书签 分享 收藏 举报 版权申诉 / 17
立即下载 加入VIP,免费下载
当前位置： 首页 > 物理 > 计算；推算；计数 > 大数据下基于DFT鲁棒水印的抗遮挡攻击人脸识别方法.pdf

大数据下基于DFT鲁棒水印的抗遮挡攻击人脸识别方法.pdf

  • 上传人：Y0****01
  • 文档编号：6141446
  • 上传时间：2019-04-18
  • 格式：PDF
  • 页数：17
  • 大小：5.16MB
    • 摘要
    申请专利号：

    CN201410229774.1

    		 申请日：

    2014.05.29
    公开号：

    CN103984934A

    		 公开日：

    2014.08.13
    当前法律状态：

    撤回

    		 有效性：

    无权
    法律详情：

    发明专利申请公布后的视为撤回IPC(主分类):G06K 9/00申请公布日:20140813|||实质审查的生效IPC(主分类):G06K 9/00申请日:20140529|||公开
    IPC分类号：

    G06K9/00; G06T1/00

    		 主分类号：

    G06K9/00
    申请人：

    海南大学
    发明人：

    李京兵; 李雨佳; 杜文才; 白勇
    地址：

    570228 海南省海口市美兰区人民大道58号
    优先权：

    专利代理机构：

    		代理人：

    PDF完整版下载： PDF下载
    内容摘要

    本发明公开了一种大数据下基于DFT鲁棒水印的抗遮挡攻击人脸识别方法，主要分水印嵌入和提取两大部分，在水印的提取部分，同时实现了人脸的识别；主要步骤如下，水印的嵌入：步骤一)首先对所有原始人脸进行全局DFT变换，在实部系数中求得特征向量；步骤二)将每个人脸的水印与该人脸的特征向量通过密码学哈希函数相关联；水印提取：步骤三)获取待测人脸的特征向量，求的待测人脸和原始人脸特征向量相关系数最大值，并根据该值对应的序号，完成人脸的识别、获得对应的嵌入的水印；步骤四)利用待测人脸的特征向量，进行水印提取，并计算出水印的相关系数。该人脸识别方法不需要进行样本训练，适合于大数据；并有较好的抗遮挡、光照等攻击。

    权利要求书

    权利要求书
    1.  大数据下基于DFT鲁棒水印的抗遮挡攻击人脸识别方法，其特征在于：先对原始人脸进行全局DFT变换，在变化域选取前8x8实部系数做为特征向量，然后将水印信息和特征向量相关联，实现水印的嵌入；然后对于待测人脸，求出其特征向量，然后计算出待测人脸与所有人脸特征向量的相关系数，求出相关系数最大值，根据该值得到识别的人脸图像、嵌入的水印；然后根据待测图像的特征向量，提取出水印，求出水印相关系数；实现数字水印的嵌入与提取和人脸的识别；该发明包括水印嵌入和提取两大部分，共计六个步骤：
    第一部分：水印的嵌入
    1)通过对所有原始人脸图像F(n)进行全局DFT变换，得到原始图像的特征向量集合V(n)；
    先对原始人脸图像F(n)进行全局DFT变换，在频率域的低频系数的实部系数矩阵FF(i,j)中选取前8×8个系数FF8(i,j)，然后再对选取出的系数矩阵FF8(i,j)进行二值化处理，当系数大于或等于零时取1，小于0是取零，得到特征向量V,主要过程描述如下：
    FF(i,j)＝DFT2(F(i,j))
    FF8(i,j)＝REAL(FF(i,j))
    V(n)＝BINARY(FF8(i,j))
    2)利用密码学HASH函数，生成含水印信息的二值密钥序列Key(n)，完成零水印的嵌入；
    Key(n)＝V(n)⊕W(n)
    Key(n)是由所有原始图像的特征向量V(n)和对应的n个数字水印W(n)，通过密码学常用的Hash函数生成；这里W(n)由长度为64bit的随机序列组成；保存Key(n)，在下面提取水印时要用到；通过将Key(n)作为密钥向第三方申请，以获得人脸图像的使用权和所有权；
    第二部分：人脸的识别和水印的提取
    3)求出待测人脸的特征向量V'；
    设待测人脸为F'，经过全局二维DFT变换后得到低频系数矩阵，并取实部系数为FF'(i,j)，按步骤1)对实部系数矩阵进行二值化处理,求出待测人脸的特征向量V'；
    FF'(i,j)＝DFT2(F'(i,j))
    FF8'(i,j)＝REAL(FF'(i,j))
    V'＝BINARY(FF8'(i,j))
    4)计算待测人脸的特征向量V'与原始人脸的V(n)的相关系数NC(n)，进行人脸的识别；
    计算V'与V(n)的相关系数最大值所对应的n值,设n＝k；根据k值可以得到密钥Key(k)、识别出原始人脸图像为F(k)和嵌入在F(k)的水印值W(k),计算特征向量的归一化相关系数NC公式如下：
    NCΣiV(i)V′(i)ΣiV2(i)]]>
    5)利用存在于第三方的二值逻辑密钥序列Key(k)和待测人脸的特征向量V'，提取出待测图像中的水印W'(k)；
    W'＝Key(k)⊕V'
    6)计算W'和W(k)之间的相关系数；计算提取的水印W'和嵌入的水印W(k)的相关系数,来确定待测图像的水印内容。

