CN113706360A - 一种基于特征保持失真模型的3d网格隐写方法 - Google Patents

一种基于特征保持失真模型的3d网格隐写方法 Download PDF

Info

Publication number
CN113706360A
CN113706360A CN202110946273.5A CN202110946273A CN113706360A CN 113706360 A CN113706360 A CN 113706360A CN 202110946273 A CN202110946273 A CN 202110946273A CN 113706360 A CN113706360 A CN 113706360A
Authority
CN
China
Prior art keywords
steganography
mesh
embedding
vertex
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110946273.5A
Other languages
English (en)
Other versions
CN113706360B (zh
Inventor
朱嘉豪
张玉书
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110946273.5A priority Critical patent/CN113706360B/zh
Publication of CN113706360A publication Critical patent/CN113706360A/zh
Application granted granted Critical
Publication of CN113706360B publication Critical patent/CN113706360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于特征保持失真模型的3D网格隐写方法，首先，构造隐写嵌入域：将3D网格模型的顶点坐标转换至小数形式，继而转换至整数对应的比特形式；其次，构建适合3D网格隐写的受限有效载荷最优嵌入问题，得到最优嵌入分布；然后，利用最优隐写分析器NVT+的三个隐写分析性能最好的子模型构造出加性特征保持失真模型；最后，基于多层校验格码的多元隐写嵌入算法，实现数据嵌入。本发明可以削弱嵌入变化引起的影响，降低现代3D隐写分析器的检测精度；利用校验格码的自适应3D网格隐写术可用于嵌入更高的有效载荷；且可以提高3D网格隐写术的安全性。

