帶水印圖像的識別方法及識別系統的制作方法
【專利摘要】本發明公開了帶水印圖像的識別方法及識別系統，選取待識別圖像的所有水印候選區域；并通過深度卷積神經網絡分類器對每個水印候選區域進行水印識別，判斷待識別圖像是否為帶水印圖像；實現帶水印圖像的識別。本發明能夠方便快捷地獲取大量的圖像訓練數據，利用大量的圖像訓練數據通過卷積神經網絡算法建立深度卷積神經網絡分類器，解決了現有技術中訓練數據不足的問題。本發明建立的深度卷積神經網絡分類器，有效地模擬了人眼視覺處理系統，能夠識別出局部細微的水印紋理，較好地解決了帶水印圖像中，水印所占面積小、顏色淺、透明度高等問題。本發明能夠減少對無水印區域的識別過程，縮短了識別時間，提高了識別效率。
【專利說明】
帶水印圖像的識別方法及識別系統
技術領域
[0001]本發明涉及圖像識別領域，具體涉及一種帶水印圖像的識別方法及識別系統。
【背景技術】
[0002]圖像包含了豐富且直觀的信息，當前在互聯網的社交、購物和旅游等領域，都需要大量的圖像來給用戶傳遞信息。由于互聯網信息的傳播極為快速和便攜，越來越多的個人和組織選擇給自身擁有的圖像嵌入水印信息，如在圖像部分區域打上商標或網址的水印，以此保護圖像信息的所有權。因此，圖像信息的提供方在使用圖像前，需要對圖像進行審核，識別圖像中是否含有水印信息，避免出現誤用和侵權的行為。隨著互聯網的飛速發展，圖像提供方每天都會利用用戶上傳、爬蟲下載等諸多途徑獲取大量圖像信息，數量已遠遠超過人工審核的限度。因此，利用計算機自動審核圖像信息，識別出其中帶水印的圖像成為了迫切的需求。
[0003]水印信息在圖像中的視覺顯著性很低，具有面積小，顏色淺，透明度高等特點，帶水印圖像與未帶水印圖像之間的差異往往很小，區分度較低。現階段，對帶水印圖像識別的研究尚未深入展開，鮮有有效的帶水印圖像識別技術，實現帶水印圖像的準確識別是一項具有挑戰性的任務。
【發明內容】
[0004]本發明的目的在于為了克服現有技術中不能準確識別出帶水印信息的圖像等問題的出現;提供一種帶水印圖像的識別方法及識別系統。
[0005]為了達到上述目的，本發明通過以下技術方案實現:
[0006]—種帶水印圖像的識別方法，所述識別方法包含:
[0007]選取待識別圖像的所有水印候選區域；
[0008]通過深度卷積神經網絡分類器對每個所述水印候選區域進行水印識別，判斷所述待識別圖像是否為帶水印圖像。
[0009]較佳地，建立所述深度卷積神經網絡分類器的方法包含:
[0010]生成圖像訓練數據；
[0011]采用所述圖像訓練數據通過卷積神經網絡算法建立所述深度卷積神經網絡分類器。
[0012]較佳地，所述生成圖像訓練數據的實現方法為:
[0013]收集若干張無水印圖像；
[0014]在每張所述無水印圖像中隨機截取若干個矩形區域圖像，每個所述矩形區域圖像作為不包含水印信息的矩形圖像；
[0015]收集多種水印信息圖形;將每個所述水印信息圖形分別嵌入每個所述不包含水印信息的矩形圖像內，形成一類包含對應的所述水印信息圖形的圖像；
[0016]將每個所述不包含水印信息的矩形圖像、每個包含水印信息圖形的圖像均作為所述圖像訓練數據。
[0017]較佳地，所述建立所述深度卷積神經網絡分類器的實現方法為:
[0018]Al，初始化所述深度卷積神經網絡分類器各層參數；
[0019]A2，將每個所述圖像訓練數據通過所述卷積神經網絡算法進行逐層計算后得到輸出值；
[0020]A3，計算獲取每個所述輸出值與對應的所述圖像訓練數據所屬類別的誤差;根據最小誤差準則，通過所述誤差進行逐層修正所述深度卷積神經網絡分類器中各層參數；
