基于短時(shí)能量和最小相對(duì)均方誤差準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)語(yǔ)音水印方法

郝 歡 陳 亮 張翼鵬

（1.解放軍理工大學(xué)通信工程學(xué)院，南京，210007；2.南京炮兵學(xué)院作戰(zhàn)實(shí)驗(yàn)中心，南京，211132）

引 言

隨著多媒體技術(shù)和互聯(lián)網(wǎng)的飛速發(fā)展，數(shù)字音像制品在網(wǎng)絡(luò)上廣泛傳播，版權(quán)保護(hù)問(wèn)題越來(lái)越嚴(yán)峻。數(shù)字水印技術(shù)作為信息隱藏技術(shù)領(lǐng)域的重要分支［1-2］，是在不影響原始載體感知質(zhì)量的條件下，利用視覺(jué)或者聽(tīng)覺(jué)冗余向載體中嵌入具有特定信息的過(guò)程［3］。

目前，絕大多數(shù)的水印算法都是通過(guò)對(duì)宿主的時(shí)域或者變換域的數(shù)值進(jìn)行修改來(lái)實(shí)現(xiàn)水印信息的嵌入［4-6］。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用較為廣泛的一種前向型人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式，有很強(qiáng)的非線(xiàn)性擬合能力，具有大規(guī)模并行信息處理、自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)的特點(diǎn)［7］。利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的泛化能力找出水印嵌入前后的潛在關(guān)系，能夠有效對(duì)抗信道中的各種攻擊。文獻(xiàn)［8］提出了一種基于LMS準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)水印算法，以預(yù)測(cè)值與目標(biāo)值之間的誤差平方和最小為準(zhǔn)則，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)無(wú)法對(duì)較小值進(jìn)行充分訓(xùn)練，容易受到信道中各種干擾而產(chǎn)生誤碼，因此應(yīng)用范圍受到一定的限制。

采用LRMS準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)以目標(biāo)值和輸出值之間的相對(duì)誤差最小為收斂準(zhǔn)則，輸出值與目標(biāo)值之間的相對(duì)偏差較小，十分適合于通過(guò)修改空域或者變換域系數(shù)實(shí)現(xiàn)水印嵌入的語(yǔ)音水印系統(tǒng)。然而，在清音或者能量較小的濁音信號(hào)中嵌入水印容易受到噪聲或?yàn)V波攻擊的干擾，攻擊前后的相對(duì)變化超過(guò)神經(jīng)網(wǎng)絡(luò)的泛化能力產(chǎn)生誤碼。因而需要在宿主語(yǔ)音中找出那些能量較大的，適合水印嵌入的語(yǔ)音幀進(jìn)行水印信息的嵌入。

1 短時(shí)能量

語(yǔ)音信號(hào)的能量隨時(shí)間而變化，清音和濁音之間的能量差別相當(dāng)顯著［9］。通過(guò)計(jì)算語(yǔ)音的短時(shí)能量，可以方便地描述出語(yǔ)音的這種特征變化情況。短時(shí)能量常用于清濁音判決和語(yǔ)音識(shí)別，在信噪比較高的情況下，短時(shí)能量還可以作為區(qū)分有聲和無(wú)聲的依據(jù)［10］。定義短時(shí)能量為

式中：N為窗長(zhǎng)，即短時(shí)能量是一幀語(yǔ)音樣點(diǎn)值的加權(quán)平方和。當(dāng)采用矩形窗時(shí)，式（1）簡(jiǎn)化為

由式（2）可知，En越大，該幀語(yǔ)音的平均幅度越大，受攻擊特別是噪聲攻擊的影響越小。因而選擇的語(yǔ)音幀能量閾值越大，水印的魯棒性越強(qiáng)，但整個(gè)語(yǔ)音段中可以選擇的語(yǔ)音幀越小，水印容量也越小，通過(guò)合理設(shè)置閾值可以獲得水印容量和魯棒性的平衡。對(duì)于一段測(cè)試語(yǔ)音，基于LMS準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)在不同短時(shí)能量閾值條件下的抗噪性能如圖1所示。

圖1 不同閾值條件下水印提取正確率Fig.1 BAR of different thresholds

由圖1可知，隨著閾值的增大水印的抗噪性能也越來(lái)越好，然而相應(yīng)的水印容量也越來(lái)越小，分別為327，227和212b，因而需要綜合考慮系統(tǒng)對(duì)水印容量和魯棒性的要求來(lái)設(shè)定一個(gè)合適的短時(shí)能量閾值。