Description

一种基于特征保持失真模型的3D网格隐写方法
技术领域
本发明属于3D网格模型隐写领域，具体涉及一种基于特征保持失真模型的3D网格隐写方法。
背景技术
隐写术是一门将机密信息以不可察觉的方式隐藏在不易被怀疑的物体中的艺术和科学，与数字水印不同，隐写术是为对抗隐写分析的隐蔽通信而诞生的。随着互联网的发展和数字媒体应用的不断迭代更新，信息传输条件不断改善，隐写载体的选择也日益多样化。然而，大多数隐写算法只考虑图像、视频和文本作为隐写载体，而用于3D模型的算法相对较少。近年来，由于3D扫描技术的进步，自然物体3D模型的获取更加方便，3D应用在医疗、视频游戏、动画电影、建筑等领域得到广泛应用。因此，3D模型似乎成为隐藏数字内容的理想载体。据我们所知，3D模型通常以三种方式渲染：点云、网格和体素。在3D隐写术中，网格是数据隐藏的首选，因为它们可以通过对顶点(几何)、连通性(拓扑)和数据表示的一系列难以察觉的修改来提供更多的嵌入可能性，现有3D网格隐写术的主流都是基于这些关于难以察觉的几何修改。现有的3D网格隐写术大致可以分为四类：基于量化索引调制的隐写术,最低有效位隐写术,置换隐写术以及基于变换域的隐写术。
传统3D隐写算法并非自适应隐写且3D隐写算法设计者在追求高容量嵌入时并未考虑其算法抗隐写分析能力，因此这类隐写算法不能有效抵抗现代3D隐写分析者的攻击。现有的自适应3D隐写术包含大量非自适应数据嵌入操作，因此隐写安全性能较低。
发明内容
发明目的：本发明提出一种完全自适应的且具有较高隐写安全性能的3D网格隐写分析方法，可以削弱嵌入变化引起的影响，从而降低现代3D隐写分析器的检测精度。
技术方案：本发明所述的一种基于特征保持失真模型的3D网格隐写方法，具体包括以下步骤：
(1)构造隐写嵌入域：将3D网格模型的顶点坐标转换至小数形式，继而转换至整数对应的比特形式；
(2)构建适合3D网格隐写的受限有效载荷最优嵌入问题，得到最优嵌入分布；
(3)利用最优隐写分析器NVT+的三个隐写分析性能最好的子模型构造出加性特征保持失真模型；
(4)基于多层校验格码的多元隐写嵌入算法，实现数据嵌入。
进一步地，所述步骤(1)实现过程如下：
(11)给定顶点集合
Figure BDA0003216774770000021
vi＝{vi，x，vi，y，vi，z}，将小数形式表示的3D网格模型的顶点坐标转换至整数形式
Figure BDA0003216774770000022
其中：
Figure BDA0003216774770000023
其中，k为预先设置的参数；
(12)将整数形式的坐标转换至比特形式Bi，j：
Figure BDA0003216774770000024
其中，
Figure BDA0003216774770000025
表示整数
Figure BDA0003216774770000026
的第l个最低有效比特位，h满足
Figure BDA0003216774770000027
(13)原来值为连续的顶点坐标离散化并规定3D网格模型坐标顶点变化范围：
Figure BDA0003216774770000028
进一步地，所述步骤(2)实现过程如下：
给定M＝{V，E，F}，其中顶点集合
Figure BDA0003216774770000029
vi＝{vi，x，vi，y，vi，z}，其对应的含密顶点
Figure BDA00032167747700000210
当嵌入率为α时，最优嵌入问题构造如下：
Figure BDA00032167747700000211
Figure BDA00032167747700000212
其中，
Figure BDA0003216774770000031
D(·)为失真函数，H(·)为熵函数；
依据最优嵌入理论，得到最优嵌入分布：
Figure BDA0003216774770000032
进一步地，所述步骤(3)实现过程如下：
采用了当前隐写分析性能最优的隐写分析模型NVT+中的三个表现最优子模型来构建顶点变化损失函数；
给定一个3D网格模型M＝{V，E，F}，其中顶点集合
Figure BDA0003216774770000033
vi＝{vi，x，vi，y，vi，z}，边集合
Figure BDA0003216774770000034
面集合
Figure BDA0003216774770000035
原始3D网格模型M与含密3D网格模型M′之间的加性失真被定义为如下形式：
Figure BDA0003216774770000036
其中，Si(·)表示子模型特征提取器，M′(vk，j)表示只修改M中的vk，j节点形成的M′，Normalize(·)表示规范化函数，用来平衡各个子模型提取特征值因不同数量级所造成的的影响，μ为预先设置参数，用来解决数值计算问题；基于以上加性失真函数，顶点修改为：
ρi，j(δi，j)＝D(M，M′(vi，j))。
进一步地，所述步骤(4)实现过程如下：
利用r*个比特唯一表示顶点变化集合I中的所有元素，其中，r*满足：
Figure BDA0003216774770000037
其中，[·]表示艾佛森括号，对于给定整数形式的原始顶点坐标
Figure BDA0003216774770000038
其对应的比特表示为
Figure BDA0003216774770000039
其对应修改后的比特形式为
Figure BDA00032167747700000310
根据熵的链式法则，
Figure BDA00032167747700000311
其中，
Figure BDA00032167747700000312
依赖于
Figure BDA00032167747700000313
当
Figure BDA00032167747700000314
与
Figure BDA00032167747700000315
已知时，可利用全概率公式，求解出
Figure BDA00032167747700000316
与
Figure BDA00032167747700000317
继而可利用校验格码完成每个比特层
Figure BDA0003216774770000041
的信息嵌入。