[0021]A4，重復所述步驟A2、A3，直至誤差收斂，實現所述深度卷積神經網絡分類器的建立。
[0022 ]較佳地，在選取待識別圖像的所有水印候選區域的步驟中包含:
[0023]將所述待識別圖像劃分成多個候選區域，對每個所述候選區域進行水印特征點檢測，統計每個所述候選區域的所有水印特征點數量；當任一所述候選區域的水印特征點總數量大于特征點閾值時，對應所述候選區域作為所述待識別圖像的一個所述水印候選區域。
[0024]較佳地，判斷所述待識別圖像是否為帶水印圖像的實現步驟包含:
[0025]將所述待識別圖像的每個所述水印候選區域的圖像數據輸入至所述深度卷積神經網絡分類器中，獲取所述深度卷積神經網絡分類器最后一層輸出的每個所述水印候選區域包含水印信息圖形的概率向量；
[0026]計算判斷所有的概率向量的概率最大值是否表示為包含水印信息圖形；當所有的所述概率向量的最大值均表示為不包含水印信息圖形時，所述待識別圖像不帶水印的圖像；當至少一個所述概率向量的最大值表示為包含水印信息圖形時，所述待識別圖像為帶水印圖像。
[0027]—種帶水印圖像的識別系統，所述識別系統包含:
[0028]獲取單元，用于生成圖像訓練數據；
[0029]訓練單元，與所述獲取單元連接;所述訓練單元獲取所述圖像訓練數據，建立深度卷積神經網絡分類器；
[0030]選擇單元，與所述訓練單元連接;所述選擇單元選取待識別圖像的所有水印候選區域，并將每個所述水印候選區域的圖像數據輸入至所述訓練單元建立的所述深度卷積神經網絡分類器中；
[0031]識別單元，與所述訓練單元連接;所述識別單元獲取所述訓練單元輸出的所有概率向量進行所述待識別圖像是否為帶水印圖像的判斷。
[0032]較佳地，所述獲取單元包含:
[0033]無水印圖像生成模塊，與所述訓練單元連接;所述無水印圖像生成模塊收集若干張無水印圖像，并在每張所述無水印圖像中隨機截取若干個矩形區域圖像，生成多張不包含水印信息的矩形圖像；
[0034]含水印圖像生成模塊，分別與所述無水印圖像生成模塊、所述訓練單元連接;所述含水印圖像生成模塊獲取所有的所述不包含水印信息的矩形圖像并收集多種水印信息圖形，將每個所述水印信息圖形分別嵌入所有的所述不包含水印信息的矩形圖像，形成一類包含對應的所述水印信息圖形的圖像。
[0035]較佳地，所述選擇單元包含:
[0036]特征點檢測模塊，將所述待識別圖像劃分成多個候選區域，對每個所述候選區域進行水印特征點檢測，統計每個所述候選區域的所有水印特征點數量；
[0037]水印候選區域選擇模塊，分別與所述特征點檢測模塊、所述訓練單元連接;所述水印候選區域選擇模塊獲取每個所述候選區域的所有水印特征點數量，判斷每個所述候選區域的水印特征點總數量是否大于特征點閾值；當大于時，對應所述候選區域作為所述待識別圖像的一個所述水印候選區域。
[0038]在符合本領域常識的基礎上，上述各優選條件，可任意組合，即得本發明各較佳實例。
[0039]本發明的積極進步效果在于:
[0040]本發明公開的一種帶水印圖像的識別方法及識別系統，首先，選取待識別圖像的所有水印候選區域;其次，通過深度卷積神經網絡分類器對每個水印候選區域進行水印識另IJ，判斷待識別圖像是否為帶水印圖像;實現帶水印圖像的識別。本發明能夠方便快捷地獲取大量的圖像訓練數據，并利用大量的圖像訓練數據通過卷積神經網絡算法建立深度卷積神經網絡分類器，解決了現有技術中訓練數據不足的問題。本發明建立的深度卷積神經網絡分類器，有效地模擬了人眼視覺處理系統，能夠識別出局部細微的水印紋理，較好地解決了帶水印圖像中，水印所占面積小、顏色淺、透明度高等問題。本發明能夠減少對無水印區域的識別過程，縮短了識別時間，提高了識別效率。本發明相比于現有技術還具有實用性強、可擴展性好的優點。
