数字音频产品中基于人耳听觉感知特性的水印嵌入系统设计

　第26卷　第5期南京邮电大学学报(自然科学版)

Vol .26　No .5 2006年10月Journal of Nanjing University of Posts and Telecommunicati ons (Natural Science )Oct .2006

文章编号:167325439(2006)0520056209

数字音频产品中基于人耳听觉感知特性的水印嵌入系统设计

高银秋,邓宗元,杨　震

南京邮电大学信号与信息处理研究所,江苏南京　210003

摘　要:针对数字音频作品特别是语音录音(如朗诵、讲话)和歌曲,基于新的信息隐藏理论,设计将作品购买

者的身份信息隐藏进入数字音频作品中,以实现知识产权保护,并设计了可以自动将用户身份信息嵌入到音频作品中的方法,开发了相应的实现软件。在对语音录音添加水印信息时,主要是根据人耳对相位不敏感的原理,通过对字或者词进行180度反相来嵌入用户身份信息。在对歌曲添加水印时,给出了基于变换域(DCT )系数量化的水印嵌入方案。信息被嵌入后,将带水印作品在专业消声室里做了听觉试验,证实了作品的主观听觉效果未受到影响,也就是说嵌入的信息表面上是透明的,用户无法察觉。并且嵌入的信息必须采用特殊的手段才能提取。并对所提水印嵌入方法进行了各种加噪、编码等抗干扰实验,以验证技术的通用性。经过实验测试,证明本文所提方案具有更好的鲁棒性、安全性和透明性。关键词:信息隐藏;数字水印;鲁棒性;透明性;端点检测;线性预测中图分类号:T N912.3;T N915.08 文献标识码:A

Desi gn of Water mark E mbeddi n g Syste m for

D i git al Audi o Products Based on HAS

GAO Y i n 2q i u ,D ENG Zong 2yuan ,YANG Zhen

I nstitute of Signal and I nf or mati on Pr ocessing,Nanjing University

of Posts and Telecommunicati ons,Nanjing 210003,China

Abstract:Based on the ne w theory of infor mati on hiding,this paper p r oposes a novel app r oach f or e mbedding the I D s of the buyers int o digital audi o p r oducts,es pecially the records of s peeches and s ongs is realized in this pa 2per .And a s oft w are is designed t o carry out the app r oach aut omatically .W hen we add water marks int o the s peech records,the polarity of s ome syllables or words is inverted according t o the users’I D s,which is mainly based on the theory that the human audit ory system cannot distinguish s peech signals with positive and negative polarity .To deal with s ongs we adop t a method of inserting water marks by quantizing the coefficients of its DCT.W e have als o made s ome hearing experi m ents in an anechoic cha mber,and the experi m ents show that all p r oducts are not affected after e mbedding inf or mati on of the users .Moreove,the e mbedded infor mati on can not be extracted without using s ome s pecial measures .Some anti 2ja mm ing experi m ents such as adding s ome noises,coding and decoding and s o on have been done t o validate that our methods are universal .Based on the experi m ent results,we confir m that the app r oa 2ches in this paper have better perf or mances in ter m s of r obustness,security and invisibility .

Key words:I nf or mati on hiding;Digital water marking;Robustness ;I nvisibility;Endpoint detecti on;L inear predicti on

收稿日期:2006201209;修回日期:2006203206

基金项目:江苏省自然科学基金项目资助(BK2004150)

1　引　言

随着数字技术和因特网的发展,各种形式的多媒体数字作品(图像、视频、音频等)纷纷以网络版本形式发表,其版权保护成为一个迫切需要解决的

问题。由于数字水印(digital water marking)是实现版权保护的有效办法,因此如今已成为多媒体信息安全研究领域的一个热点,也是信息隐藏技术研究领域的重要分支。该技术即是通过在原始数据中嵌入秘密信息———水印(water mark)来证实该数据的所有权。这种被嵌入的水印可以是一段文字、标识、序列号等,而且这种水印通常是不可见或不可察的,它与原始数据(如图像、音频、视频数据)紧密结合并隐藏其中,并可以经历一些不破坏原数据使用价值或商用价值的操作而能保存下来。因此,数字水印技术必须具有较强的鲁棒性、安全性和透明性[1-2]。

本文实现了将购买者的身份信息隐藏到数字音频作品中的水印嵌入系统的设计,并开发了相应的实现软件。信息被嵌入后,作品的主观听觉效果未受到影响,并且嵌入的信息必须采用特殊的手段才能提取,也就是说嵌入的信息在表面上是透明的,用户无法察觉。