有益效果：与现有技术相比，本发明的有益效果：本发明与目前自适应3D网格隐写术不同，所提出的算法不包括非自适应嵌入操作；所提出的特征保留失真被表述为NVT+中使用的隐写分析特征向量的加权差异之和，可以削弱嵌入变化引起的影响，从而降低现代3D隐写分析器的检测精度；所提出的自动且通用的概率计算算法旨在解决多层嵌入过程中的顶点变化概率，利用校验格码的自适应3D网格隐写术可用于嵌入更高的有效载荷；本发明可以提高3D网格隐写术的安全性。
附图说明
图1为基于特征保持失真模型的3D网格隐写***框架图；
图2为自动且通用的比特位修改概率求解算法流程图；
图3为可视化信息嵌入失真图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出一种基于特征保持失真模型的3D网格隐写方法，利用3D网格模型作为隐写载体，通过对3D网格的顶点(几何)、连通性(拓扑)和数据表示的修改进行信息的嵌入与提取。图1为本发明提出的基于特征保持失真模型的3D网格隐写***框架图。在信息嵌入过程中，该***首先将3D网格模型的顶点坐标转换至小数形式，继而转换至整数对应的比特形式。利用最优隐写分析器NVT+的三个隐写分析性能最好的子模型构造出加性特征保持失真模型并结合校验格码进行数据嵌入。在信息提取过程中，以比特形式呈现的顶点坐标首先被转换为整数形式，继而转化为小数形式，并结合原来模型的拓扑信息形成含密3D网格模型。
步骤1：构造隐写嵌入域：将3D网格模型的顶点坐标转换至小数形式，继而转换至整数对应的比特形式。
给定顶点集合
Figure BDA0003216774770000042
vi＝{vi，x，vi，y，vi，z}，将小数形式表示的3D网格模型的顶点坐标转换至整数形式
Figure BDA0003216774770000043
即：
Figure BDA0003216774770000044
其中，k为预先设置的参数，主要根据隐写者想保留的顶点坐标精度来确定。
将整数形式的坐标转换至比特形式Bi，j，即：
Figure BDA0003216774770000051
其中，
Figure BDA0003216774770000052
表示整数
Figure BDA0003216774770000053
的第l个最低有效比特位，h满足
Figure BDA0003216774770000054
依据如上步骤，原来值为连续的顶点坐标离散化并规定3D网格模型坐标顶点变化范围：
Figure BDA0003216774770000055
步骤2：构建适合3D网格隐写的受限有效载荷最优嵌入问题，得到最优嵌入分布。
给定M＝{V，E，F}，其中顶点集合
Figure BDA0003216774770000056
vi＝{vi，x，vi，y，vi，z}，其对应的含密顶点
Figure BDA0003216774770000057
当嵌入率为α时，最优嵌入问题构造如下：
Figure BDA0003216774770000058
Figure BDA0003216774770000059
其中，
Figure BDA00032167747700000514
D(·)为失真函数，H(·)为熵函数。
依据如上最优嵌入问题，可得最优嵌入分布：
Figure BDA00032167747700000510
步骤3：利用最优隐写分析器NVT+的三个隐写分析性能最好的子模型构造出加性特征保持失真模型。
给定一个3D网格模型M＝{V，E，F}，其中顶点集合
Figure BDA00032167747700000511
vi＝{vi，x，vi，y，vi，z}，边集合
Figure BDA00032167747700000512
面集合
Figure BDA00032167747700000513
原始3D网格模型M与含密3D网格模型M′之间的加性失真被定义为如下形式：
Figure BDA0003216774770000061
其中，Si(·)表示子模型特征提取器，M′(vk，j)表示只修改M中的vk，j节点形成的M′，Normalize(·)表示规范化函数，用来平衡各个子模型提取特征值因不同数量级所造成的的影响，μ为预先设置参数，用来解决数值计算问题。基于以上加性失真函数，顶点修改成本被定义为：
ρi，j(δi，j)＝D(M，M′(vi，j))；
步骤4：基于多层校验格码的多元隐写嵌入算法，实现数据嵌入。
采用一种自动且通用的比特修改概率求解算法，如图2所示，可利用r*个比特唯一表示顶点变化集合I中的所有元素，其中r*满足：
Figure BDA0003216774770000062
其中，[·]表示艾佛森括号，对于给定整数形式的原始顶点坐标
Figure BDA0003216774770000063
其对应的比特表示为
Figure BDA0003216774770000064
其对应修改后的比特形式为
Figure BDA0003216774770000065
根据熵的链式法则，
Figure BDA0003216774770000066
其中，
Figure BDA0003216774770000067
依赖丁
Figure BDA0003216774770000068
当
Figure BDA0003216774770000069
与
Figure BDA00032167747700000610
已知时，可利用全概率公式，求解出
Figure BDA00032167747700000611
与
Figure BDA00032167747700000612
继而可利用校验格码完成每个比特层
Figure BDA00032167747700000613
的信息嵌入。
图3展现本发明提出的基于特征保持失真模型的3D网格隐写***在不同嵌入率下的模型失真可视化，该失真由均方根误差来衡量。图3每一行的3D网格模型从左到右分别对应着嵌入率0bpv、1bpv、3bpv和4.5bpv下的嵌入失真情况，其中单位bpv表示每个顶点嵌入比特数，从该图3可以看出，本发明所提出的3D网格隐写***是有选择地对3D网格模型进行数据嵌入，即体现该***具有自适应性。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明。

