Con el desarrollo de la tecnología multimedia y el uso generalizado de la tecnología de redes, los problemas de seguridad de la información se han vuelto cada vez más importantes. Al mismo tiempo, a medida que la conciencia de las personas sobre los derechos de propiedad intelectual se ha fortalecido gradualmente, los problemas de rastrear la piratería y mantener los derechos de autor también han llevado a las personas a buscar tecnologías de seguridad de la información más nuevas y eficientes. La tecnología tradicional de seguridad de la información se basa básicamente en la teoría de la criptografía [1], ya sea un sistema de clave tradicional o un sistema de clave pública, su método de protección es controlar el acceso a los archivos. Sin embargo, con la rápida mejora de la potencia de procesamiento de la computadora, este método de aumentar el nivel de seguridad del sistema aumentando continuamente la longitud de la clave se ha vuelto cada vez más inseguro. Por tanto, cómo llevar a cabo la protección de los derechos de autor en el entorno abierto de intercambio de información es un problema urgente que debe resolverse.
La tecnología de marca de agua digital es una tecnología de seguridad de la información desarrollada en respuesta a este problema en los últimos años. La marca de agua digital incorpora la marca del propietario de los derechos de autor o el número de identificación como datos de marca de agua en el trabajo del propietario. El trabajo aquí puede ser material de producción o cualquier tipo de bienes de consumo, que generalmente se pueden llevar a los piratas. Productos rentables (como productos audiovisuales). Debido al gran volumen de ventas de dichos productos y al desarrollo de la digitalización de la red y la información, la copia ilegal es muy fácil. Por lo tanto, en los últimos años, el desarrollo de la marca de agua de imagen [2] y la marca de agua de video ha sido relativamente rápido. Utilizan principalmente modelos visuales humanos (es decir, HVS) para incrustar marcas de agua en lugares que las personas no pueden sentir. Cuando se producen disputas por infracción, pueden pasar La detección y extracción de marcas de agua se utilizan como prueba del enjuiciamiento [3].
En la actualidad, la tecnología de marca de agua de audio se ha desarrollado gradualmente. Utiliza el modelo auditivo humano (es decir, HAS) para incrustar la marca de agua en una posición que el oído humano no puede percibir, a fin de ocultar los datos de la marca de agua. La tecnología de marca de agua se puede dividir en algoritmos de marca de agua de dominio de tiempo y algoritmos de marca de agua de dominio de transformación de acuerdo con las diferentes posiciones de incrustación de marca de agua. Los primeros algoritmos de marca de agua modificaron los bits menos importantes de la señal de audio original para lograr el propósito de incrustar marcas de agua. La literatura [4] propuso categorizar previamente y definir varios modos de incrustación, seleccionar de forma adaptativa el modo de incrustación óptimo para incrustar la marca de agua en el eco de la señal de audio original; La literatura [5] propuso una técnica de marca de agua basada en la transformada wavelet; La literatura [6] propuso Un algoritmo de marca de agua basado en la transformada de coseno discreta. Puede verse en la literatura anterior que el algoritmo de marca de agua en el dominio del tiempo no es robusto ni robusto, por lo que el algoritmo de marca de agua en el dominio de transformación se ha desarrollado rápidamente en los últimos años. Los algoritmos de marca de agua comunes en el dominio de transformadas incluyen la transformada de Fourier, la transformada de coseno discreta y la transformada de ondícula discreta Estos algoritmos de transformación tienen sus propias ventajas y desventajas.
Basado en el análisis y la investigación de los algoritmos de marca de agua anteriores, este documento propone un método basado en la combinación de transformada de ondícula discreta y transformada de coseno discreta para incrustar y extraer marcas de agua, haciendo pleno uso de las características de resolución múltiple de la transformada de ondícula y la compresibilidad de energía de la transformada de coseno discreta. , Tomando una imagen binaria intuitiva como marca de agua, se proporciona un nuevo algoritmo de marca de agua de audio. Los experimentos demuestran la robustez e imperceptibilidad del algoritmo.