2　基本原理

2.1　语音

一般发音时,由肺部收缩送出一股直流空气,经气管流至喉头声门处(声门即声带开口处)。空气通过声带时,如果声带是绷紧的,则声带将产生张驰振动,即声带周期性地启开和闭合。声带开启时,空气流从声门处喷射出来,形成一个脉冲;声带闭合时相应于脉冲序列的间歇期。这种情况下在声门处产生出一个准周期性脉冲序列的空气流,该空气流经过声道后最终从嘴唇辐射出声波,这便是浊音语音。如果声带是完全舒展开来,则肺部发出的空气流将不受影响地通过声门。空气流通过声门后在不同情况下还有可能形成“摩擦音”、“清音”或“爆破音”[3]。由此可看出,声门气流在发声时是单方向性的,从而导致语音时域波形中存在确定极性。同时,众所周知,人耳听觉系统一般是无法辨认该极性的改变的,这就为通过改变极性而嵌入隐蔽信息提供了有效途径[4]。

2.2　歌曲

在为歌曲添加水印信息时所依据的原理是:依据正常人可听声音的频率范围,以及人耳在各频率分量处的灵敏度的不同,通过修改歌曲的DCT系数[5]来隐藏信息,提取时按同样方法确定隐藏信息。

3　基于相位翻转的语音水印嵌入

3.1　水印嵌入系统模型

信息隐藏必须保证透明性,即当在语音信号中添入水印信息后不能被人耳感知。根据人耳掩蔽效应,我们对各种语音录音进行听觉实验后,发现人耳对信号相位并不敏感,因此我们试图通过对某部分语音信号是否进行极性翻转来嵌入隐藏信息。

实验中我们首先将一整段语音录音在时域内翻转,发现人耳感觉不到音质受损;再将部分字或词整体翻转后,人耳亦感觉不到音质受损。由此,我们可以通过以下方法进行信息隐藏,达到嵌入用户身份信息的目的。首先,自动检测出可翻转的语音段的始末位置,也就是我们后面所说的端点检测;然后,设计用户身份信息嵌入方案,控制需要作翻转的语音段的位置。

据上所述,我们可以得到如图1所示的干净语

音的水印嵌入模型:

图1　干净语音的水印嵌入系统模型

3.2　模型解释

(1)端点含义

在实验中,首先我们在不同采样率下录制了青年男女的语音,然后通过手动翻转寻求可翻转语音段的始末位置及特点。该始末位置即为我们所说的端点,始末端点之间的语音段称之为可嵌入信息语音段。并将各语音文件及与之对应的端点载入语音库,作为标准以便检测后面用程序实现自动检测端点结果的性能。

通过实验,我们得出如下结论:

?单对语音信号的浊音部分翻转,不会影响人耳的听觉质量;

?对单个字(清音和浊音)翻转,不会影响人耳的听觉质量;

?对字字之间相对较长的间歇部分(有可能是清音也有可能是环境噪声)翻转,不会影响人耳的听觉质量;

?当两个字在波形上无明显间隔时,即前字结束处与后字辅音开端接壤,对两个字整体翻转,不会

75

　第5期 高银秋等:数字音频产品中基于人耳听觉感知特性的水印嵌入系统设计

影响人耳的听觉质量;

图2为在采样率为8kHz 时,一青年女声录音“单脉冲LPC 声码”。对图中依次相邻黑线所标识之间的部分进行翻转,不会影响人耳的听觉质量

。

图2　青年女声“单脉冲L PC 声码”

(2)用户身份信息

用户身份信息是用来标识购买者身份信息的秘密信息,根据人耳听觉系统可以利用可嵌信息语音

段的翻转来传递用户的身份信息。

3.3　模型实现原理

从广泛意义上说,上面所列的4种语音段均可作为信息嵌入段。但是,为了使所嵌信息有较强的抗噪性并且能通过基于LPC 盲检测提取出来,以便于版权拥有者在无法获得原文件的任何信息时,仅根据嵌入规则便能找出原文件中被翻转的部分,从而决定原先嵌入的用户的身份信息,则用来标识用户身份信息的可嵌入信息语音段必需含浊音段。

根据语音信号产生的离散时域模型,我们可认为一个语音序列是由一个周期脉冲序列或一个高斯白噪声序列激励一个全极点模型所产生的。当激励信号为周期脉冲序列时,该帧语音信号处于浊音段,此时线性预测残差也近似于周期脉冲序列,即每隔相同周期处会出现一个正向峰值。事实上,几乎在所有的语音信号中,基本的能量源是从肺中将气流排出的呼吸系统,气流从肺泡通过气管进入喉咙,此处气流在音腔中穿行。如果这些音腔是分离的,这种情况在呼气的时候是很正常的,气流将有一个相对自由的通道进入喉咙。语音通常是在呼气的时候产生的。因此,声门气流在发音期间是单一方向的,这导致了语音激励脉冲波形恒定的极性。而当激励信号为高斯白噪声序列时,该帧语音信号处于非浊音段,此时线性预测残差只是随机分布在0左右的小数据,无上述的明显的正向峰值特性。