    说明书

    说明书大数据下基于DFT鲁棒水印的抗遮挡攻击人脸识别方法
    技术领域
    本发明涉及一种多媒体信号处理领域，具体涉及大数据下基于变换域鲁棒水印的抗遮挡攻击人脸识别方法。 
    技术背景
    人脸识别技术作为一种有效的生物特征识别技术，近40年来日益得到工业界和学术界的重视。由于人脸识别技术具有高可接受，自然性，不易被人察觉等优势，因此其在娱乐、犯罪调查、门禁系统、军事等方面有较大用途。 
    目前人脸识别的方法主要是基于PCA、神经网络、SVM等机器学习方法，由于要进行训练学习，对于识别的样本较大，在大数据环境下，学习的时间较长，并且目前的人脸识别方法对于遮挡变化，表情变化或光照等比较敏感，因此如何解决在大数据环境下，抗遮挡变化、表情变化或光照等攻击的人脸识别方法意义重大。 
    数字水印技术最初是用于互联网上的数字媒体的版权保护，其重要特性为鲁棒性和不可见性；本发明可以把人的签名或ID号等作为水印隐藏在其对应的人脸图像中，利用水印的鲁棒特性实现人脸识别算法，特别对遮挡、光照等攻击具有较好的鲁棒性。目前对于基于大数 据环境下，抗遮挡、光照攻击的人脸识别方法研究的较少，目前还没有看到公开的报道。因此研究基于DFT的鲁棒水印技术实现大数据下抗遮挡攻击的人脸识别方法，有较大的意义。 
    发明内容
    发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供高速、高鲁棒性的人脸识别算法。具体公开了一种大数据下基于DFT鲁棒水印的抗遮挡攻击人脸识别方法，是一种零水印方案，水印的嵌入不影响原始的人脸图像。 
    本发明的基本原理是：首先对所有的人脸图像进行全局DFT变换；选取低频部分的前8x8个系数的实部，然后在该系数的实部中寻找一个抗遮挡攻击的特征向量，并将水印序列与该特征向量相关联实现水印的嵌入；然后对于待测图像，首先计算出其特征向量，然后计算待测图像和原始图像的特征向量的相关系数，利用相关系数最大值，实现人脸的检测；并实现了水印的提取。 
    现对本发明的方法进行详细说明如下： 
    首先选择一个有意义的二值序列作为水印要嵌入人脸图像中，记为W＝{w(j)|w(j)＝0,1；1≤i≤L}；同时，选取设F为原始人脸图像，表示：F＝{f(i,j)|f(i,j)∈R；1≤i≤M1,1≤j≤N1}。其中，f(i,j)表示原始人脸的像素值。 
    第一部分：水印的嵌入 
    1)通过对所有原始人脸图像F(n)进行全局DFT变换，得到原 始图像的特征向量集合V(n)； 
    先依次对原始人脸图像F(n)进行全局DFT变换，在频率域的低频系数矩阵FF(i,j)中选取前8×8个系数中的实部系数FF8(i,j)，然后再对选取出的实部系数矩阵FF8(i,j)进行二值化处理，当系数大于或等于零时取1，小于0是取零，得到特征向量V,主要过程描述如下： 
    FF(i,j)＝DFT2(F(i,j)) 
    FF8(i,j)＝REAL(FF(i,j)) 
    V(n)＝BINARY(FF8(i,j)) 
    2)利用密码学HASH函数，生成含水印信息的二值密钥序列Key(n)，实现零水印的嵌入； 
    Key(n)＝V(n)⊕W(n) 
    Key(n)是由所有原始图像的特征向量V(n)和对应的n个数字水印W(n)，通过密码学常用的Hash函数生成；这里W(n)由长度为64bit的随机序列组成；保存Key(n)，在下面提取水印时要用到；通过将Key(n)作为密钥向第三方申请，以获得人脸图像的使用权和所有权； 
    第二部分：人脸的识别和水印的提取 
    3)求出待测人脸F'的特征向量V'； 
    设待测人脸为F'，经过全局二维DFT变换后得到低频系数的实部系数矩阵为FF’(i,j)，按步骤1)对低频实部系数矩阵进行二值化处理,求出待测人脸的特征向量V'； 
    FF'(i,j)＝DFT2(F'(i,j)) 
    FF8'(i,j)＝REAL(FF'(i,j)) 
    V'＝BINARY(FF8'(i,j)) 
