外文翻译---一种针对h264编码视频具有可控检测性能的鲁棒性水印机制译文(编辑修改稿)

外文翻译---一种针对h264编码视频具有可控检测性能的鲁棒性水印机制译文(编辑修改稿)内容摘要：

（ 22） 式中， N 表示从视频中选择的 DCT 系数的个数，。 所产生的水印码和按照 量化步长大小等比例缩小的 DCT 系数，两者之和是一个充分统计量， 确 定结论时，已知充分统计量的值等同于已知 Ye。 因此，首先用 原始水印码 WeQe对解码帧 Ye中选中的 DCT 系数进行加倍，再计算其总和，最后将该结果与阈值比较，即可实现水印检测。 返回式（ 22），可得广义随机变量 Y 是广义高斯分布随机变量的加权和。 假设DCT 系数具有独立性，中心极限定律表明该总和接近于高斯分布的均值和方差。 因此，假说 H0 中 Y 服从，假说 H1 中 Y 服从。 式（ 22）乘以 可使高斯分布归一化，再替换 b 可得： （ 23） 其中，阈值 （ 24） 图 2 与 的概率密度 H0 中， ψ 服从 N（ 0,1）。 H1 中， ψ 服从。 注意， ψ 也是一个充分统计量。 上述两个概率分布如图 2 所示。 两个概率密度均值间的距离。 为评估水印检测器的性能，需计算检测概率 PD和虚警概率 PF。 对 DCT 系数应用广义高斯概率模型（而对充分统计量运用高斯模型）， PD和 PF分别为： （ 25） （ 26） 为得到 PD 和 PF的精确值，检测器选择阈值来匹配 PF，选择 d 来达到 PD 的目标值。 如上文所述， d 是三个参数的函数，定义为： （ 27） 式中 Q—2由编码器选择，其值为所选 DCT 系数的 量化步长大小 的平方均值。 б 是视频 DCT 系数的标准偏差，也是视频的性质 ， 因此，水印检测器并不能改变这两个参数。 但是，第三个参数 N 表示嵌入水印的 DCT 系数个数，用来计算充分统计量。 检测算法能够通过选择 N 以获得期望的 d 值，解式（ 27）即可得到 N 值，然后用 N 个选中的 DCT 系数计算充分统计量 ψ。 N 个选中的 DCT 系数形成的流，可扩展到多个 I帧或被包含在一个 I帧的一部分中 ， 如果对所有选中的 DCT 系数都有 Qe=Q 成立，那么式（ 27）可以简化为。 本文 水印检测机制有如下优点。 一是，若视频较长并且应用中检测器响应时间可以是任意的，那 么无论视频序列格式，检测器的误码率都可以保持。 充分统计量ψ 具有相同的概率分布，而与视频序列无关 ， 但是，计算 ψ 的变化除要求已知 N 值和 I帧中已嵌入水印的 DCT 系数的个数外，还需要知道 I帧的数目。 这也说明，对一些视频，检测器可以更频繁地产生结果。 因为几乎每段视频都有足够的可添加水印的 DCT 系数，用以产生充分统计量和检测结果，所以我们相信这点是可以接受的。 下一部分给出了在不同检测情形和不同攻击中，计算一个充分统计量所需的QCIF（四分之一通用中间格式， 176 144） I帧的数目。 第二个优点是， N 值完全由检测器 选择，而与水印嵌入系统无关。 例如，若水印检测器发现视频序列中的水印由于受到攻击而进行了移动，检测器就将提高 N 值来获得更多可靠的充分统计量。 需要注意的是，由于视频序列比图像有更大数据量，所以可以获得更多鲁棒性水印检测。 第三个优点是，充分统计量 ψ 的计算复杂度低于相关性度量 [16]。 回想，ψ 的 定义为： （ 28） 水印序列是双极序列 {}，充分统计量由 DCT 系数的子集计算得到， Qe 通常是该子集中恒定的一个， 因此计算充分统计量只需要对 DCT 系数进行加减法及很少的乘法运算。 