图3为对应于图4语音信号的线性预测残差信号,可以看出其残差每隔一个基音周期会出现一个峰值

。

图3　

原始浊音信号的线性预测残差信号

图4　原始浊音信号

将原始语音信号在时域里翻转后再做线性预测分析,易得如下结论:当语音信号处于浊音段时,线性预测残差也近似于周期脉冲序列,只是每隔相同周期处会出现一个负向峰值;而当语音信号处于非浊音段,此时线性预测残差只是随机分布在0左右的小数据,无明显峰值特性。

综上所述,基于极性翻转嵌入水印的语音信号中是否隐藏了水印信息,可根据相应信号段的线性预测残差峰值的极性来判断。因此,为了可以实现盲检测,我们规定仅将含有浊音段的语音段作为可嵌信息语音段。这样,可以采用LPC 技术求取带水印文件的线性预测残余误差,然后根据对应语音段残差峰值的极性来提取所嵌用户身份信息。这种水印嵌入方案,与现有的其它音频水印方案,如回波

法、LS B 法、变换域法[1,2,6-8]

等相比,由于采用的是波形整体翻转方式,所以透明性更好,鲁棒性也更强,并且容易实现。

3.4　端点检测算法

3.4.1　新的端点检测算法

端点检测的目的是从包含语音的信号中找出可嵌信息语音段的起点以及终点。有效的端点检测不仅能使处理时间减到最小,而且可保证所嵌水印信息有很好的透明性。只要能准确地检测出本文中所定义的端点,人耳一般便无法感知带水印声音与原始声音的差别。这说明端点检测的成功与否在某种程度上直接决定了整个水印嵌入系统的成败。

基于本课题中端点的特殊含义,我们在传统端点检测算法基础上提出了新的自动检测可嵌信息语音段端点的算法,具体步骤如下:

(1)对语音录音分帧处理,帧长20m s,帧重叠10m s,加矩形窗;

(2)对语音数据作归一化处理;

(3)计算每帧短时能量,根据平均能量值定出两个门限值,高门限值为平均能量的一半,低门限值为平均能量的千分之四;

(4)根据高门限值初步判定可嵌信息语音段的起点和终点,即找出浊音段;

(5)根据低门限值将步骤4中的起点前移直至能量值低于该低门限值,此处变为新的起点。若起点前移过程中,能量均高于该低门限值,则当该点到

85南京邮电大学学报(自然科学版) 2006年　

达前一起点时,不再向前搜索,并将该点去除。然后根据同样规则,后移确定新的终点。

图5为8kHz 采样率下青年女声“词中还”的发音图形。下面标识了经过高低门限判决所得起点、终点(帧号已经转为样点的序号)的变化情况。经过修改(步骤5),去除了翻转后有可能带来噪声的端点,最终将“词中还”作为一个整体,充分保证了嵌入水印信息的透明性

。

图5　端点检测算法演示

3.4.2　与传统端点检测算法的比较

基于本课题中端点的特殊含义,我们无需检测

出单个字或词的开始和结束的位置。对连续的在波形上不易分离的两个字或多个字,可以将它们看作一个整体。如图2中,可将“单脉冲”看作一个大的可嵌入信息语音段。然而,传统的端点检测算法旨在利用短时能量(或幅度)大致判定清音变为浊音或浊音变为清音的时刻,从而确定一个输入语音(字或词)的起点、终点。即先用一个较高的门限粗略地标记出浊音部分,然后再用一个低门限值及其它短时参数微调获得端点。对图2中所示语音,利用传统端点检测算法时,会在“单脉冲”之间获得一个端点标志。而通过听觉实验,若该语音在“单脉冲”之间翻转,会引入噪声。因为此处信号幅度值较高,翻传后导致相位的突变,从而带来噪声。

在新的端点检测算法中,高低门限值的选取控制着端点检测的效果。根据实验,本文最终选取高门限值为平均能量的一半,低门限值为平均能量的千分之四。高门限的选取只需满足将清浊音区分开来(至少应不低于平均能量的百分之一),如果高门限选得太低,很有可能将能量稍高的清辅音误判成浊音。而低门限应尽量低(大约为平均能量的千分之四左右),以排除有可能会引入噪声的端点。3.4.3参数选择的依据