    4)计算待测人脸的特征向量V'与原始人脸的V(n)的相关系数NC(n)，进行人脸的识别； 
    计算V'与V(n)的相关系数最大值所对应的n值,设n＝k；根据k值可以得到密钥Key(k)、识别出原始人脸图像为F(k)和嵌入在F(k)的水印值W(k),计算特征向量之间的归一化相关系数公式如下： 
    NCΣiV(i)V′(i)ΣiV2(i)]]>
    5)利用存在于第三方的二值逻辑密钥序列Key(k)和待测人脸的特征向量V’，提取出待测图像中的水印W'； 
    W'＝Key(k)⊕V' 
    6)计算W'和W(k)之间的相关系数；计算提取的水印和嵌入的水印的相关系数NC,并可以根据水印判别待测图像的内容。 
    本发明与现有的人脸识别技术比较有以下优点： 
    首先：较好的将水印的鲁棒性和不可见性与人脸的识别进行了有机的结合；利用水印的鲁棒性算法，实现了人脸算法的抗遮挡、光照、脸部扭曲等攻击，并且水印的嵌入不影响原始图像的像素值；其次：水印还可以保护个人的隐私，只有授权的用户才可以进行人脸的识别；最后，并且由于该人脸识别技术，不需要样本的学习，所以适合于大量的人脸识别，适合于大数据下人脸的识别。 
    以下从理论基础和实验数据说明： 
    1)离散傅里叶变换 
    二维离散傅里叶正变换(DFT)公式如下： 
    F=(u,v)=Σx=0M-1Σy=0N-1(x,y)·e-j2πxu/Me-j2πyv/N]]>
    u＝0,1,…,M-1；v＝0,1,…,N-1； 
    二维离散傅里叶反变换(IDFT)公式如下： 
    f(x,y)=1MNΣu=0M-1Σv=0N-1F(u,v)ej2π(uxM+vyN)]]>
    x＝0,1,…,M-1；y＝0,1,…,N-1 
    其中x，y为空间域采样值；u，v为频率域采样值，通常数字图像用像素方阵表示，即M＝N。 
    从上面的公式可知，DFT的系数符号是和分量的相位有关的。 
    2)人脸图像的一个鲁棒的视觉特征向量的选取方法 
    目前大部分人脸识别算法对遮罩、光照、表情变化抗攻击能力较差的原因是当这些攻击实施是，在空间域下，像素值发生了较大变化，特别是室内外光照的影响；能否找到一个抗光照、遮罩等攻击的特征向量意义重大。如果能够找到一个反映人脸图像几何特点的特征向量，当人脸图像发生小的几何变换和光照变化时，该特征向量不会发生明显的突变，那么根据该特征向量，利用相关系数的最大值，我们求得相应的原始图像，和提取出对应的水印。 
    为此，选取一些遮挡攻击，光照攻击和滤波等常规攻击的实验数据见表1所示。表1中用作测试的原始图像是图1，是ORL人脸数据库的第一幅人脸，由剑桥大学AT&T实验室创建；表1中“第1列”显示的是人脸识别算法受到的攻击类型，受到不同强度的光照攻击后的该人脸图像见图2至图4，光照强度由小到大；遮挡攻击见图5至图7；包括，研究常见的眼镜遮挡、口罩遮挡和帽子遮挡；图8是挤压攻击，图9为球面攻击，该类攻击类似于表情变化攻击；高斯噪声、JPEG压缩、中值滤波等常规攻击见图10至图12。表1的“第2列”表示的是人脸图像受到攻击后的峰值信噪比(PSNR)；表1的“第3列”到“第10列”，是DFT变换后的低频实部系数，这里选取“D(1,1)、D(1,2)、...D(1,8)”等八个低频变化域实部系数。表1的“第11列”是用于特征提取的符号序列。通过该表的数据我们发现，对于光照、遮罩局部扭曲等攻击，这些DCT变换域的低频值D(1,1)、D(1,8)等可能发生一些变换，但其系数符号仍然不变，我们将大于或等于0的系数，记为1；小于0的记为0，那么对于原始人脸数据来说，系数值D(1,1)、D(1,2)...D(1,8)等对应的符号二值序列为：“11000011”，见表1的第11列，观察该列可以发现，无论光照攻击，遮罩攻击，扭曲攻击还是常规攻击，其符号序列和原始数据的保持相似，并且与原始数据的符号序列归一化相关系数都较大，见表第12列。结果显示的相关系数都大于0.5，这是在低频实部系数取前64位符号序列求得的相关系数值。 
    表1 人脸图像DFT实部系数和部分实部系数受不同攻击后的变化值 