【附圖說明】
[0041]圖1為本發明帶水印圖像的識別系統的整體結構示意圖。
[0042]圖2為本發明帶水印圖像的識別方法的整體流程示意圖。
【具體實施方式】
[0043]下面通過實施例的方式進一步說明本發明，但并不因此將本發明限制在所述的實施例范圍之中。
[0044]如圖1所示，一種帶水印圖像的識別系統，識別系統包含:獲取單元1、訓練單元2、選擇單元3及識別單元4。其中，訓練單元2分別與獲取單元1、選擇單元3及識別單元4連接。
[0045]本發明中，獲取單元I用于生成圖像訓練數據。訓練單元2獲取圖像訓練數據，建立深度卷積神經網絡分類器。選擇單元3選取待識別圖像的所有水印候選區域，并將每個水印候選區域的圖像數據輸入至深度卷積神經網絡分類器中。識別單元4作為水印判定模塊，獲取訓練單元2輸出的所有概率向量進行待識別圖像是否為帶水印圖像的判斷。
[0046]如圖1所示，獲取單元I包含:無水印圖像生成模塊11、含水印圖像生成模塊12;其中，含水印圖像生成模塊12與無水印圖像生成模塊11連接。
[0047]本發明中，無水印圖像生成模塊11用于自動收集若干張無水印圖像，并在每張無水印圖像中隨機截取一定比例大小的若干個矩形區域圖像，將所有的不包含水印信息的矩形圖像生成無水印類圖像集合。
[0048]本發明中，含水印圖像生成模塊12自動收集多種待識別本發明中的水印信息圖形，并通過無水印圖像生成模塊11獲取無水印類圖像集合。含水印圖像生成模塊12將每個待識別的水印信息圖形分別嵌入所有的不包含水印信息的矩形圖像，形成一類包含對應的待識別的水印信息圖形的圖像集合。
[0049]如圖1所示，選擇單元3包含:特征點檢測模塊31、水印候選區域選擇模塊32;其中，水印候選區域選擇模塊32與特征點檢測模塊31連接。
[0050]本發明中，特征點檢測模塊31將待識別圖像劃分成多個候選區域，對每個候選區域進行水印特征點檢測，統計每個候選區域的所有水印特征點數量。
[0051]本發明中，水印候選區域選擇模塊32獲取每個候選區域的所有水印特征點數量，判斷每個候選區域的水印特征點總數量是否大于特征點閾值；當大于時，對應候選區域作為待識別圖像的一個水印候選區域。
[0052]如圖2所示，一種帶水印圖像的識別方法，識別方法包含:
[0053]SI，獲取單元I生成圖像訓練數據。具體實現方法如下:
[0054]S1.1，獲取單元I的無水印圖像生成模塊11收集若干張無水印圖像。
[0055]S1.2，無水印圖像生成模塊11在每張無水印圖像中隨機截取若干個矩形區域圖像，每個矩形區域圖像作為不包含水印信息的矩形圖像，并將所有的不包含水印信息的矩形圖像形成無水印類圖像集合。
[0056]本實施例中，無水印圖像生成模塊11在每張無水印圖像中隨機截取高寬比為1:2和1:3.6大小的矩形區域圖像作為不包含水印信息的矩形圖像。
[0057]S1.3，獲取單元I的含水印圖像生成模塊12收集多種待識別的水印信息圖形;將每個待識別的水印信息圖形分別嵌入每個不包含水印信息的矩形圖像內，形成一類包含對應的待識別的水印信息圖形的圖像集合。
[0058]本實施例中，含水印圖像生成模塊12先將每種待識別的水印信息圖形進行灰度二值化處理，隨后將該種待識別的水印信息圖形以60%_80%不等的透明度分別嵌入所有不包含水印信息的矩形圖像中，作為包含對應水印信息圖形的圖像。