2 基于短時(shí)能量和最小相對(duì)均方誤差準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)水印方法

2.1 系統(tǒng)原理

基于短時(shí)能量和LRMS準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)水印算法首先在第一幀語(yǔ)音中嵌入同步序列對(duì)水印信息進(jìn)行定位，然后設(shè)定短時(shí)能量閾值找出適合水印嵌入的語(yǔ)音幀，利用語(yǔ)音的短時(shí)相關(guān)性和神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線(xiàn)性映射能力建立小波變換重要低頻系數(shù)之間的隱含關(guān)系，通過(guò)修改重要低頻系數(shù)實(shí)現(xiàn)水印的嵌入，利用數(shù)據(jù)之間的隱含關(guān)系完成水印信息的提取。整個(gè)水印嵌入和提取框圖如圖2所示。

圖2 水印的嵌入和提取框圖Fig.2 Block diagram of embedding and extracting watermark

2.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方法

人工神經(jīng)網(wǎng)絡(luò)有很多種模型，其中誤差反向傳播BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的網(wǎng)絡(luò)之一，一般包括輸入層、隱層和輸出層。雖然隱層可以有多層，但是Hornik等的研究表明具有單隱層的神經(jīng)網(wǎng)絡(luò)就可以以任意精度逼近任一函數(shù)［11］。一個(gè)單隱層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型如圖3所示。

圖3 三層BP神經(jīng)網(wǎng)絡(luò)Fig.3 BP neural network with three layers

網(wǎng)絡(luò)的訓(xùn)練采用LRMS收斂準(zhǔn)則，對(duì)于每一個(gè)輸入樣本，計(jì)算網(wǎng)絡(luò)輸出t與目標(biāo)輸出T的相對(duì)偏差。通過(guò)LM算法［12］調(diào)整網(wǎng)絡(luò)參數(shù)，使得網(wǎng)絡(luò)輸出與目標(biāo)輸出的相對(duì)均方誤差最小化，即

相對(duì)于LMS準(zhǔn)則，LRMS準(zhǔn)則的誤差函數(shù)多除了一個(gè)目標(biāo)輸出項(xiàng)，計(jì)算復(fù)雜度只是多了一次除法操作。為了使網(wǎng)絡(luò)對(duì)各種常見(jiàn)攻擊有很好的魯棒性，采用LMS準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)需要設(shè)置很小的目標(biāo)收斂誤差，而一個(gè)較大的目標(biāo)相對(duì)收斂誤差就可以使采用LRMS準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)有很好的性能。在沒(méi)有明顯增加計(jì)算復(fù)雜度的情況下，只需很少的迭代步數(shù)就達(dá)到設(shè)置的目標(biāo)輸出相對(duì)誤差，訓(xùn)練時(shí)間更短。較小值在攻擊特別是噪聲攻擊中容易產(chǎn)生誤碼，每個(gè)數(shù)據(jù)經(jīng)過(guò)LRMS準(zhǔn)則訓(xùn)練后，網(wǎng)絡(luò)輸出與目標(biāo)輸出的偏差分布較均勻，較小值得到充分訓(xùn)練，在各種常見(jiàn)攻擊中魯棒性也就更強(qiáng)。

2.3 水印嵌入

水印嵌入算法如下：

（1）對(duì)宿主語(yǔ)音S進(jìn)行分幀，S＝［S1，S2…］，為便于水印信息的定位，在第一幀語(yǔ)音中嵌入一段偽隨機(jī)序列m作為同步序列，然后計(jì)算每幀的短時(shí)能量并找出大于設(shè)定閾值的語(yǔ)音，對(duì)相應(yīng)位置｛Mi｝的語(yǔ)音幀進(jìn)行離散小波變換，［CAi，CDi］＝DWT（Si），其中CAi為每幀的低頻分量。

（3）修改實(shí)現(xiàn)水印信息的嵌入，具體方法如式（4）所示

式中，α為水印的嵌入強(qiáng)度，wi為第i比特的水印信息。

（4）利用修改后的低頻分量和高頻分量CDi進(jìn)行小波逆變換，＝IDWT（CAi′，CDi），完成水印信息的嵌入。

2.4 水印提取

水印檢測(cè)算法如下。

（1）對(duì)于接收端收到的語(yǔ)音，首先利用同步序列m定位出水印的嵌入位置，然后根據(jù)｛Mi｝找出嵌入水印的語(yǔ)音幀。對(duì)每幀語(yǔ)音進(jìn)行離散小波變換

