【正文】 有視覺水印容量的系數(shù)，所以 受 攻擊后， I幀的視覺質(zhì)量沒有 產(chǎn)生 嚴(yán)重退化 。 假設(shè)檢測(cè)器在受到去同步攻擊后能恢復(fù)同步 ，如果原始視頻序列不 可用，則需要適當(dāng)?shù)耐侥０?[18]以恢復(fù)同步。 采用密匙依賴型算法選擇一個(gè)具有視覺水印容量的系數(shù)集，用來嵌入水印并使其具有 能 對(duì)抗蓄意攻擊的魯棒性。仿真結(jié)果表明，該水印算法可以對(duì)抗這些攻擊。 仿真結(jié)果顯示，在不 明顯改變視覺質(zhì)量的 情況下，有效載荷和魯棒性得到提高。參考文獻(xiàn) [4]中提出的技術(shù)可以作為對(duì)抗自 合謀攻擊的 方式之一， 通過公開或隱秘的密匙， 給 CV 集中不同的系數(shù)嵌入水印。值得注意的是，在這個(gè)水印框架中， CV 集中 %的系數(shù)以Q 的強(qiáng)度被加水印，而受攻擊后，該幀 CV 集中 50%的系數(shù)以 2Q 的強(qiáng)度被加上水印， 因此 預(yù)測(cè)受攻擊 I幀的視覺質(zhì)量要比嵌入水印 I幀的視覺質(zhì)量差。攻擊者不知道 CV 集 中已嵌入水印的系數(shù)， 也不知道每個(gè)系數(shù)中嵌入 水印碼的個(gè)數(shù)。注意到， QCIF（ 176 144）是 分辨率最小的格式之一，這就導(dǎo)致需要提高視頻分辨率。因此，我們能得出 唯一定論，對(duì) 所計(jì)算的充分統(tǒng)計(jì)變量，漏檢概率 PM小于 1， PD大于 1 減去 PM。因此，若 N 仍取原值，則 p(Ψ|H1)曲線將向 p（ Ψ|H0）曲線運(yùn)動(dòng)，因?yàn)榧僬f H1 下 ψ 的平均值 mψ有所 減小。圖 5 繪制了視頻序列 CARPHONE 在 H0 和 H1 下充分統(tǒng)計(jì)量的概率分布， p（ Ψ|H0）、p(Ψ|H1)曲線與圖 4 相比產(chǎn)生了進(jìn)一步分離。圖 4 為視頻序列 CARPHONE 在H0 和 H1 下充分統(tǒng)計(jì)量的概率分布，該 視頻序列 的 80 次編碼共使用 31978 個(gè)充分統(tǒng)計(jì) 量，符號(hào)〇和◇代表以其為中心的間隔內(nèi)充分統(tǒng)計(jì)量的個(gè)數(shù)，測(cè)量每段間隔內(nèi)充分統(tǒng)計(jì)量的數(shù) 目，可得其最大值與方差為 1 的高斯分布的峰值相同。用分析法解式（ 25）、式（ 26）可得，當(dāng) T=， d= 時(shí)達(dá)到此概率。結(jié)果顯示，除 MOBILE 和 TABLE 外，本文的水印算法增加了其它視頻序列中嵌入水印碼的個(gè)數(shù)。但是，選擇 N 值需要計(jì)算視頻序列的標(biāo)準(zhǔn)差，這一過程具有較高的計(jì)算復(fù)雜度，下一部分中將證明視頻序列的標(biāo)準(zhǔn)差變化范圍很小，所以如果視頻幀б 的計(jì)算復(fù)雜度是不可取的，那么可以假定 б 的上限值，從而設(shè)置相應(yīng)的 N 值。這也說明，對(duì)一些視頻，檢測(cè)器可以更頻繁地產(chǎn)生結(jié)果。如上文所述， d 是三個(gè)參數(shù)的函數(shù)，定義為： （ 27） 式中 Q—2由編碼器選擇，其值為所選 DCT 系數(shù)的 量化步長大小 的平方均值。因此，假說 H0 中 Y 服從，假說 H1 中 Y 服從 。當(dāng) c= 時(shí)，恰好成為直流系數(shù)。預(yù)測(cè)值和殘差之和等于原始像素值，以式（ 10）表示： （ 10） 由 DCT 線性特性可得： （ 11） 水印嵌入到已量化的殘差中有： （ 12） 和 （ 13） 所以 （ 14） 水印疊加到已量化的 DCT 殘差上，類似于將量化步長大小疊加在原始 DCT 系數(shù)上。 四、 水印 的嵌入 本文提出在 I幀量化殘差中嵌入水印信息。 在壓縮視頻中嵌入水印有兩種不同方案。該策略的一個(gè)優(yōu)勢(shì)是，通過提高 Tblock 或降低 Tcof可以 容易地提高水印有效載荷。若要在視頻幀中嵌入更多水印碼，則要增加視覺模型中規(guī)定的掩蔽影響的參數(shù)（ aT和 wi,j） [7]。 利用亮度掩蔽和對(duì)比度掩蔽這兩個(gè)方面的影響 ，獲得依賴圖像的量化矩陣 [7]。仿真結(jié)果在第六部分中給出。