Utilizando la transformación de ondas rápidas, seleccione una determinada función de ondas para descomponer la señal de entrada en una escala determinada y obtenga la parte de alta frecuencia y la parte de baja frecuencia de la señal en esta escala. En una escala, la parte de alta frecuencia y la parte de baja frecuencia incluyen la restauración completa de la escala anterior Descarga toda la información de la señal. Si se repite esta descomposición, se obtiene una descomposición multiescala de la señal, y se obtienen los coeficientes wavelet multicapa de la señal, es decir, los coeficientes de baja frecuencia de la señal y una serie de coeficientes de alta frecuencia. El árbol de descomposición de ondículas que se muestra en la Figura 1.
Figura 1 Árbol de descomposición de wavelets
Fig.1 Árbol de descomposición de wavelets
Para la mayoría de las señales, la parte de baja frecuencia proporciona las características de la señal, que a menudo es la más importante, mientras que la parte de alta frecuencia está asociada con ruido y perturbaciones. Elimine la parte de alta frecuencia de la señal, las características básicas de la señal aún se pueden conservar. Por lo tanto, el procesamiento general de señales se lleva a cabo para esta parte. Por lo tanto, en el análisis de señales, a menudo se mencionan la aproximación y los detalles de la señal . La aproximación es principalmente la parte global y de baja frecuencia del sistema , mientras que los detalles son a menudo los componentes locales y de alta frecuencia de la señal.
La descomposición de la señal en una combinación lineal de funciones de ondículas mutuamente ortogonales puede mostrar las características importantes de la señal, pero esto no es todo el análisis de ondículas. Otro aspecto importante del análisis de ondículas es analizar, comparar y procesar (como eliminar señales de alta frecuencia, cifrado, etc.) los coeficientes de ondículas y luego reconstruir la señal según los coeficientes recién obtenidos. Este proceso se denomina transformada de ondículas discretas inversas (IDWT) o reconstrucción, síntesis, etc. de ondículas. El proceso básico de reconstrucción de señales se muestra en la Figura 2.
El diagrama de flujo del algoritmo se muestra como en la Fig.3.
Figura 3 Diagrama de flujo del algoritmo
Fig.3 Diagrama de flujo del algoritmo
En el experimento, elegimos la información de la marca de agua como una imagen binaria de 64 × 64, como se muestra en la Figura 4 (a). La imagen de la marca de agua se reduce en dimensionalidad primero y luego se codifica. La imagen codificada se muestra en la Figura 4 (b). Luego, la señal de audio original se segmenta y la señal de audio utilizada para incrustar la marca de agua se descompone mediante una ondícula de tres niveles. En este documento, se selecciona la base de la ondícula'db1 'y luego se realiza la transformada de coseno discreta en los componentes aproximados de la descomposición de la ondícula de tres niveles y luego los coeficientes de transformada de coseno discreta Ordene y finalmente incruste la marca de agua en la señal de audio de acuerdo con la fórmula (8). Tome = 0,2 durante el proceso de inclusión. La figura 5 (a) es la señal de audio original, que es mono, frecuencia de muestreo de 22.05 kHz, cuantificación de 8 bits y la duración del período es de 8 s; la figura 5 (b) es la señal de audio después de que se incrusta la marca de agua, y las dos señales de audio son casi No hace ninguna diferencia.
Fig .4 Imagen de marca de agua
(A) Señal de audio original; (b) Señal de audio con marca de agua
Figura 5 Señal de marca de agua
Fig.5 Señal de audio
Para detectar la robustez del algoritmo, se realizó el siguiente procesamiento en la señal de audio con marca de agua: ① La SNR del ruido blanco gaussiano es 30, y la marca de agua extraída se muestra en la Figura 4 (c); ② Re-muestreo, la señal se extrae una vez y una vez El coeficiente de interpolación, diezmado e interpolación es 2. La marca de agua extraída se muestra en la Figura 4 (d); ③ El filtro de paso bajo pasa a través del filtro de paso bajo de Bicheshev con una frecuencia de corte de 4 kHz, y la marca de agua se extrae como se muestra en la Figura 4 (e); ④ La velocidad de bits de la señal es de 80 kb y la relación de compresión es de 8.8 La marca de agua extraída en el estado de: 1 se muestra en la Figura 4 (f).
Los coeficientes de normalización son 0.823 5, 0.601 2, 0.682 6, 0.596 1. Se puede ver en los experimentos anteriores que el algoritmo es robusto para el procesamiento de señales habitual.