Claims (5)

1.一种基于特征保持失真模型的3D网格隐写方法，其特征在于，包括以下步骤：
(1)构造隐写嵌入域：将3D网格模型的顶点坐标转换至小数形式，继而转换至整数对应的比特形式；
(2)构建适合3D网格隐写的受限有效载荷最优嵌入问题，得到最优嵌入分布；
(3)利用最优隐写分析器NVT+的三个隐写分析性能最好的子模型构造出加性特征保持失真模型；
(4)基于多层校验格码的多元隐写嵌入算法，实现数据嵌入。
2.根据权利要求1所述的基于特征保持失真模型的3D网格隐写方法，其特征在于，所述步骤(1)实现过程如下：
(11)给定顶点集合
Figure FDA0003216774760000011
vi＝{vi,x,vi,y,vi,z}，将小数形式表示的3D网格模型的顶点坐标转换至整数形式
Figure FDA0003216774760000012
其中：
Figure FDA0003216774760000013
其中，k的取值依据隐写嵌入者所想保留的顶点坐标精度而定；
(12)将整数形式的坐标转换至比特形式Bi,j：
Figure FDA0003216774760000014
其中，
Figure FDA0003216774760000015
表示整数
Figure FDA0003216774760000016
的第l个最低有效比特位,h满足
Figure FDA0003216774760000017
(13)原来值为连续的顶点坐标离散化并规定3D网格模型坐标顶点变化范围：
Figure FDA0003216774760000018
3.根据权利要求1所述的基于特征保持失真模型的3D网格隐写方法，其特征在于，所述步骤(2)实现过程如下：
给定M＝{V,E,F},其中顶点集合
Figure FDA0003216774760000019
vi＝{vi,x,vi,y,vi,z}，其对应的含密顶点
Figure FDA00032167747600000110
当嵌入率为α时，最优嵌入问题构造如下：
Figure FDA0003216774760000021
Figure FDA0003216774760000022
其中，
Figure FDA0003216774760000023
D(·)为失真函数，H(·)为熵函数；
依据最优嵌入理论，得到最优嵌入分布：
Figure FDA0003216774760000024
δi,j∈I,j∈{x,y,z}。
4.根据权利要求1所述的基于特征保持失真模型的3D网格隐写方法，其特征在于，所述步骤(3)实现过程如下：
采用了当前隐写分析性能最优的隐写分析模型NVT+中的三个表现最优子模型来构建顶点变化损失函数；
给定一个3D网格模型M＝{V,E,F},其中顶点集合
Figure FDA0003216774760000025
vi＝{vi,x,vi,y,vi,z},边集合
Figure FDA0003216774760000026
面集合
Figure FDA0003216774760000027
原始3D网格模型M与含密3D网格模型M'之间的加性失真被定义为如下形式：
Figure FDA0003216774760000028
其中，Si(·)表示子模型特征提取器，M'(vk,j)表示只修改M中的vk,j节点形成的M'，Normaliz2(·)表示规范化函数，用来平衡各个子模型提取特征值因不同数量级所造成的的影响，μ为预先设置参数，用来解决数值计算问题；基于以上加性失真函数，顶点修改为：
ρi，j(δi，j)＝D(M，M'(vi，j))。
5.根据权利要求1所述的基于特征保持失真模型的3D网格隐写方法，其特征在于，所述步骤(4)实现过程如下：
利用r*个比特唯一表示顶点变化集合I中的所有元素，其中，r*满足：
Figure FDA0003216774760000029
其中，[·]表示艾佛森括号，对于给定整数形式的原始顶点坐标
Figure FDA00032167747600000210
其对应的比特表示为
Figure FDA0003216774760000031
其对应修改后的比特形式为
Figure FDA0003216774760000032
根据熵的链式法则，
Figure FDA0003216774760000033
其中，
Figure FDA0003216774760000034
依赖于
Figure FDA0003216774760000035
当
Figure FDA0003216774760000036
与
Figure FDA0003216774760000037
已知时，可利用全概率公式，求解出
Figure FDA0003216774760000038
与
Figure FDA0003216774760000039
继而可利用校验格码完成每个比特层
Figure FDA00032167747600000310
的信息嵌入。
CN202110946273.5A 2021-08-18 2021-08-18 一种基于特征保持失真模型的3d网格隐写方法 Active CN113706360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110946273.5A CN113706360B (zh) 2021-08-18 2021-08-18 一种基于特征保持失真模型的3d网格隐写方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110946273.5A CN113706360B (zh) 2021-08-18 2021-08-18 一种基于特征保持失真模型的3d网格隐写方法