(1)高低门限的选择

实验中所用的语音录音均是在CS L (Computer Speech Lab )语音工作站录制的。我们分别在8k,16k,44100k 采样率下录制了几十位青年男女的声音。通过VC 程序计算了所获录音的信噪比大致

分布在30—50d B 。下面是一采样率为8kHz 的青年女声“单脉冲LPC 声码”,帧长为20m s,即每帧有160个样值,帧重叠为0,图6为归一化的声音波形。图7为直角窗下的短时幅度曲线。从其短时幅度曲线可以看出,短时幅度可以区分清音段与浊音段,因为浊音时短时幅度值比清音时大得多,图7中幅度值大的对应于浊音段,而幅度值小的对应于清音段

。

图6　

青年女声时域波形图

图7　短时幅度曲线

由图上幅度值的变化,可大致判定浊音变为清音或

清音变为浊音的时刻。事实上,短时能量相当于对短时幅度作平方运算,故其亦能区分出浊音和清音,但能量曲线在清浊音转变时刻较幅度曲线有更明显的变化。当然,理论依据也是明显的,即各种不同信号的幅度和分布不同。根据多次试验结果,调整高低门限,最终选择了最佳的门限值。

(2)窗型的选择

在上述端点检测算法中,计算短时能量时采用了直角窗。若用哈明窗,由于其带外衰减比较大,故增大了语音结束或开始时幅值的衰减,导致所检测到的语音段长度略小于手动找出的可翻转的区间长度。由图8可见,直角窗下根据能量所检测到的可嵌信息语音段弥补了海明窗的缺陷,准确地检测到了可翻转区间的起点和终点

。

图8　海明窗和直角窗下的端点检测比较

3.5　水印信息的嵌入方案

将检测得到的语音段排列顺序,给每个语音段标

上段号。用户身份信息用0、1序列表示,序列中每个码按照一定规则对应于可嵌入信息语音段的段号。“1”表对其对应的语音段在时域内作180度反相,“0”表对其对应的语音段不作任何变动。在试验中,我们

9

5　第5期 高银秋等:数字音频产品中基于人耳听觉感知特性的水印嵌入系统设计

的对应规则为第一个语音段对应第一个用户代码,第二个语音段对应第二个用户代码,依此类推。实践中为了抗不正当提取,我们可以打乱该顺序,如仅利用段号为偶数的语音段或是改变水印编码嵌入规则等。

鉴于我们试验中所用语音录音时长大约为10—20s,可嵌入信息语音段数目有限,故将水印序

列长度设为10,这样可以标注1024个不同用户。一般音频产品录音时间至少几十分钟,此时可将序列长度增加,以标识更多的购买用户。

3.6　水印信息的提取

3.6.1　非盲提取

非盲提取是有原文件的情况下提取水印信息。可以直接利用声音处理软件比较带水印文件和原文件在时域内的波形,并结合语音分段及嵌入规则便可提取出用户代码信息。也可以根据波形在时域内翻转前后,其DFT 系数实部虚部均变为原来的相反数,故可利用频谱的这一特性,提取所嵌水印信息。3.6.2　盲提取在某些场合,没有原始语音文件,那么需要进行盲检测。由水印嵌入模型的实现原理可知,可以根据带水印文件线性预测残差峰值的极性提取用户代码信息。其步骤可简述如下:

(1)按端点检测算法,找出带水印文件的任何可嵌信息语音段;

(2)对带水印文件作12阶的线性预测残差,观察每个可嵌信息语音段浊音部分残差脉冲峰值的极性。若是正峰则判定对应该段的用户代码为0,若是负峰则判定对应该段的用户代码为1,如此直到完成对第10个代码的提取(试验中我们所选用户序列长度为10)。如果是其它情形,则根据3.5节中所规定的水印编码嵌入规则在相应的带水印处检测从而提取水印信息。

3.7　修正的水印信息嵌入方案

(1)改进方案

实验中发现,通过对各个未经处理的语音录音线性预测残差的分析,并非所有对应于浊音位置的残差所有峰值都具有正向性,有时隔一基音周期会出现正负相当的峰,如图9所示,对此段不能根据峰值极性来判决有无翻转

