量已远远超过人工审核的限度。因此，利用计算机自动审核图像信息，识别出其中带水印的图像成为了迫切的需求。

水印信息在图像中的视觉显著性很低，具有面积小，颜色浅，透明度高等特点，带水印图像与未带水印图像之间的差异往往很小，区分度较低。现阶段，对带水印图像识别的研究尚未深入展开，鲜有有效的带水印图像识别技术，实现带水印图像的准确识别是一项具有挑战性的任务。

发明内容

本发明的目的在于为了克服现有技术中不能准确识别出带水印信息的图像等问题的出现；提供一种带水印图像的识别方法及识别***。

为了达到上述目的，本发明通过以下技术方案实现：

一种带水印图像的识别方法，所述识别方法包含：

选取待识别图像的所有水印候选区域；

通过深度卷积神经网络分类器对每个所述水印候选区域进行水印识别，判断所述待识别图像是否为带水印图像。

较佳地，建立所述深度卷积神经网络分类器的方法包含：

生成图像训练数据；

采用所述图像训练数据通过卷积神经网络算法建立所述深度卷积神经网络分类器。

较佳地，所述生成图像训练数据的实现方法为：

收集若干张无水印图像；

在每张所述无水印图像中随机截取若干个矩形区域图像，每个所述矩形区域图像作为不包含水印信息的矩形图像；

收集多种水印信息图形；将每个所述水印信息图形分别嵌入每个所述不包含水印信息的矩形图像内，形成一类包含对应的所述水印信息图形的图像；

将每个所述不包含水印信息的矩形图像、每个包含水印信息图形的图像均作为所述图像训练数据。

较佳地，所述建立所述深度卷积神经网络分类器的实现方法为：

A1，初始化所述深度卷积神经网络分类器各层参数；

A2，将每个所述图像训练数据通过所述卷积神经网络算法进行逐层计算后得到输出值；

A3，计算获取每个所述输出值与对应的所述图像训练数据所属类别的误差；根据最小误差准则，通过所述误差进行逐层修正所述深度卷积神经网络分类器中各层参数；

A4，重复所述步骤A2、A3，直至误差收敛，实现所述深度卷积神经网络分类器的建立。

较佳地，在选取待识别图像的所有水印候选区域的步骤中包含：

将所述待识别图像划分成多个候选区域，对每个所述候选区域进行水印特征点检测，统计每个所述候选区域的所有水印特征点数量；当任一所述候选区域的水印特征点总数量大于特征点阈值时，对应所述候选区域作为所述待识别图像的一个所述水印候选区域。

较佳地，判断所述待识别图像是否为带水印图像的实现步骤包含：

将所述待识别图像的每个所述水印候选区域的图像数据输入至所述深度卷积神经网络分类器中，获取所述深度卷积神经网络分类器最后一层输出的每个所述水印候选区域包含水印信息图形的概率向量；

计算判断所有的概率向量的概率最大值是否表示为包含水印信息图形；当所有的所述概率向量的最大值均表示为不包含水印信息图形时，所述待识别图像不带水印的图像；当至少一个所述概率向量的最大值表示为包含水印信息图形时，所述待识别图像为带水印图像。

一种带水印图像的识别***，所述识别***包含：

获取单元，用于生成图像训练数据；

训练单元，与所述获取单元连接；所述训练单元获取所述图像训练数据，建立深度卷积神经网络分类器；

选择单元，与所述训练单元连接；所述选择单元选取待识别图像的所有水印候选区域，并将每个所述水印候选区域的图像数据输入至所述训练单元建立的所述深度卷积神经网络分类器中；

识别单元，与所述训练单元连接；所述识别单元获取所述训练单元输出的所有概率向量进行所述待识别图像是否为带水印图像的判断。

较佳地，所述获取单元包含：

无水印图像生成模块，与所述训练单元连接；所述无水印图像生成模块收集若干张无水印图像，并在每张所述无水印图像中随机截取若干个矩形区域图像，生成多张不包含水印信息的矩形图像；

含水印图像生成模块，分别与所述无水印图像生成模块、所述训练单元连接；所述含水印图像生成模块获取所有的所述不包含水印信息的矩形图像并收集多种水印信息图形，将每个所述水印信息图形分别嵌入所有的所述不包含水印信息的矩形图像，形成一类包含对应的所述水印信息图形的图像。

较佳地，所述选择单元包含：

特征点检测模块，将所述待识别图像划分成多个候选区域，对每个所述候选区域进行水印特征点检测，统计每个所述候选区域的所有水印特征点数量；

水印候选区域选择模块，分别与所述特征点检测模块、所述训练单元连接；所述水印候选区域选择模块获取每个所述候选区域的所有水印特征点数量，判断每个所述候选区域的水印特征点总数量是否大于特征点阈值；当大于时，对应所述候选区域作为所述待识别图像的一个所述水印候选区域。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

