入水印。这种方案中，误差将在帧和帧中传播，相对于视频比特率增加来说，维持高视觉质量难度更大。传播中误差可以用漂移补偿信号来弥补。四水印嵌入本文提出在帧量化残差中嵌入水印信息。因此只有熵编码需要嵌入水印，使得水印嵌入算法计算复杂度有所降低。我们使用个具有均值为方差为双极水印∈,。若已解码视频或重新编码过程受到简单攻击，则随着宏块预测模式改变，残差将改变。但线性特性保证了水印依然呈现在已解码视频序列中，而且仍有很高概率可以检测到它。若用表示原始像素值，表示预测值，表示残差，所对应值分别用和表示。假定是个系数，则，和分别表示量化加水印和受到攻击时系数。预测值和残差之和等于原始像素值，以式表示由线性特性可得水印嵌入到已量化残差中有和所以水印叠加到已量化残差上，类似于将量化步长大小叠加在原始系数上。受到常见视频信号处理操作攻击或受到改变区域预测模式攻击时，残差和预测值将发生改变，即。但如果视频质量仍可以接受，就有，并且依然可以从解码视频序列中提取出水印。五水印检测水印检测是个经典检测问题，种假说认为水印存在，另种假说认为水印不存在。检测水印需要在这两个假说中选择其。两种假说下观察如下式中，表示所选中视频帧系数是视频编码器为该系数选中量化步长大小是从双极水印序列∈,选择出水印码，均值为零方差为。为简便起见，本部分中使用下标和，下标表示第个水印码或第个系数。直流系数符合广义高斯分布可以表示为其中是函数。当时，恰好成为直流系数。当时，为标准高斯分布。理想检测器与似然比相比较可得阈值式中η控制漏检和虚警之间平衡成立时，域基函数中与域基函数中有相同频率。因为对于满足，所有，总存在组满足所以可以从已知基函数视觉阈值得到基函数视觉阈值。因数和使得误差幅度是两倍，因此，为获得不可见性，用基函数视觉阈值除以得到基函数视觉阈值，参考文献中给出了颜色空间中域量化矩阵，我们用它得到域量化矩阵。实际视觉阈值,是量化步长,大小半。利用亮度掩蔽和对比度掩蔽这两个方面影响，获得依赖图像量化矩阵。如下所示幂函数是亮度掩蔽简单近似解式中是显示亮度均值所对应直流系数,是区域直流系数，控制掩蔽发生程度。按照参考文献中令，最终，区域系数,掩蔽阈值由对比度阈值决定式中,在,之间，按照参考文献令,中文字毕业设计论文外文资料翻译学院系专业姓名学号外文出处,附件外文资料翻译译文外文原文。指导教师评语签名年月日注请将该封面与附件装订成册。用外文写附件外文资料翻译译文种针对编码视频具有可控检测性能鲁棒性水印机制摘要随着格式数字视频逐渐普及，对该标准版权保护方法和鉴定方法需求也将出现。本文提出了种为视频添加鲁棒性水印算法。在限制视觉失真同时，采用适合于离散余弦变换域人类视觉模型，提高算法有效载荷和鲁棒性。利用与密匙相关算法选择具有视觉水印容量系数个子集，使水印遍布各频率并在区域内传播以避免误差合并，这样，在不显著改变感知质量情况下，有效载荷和鲁棒性得到提高。该算法在编码残差中嵌入水印，避免了视频压缩在解码视频序列中检测水印，可用于确定帧内编码模型改变时算法鲁棒性。然后，本文为视频水印检测建立了基于似然比检验理论框架，用于获得性能可控最佳水印检测机制。仿真结果表明，蒙特卡罗实验达到了预期检测性能。最后，本文证实了该算法对若干不同攻击均具有鲁棒性。索引词压缩域，误差合并，广义高斯分布，人类视觉模型似然比检验，视频水印检测，视频水印引言数字电视出现数字化视频光盘产生及视频文件网络传输，无不显示出数字视频重要性。虽然在视频编码上已取得显著成就，但以其更高压缩效率正在逐渐取代。随着数字视频越来越普及，对该标准版权保护方法和鉴定方法需求也将出现。本文提出水印算法恰好满足了这种需求。视频信号通常以压缩格式存储和传输，所以先解码视频序列再嵌入水印最后重新编码做法是不切实际。相反，在压缩域嵌入水印是种复杂度较低视频水印算法。然而，由于两种标准间差异，庞大水印算法不能直接运用于。标准详细描述见参考文献和。部分近期出版文献探讨了在码流序列中嵌入水印方法。参考文献中，作者提出种混合水印机制，即在离散余弦变换中嵌入鲁棒性水印，在运动矢量中嵌入脆弱性水印。参考文献给出种复杂度较低机制，即在每个帧宏块中选中个已量化交流系数，给这个系数嵌入位水印码。参考文献中，作者描述了种在帧中嵌入水印盲水印算法，但它也要求解压视频以嵌入水印。和所述算法均是在视频压缩格式下嵌入水印，这些算法鲁棒性不足以抵挡般水印攻击。因为水印是嵌入在帧残差并且从帧残差中提取，所以些简单处理就可以改变宏块内预测模式，使得残差无法恢复，比如，先滤波，再用编码器重新编码。