    为了进一步说明符号序列是人脸图像的一个特征向量，我们将不同的人脸图像求出其视觉特征向量，然后计算它们之间的相关系数；这里取ORL人脸数据库的前10个正常表情的人脸进行测试；图13-图22，从统计学角度，这里取了DFT域低频部分的前8×8个总共64个DFT实部系数。并且求出每个特征向量之间的相关系数，计算结果如表2所示。 
    从表2可以看出，首先，人脸图像自身之间的相关系数最大，为1.00；其次，不同人脸的图像特征的相关系数都不大于0.5；这与我们 人眼实际观察到的相符合，这说明按该发明的方法提取的特征向量,反映了人脸的主要外形特征和主要轮廓，并且人脸外形越相似,特征向量的相似程度越高。 
    表2.10个不同人脸图像特征向量之间的相关系数(向量长度64bit) 

    3)特征向量的长度与人脸算法的鲁棒性的关系 
    根据人类视觉特性(HVS)，低中频信号对人的视觉影响较大，对于二维图像是图像轮廓。因此，我们在对人脸图像选取适当变换系数时选取人脸图像的低中频系数，低中频系数的个数选择与进行全局DFT变换的原始人脸图像大小，以及一次性嵌入的水印的信息量和要求有关，选取的特征向量的长度L越小，一次性嵌入的信息量越少，但水印的鲁棒性越高。综合考虑后面的实验，我们在具体实验时选取L的长度为64。 
    图1是原始人脸图像。 
    图2是经过光照攻击后的人脸图像，光照强度为S。 
    图3是经过光照攻击后的人脸图像，光照强度为M。 
    图4是经过光照攻击后的人脸图像，光照强度为L。 
    图5是经过眼镜遮挡的人脸图像。 
    图6是经过口罩遮挡的人脸图像。 
    图7是经过帽子遮挡的人脸图像。 
    图8是经过挤压扭曲攻击后的人脸图像，扭曲数量为-40％。 
    图9是经过球面扭曲攻击后的人脸图像，扭曲数量为20％。 
    图10是经过高斯干扰的人脸图像，高斯强度为5％。 
    图11是经过JPEG压缩的人脸图像，压缩质量为5％。 
    图12是经过中值滤波的人脸图像，滤波参数为[3x3],滤波次数为10。 
    图13ORL人脸数据库中的第1个人的人脸图像。 
    图14ORL人脸数据库中的第2个人的人脸图像。 
    图15ORL人脸数据库中的第3个人的人脸图像。 
    图16ORL人脸数据库中的第4个人的人脸图像。 
    图17ORL人脸数据库中的第5个人的人脸图像。 
    图18ORL人脸数据库中的第6个人的人脸图像。 
    图19ORL人脸数据库中的第7个人的人脸图像。 
    图20ORL人脸数据库中的第8个人的人脸图像。 
    图21ORL人脸数据库中的第9个人的人脸图像。 
    图22ORL人脸数据库中的第10个人的人脸图像。 
    图23待测的人脸图像，无干扰攻击。 
    图24无攻击时，检测到的原始图像。 
    图25无攻击时，提取出的水印。 
    图26是光照强度为-100％的人脸图像。 
    图27光照强度为-100％时，检测到的原始人脸图像。图28光照强度是-100％提取出的水印。 
    图29眼镜遮挡的人脸图像，遮挡大小为M。 
    图30眼镜遮挡时，检测到的人脸图像。 
    图31眼镜遮挡时，提取的水印。 
    图32口罩遮挡的人脸图像，遮挡大小为M。 
    图33口罩遮挡是，检测到的人脸图像。 
    图34口罩遮挡时，提取的数字水印。 
    图35帽子遮挡的人脸图像，遮挡大小为M。 
    图36帽子遮挡时，检测到的人脸图像。 
    图37帽子遮挡时，提取的数字水印。 
    图38面部挤压的人脸图像，挤压强度为-40％。 