（3）提取出水印，具體方法如式（5）所示

3 算法性能分析與測(cè)試

本文實(shí)驗(yàn)中采用標(biāo)準(zhǔn)語(yǔ)音庫(kù)中8kHz，16位量化，長(zhǎng)度為21s的國(guó)內(nèi)外男女聲各5段作為載體，每幀語(yǔ)音長(zhǎng)度為512，三級(jí)小波分解，小波基為“haar”，短時(shí)能量的閾值θ＝0.8，單隱層神經(jīng)網(wǎng)絡(luò)，輸入神經(jīng)元個(gè)數(shù)為8，隱層神經(jīng)元個(gè)數(shù)為12，輸出神經(jīng)元個(gè)數(shù)為1，嵌入強(qiáng)度α＝0.3，攻擊噪聲采用高斯白噪聲，加噪實(shí)驗(yàn)為50次求平均值。

3.1 不可感知性測(cè)試

語(yǔ)音質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)包括主觀(guān)評(píng)價(jià)和客觀(guān)評(píng)價(jià)兩種，本文采用ITU-TP.862語(yǔ)音質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)（Perceptual evaluation of speech quality，PESQ）計(jì)算出的MOS分和SNR來(lái)測(cè)試水印性能，SNR由式（6）得到

式中：Num為語(yǔ)音長(zhǎng)度，s（n）為原始語(yǔ)音，s′（n）為攜密語(yǔ)音。一段漢語(yǔ)女聲嵌入水印前后的波形圖如圖4所示。

圖4 嵌入水印前后語(yǔ)音波形比較Fig.4 Waveform comparison before and after embedding watermark

由圖4可以看出：水印嵌入前后幾乎看不出波形失真。經(jīng)過(guò)試聽(tīng)也察覺(jué)不到嵌入水印前后的語(yǔ)音變化，證明水印嵌入算法有良好的不可感知性，具體的測(cè)試結(jié)果如表1所示。

表1 水印算法透明性測(cè)試Table 1 Transparency test for watermark algorithm

3.2 魯棒性測(cè)試

為了測(cè)試算法對(duì)各種信道攻擊的性能，對(duì)攜密語(yǔ)音進(jìn)行了加噪、低通濾波、重采樣、重量化等操作。本文算法與文獻(xiàn)［8］算法在引入短時(shí)能量閾值前后對(duì)不同噪聲的平均性能如圖5所示。

從圖5可以看出采用LRMS準(zhǔn)則的算法對(duì)強(qiáng)噪聲有更好的魯棒性，這是因?yàn)榛贚RMS準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)以預(yù)測(cè)值和目標(biāo)值的相對(duì)誤差最小為收斂目標(biāo)，較小目標(biāo)值得到充分訓(xùn)練，從而有更強(qiáng)的擬合能力，對(duì)噪聲的魯棒性也就更強(qiáng)。短時(shí)能量閾值引入后，水印不會(huì)嵌入到能量較小的語(yǔ)音幀，減小了噪聲的干擾，降低了誤碼率。文獻(xiàn)［8］的神經(jīng)網(wǎng)絡(luò)水印算法在網(wǎng)絡(luò)訓(xùn)練過(guò)程中偏好收斂于較大值而忽略較小值，即便引入短時(shí)能量閾值去掉能量較小的語(yǔ)音幀也只在高信噪比條件下才獲得了較低的誤碼率。相比而言，本文算法對(duì)噪聲有很好的魯棒性。即便在15dB情況下也獲得了93.6%的正確率。在不同濾波器截止頻率下算法平均性能如表2所示。

圖5 兩種準(zhǔn)則在引入短時(shí)能量閾值前后水印提取正確率Fig.5 BAR of two criterions before and after introducing short-time energy threshold

表2 不同濾波器截止頻率下算法性能比較Table 2 Performance comparison for different filters cut off frequency

從表2可以看出本文算法較文獻(xiàn)［8］對(duì)濾波攻擊有更好的性能。在信道條件較惡劣，低通濾波截止頻率為1kHz情況下仍然獲得了很低的誤碼率。算法對(duì)重采樣、重量化的平均性能如表3所示。

表3 對(duì)重采樣、重量化算法性能比較Table 3 Performance comparison for resampling and requantization

由表3可知，算法對(duì)于重采樣都有很好的魯棒性，對(duì)于重量化本文算法優(yōu)于文獻(xiàn)［8］算法。由于重量化過(guò)程中引入了量化噪聲，那些較小值在重量化前后的相對(duì)變化較大，本文算法采用的是短時(shí)能量閾值和LRMS準(zhǔn)則，確保了水印不會(huì)嵌入到能量較小的語(yǔ)音幀中，每一個(gè)目標(biāo)值都得到了充分訓(xùn)練，較好的抵抗了這種干擾。