[0059]例如，無水印圖像生成模塊11收集3000張無水印圖像，每張無水印圖像隨機截取3個矩形區域圖像，則一共產生9000張不包含水印信息的矩形圖像。含水印圖像生成模塊12收集3種待識別的水印信息圖形，則每種待識別的水印信息圖形能夠產生9000張包含對應水印信息圖形的圖像;則含水印圖像生成模塊12—共生成27000張包含水印信息圖形的圖像。
[0060]S1.4,將每個不包含水印信息的矩形圖像、每個包含待識別的水印信息的圖像均作為圖像訓練數據。
[0061]本實施例中，無水印圖像生成模塊11生成的9000張不包含水印信息的圖像、含水印圖像生成模塊12生成27000張包含水印信息圖形的圖像均作為圖像訓練數據。
[0062]S2，訓練單元2采用圖像訓練數據通過卷積神經網絡算法建立深度卷積神經網絡分類器。本發明中，建立深度卷積神經網絡分類器的具體實現方法如下:
[0063]Al，初始化深度卷積神經網絡分類器各層參數。
[0064]A2，將每個圖像訓練數據通過所述卷積神經網絡算法進行逐層計算后得到輸出值。
[0065]A3，計算獲取每個輸出值與對應的圖像訓練數據所屬類別的誤差。根據最小誤差準則，通過所述誤差進行逐層修正所述深度卷積神經網絡分類器中各層參數。
[0066]本實施例中，圖像訓練數據所屬類別是指圖像訓練數據為不包含水印信息的矩形圖像類型或包含不同種類水印信息圖形的矩形圖像類型。例如所屬類別包括:1、不包含水印信息的矩形圖像類型，2、第一種種類水印信息圖形的矩形圖像類型，3、第二種種類水印信息圖形的矩形圖像類型，4、第三種種類水印信息圖形的矩形圖像類型。
[0067]A4，重復所述步驟A2、A3，直至誤差收斂，實現所述深度卷積神經網絡分類器的建立。
[0068]在本實施例中，訓練單元2輸入的包含水印信息圖形的圖像和/或不包含水印信息的矩形圖像的尺寸被統一調整為227X227像素點大小。訓練單元2設置深度卷積神經網絡分類器采用8層結構，前5層為卷積層，第6層和第7層為全連接層，第8層為輸出層。其中，卷積層的實現包括卷積、激活和池化3個步驟。
[0069]各層激活函數為修正線性函數f (X) =max(0，x)。各層池化方式為max pooling，池化單位區域優選為3X3像素點大小，池化步長為2個像素點。卷積層的卷積核大小由各層的輸入而定，本實施例中，第I層卷積核大小為11X11X3，卷積核個數為96，步長為4。第2_5層卷積核大小分別為5 X5X96、3X3X256、3X3X 384和3 X 3 X 384，卷積核個數分別為256、384、384和256，卷積步長均為I。第6、7層輸出個數為4096，輸出層的輸出根據待識別的水印信息的種類個數而定。
[0070]S3，選擇單元3選取待識別圖像的所有水印候選區域。本發明中，具體包含如下步驟:
[0071]S3.1，選擇單元3的特征點檢測模塊31將待識別圖像劃分成多個候選區域，對每個候選區域進行水印特征點檢測，統計每個候選區域的所有水印特征點數量。
[0072]本發明中，水印特征點的類型包括但不限于SIFT、SURF、0RB等。
[0073]S3.2，選擇單元3的水印候選區域選擇模塊32獲取每個候選區域的所有水印特征點數量，判斷每個候選區域的水印特征點總數量是否大于特征點閾值;當大于時，對應候選區域作為待識別圖像的一個水印候選區域。