本发明公开的一种带水印图像的识别方法及识别***，首先，选取待识别图像的所有水印候选区域；其次，通过深度卷积神经网络分类器对每个水印候选区域进行水印识别，判断待识别图像是否为带水印图像；实现带水印图像的识别。本发明能够方便快捷地获取大量的图像训练数据，并利用大量的图像训练数据通过卷积神经网络算法建立深度卷积神经网络分类器，解决了现有技术中训练数据不足的问题。本发明建立的深度卷积神经网络分类器，有效地模拟了人眼视觉处理***，能够识别出局部细微的水印纹理，较好地解决了带水印图像中，水印所占面积小、颜色浅、透明度高等问题。本发明能够减少对无水印区域的识别过程，缩短了识别时间，提高了识别效率。本发明相比于现有技术还具有实用性强、可扩展性好的优点。

附图说明

图1为本发明带水印图像的识别***的整体结构示意图。

图2为本发明带水印图像的识别方法的整体流程示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

如图1所示，一种带水印图像的识别***，识别***包含：获取单元1、训练单元2、选择单元3及识别单元4。其中，训练单元2分别与获取单元1、选择单元3及识别单元4连接。

本发明中，获取单元1用于生成图像训练数据。训练单元2获取图像训练数据，建立深度卷积神经网络分类器。选择单元3选取待识别图像的所有水印候选区域，并将每个水印候选区域的图像数据输入至深度卷积神经网络分类器中。识别单元4作为水印判定模块，获取训练单元2输出的所有概率向量进行待识别图像是否为带水印图像的判断。

如图1所示，获取单元1包含：无水印图像生成模块11、含水印图像生成模块12；其中，含水印图像生成模块12与无水印图像生成模块11连接。

本发明中，无水印图像生成模块11用于自动收集若干张无水印图像，并在每张无水印图像中随机截取一定比例大小的若干个矩形区域图像，将所有的不包含水印信息的矩形图像生成无水印类图像集合。

本发明中，含水印图像生成模块12自动收集多种待识别本发明中的水印信息图形，并通过无水印图像生成模块11获取无水印类图像集合。含水印图像生成模块12将每个待识别的水印信息图形分别嵌入所有的不包含水印信息的矩形图像，形成一类包含对应的待识别的水印信息图形的图像集合。

如图1所示，选择单元3包含：特征点检测模块31、水印候选区域选择模块32；其中，水印候选区域选择模块32与特征点检测模块31连接。

本发明中，特征点检测模块31将待识别图像划分成多个候选区域，对每个候选区域进行水印特征点检测，统计每个候选区域的所有水印特征点数量。

本发明中，水印候选区域选择模块32获取每个候选区域的所有水印特征点数量，判断每个候选区域的水印特征点总数量是否大于特征点阈值；当大于时，对应候选区域作为待识别图像的一个水印候选区域。

如图2所示，一种带水印图像的识别方法，识别方法包含：

S1，获取单元1生成图像训练数据。具体实现方法如下：

S1.1，获取单元1的无水印图像生成模块11收集若干张无水印图像。

S1.2，无水印图像生成模块11在每张无水印图像中随机截取若干个矩形区域图像，每个矩形区域图像作为不包含水印信息的矩形图像，并将所有的不包含水印信息的矩形图像形成无水印类图像集合。

本实施例中，无水印图像生成模块11在每张无水印图像中随机截取高宽比为1∶2和1∶3.6大小的矩形区域图像作为不包含水印信息的矩形图像。

S1.3，获取单元1的含水印图像生成模块12收集多种待识别的水印信息图形；将每个待识别的水印信息图形分别嵌入每个不包含水印信息的矩形图像内，形成一类包含对应的待识别的水印信息图形的图像集合。

本实施例中，含水印图像生成模块12先将每种待识别的水印信息图形进行灰度二值化处理，随后将该种待识别的水印信息图形以60％-80％不等的透明度分别嵌入所有不包含水印信息的矩形图像中，作为包含对应水印信息图形的图像。

例如，无水印图像生成模块11收集3000张无水印图像，每张无水印图像随机截取3个矩形区域图像，则一共产生9000张不包含水印信息的矩形图像。含水印图像生成模块12收集3种待识别的水印信息图形，则每种待识别的水印信息图形能够产生9000张包含对应水印信息图形的图像；则含水印图像生成模块12一共生成27000张包含水印信息图形的图像。

