数字音频水印研究

数字音频水印研究摘要：本文介绍了信息隐藏的理论知识。

并且对数字水印中的音频水印进行了探讨。

讨论了基于神经网络的数字音频水印的嵌入与提取。

具有很好的鲁棒性效果。

关键词：数字音频水印；神经网络；数字水印；信息隐藏背景随着计算机和通信网技术的发展与普及，数字音像制品以及其他电子出版物的传播和交易变得雨来越便捷，但随之而来的侵权盗版活动也呈日益猖獗之势。

为了打击盗版犯罪，一方面要通过立法来加强对知识产权的保护，另一方面必须要有先进的技术手段来保障法律的实施。

一信息隐藏20世纪90年代早期，信息隐藏的各种应用引起不同的关注和重视。

1996年5月第一次国际信息隐藏学术研讨会在英国剑桥召开，使这些独立的研究团体走到了一起，从而在信息隐藏的一些基本概念和术语上达成共识。

信息隐藏（information hiding）有时也称数据隐藏（data hiding）。

从广义上看，信息隐藏有多重含义：一是信息不可见，二是信息的存在性隐蔽，三是信息的接收方和发送方隐蔽，四是传输的信道隐蔽。

信息隐藏就是将保密信息隐藏于另一非保密载体中，以不引起检查者的注意。

这里的载体可以是图像、视频、音频，也可以使信道，甚至是某套编码体制或整个系统。

广义上的信息隐藏包括隐写术、数字水印、数字指纹、隐蔽信道、阈下信道、低截获概率通信和匿名通信等等。

从狭义上看，信息隐藏就是将某一机密信息秘密隐藏于另一公开的信息中，然后通过公开信息的传输来传递机密信息。

狭义上的信息隐藏技术通常指隐写术与数字水印（以及数字指纹）。

信息隐藏学是一门新兴的交叉学科，在计算机、通信、保密学等领域有着广阔的应用前景。

其研究涉及密码学、图像处理、模式识别、数学和计算机科学等领域。

信息之所以能够隐藏在多媒体数据中是因为：（1）多媒体信息本身存在很大的冗余性。

（2）人眼或人耳对某些信息都有一定的掩蔽效应。

信息隐藏的系统模型如图一所示，主要包括四部分：（1）信息嵌入。

（2）信息提取。

（3）密钥生成。

（4）隐藏分析。

[1]图一信息隐藏系统的一般模型二数字水印随着计算机和网络的飞速发展，人们的许多创作和成果都以数字形式进行存储和发布。

然而，数字作品极易被非法拷贝、伪造或篡改，使得很多版权所有者不愿意利用网络公开其作品，从而阻碍其自身发展。

目前，数字作品的版权保护不仅仅是立法问题，也是一个很重要的技术难题。

数字水印技术是信息隐藏技术的一个分支，通常数字水印系统也是由嵌入器和检测器组成。

数字水印实用信号处理的方法在数字音频、图像或视频等数字化的多媒体数据中嵌入隐蔽的信息[2]。

数字水印处理系统的基本模型如图二所示。

图二数字水印处理系统基本模型水印技术同其他技术的差别主要体现在三个重要方面：（1）水印是不可感知的。

（2）水印同其所嵌入的作品不可分离。

（3）水印能够同作品经历同样的变换。

由于这些性质，水印在一些应用场合下十分有用。

一个水印处理系统的性能评价可以基于某些特性指标。

例如，鲁棒性（robustness）描述了水印经历常见的信号处理操作而继续存留的能力，保真度（fidelity）描述了水印的不可感知性等等。

这些特性之间的相对重要性取决于系统设计所适应的具体场合。

水印技术的应用极为广泛。

主要有以下7种应用领域：广播监控、所有者识别、所有权验证、交易跟踪、内容真伪鉴别、拷贝控制、以及设备控制。

数字水印是加在数字图像、音频或视频等媒体中的信号，这个信号使人们能够建立产品所有权，辨识购买者或提供数字产品的一些额外信息。

从含水印图像中的水印是否可见分为可见水印和不可见水印两大类。

从水印是否依赖于原始载体来分，可分为非自适应水印（独立于原始载体的水印）和自适应水印。