    图39在挤压强度为-40％时，识别的人脸图像。 
    图40在挤压强度为-40％时，提取出的数字水印。 
    图41球面扭曲的人脸图像，扭曲数量为20％。 
    图42在球面扭曲数量为20％时，检测到的人脸图像。 
    图43在球面扭曲数量为20％时，提取的水印。 
    图44高斯噪声攻击的人脸图像，高斯噪声强度为5％。 
    图45在高斯噪声强度为5％，识别到的人脸图像。 
    图46在高斯噪声强度5％，提取的水印。 
    图47JPEG压缩的人脸图像，压缩质量为5％。 
    图48在JPEG压缩为5％是，识别的原始图像。 
    图49在JPEG压缩为5％时，提取的水印信息。 
    图50中值滤波的人脸图像，滤波参数为：[3x3],滤波次数为10。 
    图51在中值滤波为[3x3],检测到的原始图像。 
    图52在中值滤波参数[3x3],提取的水印。 
    具体实施方式
    下面结合附图对本发明作进一步说明，仿真平台为Matlab2010a，产生1000组独立的二值伪随机序列(取值+1或0)，每组序列长度为64bit，把这1000组数据对应1000个数字水印,W(n)。每个水印对应着一个原始图像,这里设第500组水印对应ORL的第一幅图像,见图1，其大小为92x112，该图在此作为作为原始图像和受到零攻击的测试图像。 
    为了测试抗光照、遮罩攻击的实验方便，再生成另外的1000组二值随机序列(取值为+1，或0)，每组序列长度为64bit，这1000组作为1000个原始图像的特征向量，V(n)；将第500个单元存放ORL人脸库中的第一幅人脸图的原始特征向量； 
    其基本思路是，先给一个没有受到攻击的待测图像F’见图23，求出其特征向量V',然后,通过求V'和所有原始图像的V(n)的相关系数，求出其最大值；然后确定对应的序号k，使得当n＝k时，V'和V(k)的相关系数最大，根据序号k值，求得识别的原始图像F(k)，和对应原始图像F(k)的嵌入的水印W(k)和密钥Key(k)，其中Key(k)＝W(k)⊕+V(k)；根据V'和Key(k)，求出待测图像F'里的水印信息W’，W'＝V'⊕+Key(k),并且求出W(k)和W’的相关系数，根据NC值得大小来来确定水印的相关程度和待测图像的所有者。 
    图23是不加干扰时的待测人脸图像； 
    图24是检测到的原始人脸图像； 
    图25是提取的水印，可以看到NC＝1.00，可以准确提取水印。 
    下面我们通过具体实验来判断该基于鲁棒水印的人脸识别算法抗光照、遮挡和常规攻击等能力。 
    先测试该人脸识别算法抗光照、遮挡和扭曲攻击。 
    (1)光照攻击实验 
    表3是抗光照攻击的实验数据。从中可以看到，当待测图像减少光照强度，光照强度为-100％时，待测图像的信噪比为7.21dB，通过求特征向量的相关系数最大值，正确检测到对应的原始图像，并可以准确提取出数字水印，相关系数NC＝0.72；而采用google的以图搜图功能，当待测图像，光照强度为-100％时，无法搜索到正确的原始图像。从表3可以看到，当光照强度为100％时，这时待测图像的信噪比为9.34dB，仍可以检测到正确的原始图像和提取出水印，水印相关系数为0.94；说明该基于水印的人脸识别算法有较好的抗光照攻 击能力。 
    图26是光照强度为-80％的待测图像；视觉上图像较暗，信噪比PSNR为8.43dB； 
    图27是识别到的人脸图像，该图的特征向量与待测图像的特征向量相关系数为最大值； 
    图28是提取的水印，NC＝0.85，很容易提取出水印。 
    表3 抗光照攻击实验数据 

