1.本发明涉及生物特征识别、数字水印技术以及版权保护领域，尤其是涉及一种基于虹膜特征水印的版权保护方法。
背景技术：2.版权保护是数字信息飞速发展时代所面临的一个严峻且具有挑战性的问题。版权保护的出发点是在最大限度上保护版权拥有者的合法权益，一个完整的图像版权保护系统是采用信息隐藏技术将某一机密信息秘密隐藏于公开的数字图像中，且不妨碍图像的正常使用，但它可以通过嵌入特定标识信息来跟踪和保护版权。对公开图像中所隐藏的机密信息的检测与提取可以作为版权保护的有力证据，数字水印就是信息隐藏的一个典型应用，其中生物特征信息可以作为隐藏的机密信息。而目前利用传统的嵌入生物特征的方法来实现版权保护存在着准确性低、抵抗干扰与噪声能力差以及嵌入水印图像质量不理想等问题，这让利用生物特征信息进行图像版权保护成为了图像处理方向的研究热点。其中相比于其他生物特征，如人脸，指纹，掌静脉等，虹膜特征信息具有准确性、防伪性，稳定性和唯一性的特点。
3.基于虹膜特征水印的版权保护系统是利用虹膜特征信息作为水印，将其嵌入到需要保护的数字图像中。它由虹膜特征与数字图像的融合、差分噪声层的联合训练、虹膜特征的提取和版权拥有者身份验证四个部分组成。其中虹膜特征与数字图像的融合、嵌入图像的虹膜特征的提取与版权拥有者的身份验证是实现版权保护的关键环节。虹膜特征与数字图像的融合是把数字图像与虹膜特征在一定约束条件下进行融合，使得嵌入虹膜特征后的数字图像与原来数字图像的差异尽可能小。嵌入图像的虹膜特征提取是把经过噪声后的水印嵌入图像进行特征的提取，利用注意力机制来提升特征提取能力。版权拥有者的身份验证则是利用汉明距离计算提取的虹膜特征与再次采集的虹膜图像生成的虹膜特征之间的相似度分数，再与得到的最佳阈值进行比较完成身份验证，实现版权保护功能。在传统算法上，大多是基于虹膜图像的生物特征和离散余弦变换的图像水印方法，这些算法局限于利用虹膜图像的特征模板或精度不高的数字模型来实现水印嵌入，对数字图像造成较大的影响，且受到攻击后，不能准确提取嵌入的水印，抗干扰能力不强。随着计算机与图像处理技术的快速发展，利用基于深度神经网络的数字水印嵌入算法来实现版权保护，可以胜任并超越传统算法的版权保护任务。
4.近些年来，利用基于深度学习的数字水印技术与虹膜特征相结合来实现图像版权保护的相关专利技术是还未被涉及到的。但是，已有公开专利介绍通过基于传统算法的技术实现虹膜水印的嵌入与检测，从而验证版权人的信息，实现版权保护。例如，中国专利文献：cn112949454a，一种嵌入、检测虹膜水印信息的装置，较好的解决了虹膜信息的嵌入与提取，不过该专利把拍照人的原始虹膜作为水印信息嵌入数字图像，这将会直接导致数字图像质量的下降。同时对于版权人信息的验证，该公开专利技术存在着虹膜水印一旦被攻击，不能被较好的提取导致虹膜信息验证准确性较低的问题。中国专利文献：
cn113658032a，基于深度学习和图像处理的图像水印加解密方法及系统，提出通过定位模块与无感知嵌入方法把加密字符嵌入到目标图像中，再定位到待解码的目标区域，解码得到二进制字符串并转译为标准字符串，得到译码信息。不过该公开专利技术需要对目标图像中文字密度最高的区域进行截取，得到待编码的目标区域图像，并且没有建立加密字符与目标图像的身份联系。中国专利文献：cn114170658a，一种结合水印和深度学习的人脸识别加密认证方法及系统，较好的解决了人脸图像数据来源的安全性，不过该专利主要是把水印图像嵌入到人脸图像中，通过提取水印图像与嵌入之前的水印图像进行对比验证，实现对人脸图像的保护，但未与某个身份信息绑定，无法实现特定身份的版权保护。
技术实现要素：5.针对现有关于图像版权保护任务的鲁棒性、隐秘性以及身份验证准确性的不足，本发明提供一种基于虹膜特征水印的版权保护方法，不仅可以满足数字水印的强鲁棒性与更好的隐秘性要求，而且可以实现版权保护要求的身份验证的高准确性。
6.本发明的目的可以通过以下技术方案来实现：
7.一种基于虹膜特征水印的版权保护方法，该方法包括：
8.网络构建：构建用于虹膜特征水印嵌入与提取的深度神经编解码网络，包括用于将虹膜特征水印嵌入待保护的数字图像的编码网络以及用于将嵌入的虹膜特征水印提取出来的解码网络；
9.训练：训练所述的深度神经编解码网络；
10.测试：利用训练的深度神经编解码网络进行虹膜特征水印的嵌入、提取，基于提出的虹膜特征进行特征匹配与身份验证。
11.优选地，所述的编码网络将虹膜特征水印嵌入待保护的数字图像的过程包括：
12.s11、把预处理的虹膜图像经过特征提取获取浮点特征向量，经过量化得到二进制虹膜特征；
13.s12、将二进制虹膜特征与待保护的数字图像进行金字塔特征融合编码得到嵌入虹膜特征水印的编码图像。