[0074]本實施例中，水印特征點的類型為0RB，特征點檢測模塊31劃分的候選區域寬度為待識別圖像寬度的1/3，候選區域的高寬比為1:2，相鄰候選區域有50%面積重疊，特征點閾值設置為10。
[0075]S4，訓練單元2通過深度卷積神經網絡分類器對每個水印候選區域進行水印識別，識別單元4判斷待識別圖像是否為帶水印圖像。本發明中，具體實現步驟包含:
[0076]S4.1，選擇單元3將待識別圖像的每個水印候選區域的圖像數據輸入至訓練單元2建立的深度卷積神經網絡分類器中，獲取待識別圖像的每個水印候選區域在深度卷積神經網絡分類器最后一層輸出概率向量。
[0077]本實施例中，選擇單元3將每個水印候選區域的圖像尺寸統一縮放為227X 227像素大小后輸入至訓練單元2。深度卷積神經網絡分類器每次輸入一個水印候選區域的圖像數據，經過深度卷積神經網絡計算后，獲取本次輸入的水印候選區域包含水印信息圖形的概率向量。
[0078]S4.2，識別單元4獲取訓練單元2輸出的待識別圖像的所有水印候選區域包含水印信息圖形的概率向量。識別單元4計算判斷所有的概率向量的概率最大值是否表示為包含水印信息圖形；當所有的概率向量的最大值均表示為不包含水印信息圖形時，所述待識別圖像為不帶水印的圖像；當至少一個概率向量的最大值表示為包含水印信息圖形時，待識別圖像為帶水印圖像。
[0079]例如，待識別圖像包含3個水印候選區域，每個水印候選區域在深度卷積神經網絡分類器最后一層的輸出是一個四維概率向量，分別對應水印候選區域屬于不包含水印信息的矩形圖像類型和包含其他3種種類水印信息圖形的矩形圖像類型的概率，計算每個四維概率向量中最大的概率值，從而判斷當前的水印候選區域是否包含水印信息圖形。當3個水印候選區域均判斷為不包含水印信息圖形，則表示待識別圖像為不帶水印的圖像。當3個水印候選區域中任一水印候選區域被判斷為包含水印信息圖形，則表示待識別圖像為帶水印圖像。
[0080]雖然以上描述了本發明的【具體實施方式】，但是本領域的技術人員應當理解，這些僅是舉例說明，本發明的保護范圍是由所附權利要求書限定的。本領域的技術人員在不背離本發明的原理和實質的前提下，可以對這些實施方式做出多種變更或修改，但這些變更和修改均落入本發明的保護范圍。
【主權項】
1.一種帶水印圖像的識別方法，其特征在于，所述識別方法包含: 選取待識別圖像的所有水印候選區域； 通過深度卷積神經網絡分類器對每個所述水印候選區域進行水印識別，判斷所述待識別圖像是否為帶水印圖像。2.如權利要求1所述的帶水印圖像的識別方法，其特征在于，建立所述深度卷積神經網絡分類器的方法包含: 生成圖像訓練數據； 采用所述圖像訓練數據通過卷積神經網絡算法建立所述深度卷積神經網絡分類器。3.如權利要求2所述的帶水印圖像的識別方法，其特征在于，所述生成圖像訓練數據的實現方法為: 收集若干張無水印圖像； 在每張所述無水印圖像中隨機截取若干個矩形區域圖像，每個所述矩形區域圖像作為不包含水印信息的矩形圖像； 收集多種水印信息圖形;將每個所述水印信息圖形分別嵌入每個所述不包含水印信息的矩形圖像內，形成一類包含對應的所述水印信息圖形的圖像； 將每個所述不包含水印信息的矩形圖像、每個包含水印信息圖形的圖像均作為所述圖像訓練數據。4.如權利要求2所述的帶水印圖像的識別方法，其特征在于，所述建立所述深度卷積神經網絡分類器的實現方法為: Al，初始化所述深度卷積神經網絡分類器各層參數； A2，將每個所述圖像訓練數據通過所述卷積神經網絡算法進行逐層計算后得到輸出值； A3，計算獲取每個所述輸出值與對應的所述圖像訓練數據所屬類別的誤差;根據最小誤差準則，通過所述誤差進行逐層修正所述深度卷積神經網絡分類器中各層參數； A4，重復所述步驟A2、A3，直至誤差收斂，實現所述深度卷積神經網絡分類器的建立。