。

图9　残差峰值特例

为了能根据残差特性提取所嵌的用户代码信息,必须保证原可嵌信息语音段的浊音处的线性预测残差峰值有很好的方向性。为解决此问题,下面提出了一种修正的水印嵌入规则。

修正方法为,在添加用户身份信息之前,求原文件的线性预测残差。然后根据残差的峰值特性决定原先的可嵌信息语音段是否能嵌入信息。根据对不同语音文件的残差的大量分析可知,对一般由端点检测算法获得的语音段,所存在负峰值的比例不可能超过70%。我们可预设一个峰值比例门限70%。因此,可以规定若残差峰值中,正负峰数目较大的峰在峰的总数目中所占比例不到该门限时,则舍弃该信息段,即不对该语音段做任何处理。同理,在信息提取时,若遇到残差峰值中正负峰数目较多的峰在峰的总数目中所占比例达不到比例门限的语音段,则跳过该语音段,对下一语音段进行研究,直至检测完10个真正可嵌信息的语音段。该修正方案,保证了仅根据残差峰值极性提取用户信息的准确性。更为保守的嵌入方案是统计所有帧中负峰的比例,若负峰所占最大比例超过70%则修正比例门限为此最大的比例值,然后按照上述方法处理,否则比例门限仍按70%计算。

(2)峰值比例门限70%的确定根据对不同语音文件的残差的大量分析可知,对一般由端点检测算法获得的语音段,所存在负峰值的比例不可能超过70%。具体算法如下:根据峰值出现的位置一般相隔一个基音周期,为了准确的检出各语音段残差正、负峰值的数目,首先根据短时能量判断语音段中属于浊音的帧号,然后估计浊音帧的基音周期,接着根据基音周期找出相应残差帧中正负峰数目,最后统计该段语音中正负峰的数目从而决定是否在该信息段嵌入用户代码。

对16kHz 采样下青年男声(时长14.650s )经上述分析所得数据如下:共17个可嵌信息语音段,每段的正负峰数目如表1所示。表中数据说明即使出现负峰,负峰的比例不会占主导地位。作者对其他众多语音也作了相似实验,充分说明负峰的比例一般不会超过整体的70%。

表1　正负峰数目对照表

段号

1

2

3

4

5

6

7

8

91011121314151617

正峰数5530261632204816772210820211107215负峰数29128

5158152306

6

2

81034174

负峰比例(%)

3529242432292411282175202932241921

理论上,声门气流在发音期间的单一方向性导

致了语音激励脉冲波形恒定的向上的极性。

06南京邮电大学学报(自然科学版) 2006年　

3.8　性能分析

?透明性

本文衡量水印嵌入方案透明性的主要性能指标是比较原文件和带水印文件对人耳的听觉影响。如果人耳听不出两者的差别,即带水印声音与原始声音差别无法感知,则可认为所嵌水印信息达到了透明性的要求。我们将带水印作品在专业声音消声室里做了听觉试验(消声室可以保证没有任何回波的存在,避免听觉干扰),证实了人耳感觉不到带水印作品与原作品的差异。

我们请了6位听众。图10为听觉测试时,听者及其扬声器的平面布局图

。

图10　布局图

我们准备了8个青年男女的原始录音及添加水印后的文件,听觉试验过程如下:

(1)播放原始语音;

(2)随机播放两个文件,可能是添加过水印的,也可能是原始语音。让听者判决是否原始语音。

我们分别让6位听者对上述16个文件作判决,仅有一位听者觉得加入水印的声音

。这充分证实了我们添加的水印信息的透明性。

?无攻击情况下的性能

在无攻击情况下,通过盲提取和非盲提取出的水印信息即用户代码序列可以得到100%的正确率。?抗压缩测试

抗压缩能力是衡量算法鲁棒性的重要指标,也是网络环境对实用信息隐藏技术的要求。将带水印文件经DV I/I M A ADPC M 编码进行压缩,并将压缩文件直接解码(不经过信道传输)后所得声音文件仍能通过盲检测和非盲检测提取出嵌入水印信息。

?抗噪性

通过极性翻转的水印作品有着很强的抗噪能力,以白噪声为例。若在带水印作品上叠加一个高斯白噪声,则只要该噪声强度未将信号全部掩蔽,仍能明显从波形上看出经过翻转的部分。

4　带噪语音的水印嵌入

4.1　带噪语音端点检测

一些语音在录制时具有背景噪声,这时嵌入水

印时由于端点检测受到噪声影响,可能出现误差,因此需要进行研究测试;而还有一些语音嵌入水印后由于某种外界原因(如通信传输等),使得嵌入水印后的语音叠加了噪声,也可能破坏水印或者影响水印的提取,也需要研究噪声影响。本节详细讨论了嵌入水印前语音录音存在噪声的情况下,如何检测到可添加水印信息的语音段,以保证水印信息的透明性。

鉴于高斯白噪声的存在,可翻转的语音段数目增多了,因为该噪声在一定程度上可屏蔽掉强语音信号翻转造成相位突变而带来的噪声。经过试验分析,可以大致认为一段带噪语音的终点为接下来开始的一段语音的起点,故检测时只要检测出起点或是终点即可。我们提出了有噪音时的端点检测算法(检测终点)如下:

(1)对带噪信号作预处理(分帧、加窗等),计算每帧短时幅度,方法同对干净语音的操作;

(2)计算出白噪声的平均幅度值。根据语音出现处短时幅度会有明显提升,当后帧短时幅度超过前帧的1.5倍时,我们认为开始出现语音。据此可算出白噪声的平均幅度值;

(3)从每帧平均短时幅度中减去白噪声的平均幅度值,作为新的帧短时幅度,并根据此设定门限值;

(4)设定高门限值为平均帧短时幅度的一半,低门限为平均帧短时幅度的千分之一;

(5)当相邻两帧输入信号前帧短时幅度值超过高门限,而后帧短时幅度低于高门限时,该帧可看作为一输入语音的结束处。然后根据低门限将帧后移,尽量囊括整个语音,准确地找到语音真正结束的地方。

注意:此时语音段中已不存在无声段(叠加了高斯白噪声),无需区分清音和噪声。

4.2　水印嵌入

按照检出的终点划分语音段,从检测到的第一个终点起,第一个至第二个终点之间的语音段的段号记作1,依此类推。同处理干净语音所用规则一样,将语音段号和代码序列号对应,然后进行信息的嵌入。

4.3　性能分析

由于待添加水印文件本身就存在噪声,只要找

到的端点接近一个输入语音的真正结束或开始处,对其之间的部分翻转,人耳是觉察不到两者的差别的。即水印信息的透明性很容易得到保证。

1

6　第5期 高银秋等:数字音频产品中基于人耳听觉感知特性的水印嵌入系统设计

5　歌曲中的水印嵌入

5.1　分析

首先对纯音乐而言,其波形的幅度曲线较稳定,不像录制的语音信号的幅度曲线在清浊音处有明显的变化。且原始波形无明显分段,即不会出现说话时所出现的能量极低的情况。结合我们在语音中所检测到的端点均为能量相对较低处,这在音乐信号中难以找到,若在信号中间翻转,必然会引起相位的突变。实验发现,当在语音上叠加上背景音乐时,当背景音乐强度不是很大时,可以从时域或幅度波形上分辨出其中输入语音的开始和结束位置。我们根据语音的端点对其翻转,在翻转处会出现尖锐听觉噪音,显然这是由背景音乐造成的。

综上试验分析,对音乐或者歌曲,在时域内寻求可翻转端点来嵌入水印信息的方案不可行,因此考虑在频域里隐藏信息。这里我们研究了在数字音频信号的离散余弦变换域中嵌入水印的算法并给出了基于变换域系数量化的水印嵌入方案[5]

及实现

软件。

5.2　量化算法

假设待量化的系数为f ,嵌入水印比特为

w (0或1),量化步长为Δ,量化处理后含有水印比特信息的系数为f ′。基于量化系数f 嵌入水印比特的原理如图11所示

。

图11　量化系数嵌入水印的原理

量化系数的过程及其表示式如下:(1)分割区间

按照量化步长Δ将系数所在的坐标轴分割成如图11所示的A 区间集和B 区间集。

(2)确定区间集内坐标值的两重含义

如果用于计算,坐标值具有数量大小的实际意义;如果用于表示水印比特信息,则不管该坐标的数值大小,凡属于A 区间集的坐标都代表二进制数“1”,属于B 区间集的坐标都代表二进制数“0”。

(3)取模和取余数运算

用量化步长Δ对待量化系数f 进行取模和取余数运算。假设所求得的模值为m ,余数为r ,则有

m =f mod Δ

(1)r =f -m

(2)

(4)量化系数

对系数f 量化处理与水印比特w 的取值密切相关:当w =1时,使量化结果f ′等于与f 最接近的A 区间集中某一区间的中间坐标值:当w =0时,使f ′等于与f 最接近的B 区间集中某一区间的中间坐标值。

5.3　水印嵌入方案

根据图12水印嵌入算法框图,我们设计水印嵌入的具体步骤如下

:

图12　水印嵌入算法框图

(1)用户代码序列获得

暂规定用户代码为0、1序列,即水印信息可记为

V ={v (i ),0≤i

(3)

(2)音乐信号的分段处理原始数字音频信号可分成两部分:与水印嵌入有关部分和与水印嵌入无关部分,即s =s e +s r ,式中,s e 是与水印嵌入相关的部分,它里面将包含水印信息,s r 是与水印嵌入无关的部分,它在水印嵌入前后保持不变。