本文旨在描述种针对标准鲁棒性水印算法。该算法在残差中嵌入水印，避免解压视频同时降低了算法复杂度在解码视频序列中提取水印，从而可以确定帧内编码模型改变时算法鲁棒性。具有高压缩率，空余给待嵌入微信号空间极小，所以在限制视觉失真同时，采用人类视觉模型来提高有效载荷和鲁棒性。沃森等人为感知失真离散余弦变换域推导出种模型文献和中运用该感知模型设计出静止图像和视频水印算法，但使用是域变换，不是域变换，域变换是对整数正交逼近，这种变换由精确整数运算定义，避免了反变换不匹配问题。本文将人类视觉模型扩展到离散余弦变换域，当所有可用于水印嵌入具有视觉容量系数都被使用时，视频视觉质量将会下降。本文使用与密匙相关算法在具有视觉水印容量系数中选择个子集，并将水印嵌入这子集，从而使算法在对抗恶意攻击时具有更强鲁棒性，此外，该算法设计使水印遍布各频率并在区域内传播，减小了沃森所述误差合并影响。此前感知水印算法从未考虑过误差合并,。假设交流系数符合广义高斯概率分布，本文建立了基于似然比检验水印检测理论框架。我们证实，所产生水印码总和及选中系数是两个水印检测充分统计量，而选中系数是由原始视频量化步长来测量。同时，如果系数中存在水印，那么水印检测器性能由这些充分统计量条件均值决定。这均值取决于三个参数所选中系数量化步长大小方均值所选中系数标准偏差和计算充分统计量所用到系数个数。系数标准偏差和量化步长大小是无法控制，在检测视频水印时，我们能控制用于计算充分统计量水印系数个数。但这并不适用于图像，因为即使每幅图像中嵌入水印码个数达到其上限值，图像水印仍不可见，因此，对于给定虚警概率，本文视频水印算法通过计算来获得检测值期望概率。蒙特卡罗实验仿真结果显示，理论选择值确实可以计算得到和预期值。仿真结果同样显示，本文提出水印方案对高斯滤波削去攻击白噪声和寻常蓄意攻击都具有鲁棒性。本文按如下方式行文。第二部分讲述从域得到域人类视觉模型。第三部分描述所提出水印方案。第四部分讨论水印嵌入过程。第五部分建立水印检测理论框架并提出基于此框架视频水印检测算法。仿真结果在第六部分中给出。二域人类视觉模型,是区域系数，该区域中像素点,按式基函数分布其中人类视觉灵敏度随基函数中频率变化而变化。参考文献中，测量了域中，不同频率下量化误差阈值。这里，我们将扩大域量化误差视觉阈值，以使其适用于域。域基函数定义为域基函数定义为比较两式可得，当成立时，域基函数中与域基函数中有相同频率。因为对于满足，所有，总存在组满足所以可以从已知基函数视觉阈值得到基函数视觉阈值。因数和使得误差幅度是两倍，因此，为获得不可见性，用基函数视觉阈值除以得到基函数视觉阈值，参考文献中给出了颜色空间中域量化矩阵，我们用它得到域量化矩阵。实际视觉阈值,是量化步长,大小半。利用亮度掩蔽和对比度掩蔽这两个方面影响，获得依赖图像量化矩阵。如下所示幂函数是亮度掩蔽简单近似解式中是显示亮度均值所对应直流系数,是区域直流系数，控制掩蔽发生程度。按照参考文献中令，最终，区域系数,掩蔽阈值由对比度阈值决定式中,在,之间，按照参考文献令,。这种依赖图像方式保证了每个误差都在阈值之内。此外，沃森指出误差能见度不单基于最大误差能见度，而是反映了区域内不同频率各种误差。水印在不同频率和区域内传播以减小误差合并，之前感知水印算法,从未考虑这点。三算法提出本文计算了区域中每个系数,掩蔽误差视觉阈值，这阈值除以该区域量化步长得到值，该值决定了系数水印码容量我们将用于水印嵌入具有视觉容量系数集即容量大于表示为在中所有系数均插入水印码将产生明显伪影。参考文献算法是在中大于视觉阈值系数中嵌入水印，但这在很大程度上限制了嵌入水印比特数。若要在视频帧中嵌入更多水印码，则要增加视觉模型中规定掩蔽影响参数和,。危险是，这可能需要从掩蔽中承担比实际更大收益，进而导致可见视觉伪影，并且水印码位置将更容易确定，从而导致该算法应对攻击鲁棒性降低。本文算法选择了系数集个子集，密匙控制该选择过程。该算法产生个包含水印码真实位置信息控制板，它将被用于水印检测，这个控制板可以看作自动生成确认号码或密码。由于该系数选择算法被个密匙控制，所以攻击者无法知道中水印系数真实位置，如果要确信水印被消除，攻击者需要修改中大多数系数，但这也将导致可见伪影。本文设计系数选择算法可以在不同频率和区域中传播水印。密匙对每个区域中所有系数进行排名，为使水印码在频率上传播，通常给嵌入系数越少水印以更