5.如權利要求1所述的帶水印圖像的識別方法，其特征在于，在選取待識別圖像的所有水印候選區域的步驟中包含: 將所述待識別圖像劃分成多個候選區域，對每個所述候選區域進行水印特征點檢測，統計每個所述候選區域的所有水印特征點數量;當任一所述候選區域的水印特征點總數量大于特征點閾值時，對應所述候選區域作為所述待識別圖像的一個所述水印候選區域。6.如權利要求4所述的帶水印圖像的識別方法，其特征在于，判斷所述待識別圖像是否為帶水印圖像的實現步驟包含: 將所述待識別圖像的每個所述水印候選區域的圖像數據輸入至所述深度卷積神經網絡分類器中，獲取所述深度卷積神經網絡分類器最后一層輸出的每個所述水印候選區域包含水印信息圖形的概率向量； 計算判斷所有的概率向量的概率最大值是否表示為包含水印信息圖形；當所有的所述概率向量的最大值均表示為不包含水印信息圖形時，所述待識別圖像為不帶水印的圖像；當至少一個所述概率向量的最大值表示為包含水印圖像時，所述待識別圖像為帶水印圖像。7.一種帶水印圖像的識別系統，其特征在于，所述識別系統包含: 獲取單元，用于生成圖像訓練數據； 訓練單元，與所述獲取單元連接;所述訓練單元獲取所述圖像訓練數據，建立深度卷積神經網絡分類器； 選擇單元，與所述訓練單元連接;所述選擇單元選取待識別圖像的所有水印候選區域，并將每個所述水印候選區域的圖像數據輸入至所述訓練單元建立的所述深度卷積神經網絡分類器中； 識別單元，與所述訓練單元連接;所述識別單元獲取所述訓練單元輸出的所有概率向量進行所述待識別圖像是否為帶水印圖像的判斷。8.如權利要求7所述的帶水印圖像的識別系統，其特征在于，所述獲取單元包含: 無水印圖像生成模塊，與所述訓練單元連接;所述無水印圖像生成模塊收集若干張無水印圖像，并在每張所述無水印圖像中隨機截取若干個矩形區域圖像，生成多張不包含水印信息的矩形圖像； 含水印圖像生成模塊，分別與所述無水印圖像生成模塊、所述訓練單元連接;所述含水印圖像生成模塊獲取所有的所述不包含水印信息的矩形圖像并收集多種水印信息圖形，將每個所述水印信息圖形分別嵌入所有的所述不包含水印信息的矩形圖像，形成一類包含對應的所述水印信息圖形的圖像。9.如權利要求7所述的帶水印圖像的識別系統，其特征在于，所述選擇單元包含: 特征點檢測模塊，將所述待識別圖像劃分成多個候選區域，對每個所述候選區域進行水印特征點檢測，統計每個所述候選區域的所有水印特征點數量； 水印候選區域選擇模塊，分別與所述特征點檢測模塊、所述訓練單元連接;所述水印候選區域選擇模塊獲取每個所述候選區域的所有水印特征點數量，判斷每個所述候選區域的水印特征點總數量是否大于特征點閾值；當大于時，對應所述候選區域作為所述待識別圖像的一個所述水印候選區域。
【文檔編號】G06K9/62GK106096668SQ201610688726
【公開日】2016年11月9日
【申請日】2016年8月18日 公開號201610688726.8, CN 106096668 A, CN 106096668A, CN 201610688726, CN-A-106096668, CN106096668 A, CN106096668A, CN201610688726, CN201610688726.8
【發明人】李翔, 李發科, 趙華
【申請人】攜程計算機技術（上海）有限公司