根据原始载体的不同可分为数字音频和语音水印、数字图像水印、文档水印、数字视频水印、软件水印和三维模型水印等。

本文主要介绍数字音频水印的技术。

并且基于神经网络对心里声学模型进行了近似。

将该理论方法应用于数字水印的嵌入过程。

三 数字音频水印音频水印系统的基本模型如图三所示。

密钥信号提取的隐密信息图三 音频水印系统的基本模型水印模型是水印算法基础，音频水印中常用的算法模型与图像水印等类似。

图三所示模型由Voloshynovskiy 针对图像水印提出的，但是同样适用于音频水印。

其中，水印编码环节负责隐密信息加密，纠错编码。

心里声学模型提供掩蔽阈值信息来确定水印的最大可能嵌入强度。

水印提取环节与水印嵌入环节相对应。

水印检测环节负责判断水印的存在性，但是不提供水印的内容。

水印解码环节负责提取隐密信息。

这个模型是一个基本模型，具体水印算法可能只包含其中的几个环节，例如回声隐藏模型没有明显包含心理声学吗模型环节，虽然它间接利用了听觉系统的感知特性。

另外，如果水印信息本身是一个伪随机序列，则不包含水印解码环节。

与图像水印技术相比，在数字音频信号中嵌入水印的技术难度较大，主要是因为人类听觉系统与视觉系统相比，具有更高的灵敏度。

例如，人类听觉系统的动态范围大于150dB ，即所能感知的音频信号的最大声压与最小声压之比大于710。

人类听觉系统对加性噪声特别敏感，实验表明，如果采用加性法则在时域嵌入水印而不采用一定的心里声学模型，很难再水印的鲁棒性和不可感知性之间达到合理的折中。

另外，听觉系统能够感知到音频信号中低于周围环境80dB 的扰动。

虽然听觉系统的动态范围很大，但是利用听觉系统的其他特性，仍有可能在音频信号中嵌入水印。

例如，可利用听觉系统的掩蔽效应、听觉系统对绝对相位不敏感等特性来嵌入水印。

听觉系统的掩蔽特性表明了在音频信号中添加水印信息的可行性。

音频水印技术可应用与版权保护、内容认证、音频检索、隐秘通信等领域。

本文介绍在音频信号中嵌入水印的相关问题。

主要包括音频信号的特性、音频水印系统的基本要求和基本模型。

3.1数字音频信号的特性声是由振动产生的，周期振动在空气等媒质中传播形成声波。

声波被人类听觉系统所感知，人就听到了声音。

采用数字技术，可以将声波表示为电信号的形式，进而将电信号表示成为数字信号形成数字音频信号，这样就可以采用数字信号处理设备对音频信号进行处理。

人类听觉系统所能感知的声压范围大约为150dB。

音频信号的数字化过程主要包括采样和量化两个部分。

采样过程是将时间轴离散化，得到离散时间信号，量化过程是将采样值离散化，得到数字信号。

根据香农采样定理，信号的时域采样率应该至少大于信号各频率成分中最高频率的两倍。

所以采样率的选择与音频信号的类型以及应用环境紧密相关。

在音频和语音水印中常常处理的音频信号类型大约有三种：电话语音信号、宽带语音信号以及宽带音频信号。

前两者的采样率分别为8k和16k，而宽带音频信号的采样率有两种：用在CD音频的44.1k和用在录音处理的48k。

3.2感知音频编码方法感知有损压缩算法模型如图四所示。

量化后比特流图四感知有损压缩算法模型根据图三的模型，感知有损压缩算法的基本原理如下：（1）使用滤波器组对输入的音频信号进行频带分割。

（2）使用心里声学模型计算掩蔽阈值，即每个频带可感知噪声的最小声压级。

（3）使用临界感知失真确定每个子带使用的量化步长和比特数。

（4）使用第（3）步求取的步长来量化每个子带信号，获得量化后的样值。

（5）按照帧格式将样值封装为比特流形式。

之所以说感知压缩编码与音频水印密切相关，是因为：音频水印算法广泛使用感知编码中的心里声学模型来确定水印嵌入强度；感知压缩是对音频水印系统的有效攻击手段；在含水印音频质量评测中，常使用评测感知编码性能的测试方法。