4 結(jié)束語(yǔ)

本文結(jié)合短時(shí)能量和神經(jīng)網(wǎng)絡(luò)，提出了一種基于短時(shí)能量和LRMS準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)水印方法。算法利用短時(shí)能量閾值找出適合嵌入水印的語(yǔ)音幀，以L(fǎng)RMS為收斂準(zhǔn)則，采用LM訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)嵌入和提取水印。仿真結(jié)果表明，算法能夠?qū)崿F(xiàn)水印信息的盲提取，與文獻(xiàn)［8］相比，本文算法在沒(méi)有明顯增加計(jì)算復(fù)雜度的情況下網(wǎng)絡(luò)訓(xùn)練時(shí)間更短，對(duì)于噪聲、低通濾波和重量化攻擊，性能平均提高了5%。

［1］ 孫建國(guó)，門(mén)朝光，姚愛(ài)紅，等.基于量子糾錯(cuò)理論的數(shù)字水印技術(shù)［J］.高技術(shù)通訊，2010，20（6）：585-589.

Sun Jianguo，Men Chaoguang，Yao Aihong，et al.Digital watermarking based on quantum error correction coding［J］.Chinese High Technology Letters，2010，20（6）：585-589.

［2］ 謝春輝，程義民，陳揚(yáng)坤.數(shù)字圖像中擴(kuò)頻水印的盲提取方法［J］.數(shù)據(jù)采集與處理，2011，26（1）：26-30.

Xie Chunhui，Cheng Yimin，Chen Yangkun.Blind extraction method for spread-spectrum watermark on digital image［J］.Journal of Data Acquisition and Processing，2011，26（1）：26-30.

［3］ Koz A，Alatan A A.Oblivious spatio-temporal watermarking of digital video by exploiting the human visual system［J］.Circuits and Systems for Video Technology，IEEE Transactions on，2008，18（3）：326-337.

［4］ Zhang Yongmei，Ma Li，Xing Xiujuan.A multi-purpose video watermarking algorithm based on wavelet transform and image partition［C］／／Second International Conference on Intelligent System Design and Engineering Application.［S.l.］：IEEE，2012：76-79.

［5］ Mansouri A，Aznaveh A M，Torkamani-Azar F，et al.Low complexity video watermarking in H.264 compressed domain［J］.Information Forensics and Security，IEEE Transactions on，2010，5（4）：649-657.

［6］ ValizadehA，Wang Z J.An improved multiplicative spread spectrum embedding scheme for data hiding［J］.Information Forensics and Security，IEEE Transactions on，2012，7（4）：1127-1143.

［7］ 余華，黃程韋，金赟，等.基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別［J］.數(shù)據(jù)采集與處理，2011，26（1）：57-62.

Yu Hua，Huang Chengwei，Jin Bin，et al.Speech emotion recognition based on particle swarm optimizer neural network［J］.Journal of Data Acquisition and Processing，2011，26（1）：57-62.

［8］ Chen Liang，Hao Huan，Zheng Guohong.An audio watermarking of wavelet domain based on BP neural network［C］／／Proceeding of the WCSP，International Conference on Wireless Communication and Signal Processing.Nanjing，China：［s.n.］，2011：1-5.

［9］ 張雄偉，陳亮，楊吉斌.現(xiàn)代語(yǔ)音處理技術(shù)及應(yīng)用［M］.北京：機(jī)械工業(yè)出版社，2003：8-9.

Zhang Xiongwei，Chen Liang，Yang jibin.Modern audio processing technology and application［M］.Beijing：China Machine Press，2003：8-9.

［10］胡光銳，韋曉東.基于倒譜特征的帶噪語(yǔ)音端點(diǎn)檢測(cè)［J］.電子學(xué)報(bào)，2000，28（10）：1-3.

Hu Guangrui，Wei Xiaodong.Endpoint detection of noisy speech based on cepstrum［J］.Acta Electronica Sinica，2000，28（10）：1-3.

［11］Cybenko G.Approximation by superposition of a sigmoidal function［J］.Mathematics of Control，Signals，Systems，1989，2（4）：303-314.

［12］Hagan M T，Menhaj M B.Training feedforward networks with the marquardt algorithm［J］.Neural Networks，IEEE Transactions on，1994，5（6）：989-993.