S1.4，将每个不包含水印信息的矩形图像、每个包含待识别的水印信息的图像均作为图像训练数据。

本实施例中，无水印图像生成模块11生成的9000张不包含水印信息的图像、含水印图像生成模块12生成27000张包含水印信息图形的图像均作为图像训练数据。

S2，训练单元2采用图像训练数据通过卷积神经网络算法建立深度卷积神经网络分类器。本发明中，建立深度卷积神经网络分类器的具体实现方法如下：

A1，初始化深度卷积神经网络分类器各层参数。

A2，将每个图像训练数据通过所述卷积神经网络算法进行逐层计算后得到输出值。

A3，计算获取每个输出值与对应的图像训练数据所属类别的误差。根据最小误差准则，通过所述误差进行逐层修正所述深度卷积神经网络分类器中各层参数。

本实施例中，图像训练数据所属类别是指图像训练数据为不包含水印信息的矩形图像类型或包含不同种类水印信息图形的矩形图像类型。例如所属类别包括：1、不包含水印信息的矩形图像类型，2、第一种种类水印信息图形的矩形图像类型，3、第二种种类水印信息图形的矩形图像类型，4、第三种种类水印信息图形的矩形图像类型。

A4，重复所述步骤A2、A3，直至误差收敛，实现所述深度卷积神经网络分类器的建立。

在本实施例中，训练单元2输入的包含水印信息图形的图像和/或不包含水印信息的矩形图像的尺寸被统一调整为227×227像素点大小。训练单元2设置深度卷积神经网络分类器采用8层结构，前5层为卷积层，第6层和第7层为全连接层，第8层为输出层。其中，卷积层的实现包括卷积、激活和池化3个步骤。

各层激活函数为修正线性函数f(x)＝max(0，x)。各层池化方式为max pooling，池化单位区域优选为3×3像素点大小，池化步长为2个像素点。卷积层的卷积核大小由各层的输入而定，本实施例中，第1层卷积核大小为11×11×3，卷积核个数为96，步长为4。第2-5层卷积核大小分别为5×5×96、3×3×256、3×3×384和3×3×384，卷积核个数分别为256、384、384和256，卷积步长均为1。第6、7层输出个数为4096，输出层的输出根据待识别的水印信息的种类个数而定。

S3，选择单元3选取待识别图像的所有水印候选区域。本发明中，具体包含如下步骤：

S3.1，选择单元3的特征点检测模块31将待识别图像划分成多个候选区域，对每个候选区域进行水印特征点检测，统计每个候选区域的所有水印特征点数量。

本发明中，水印特征点的类型包括但不限于SIFT、SURF、ORB等。

S3.2，选择单元3的水印候选区域选择模块32获取每个候选区域的所有水印特征点数量，判断每个候选区域的水印特征点总数量是否大于特征点阈值；当大于时，对应候选区域作为待识别图像的一个水印候选区域。

本实施例中，水印特征点的类型为ORB，特征点检测模块31划分的候选区域宽度为待识别图像宽度的1/3，候选区域的高宽比为1∶2，相邻候选区域有50％面积重叠，特征点阈值设置为10。

S4，训练单元2通过深度卷积神经网络分类器对每个水印候选区域进行水印识别，识别单元4判断待识别图像是否为带水印图像。本发明中，具体实现步骤包含：

S4.1，选择单元3将待识别图像的每个水印候选区域的图像数据输入至训练单元2建立的深度卷积神经网络分类器中，获取待识别图像的每个水印候选区域在深度卷积神经网络分类器最后一层输出概率向量。

本实施例中，选择单元3将每个水印候选区域的图像尺寸统一缩放为227×227像素大小后输入至训练单元2。深度卷积神经网络分类器每次输入一个水印候选区域的图像数据，经过深度卷积神经网络计算后，获取本次输入的水印候选区域包含水印信息图形的概率向量。

S4.2，识别单元4获取训练单元2输出的待识别图像的所有水印候选区域包含水印信息图形的概率向量。识别单元4计算判断所有的概率向量的概率最大值是否表示为包含水印信息图形；当所有的概率向量的最大值均表示为不包含水印信息图形时，所述待识别图像为不带水印的图像；当至少一个概率向量的最大值表示为包含水印信息图形时，待识别图像为带水印图像。

例如，待识别图像包含3个水印候选区域，每个水印候选区域在深度卷积神经网络分类器最后一层的输出是一个四维概率向量，分别对应水印候选区域属于不包含水印信息的矩形图像类型和包含其他3种种类水印信息图形的矩形图像类型的概率，计算每个四维概率向量中最大的概率值，从而判断当前的水印候选区域是否包含水印信息图形。当3个水印候选区域均判断为不包含水印信息图形，则表示待识别图像为不带水印的图像。当3个水印候选区域中任一水印候选区域被判断为包含水印信息图形，则表示待识别图像为带水印图像。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (9)