(3)分帧离散余弦变换

对需要嵌入水印的第k 帧(L 个样点)音频数据段s e (k )分别作离散余弦变换。

D e =DCT (s e )={D e (k )=DCT (s e (k ))}(4)式中,D e (k )={d e (k )(i ),0≤i

k 帧音频数据段s e (k )的离散余弦变换D e (k )中的

第i 个系数。

(4)在DCT 域内确定水印的嵌入区域

由5.2节可知,在DCT 域内通过量化DCT 系数可以实现水印信息的嵌入。假设第k 帧音频数据段

s e (k )的DCT 系数d e (k )(t )用于嵌入水印信息序列V 中的第m 个元素V (m ),量化处理结果为d ′e (k )(t ),其它DCT 系数保持不变。

注意:(1)步长Δ的值越大,嵌入水印的稳健性越好;但是Δ的取值过大,则会使含水印的数字音频信号失真严重,降低了实用价值。因此量化步长Δ的取值要根据嵌入水印的稳健性和数字音频信号的具体应用背景折衷考虑确定;(2)由于音频数据段S e (k )的数据个数为L ,其离散余弦变换结果

26南京邮电大学学报(自然科学版) 2006年　

D e (k )中含有L 个DCT 变换系数,其中第0个DCT

系数d e (k )(0)为直流分量,其他的L -1个DCT 系数是由低频到高频的交流分量。一般选取频率较低的交流分量(d e (k )(1)除外)作为水印嵌入的位置。通常把水印信息嵌入在离散余弦变换的低中频系数上,这样做的好处有:第一,音频信号遮盖了水印的影响,使其不易被发觉;第二,如果这一部分音频信号受到较大影响,还原出的音频信号音质将严重下降,所以一般的信号处理操作(如滤波、压缩、变换等),影响的是信号的高频部分,即使音质受到一定程度的破坏,只要音频信号有一定的可懂度,水印信号就可以检测出来。

(5)含水印音频信号的生成

对嵌入水印后的音频信号做分段离散余弦反变换,得到时域中含有水印信息的音频信号。

s ′e =I D CT (D ′e )={I D CT (D ′e (k ))}(5)将s ′e 代替s e ,最终得到含水印的数字音频信

号:s =s ′e +s r 。

5.4　水印提取

假设s s 是待检测的数字音频信号,提取水印的

过程如下:

(1)对待检测数字音频信号作分帧处理,分帧规则同嵌入水印时一样;

(2)对待检测的数字音频信号中含水印部分作离散余弦变换(在此必须事先知道含水印信息的帧号);

(3)根据DCT 系数在图11中所处的位置,提取水印序列V s 。

在基于量化的水印嵌入算法中,水印信息由DCT 系数d se (k )(t )所属的区间集表示的,因此提取

水印信息的方法可表示为

V s (k )=

1,　d se (k )(t )∈A

0,　d se (k )(t )∈B

(6)V s 即恢复出的用户代码序列。

需要注意的是,经过上述变换过程后,水印信息可能将与原来稍有不同。因为中间经过了DCT 系数的量化、量化后的系数反变换再正变换。为了解决此问题,我们采用连藏的方法,来减轻这种微小的改变。这在下节的仿真试验中详细阐述。

5.5　仿真试验

在水印的提取过程中无需使用原始音频信号,是一种盲水印检测方案。在仿真试验中,采用16bit/sa mp le,44.1kHz 采样,3.183s (140370个样点值)长的流行音乐(网络歌曲“老鼠爱大米”中的一

段)作为原始的数字音频信号。在水印的嵌入过程

中,若规定音频数据段的长度为28,每段嵌入一个比特信息,则所选音乐段可嵌入5000位0、1代码序列。在试验中,我们采用连续5帧隐藏一个比特信息的方案,即对连续5帧的第二个DCT 系数进行相同的量化操作,这有利于提高所嵌代码的抗噪性。

归一化量化步长Δ=0.05,嵌入位置为

DCT 系数的D e (k )(2)。图13为原始数字音频信号,图14为含水印的数字音频信号,比较原始数字音频信号和含水印的数字音频信号的波形图,它们几乎没有差别,证明本文方法透明性良好。

图13　原始的数字音频信号

图14　含水印的数字音频信号

根据水印提取算法,提取出的水印序列正确率为96.96%.当增大量化步长△后,提取水印序列正确率提高,但音乐音质受损也变大。当△增大到0.1时,正确率可达98.70%,但此时含水印的音频信号质量严重受损(出现噪声了)。若嵌入位置为DCT 系数的D e (k )(3),则相同量化步长下,提取水印正确率提高,代价是音质下降较大。