Publications (2)

Publication Number Publication Date
CN113706360A true CN113706360A (zh) 2021-11-26
CN113706360B CN113706360B (zh) 2024-03-19

Family

ID=78653256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110946273.5A Active CN113706360B (zh) 2021-08-18 2021-08-18 一种基于特征保持失真模型的3d网格隐写方法

Country Status (1)

Country Link
CN (1) CN113706360B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190061171A (ko) * 2017-11-27 2019-06-05 한국과학기술원 스테가노그래피 분석 모델 생성 방법 및 장치
CN109920014A (zh) * 2019-02-27 2019-06-21 中国科学技术大学 3d网格模型隐写方法
CN112118365A (zh) * 2020-09-25 2020-12-22 集美大学 图像自适应隐写方法、装置、电子设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190061171A (ko) * 2017-11-27 2019-06-05 한국과학기술원 스테가노그래피 분석 모델 생성 방법 및 장치
CN109920014A (zh) * 2019-02-27 2019-06-21 中国科学技术大学 3d网格模型隐写方法
CN112118365A (zh) * 2020-09-25 2020-12-22 集美大学 图像自适应隐写方法、装置、电子设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨飚;吕梦琪;王宜敏;钱振兴;: "基于复杂区域多层嵌入的三维模型隐写", 电子测量技术, no. 12, 15 December 2016 (2016-12-15) *

Also Published As

Publication number Publication date
CN113706360B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN113222800B (zh) 一种基于深度学习的鲁棒图像水印嵌入与提取方法及***
CN110163815B (zh) 基于多阶段变分自编码器的低照度还原方法
CN102917227B (zh) 基于压缩感知的自适应视频信息隐藏方法
CN106169189B (zh) 基于嵌入量双层最优分配比的stc编码方法
CN115471423A (zh) 一种基于生成对抗网络及自注意力机制的点云去噪方法
CN115018688A (zh) 一种基于dct系数的生成网络模型水印方法及应用
CN111127291B (zh) 基于空频域jnd转换的图像水印嵌入、提取方法及***
Zhang et al. Reversibility improved data hiding in 3D mesh models using prediction-error expansion and sorting
Bukharmetov et al. Robust method for protecting electronic document on waterway transport with steganographic means by embedding digital watermarks into images
CN116091288A (zh) 一种基于扩散模型的图像隐写方法
CN111768326A (zh) 一种基于gan扩增图像前景物体的高容量数据保护方法
CN113469868B (zh) 一种基于结构变化的实景三维模型数字水印添加方法
Liu et al. A watermarking method for 3D models based on feature vertex localization
WO2022067790A1 (zh) 一种点云分层方法及解码器、编码器、存储介质
CN115994849B (zh) 一种基于点云上采样的三维数字水印嵌入与提取方法
CN113706360A (zh) 一种基于特征保持失真模型的3d网格隐写方法
CN116757909A (zh) Bim数据鲁棒水印方法、装置及介质
CN111242825A (zh) 一种基于水深特征的enc电子航海图零水印方法
CN109920014B (zh) 3d网格模型隐写方法
Li et al. A robust watermarking scheme with high security and low computational complexity
Qian et al. Steganography by constructing marbling texture
CN116050579A (zh) 基于深度特征融合网络的建筑能耗预测方法及***
CN115222609A (zh) 一种基于生成对抗网络模型的水下图像修复方法和生成对抗网络模型训练方法
CN110349228B (zh) 一种数据驱动最小二乘预测的三角网格压缩方法
Liu et al. A blind 3d point cloud watermarking algorithm based on azimuth angle modulation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant