棉纺织防伪水印生成提取的深度神经网络构建方法及应用

文档序号:38979676发布日期:2024-08-16 13:36阅读:17来源:国知局
棉纺织防伪水印生成提取的深度神经网络构建方法及应用

本发明涉及棉纺织防伪技术,具体涉及一种棉纺织防伪水印生成提取的深度神经网络构建方法及应用。


背景技术:

1、棉纺织品图像能体现纺织物的个性化价值,然而日益频发的棉纺织品图像侵权给个人和企业带来了巨大的损失,数字水印技术能够将给定信息隐蔽嵌入数字图像中作为商品正版的凭证无法伪造,且不影响美观,具有保护纺织品版权的作用,论文《基于色度学系统和热转印技术的纺织品图像数字水印技术》中公开了采基于dct的数字水印技术与热成像技术结合,将56×56像素的版权图像嵌入到载体图像中去,具有很高的不可见性。但是该种技术得到的水印,在后续进行水印提取以确认棉纺织品是否为正品时,对采集的图像要求比较高,比如需要载体图像干净平整,且需要高精度的扫描器成像管道,才能实现水印的提取,而用户多为普通消费者,并不具有高精度的扫描器,这使得用于需要进行正品确认难度比较大,这种较为苛刻的提取条件,限制了这项技术的落地应用。


技术实现思路

1、针对现有技术中的上述不足,本发明提供的棉纺织防伪水印生成提取的深度神经网络构建方法及应用解决了现有技术存在褶皱和污点的棉纺织产品不能进行防伪识别的问题。

2、为了达到上述发明目的,本发明采用的技术方案为:

3、第一方面,本方案提供一种棉纺织防伪水印生成提取的深度神经网络构建方法,其包括步骤:

4、获取水印信息和若干棉纺织图案;

5、构建包括编码网络、扰动层和解码网络的深度神经网络,所述编码网络用于将水印信息与棉纺织图案生成水印图像,扰动层用于对水印图像进行数据增强,解码网络用于解码出数据增强后的水印图像中的水印信息;

6、将若干棉纺织图案与水印信息输入深度神经网络,并采用adam优化算法对深度神经网络进行迭代训练,得到训练完成的深度神经网络模型;

7、在迭代训练时,前面预设训练次数更新水印信息的交叉熵损失函数,后面预设迭代次数更新包含交叉熵损失函数的总损失函数;

8、交叉熵损失函数和总损失函数的表达式为:

9、

10、

11、其中,l1为交叉熵损失函数;n为水印信息的长度;yi为棉纺织图案第i个位置的信息的预测值,pi为预测yi的概率;l为总损失函数;m,n分别为棉纺织图案的长与宽;xij和yij分别为棉纺织图案第i行第j列的像素值和水印图像第i行第j列的像素值;λm和λr分别为超参数平衡模型学习生成不可见的水印任务和学习生成抗干扰的水印任务。

12、进一步地,所述编码网络包括将100位二进制数通过全连接层上采样到一个400×3的张量与棉纺织图案下采样为400×3张量级联为400×6的张量,并通过一个3×3的卷积输入非对称的u-net结构中,进行若干次3×3卷积下采样与上采样;

13、所述解码网络包括空间变换网络、若干卷积层及一个全连接层和上采样操作;所述扰动层对水印图像依次进行仿射变换、模糊失真、色差失真、高斯噪声、jpeg压缩和随机形变处理。

14、上述技术方案的有益效果为:本方案采用端到端的设计方案,在解码端与编码端两端应用多种数据增强来拟合现实中实际存在的多重水印破坏效果,这些水印破坏效果的叠加对于基于传统频域如dct的水印算法而言是不能克服的,而本方案的神经网络由于学习了这些多重水印破坏的特征,编码器能够在载体图像的关键位置嵌入足以抵抗破坏影响的信息,使得解码器能够复原水印,从而训练得到水印算法在现实世界的多重水印攻击中相较传统频域如dct的水印算法更为鲁棒,可有更广泛应用场景。

15、进一步地,仿射变换在训练过程中对每一批水印图像采用一个随机2×3的仿射变换矩阵核,并将仿射变换强度设置为偏移最多±40像素,旋转最多±10度;同时对水印图像存在像素缺失部分进行双线性插值处理;

16、所述仿射变换矩阵核的表达式为:

17、

18、其中,和分别为水印图像在仿射变换后的像素点的坐标值;x和y分别为水印图像在仿射变换前的像素点的坐标值;m00、m01、m10、m11分别为cosθ、-sinθ、sinθ、cosθ,θ为随机旋转的角度值,在[-10°,10°]之间;m02,m12为水印图像在仿射变换前的像素点在x轴与y轴上的随机偏移量,其值在[-40,40]之间;

19、双线性插值的表达式为:

20、

21、其中,为双线性插值前的图像在坐标(x,y)处的像素值;、、、分别为距离坐标(x,y)最近的四个像素点(x1,y1),(x2,y1),(x1,y2),(x2,y2)的像素值;dx和dy均为距离的差值,分别为和;x1和x2,y1和y2分别为距离最近的四个像素点的横坐标与纵坐标。

22、上述技术方案的有益效果为:仿射变换的作用在于模拟水印载体图像在进入照相机成像管道中存在的图片损失,这主要是由拍摄角度和拍摄距离造成的;所以仿射变换层就是模拟这种破坏,能够使水印对这种破坏具有鲁棒性。

23、进一步地,模糊失真处理时,采取一个混合模糊失真核,所述混合模糊失真核的表达式为:

24、

25、

26、其中,为混合模糊失真核;p为随机概率;σ为标准差,其在1到3像素之间随机采样;e为自然对数;为直线模糊核;l为直线模糊核的宽度,其在3到7像素之间随机采样;θ为随机旋转的角度值;x和y分别为图像上像素点的坐标值。

27、上述技术方案的有益效果为:模糊失真的作用在于模拟水印载体图像在进入照相机成像管道中由于人为抖动造成的运动模糊失真,与相机没有对焦成功造成的对焦模糊失真;所以模糊失真层就是模拟这种破坏,能够使水印对这种破坏具有鲁棒性。

28、进一步地,色差失真处理包括色调偏移和去饱和度;

29、色调偏移为对于{r,g,b}颜色通道的每一个通道c,生成新的颜色值c'为:

30、

31、其中,为在[-0.1,0.1]中均匀采样的随机数;

32、去饱和度为在rgb图像及其灰度等效图像之间随机线性插值:

33、

34、其中,i'rgb为去饱和后的图像;irgb为rgb图像;igray为irgb的灰度等效图;α为[0,1]中均匀采样的随机数,表示插值的比例。

35、上述技术方案的有益效果为:色差失真层的作用在于模拟水印载体图像由于外界光照条件影响造成的,光照不足的欠饱和失真与强烈色差光照条件导致的色差失真,所以色差失真层就是模拟这种破坏,能够使水印对这种破坏具有鲁棒性。

36、进一步地,jpeg压缩的表达式为:

37、

38、其中,q(c)为jpeg压缩后的图像;c为是dct变换后的系数;qi为对应于不同频率系数的量化步长;round(•)为四舍五入到最近的整数;

39、所述随机形变为采用图像配准中基于向量网格的自由形式形变来模拟棉纺织物表面形变,之后采用双线性插值去除表面形变产生的锯齿;

40、基于向量网格的自由形式形变的表达式为:

41、

42、其中,v(x)为自由形式形变后的图像;p'为原始图像上的像素点;xor为向量网格中第o行第r列的网格点;aor为xor上的位移向量的幅值;u为单位向量;e为自然对数;σ'为高斯扩散核标准差;m和分别为向量网格中的总行数和总列数;为两点的欧几里得距离。

43、上述技术方案的有益效果为:形变扰动层的作用在于模拟水印载体图像由于附着服装面料影响造成的表面形变,由于这种形变会造成局部整体像素的偏移影响水印的提取,所以形变扰动层就是模拟这种破坏,能够使水印对这种破坏具有鲁棒性。

44、进一步地,深度神经网络训练时还包括根据全局训练步数与坡度函数值ramp,返回一个从0到1的值,用于控制扰动层的图像变化程度;所述坡度函数值ramp=10000。

45、进一步地,所述水印信息为随机生成的二进制比特序列。

46、第二方面,本方案还提供一种深度神经网络的应用,其包括步骤:

47、获取棉纺织防伪水印生成提取的深度神经网络的构建方法得到的深度神经网络模型;

48、获取待印刷至棉纺制品上的棉纺织图案和水印信息,并在水印信息中加入bch纠错码;

49、将棉纺织图案和加入bch纠错码的水印信息输入深度神经网络模型,采用深度神经网络模型的编码网络生成棉纺织图案的水印图像。

50、第二方面,本方案还提供一种深度神经网络的应用,其包括步骤:

51、获取棉纺织防伪水印生成提取的深度神经网络的构建方法得到的深度神经网络模型;

52、从棉纺制品上拍摄其上的棉纺织图案的图像,并对图像进行定位校正;

53、将定位校正后的图像输入深度神经网络模型,并采用深度神经网络模型的解码网络解码得到水印序列;

54、采用bch码校验对水印序列进行还原,得到bch纠错码和水印信息;

55、判断水印信息是否为编码网络输入的水印信息,若是,则棉纺制品为正品,否则为仿品。

56、本发明的有益效果为:由于现有基于频域的棉纺织物水印方法的鲁棒性差,需要通过将干净的棉纺织物平整的送入扫描器成像管道才能还原水印,限制了水印方法的落地允许,而本方案构建的深度神经网络模型,通过在水印编码器与解码器之间施加多种模拟水印攻击的扰动层,这其中包括仿射变换,模糊失真,色差失真,形变扰动等,迫使深度水印模型学习这些水印攻击,提升水印算法的鲁棒性,这种水印在棉纺织物品有轻微的褶皱和污点时也能提取水印,而且采用消费级手机相机成像管道就能还原原始水印信息,方便防伪识别的应用落地。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1