但是，选择 N 值需要计算视频序列的标准差，这一过程具有较高的计算复杂度，下一部分中将证明视频序列的标准差变化范围很小，所以如果视频帧б 的计算复杂度是不可取的，那么可以假定 б 的上限值，从而设置相应的 N 值。 六、仿真结果 图 3 本文水印算法与参考文献 [8]中算法的感知质量比较 （ a）本文算法嵌入水印后的 I帧；（ b）本文算法嵌入水印后的 P帧； （ c）参考文献 [8]算法嵌入水印后的 I帧；（ d）参考文献 [8]算法嵌入水印后的 P帧 本文提出的水 印算法在 参考软件 版本 [17]中实现。 为比较本文与参考文献 [8]中两种水印算法的感知质量，图 3 展示了由标准视频序列（ QCIF， 176144）得到的 I帧和 P帧图像，上方两帧按照本文算法嵌入水印，下方两帧按照参考文献[8]中算法嵌入水印。 需要注意的是，虽然只对 I帧嵌入水印，但添加水印的 I帧会影响依赖于其的 P帧图像。 图 3 显示，用这两种不同算法嵌入水印，视频帧的感知质量是相当的。 然而，本文算法在 I帧中嵌入了 929 个水印码，而参考文献 [8]中算法只在 I帧中嵌入了 642 个水印码。 表 1 加水印系数占具有视觉水印能力的系数集的百分比和 I帧的平均水印码数 六个标准的 QCIF 视频序列（ 176144）进行仿真。 令 Tblock=2， Tcof= 1 对比了本文与参考文献 [8]两种算法的两个方面，分别是加水印系数占视觉水印容量CV 的比例，以及每个视频序列的所有 I帧中嵌入水印码个数的平均值。 结果显示，除 MOBILE 和 TABLE 外，本文的水印算法增加了其它视频序列中嵌入水印码的个数。 这些视频序列具有高质感，包含大量具有水印容量的 DCT 系数。 然而，本文算法限制每帧中可嵌入的水印码数上限 Tblock=2，这减少了视频序列中嵌入水印码的数目，检测算法的性能取决于每个时间间隔中嵌入的水印码数，由于这些视频序列的每帧中已经有很多水印码，所以该限制并不影响检测算法的性能。 一些视频序列中只有少数 DCT 系数具有水印容量，提高这类视频序列中嵌入的水印码数非常重要，平均而言，用本文算法嵌入水印可以将视频水印率提高 %，而参考文献 [8]中算法只能提高 %。 由于这些算法利用人类视觉模型，所以峰值性噪比（ PSNR）不适合作为比较视觉质量的度量，但是本文算法使得视频的 PSNR 在加水印后比压缩后（加水印前）降低 了 ，相比于参考文献 [8]算法降低的 ，仍可说明一些问题。 将实验结果与上一部分推导出的理论框架比较，多次计算充分统计量需要大量水印系数，因此， 编码器在一个周期内对每个视频序列进行 80 次编码和水印嵌入（组图： IBI），充分统计量越多，估计得到的分布就越平稳。 编码器对 I帧使用的量化步长 Q=16。 实验一的目标是获得 PD= 和 PF=。 用分析法解式（ 25）、式（ 26）可得，当 T=， d= 时达到此概率。 将解码视频中的水印系数与加水印前该系数的 值相比，由于编码过程是有损的，所以该差值并不等于量化步长大小。 平均而言，系数加水印后和加水印前的差值是 Q^ 而不是 Q， Q^ 通常小于但 接近于 Q。 因此，需要解式（ 29）得到 N (29) 等式表明，为获得理想的性能，量化参数值越小时， N 值必须越大；同样， б值越大时， N 值也必须越大。 表 2 目标为 PD= 和 PF= 时的实验结果 图 4 CARPHONE 视频序列达到 PD= 和 PF= 时，充分统计量的概率分布 表 2显示了，计算 80个水印码序列时，每个视频 Q^和 б的平 均值，以及达到 d=时的 N 值 ，用每个视频中的 N 个水印系数计算充分统计量，进而检测水。