3.3对听觉感知模型的近似首先介绍基于神经网络的近似心里声学模型。

文献[6]提出采用人工神经网络方法估计水印的缩放因子，这种方法利用了神经网络的非线性映射能力。

如果将所有音频信号段的频谱组成一个集合，相应的掩蔽阈值组成另一个集合，集合间的映射关系是复杂的非线性映射关系。

神经网络方法试图采用人工神经网络来逼近这种非线性映射关系，从而可以根据输入信号来估计水印信号的缩放因子。

估计过程在音频信号的子带中进行，包括两个步骤：神经网络训练过程和使用神经网络的水印嵌入过程。

（1）神经网络的训练过程神经网络的训练过程如图五所示。

密钥X(i)图五 神经网络的训练过程假设水印的嵌入公式为()()()()w i x i x i w i x i γ=+音频信号首先被分割为长1024的数据帧，然后将每帧音频信号进行子带分割，分割成32个子带，将子带中的信号采样后每个子带包含32个采样值。

将训练用的所有音频信号帧分割为训练集合测试集。

水印信号()w i 是二值的、伪随机序列。

训练过程如下：1）采用ISO MPEG 标准中的心理声学计算模型计算每个子带中的最小掩蔽阈值，将此最小掩蔽阈值作期望信号D Y 。

2）采用密钥产生水印信号()w i ，使用神经网络的当前输出作为缩放因子i γ，计算缩放后的水印信号^()()i y w i x i γ=计算水印信号的功率谱^Y 。

3）计算误差信号^D e Y Y =-并使用此误差信号采用后向传播算法调整神经网络的权值。

当均方误差小于预先确定的阈值时，停止训练，否则重复上述的训练过程。

（2）使用神经网络的水印嵌入过程使用神经网络的水印嵌入过程如图六所示。

图六 使用神经网络估计水印缩放因子的水印嵌入过程嵌入过程也是在每帧信号的每个子带中进行。

在嵌入过程中，使用上一步训练好的神经网络来估计每个子带中水印的缩放因子。

神经网络只需要前向的计算过程，从而大大简化了心里声学模型的计算。

水印嵌入步骤如下：1）将原始音频信号分帧，分割为32个子带。

对水印信号频带作同样的分割。

2）将存储的第i 个子带的神经网络权值载入神经网络中，并将子带信号x(i)及其统计参数，例如均值、方差，输入到神经网络。

使用神经网络估计出此子带中水印信号的缩放因子。

3）将第i 个子带的音频信号和缩放后的水印信号在DCT 域合成，将合成的结果变换回时域获得含水印时域信号()w x i 。

综上所述，这种方法使用神经网络来估计每个子带中信号功率谱和最小掩蔽阈值的非线性关系，从而避免了复杂的心理声学模型计算过程。

文献[3]中提出了一种基于BP 网络的水印算法。

通过对样本集的训练，可实现从输入到输出的任意非线性映射，其实质是采用最速下降法来实现映射关系的逼近。

典型结构包含输入层、隐藏层和输出层。

每层有一个或多个神经元，它们与相邻的神经元完全连接，在每个连接上有一个权值代表连接强度，通过样本训练网络，在之后每次迭代过程中根据学习规则进行调整，当满足一定的终止条件后停止训练，从而建立起一个从输入到输出之间函数关系的神经网络模型。

文献[4]利用Hopfield 神经网络记忆宿主图像以及原始水印信息，提出了一种基于神经网络的盲检测数字水印算法。

利用噪声可见函数实现了水印的自适应嵌入，在水印检测时实现了水印的盲检测。