基于機器學習方法的數(shù)字音頻水印技術研究.pdf

1、隨著互聯(lián)網(wǎng)和數(shù)字多媒體技術的迅速發(fā)展，人們可以通過互聯(lián)網(wǎng)等各種渠道方便快捷地獲得、編輯、復制和傳播越來越多的數(shù)字音頻。這給人們帶來了很大便利，但同時也產(chǎn)生了日益嚴重的安全問題，諸如數(shù)字音頻的版權(quán)保護等。作為數(shù)字音頻版權(quán)保護的一種重要手段，數(shù)字音頻水印技術具有非常重要的應用前景，近年來已經(jīng)取得了快速進展。然而，仍然存在著許多有待解決的關鍵問題。本文在深入分析魯棒音頻水印方法的基礎上，對基于機器學習的水印方法進行了深入的研究，探討了三種新穎

2、的基于機器學習的音頻水印技術。論文的主要內(nèi)容如下：
　　 (1)針對現(xiàn)有的一些基于機器學習方法（諸如神經(jīng)網(wǎng)絡、支持向量機等）的訓練算法復雜和訓練時間長等問題，提出了一種基于核判別分析的音頻水印方法。在降采樣技術基礎上，設計了一種能量關系調(diào)制技術。這種能量關系調(diào)制技術主要由兩部分組成：一是能量關系的調(diào)制，二是DWT系數(shù)的比例調(diào)制方法。它帶來的優(yōu)點是能夠較好地保障水印系統(tǒng)的不可感知性（即含水印音頻的聽覺質(zhì)量），并且將能量關系隱藏到音

3、頻信號中?；诤伺袆e分析的水印檢測器通過學習在音頻信號中所隱藏的能量關系以提取出水印。借助于核判別分析的強大的（非線性）學習能力和良好的泛化能力，這種水印檢測器具有高的魯棒性，同時核判別分析的訓練算法具有簡單、快速的優(yōu)點。
　　 (2)以尋求不可感知性和同時抵抗常規(guī)信號處理操作和去同步攻擊的魯棒性之間的平衡作為優(yōu)化目標，提出了一種多小波域中的能夠抵抗常規(guī)信號處理操作和去同步攻擊的音頻水印方案。首先，采用均值量化技術在時域嵌入同步

4、碼，其作用是用于確定水印信號的嵌入位置以抵抗去同步攻擊對水印嵌入位置的破壞。其次，設計了一種能量量化調(diào)制方法用于實現(xiàn)水印的嵌入。該調(diào)制技術以低頻多小波系數(shù)的局部能量指標作為調(diào)制對象，并通過代數(shù)學公式導出相應的多小波低頻系數(shù)的修改公式。最后，利用粒子群優(yōu)化技術所設計的音頻水印優(yōu)化過程自動地確定水印算法的最優(yōu)水印參數(shù)。所得到的最優(yōu)水印參數(shù)能夠使不可感知性和同時抵抗常規(guī)信號處理操作和去同步攻擊的魯棒性之間達到最優(yōu)平衡。
　　 (3)最

5、優(yōu)音頻水印問題本質(zhì)上應該是一個多目標優(yōu)化問題。然而，先前的基于遺傳算法的水印方法或方案采用一種加權(quán)和形式將最優(yōu)音頻水印問題轉(zhuǎn)化為一個單目標優(yōu)化問題來求解。針對最優(yōu)音頻水印問題的多目標本質(zhì)，提出了一種用于音頻水印算法性能優(yōu)化的多目標優(yōu)化框架。以多目標遺傳算法NSGA-Ⅱ為基礎，設計了一種具有變長機制的多目標遺傳算法及其音頻水印優(yōu)化過程，其中變長機制包括變長染色體、初始化機制、混合交叉操作和變異操作。傳統(tǒng)的音頻水印算法容易被集成到這個框架中