试验中我们所嵌代码为0、1相间序列,即010101……。在采用连藏5位隐藏方法时,所嵌信息即为00000111110000011111……。在提取信息时,从第一位开始,每5位作为一个信息段,统计每个信息段中0和1个数,其中数量超过半数的代码即为所嵌水印代码。如若提取出的信息为00011/01111/01000/……,则相应的水印代码为010……。

6　结论与展望

信息隐藏技术是近年来国际学术界的一个研究热点,而音频数据中的信息隐藏技术也受到了越来越多的关注,成了这个研究热点中的一个重点。随着研究的深入和应用的日益普及,新的问题也在不断的涌现。

本论文对音频数据中的信息隐藏技术做了研

3

6　第5期 高银秋等:数字音频产品中基于人耳听觉感知特性的水印嵌入系统设计

究,论文主要包括了以下工作:

(1)对信息隐藏技术的理论前提、系统构成、技术分类、应用领域及其研究现状进行了归纳和总结,分析了其研究中的重点和难点;

(2)作者对语音录音提出了基于相位翻转的水印嵌入技术,并详细分析了实现算法以及系统性能;

(3)作者采用了在频域里隐藏信息的算法,实现了在歌曲中隐藏信息。

鉴于时间和精力,以及信息隐藏技术所涵盖的领域较多。本论文仅讨论了在时域里实现语音录音的水印嵌入,以及频域里实现歌曲的水印嵌入。作者认为本论文以下方面还有待改进:

(1)对语音录音而言,我们在10—20s时长里,仅嵌入了10比特的用户信息,虽然很好地保证了水印信息的透明性,但隐藏的信息量很少,即载体利用率不高。在现阶段,关于音频数据中进行信息隐藏的理论基础还没有完善起来,如果能取得关于隐藏容量能方面理论上的突破,将对催生新的信息隐藏技术具有重要的指导意义。

(2)我们所取说话人录音信号一般仅为10-20S,说话人在这段时间内语音幅度大小比较稳定。但若取较长时间内的录音,语音幅度有可能或大或小,若仍用原先对整体数据归一化后所求得的短时参数来进行端点检测肯定会有错误。因为有的能量较小的浊音处经归一化可能就被忽略了。我们可以采用自适应的门限值,即隔一段时间根据语音幅度自动调节门限值。

(3)我们仅实现了对wav格式的单声道声音的信息隐藏,而一般歌曲为mp3或是wma格式且是双声道的。在处理此问题时,我们利用声音处理软件将这些格式转为wav格式的单声道声音再作处理。参考文献:

[1]钮心忻.信息隐藏与数字水印[M].北京:北京邮电大学出版

社,2004.

[2]K ATZE NBE I SSER S,PETI T COLAS F A P.信息隐藏技术———

隐写术与数字水印[M].吴秋新,钮心忻,杨义先,等译.北京:人民邮电出版社,2001.

[3]杨行峻,迟惠生.语音信号数字处理[M].北京:电子工业出版

社,1995.

[4]S AK AG UCH I S,ARA I T,MURAHARA Y.The Effect of Polarity

I nversi on of Speech on Human Percep ti on and Data H iding as an

App licati on[C]//Pr oc of I nternati onal Conf on Acoustics,Speech, and Signal Pr ocessing(I EEE).2000.

[5]黄俊波.音频数字水印技术的算法研究[D].武汉:武汉理工大

学图书馆,2004.

[6]刘振华,尹萍.信息隐藏技术及其应用[M].北京:科学出版

社,2002.

[7]吴志军,钮心忻,杨义先.语音隐藏的研究及实现[J].通信学

报,2002,3(4):99-104.

[8]贾艳阳.语音信息隐藏技术的研究[D].南京:南京邮电学院信

息工程系,2003.

[9]PETI TCOLAS F A,ANDERS ON R,K UHN M G.I nfor mati on H id2

ing2A Survey[J].Pr oceedings of the I EEE,s pecial issue on p r otec2 ti on of multi m edia content,1989,87(7):1062-1078.

[10]CHOU J,RAMCHANDRAN K.Audi o Data H iding with App lica2

ti on t o Surr ound Sound[C]//I CASSP.2003:337-340.

作者简介:

高银秋(1982-),女,江苏南通人。南京邮电大学信号与信息处理专业研究生。(见本刊本期第26页)

邓宗元(1983-),男,江苏南京人。南京邮电大学信号与信息处理专业研究生。(见本刊本期第26页)

杨　震(1961-),男,江苏苏州人。南京邮电大学校长,教授,博士生导师。(见本刊本期第26页)

46南京邮电大学学报(自然科学版) 2006年