    (2)遮挡攻击实验 
    遮挡是人脸识别过程中，难以解决的问题，但基于鲁棒水印的人脸识别，利用水印算法的鲁棒性，较好的解决了这个问题。表4是抗遮挡攻击的实验数据。包括眼镜遮挡，口罩遮挡和帽子遮挡；表中，S，M，L分别表示遮挡的面积的相对大小；从表4中可以看到，当眼镜遮挡较多时，遮挡大小为L，遮挡图像的PSNR＝14.73dB，信噪比较低，但仍然可以正确识别原始图像，并提取出水印，NC＝0.56；当口罩遮挡较多，遮挡大小为L时，遮挡图像的PSNR＝17.09dB，仍可以提取出水印，NC＝0.56；当帽子遮挡，遮挡面积较大，为L时，这时信噪比为PSNR＝12.20dB，仍可以提取水印，NC＝0.54 
    图29是眼镜遮挡，遮挡大小为M的待测图像；这时已有一定的遮挡效果，信噪比PSNR为16.28dB； 
    图30是检测到的原始人脸图像；可正确识别对应的原始图像； 
    图31是提取的水印，NC＝0.69，可以正确的提取出水印。 
    图32是口罩遮挡，遮挡大小为M，这时遮挡效果明显，信噪比 较低，PSNR为17.39dB； 
    图33是识别的原始图像，可以看出可以正确识别出原始图像； 
    图34是提取的水印，NC＝0.57，可正确提取出待测图像的水印。 
    图35是帽子遮挡，遮挡大小为M的待测图像；这时遮挡效果明显，信噪比PSNR为13.10dB； 
    图36是识别的人脸图像；可以正确识别对应的原始图像； 
    图37是提取的水印，NC＝0.65，很容易检测到水印。 
    表4 抗遮挡攻击 

    (3)脸部挤压攻击实验 
    表5是抗脸部挤压攻击的实验数据，有时表情的变化可以反映在面部的挤压。从中可以看到，当待测图像面部挤压程度较大，挤压数量为40％时，这时图像的信噪比较低为19.03dB，但仍然可以检测到原始图像和提取出水印，NC＝0.56； 
    图38是挤压强度为-40％的待测图像；面部表情变化已较明显，信噪比为20.01dB； 
    图39是识别到的人脸图像，可以正确识别到人脸图像； 
    图40是提取的水印，NC＝0.81，很容易检测到水印。 
    表5 脸部挤压攻击 