但這并不適用于圖像，因?yàn)榧词姑糠鶊D像中嵌入的水印碼個(gè)數(shù)達(dá)到其上限值，圖像的水印仍不可見，因此，對(duì)于給定的虛警概率 PF，本文的視頻水印算法通過計(jì)算 N 來獲得檢測(cè)值的期望概率 PＤ 。本文將人類視覺模型擴(kuò)展到 4 4 離散余弦變換域 ， 當(dāng)所有可用于水印嵌 入、具有視覺容量的系數(shù)都被使用時(shí)，視頻的視覺質(zhì)量將會(huì)下降。參考文獻(xiàn) [4]給出一種復(fù)雜度 較低 的機(jī)制，即在每個(gè)I 幀宏塊中選中一個(gè)已量化的交流系數(shù)，給這個(gè)系數(shù)嵌入一位水印碼。隨著 數(shù)字視頻越來越普及，對(duì)該標(biāo)準(zhǔn)版權(quán)保護(hù)方法和鑒定方法的需求也將出現(xiàn)。在限制視覺失真的同時(shí)，采用適合于 4 4 離散余弦變換域的人類視覺模型，提高算法的有效載荷和魯棒性。本文提出了一種為 視頻添加魯棒 性水印的算法。雖然 MPRG2 在視頻編碼上已取得顯著成就，但 以其更高的壓縮效率正在逐漸取代 MPRG2。參考文獻(xiàn) [3]中，作者提出一種混合水印機(jī)制，即在離 散余弦變換（ DCT）中嵌入魯棒性水印，在運(yùn)動(dòng)矢量中嵌入脆弱性水印。沃森等人 [7]為感知失真的 8 8 離散余弦變換域推導(dǎo)出一種模型 [6],[7]， 文獻(xiàn) [8]和 [9]中運(yùn)用該感知模型設(shè)計(jì) 出 靜止圖像和 MPEG2 視頻的水印算法 ， 但 使用的是 4 4 域變 換，不是 8 8 域變換 ， 4 4 域變換 [10]是對(duì) DCT 的整數(shù)正交逼近 ， 這種變換由精確的整數(shù)運(yùn)算定義，避免了反變換不匹配的問題。 DCT 系數(shù)的標(biāo)準(zhǔn)偏差和 的量化步長大小是無法控制的，在檢測(cè)視頻水印時(shí)， 我們能控制用于計(jì)算充分統(tǒng)計(jì)量的水印系數(shù)的個(gè)數(shù)。第五部分建立水印檢測(cè)的理論框架并提出基于此框架的視頻水印檢測(cè)算法。實(shí)際的視覺閾值 ti,j是量化步長 qi,j大小的一半。參考文獻(xiàn) [8]、 [9]的算法是在 CV 中大于視覺閾值 mi,j,k 的系數(shù)中嵌入水印，但這 在 很大程度上限制了嵌入水印的比特?cái)?shù)。這種算法通過限制嵌入每個(gè)區(qū)域的水印碼個(gè)數(shù) Tblock 實(shí)現(xiàn)在不同區(qū)域中水印碼的傳播。編碼器中有一條重建當(dāng)前幀的反向路徑，本文所述算法在編碼器中嵌入水印，感知模型運(yùn)用原始視頻幀找到具有水印容量的 CV 系數(shù)位置，系數(shù)選擇算法從這些系數(shù)中選出一個(gè)子集，水印碼疊加在這些位置量化后的 DCT 殘差上。傳播中的誤差可以用漂移補(bǔ)償信號(hào)來彌補(bǔ) [12]。 和 s^分別表示量化、加水印和受到攻擊時(shí)的系數(shù)。 DCT 直流系數(shù)符合廣義高斯分布 [14],[15]，可以表示為： （ 17） 其中 （ 18） （ 19） Γ(.)是 Gamma 函數(shù)。假設(shè)DCT 系數(shù)具有獨(dú)立性，中心極限定律表明該總和接近于高斯分布的均值和方差 。對(duì) DCT 系數(shù)應(yīng)用廣義高斯概率模型（而對(duì)充分統(tǒng)計(jì)量運(yùn)用高斯模型）， PD和 PF分別為： （ 25） （ 26） 為得到 PD 和 PF的精確值，檢測(cè)器選擇閾值來匹配 PF，選擇 d 來達(dá)到 PD 的目標(biāo)值。充分統(tǒng)計(jì)量ψ 具有相同的概率分布，而與視頻序列無關(guān) ， 但是，計(jì)算 ψ 的變化除要求已知 N 值和 I幀中已嵌入水印的 DCT 系數(shù)的個(gè)數(shù)外，還需要知道 I幀的數(shù)目。回想，ψ 的 定義為： （ 28） 水印序列是雙極序列 {}，充分統(tǒng)計(jì)量由 DCT 系數(shù)的子集計(jì)算得到， Qe 通常是該子集中恒定的一個(gè)， 因此計(jì)算充分統(tǒng)計(jì)量只需要對(duì) DCT 系數(shù)進(jìn)行加減法及很少的乘法運(yùn)算。令 Tblock=2，