(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210508933.6 (22)申请日 2022.05.11 (65)同一申请的已公布的文献号 申请公布号 CN 114612694 A (43)申请公布日 2022.06.10 (73)专利权人 合肥高维数据技 术有限公司 地址 230088 安徽省合肥市高新区望江西 路900号中安创谷科技园一期A1栋21 楼 (72)发明人 田辉　刘其开　郭玉刚　张志翔　 (51)Int.Cl. G06V 10/46(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06T 1/00(2006.01) G06K 9/62(2022.01) (56)对比文件 CN 110378224 A,2019.10.25 CN 114067153 A,2022.02.18 CN 10908675 3 A,2018.12.25 US 2016358068 A1,2016.12.08 US 201714790 5 A1,2017.0 5.25 US 2002164051 A1,20 02.11.07 CN 111242138 A,2020.0 6.05 CN 110245661 A,2019.09.17 CN 113284037 A,2021.08.20 郭韬远 等.基 于注意机制的双分支黑烟车 辆检测网络. 《计算机与数字 工程》 .202 2, Jiang-Jiang L iu 等.Improvi ng Convolutional Netw orks with Self- Calibrated Co nvolutions. 《CVPR》 .2020, 杨莉 等.改进Hough 变换在形状 检测中的应 用. 《传感器与微系统》 .20 07, 审查员 徐倩 (54)发明名称 基于双通道差分卷积网络的图片 隐形水印 检测方法 (57)摘要 本发明特别涉及一种基于双通道差分卷积 网络的图片隐形水印检测方法， 包括如下步骤： 准备数据集， 得到第一通道图和第二通道图； 构 建分类网络， 利用准备好的数据集对分类网络进 行训练优化， 其中第一通道图输入到第一分支 中， 第二通道图输入到第二分支中； 将待检测图 片的第一通道 图和第二通道 图并行输入到训练 好的分类网络中进行分类得到检测结果。 针对嵌 入水印的特点， 对嵌入水印的通道使用中心差分 卷积代替原始的卷积， 中心 差分卷积能够学习到 水印的特征， 同时， 平均差分卷积可以减弱水印 边界附近的边缘对水印的干扰； 通过少量样本，就能搭建起高效的检测 网络， 在检测时， 只需要 将图片导入即可快速输出是否含 水印的结果， 使 用非常的方便 。 权利要求书2页 说明书5页 附图2页 CN 114612694 B 2022.07.29 CN 114612694 B 1.一种基于双通道差分卷积网络的图片隐形水印检测方法， 其特征在于： 包括如下步 骤： 准备数据集： 选择不同大小和背景的自然图片分别嵌入不同参数的水印得到含水印和 不含水印的RGB格式图片， 将RGB格式图片转换成灰度图得到第一通道图， 从RGB格式图片中 提取出水印敏感通道得到第二 通道图； 构建分类网络， 该分类网络包括特征提取模块和分类模块， 特征提取模块中包括多个 卷积层且采用双分支结构， 其中第一分支中的卷积层替换为平均差 分卷积与普通卷积的加 权平均， 第二分支中的卷积层替换为中心差 分卷积， 确定 分类网络的参数和损失函数， 利用 准备好的数据集对分类网络进行训练优化， 其中第一通道图输入到第一分支中， 第二通道 图输入到第二分支中； 将待检测图片的第一通道图和第二通道图并行输入到训练好的分类网络中进行分类 得到检测结果。 2.如权利要求1所述的基于双通道差分卷积网络的图片隐形水印检测方法， 其特征在 于： 所述的平均差分卷积通过如下步骤计算： 以待处理像素点为中心点， 根据卷积核大小提取对应窗口中像素点的像素值得到N*N 大小的第一矩阵， 其中N 为奇数； 计算除中心点以外其 他像素点像素值的均值； 将第一矩阵中每 个元素均减去该均值后得到第二矩阵； 将第二矩阵与卷积核权 重矩阵进行点乘后得到第三矩阵； 对第三矩阵中每 个元素进行求和后作为中心点卷积后的结果输出。 3.如权利要求2所述的基于双通道差分卷积网络的图片隐形水印检测方法， 其特征在 于： 所述的N大于等于 5， 所述的计算除中心点以外其 他像素点像素值的均值包括： 计算中心点外侧第k层像素点的均值得到第k个均值； 根据得到的k个均值， 利用预设的权重计算k个均值的加权和， 并将计算得到的结果作 为最终的均值结果输出。 4.如权利要求1所述的基于双通道差分卷积网络的图片隐形水印检测方法， 其特征在 于： 所述的分类网络为VGG 网络， 特征提取模块包括多组卷积层、 激活函数以及池化层； 分类 模块包括多个全连接层以及softmax。 5.如权利要求4所述的基于双通道差分卷积网络的图片隐形水印检测方法， 其特征在 于： 所述的分类网络为VGG11， VGG11的前四个卷积层采用双分支结构且这两个分支的参数 不共享， 后四个卷积层为一个分支且该分支参数共享； 前四个卷积层采用的双分支结构输 出的两个特 征图进行叠加后输入至后面的分支中。 6.如权利要求1所述的基于双通道差分卷积网络的图片隐形水印检测方法， 其特征在 于： 所述的平均差分卷积和普通卷积按如下公式加权平均： 其中， 表示中心点卷积后的结果， 和 分别表示第一矩阵、 卷积核权重权　利　要　求　书 1/2 页 2 CN 114612694 B 2矩阵中的元素值， 即除中心点以外其他像素点像素值的均值， 为预先设定的超参 数， 其取值范围为[0,1]。 7.一种计算机可读存储介质， 其特征在于： 其上存储有计算机程序， 所述计算机程序被 处理器执行时， 实现如权利要求1 ‑6中任一项所述的基于双通道差分卷积网络的图片隐形 水印检测方法。 8.一种电子设备， 其特征在于： 包括存储器、 处理器及存储在存储器上的计算机程序， 所述处理器执行所述计算机程序时， 实现如权利要求1 ‑6中任一项所述的基于双通道差分 卷积网络的图片隐形 水印检测方法。权　利　要　求　书 2/2 页 3 CN 114612694 B 3