    (4)球面扭曲攻击 
    表6是水印算法抗脸部球面扭曲攻击的实验数据。从表中可以看 到，当待测图像球面扭曲较大，扭曲数量为40％时，这时待测图像的信噪比较低为18.68dB，但仍然可以检测到原始图像，并且可以提取出水印，NC＝0.50； 
    图41是球面扭曲攻击，扭曲数量为20％的待测图像；面部的变形已较明显，信噪比为20.45dB； 
    图42是识别到的人脸图像，可以检测到原始人脸； 
    图43是提取的水印，NC＝0.81，可正确提取出水印。 
    表6 球面扭曲攻击 

    上述主要对光照、遮挡等攻击进行了实验，下面对滤波等常规攻击进行测试； 
    (1)噪声攻击实验 
    使用imnoise()函数在待测图像中加入高斯噪声。 
    表7是抗高斯噪声干扰的实验数据。从中可以看到，当待测图像高斯噪声强度高达30％时，待测图像的PSNR降至7.94dB，这时待测图像的质量较差；仍可以正确检测到原始图像，可以提取出水印，NC＝0.65。而使用google的以图搜图功能，当待测图像的高斯噪声强度仅为5％时，就无法进行正常的原始图像的识别。这说明采用该发明有好的抗高斯噪声能力。 
    图44是高斯噪声强度5％的待测图像，在视觉上已很模糊，PSNR＝13.07dB； 
    图45是识别到的人脸原始图像,可以正确识别； 
    图46是提取的水印，能准确得提取水印，NC＝0.91。 
    表7 抗高斯干扰 
    噪声强度(％) 1 2 3 5 10 20 30 PSNR 19.39 16.42 14.94 13.07 10.57 8.80 7.94 NC 0.97 0.92 0.91 0.91 0.85 0.77 0.65
    (2)JPEG压缩攻击实验 
    采用图像压缩质量百分数作为参数对待测图像进行据进行JPEG压缩；表8为待测图像JPEG压缩实验数据。当压缩质量仅为2％，这时压缩质量较低，PSNR＝22.21dB，仍然可以提取出水印，NC＝0.68。 
    图47是压缩质量为5％的待测图像，该图已经出现方块效应， 
    PSNR＝25.12dB； 
    图48是识别的原始图像，可以正确识别； 
    图49是在待测图像中提取的水印，NC＝0.82，可以准确提取水印。 
    表8 JPEG攻击实验 
    压缩质量 2 5 10 20 30 40 PSNR 22.21 25.12 27.7 29.86 31.15 32.08 NC 0.68 0.82 0.87 1.00 0.97 1.0
    (3)中值滤波攻击实验 
    表9为抗中值滤波攻击实验，从表中看出，当中值滤波参数为[7x7],滤波重复次数为10时，图像的信噪比较低PSNR＝20.92dB，但仍然可以测得水印的存在，NC＝0.66。 
    图50是中值滤波参数为[3x3]，滤波重复次数为10的待测图像，图像已出现模糊，PSNR＝29.18dB； 
    图51是在上述滤波的情况下，检测到的原始图像，这时可以正确 
    的检测到原图像； 
    图52是在待测图像中提取的水印，NC＝0.90，可以准确提取水印。 表9 中值滤波攻击实验。 

    举报
    举报     版权申诉
    版权申诉     PDF格式文档无特别注明外均可编辑修改；预览文档经过压缩，下载后原文更清晰！ 立即下载
    关 键  词：
    数据 基于 DFT 水印 遮挡 攻击 识别 方法
      专利查询网所有文档均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
    0条评论

    还可以输入200字符

    暂无评论，赶快抢占沙发吧。

    关于本文
    本文标题：大数据下基于DFT鲁棒水印的抗遮挡攻击人脸识别方法.pdf
    链接地址：https://www.zhuanlichaxun.net/p-6141446.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
    经营许可证编号:粤ICP备2021068784号-1