1.一种带水印图像的识别方法，其特征在于，所述识别方法包含：

选取待识别图像的所有水印候选区域；

通过深度卷积神经网络分类器对每个所述水印候选区域进行水印识别，判断所述待识别图像是否为带水印图像。

2.如权利要求1所述的带水印图像的识别方法，其特征在于，建立所述深度卷积神经网络分类器的方法包含：

生成图像训练数据；

采用所述图像训练数据通过卷积神经网络算法建立所述深度卷积神经网络分类器。

3.如权利要求2所述的带水印图像的识别方法，其特征在于，所述生成图像训练数据的实现方法为：

收集若干张无水印图像；

在每张所述无水印图像中随机截取若干个矩形区域图像，每个所述矩形区域图像作为不包含水印信息的矩形图像；

收集多种水印信息图形；将每个所述水印信息图形分别嵌入每个所述不包含水印信息的矩形图像内，形成一类包含对应的所述水印信息图形的图像；

将每个所述不包含水印信息的矩形图像、每个包含水印信息图形的图像均作为所述图像训练数据。

4.如权利要求2所述的带水印图像的识别方法，其特征在于，所述建立所述深度卷积神经网络分类器的实现方法为：

A1，初始化所述深度卷积神经网络分类器各层参数；

A2，将每个所述图像训练数据通过所述卷积神经网络算法进行逐层计算后得到输出值；

A3，计算获取每个所述输出值与对应的所述图像训练数据所属类别的误差；根据最小误差准则，通过所述误差进行逐层修正所述深度卷积神经网络分类器中各层参数；

A4，重复所述步骤A2、A3，直至误差收敛，实现所述深度卷积神经网络分类器的建立。

5.如权利要求1所述的带水印图像的识别方法，其特征在于，在选取待识别图像的所有水印候选区域的步骤中包含：

将所述待识别图像划分成多个候选区域，对每个所述候选区域进行水印特征点检测，统计每个所述候选区域的所有水印特征点数量；当任一所述候选区域的水印特征点总数量大于特征点阈值时，对应所述候选区域作为所述待识别图像的一个所述水印候选区域。

6.如权利要求4所述的带水印图像的识别方法，其特征在于，判断所述待识别图像是否为带水印图像的实现步骤包含：

将所述待识别图像的每个所述水印候选区域的图像数据输入至所述深度卷积神经网络分类器中，获取所述深度卷积神经网络分类器最后一层输出的每个所述水印候选区域包含水印信息图形的概率向量；

计算判断所有的概率向量的概率最大值是否表示为包含水印信息图形；当所有的所述概率向量的最大值均表示为不包含水印信息图形时，所述待识别图像为不带水印的图像；当至少一个所述概率向量的最大值表示为包含水印图像时，所述待识别图像为带水印图像。

7.一种带水印图像的识别***，其特征在于，所述识别***包含：

获取单元，用于生成图像训练数据；

训练单元，与所述获取单元连接；所述训练单元获取所述图像训练数据，建立深度卷积神经网络分类器；

选择单元，与所述训练单元连接；所述选择单元选取待识别图像的所有水印候选区域，并将每个所述水印候选区域的图像数据输入至所述训练单元建立的所述深度卷积神经网络分类器中；

识别单元，与所述训练单元连接；所述识别单元获取所述训练单元输出的所有概率向量进行所述待识别图像是否为带水印图像的判断。

8.如权利要求7所述的带水印图像的识别***，其特征在于，所述获取单元包含：

无水印图像生成模块，与所述训练单元连接；所述无水印图像生成模块收集若干张无水印图像，并在每张所述无水印图像中随机截取若干个矩形区域图像，生成多张不包含水印信息的矩形图像；

含水印图像生成模块，分别与所述无水印图像生成模块、所述训练单元连接；所述含水印图像生成模块获取所有的所述不包含水印信息的矩形图像并收集多种水印信息图形，将每个所述水印信息图形分别嵌入所有的所述不包含水印信息的矩形图像，形成一类包含对应的所述水印信息图形的图像。

9.如权利要求7所述的带水印图像的识别***，其特征在于，所述选择单元包含：

特征点检测模块，将所述待识别图像划分成多个候选区域，对每个所述候选区域进行水印特征点检测，统计每个所述候选区域的所有水印特征点数量；

水印候选区域选择模块，分别与所述特征点检测模块、所述训练单元连接；所述水印候选区域选择模块获取每个所述候选区域的所有水印特征点数量，判断每个所述候选区域的水印特征点总数量是否大于特征点阈值；当大于时，对应所述候选区域作为所述待识别图像的一个所述水印候选区域。