14.优选地，步骤s12具体包括：
15.首先，对数字图像进行n次下采样操作，获得一系列不同分辨率的图；
16.接着，对下采样的数字图像与归一化的虹膜特征进行上采样操作，完成第一次特征融合，将第一次的融合特征与归一化的虹膜特征进行上采样操作，获得第二次的融合特征，以此类推，将第i次的融合特征与归一化的虹膜特征进行上采样操作，获得第i+1次的融合特征，i＝1，2，
……
，n-1；
17.最后，将数字图像与最后一次的融合特征进行特征融合，将融合结果进行归一化操作，得到嵌入虹膜特征水印的编码图像。
18.优选地，所述的解码网络提取嵌入的虹膜特征水印的具体过程包括：将待解码的图像输入至解码网络，首先对其进行归一化操作，然后通过cbam注意力机制进行特征提取，得到解码后的二进制虹膜特征。
19.优选地，训练所述的深度神经编解码网络具体包括：
20.将训练的二进制虹膜特征与待保护的数字图像输入至所述的编码网络，编码网络
输出嵌入虹膜特征水印的编码图像；
21.随机从噪声层中选择一种噪声对嵌入虹膜特征水印的编码图像进行模拟攻击得到噪声图像；
22.将噪声图像输入至所述的解码网络提取嵌入的虹膜特征水印；
23.对编码网络和解码网络进行对抗联合训练。
24.优选地，编码图像和解码网络进行对抗联合训练的过程包括：
25.将编码网络输出的嵌入虹膜特征水印的编码图像与原始的数字图像输入到对抗鉴别器中，对抗鉴别器对这两种图像进行判断，判断为编码图像或者原始的数字图像，若对抗鉴别器将编码图像判断为原始的数字图像，则对抗鉴别器的损失将会增大，否则会变小；
26.利用水印模型的评价指标对解码网络提取的虹膜特征水印进行评价；
27.循环训练网络参数，直至水印模型的评价指标达到设定最优阈值且抗鉴别器的损失增大且趋于稳定，完成网络训练。
28.优选地，所述的水印模型的评价指标包括峰值信噪比psnr、结构相似性ssim、每比特的错误率ber以及归一化相关系数nc中的任意一种或多种的组合。
29.优选地，所述的测试过程包括：
30.将测试的二进制虹膜特征与待保护的数字图像输入至所述的编码网络，编码网络输出嵌入虹膜特征水印的编码图像；
31.在编码图像进行传输或拷贝转存的过程中，随机从噪声层中选择一种噪声对其进行攻击；
32.将经过噪声攻击后的编码图像输入至解码网络进行虹膜特征水印的提取；
33.计算提取后的虹膜特征与再次采集的虹膜图像生成的虹膜特征之间的匹配相似度分数；
34.将匹配相似度分数与最佳阈值进行比较完成身份验证，若匹配相似度分数大于最佳阈值，确认虹膜特征来自同一个人，身份验证成功，否则身份验证失败。
35.对编码网络和解码网络进行对抗联合训练。
36.优选地，所述的匹配相似度分数通过汉明距离计算得到。
37.优选地，用于噪声攻击的噪声包括jpeg压缩、裁剪、高斯滤波、高斯噪声、中值滤波、椒盐噪声中的任意一种。
38.与现有技术相比，本发明具有如下优点：
39.(1)本发明设计了一种用于图像或视频版权保护的方法，该方法把虹膜特征嵌入到需要保护的数字图像中，通过把嵌入水印图像中的虹膜特征提取出来进行虹膜特征的匹配，完成对数字图像的版权保护，它不仅可以满足数字水印的强鲁棒性与更好的隐秘性要求，而且可以实现版权保护要求的身份验证的高准确性；
40.(2)本发明选择简洁的经量化的二进制虹膜特征作为水印嵌入到需要保护的数字图像中，这可以极大程度上减小嵌入水印后图像与原始数字图像间的差异，提升水印的隐秘性；
41.(3)本发明把二进制的虹膜特征作为水印，不需要对目标图像进行密度定位，而是通过把水印扩散为与目标图像同样的大小，再与目标图像进行特征融合，这不仅可以更大程度减小定位的成本以及提高编码图像的质量，而且虹膜特征水印可以作为目标图像的身
份验证；
42.(4)本发明利用汉明距离计算提取的虹膜特征与再次采集虹膜图像生成的虹膜特征之间的距离，由于二进制的虹膜特征数据量小，抗干扰能力强，更容易被恢复，以及特殊的特征匹配对生成模式，本发明具有更高的身份验证准确性。
附图说明
43.图1为本发明一种基于虹膜特征水印的版权保护方法的流程框图；
44.图2为本发明虹膜特征水印的二进制量化方法流程框图；
45.图3为本发明金字塔特征融合的实施示意图；
46.图4为本发明虹膜特征水印的提取的实施示意图。
具体实施方式
47.下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
48.实施例
49.如图1所示，本实施例提供一种基于虹膜特征水印的版权保护方法，该方法适用于图像或视频的版权保护，本发明将待保护的图像或视频简称为“数字图像”。
50.该方法包括：
51.网络构建：构建用于虹膜特征水印嵌入与提取的深度神经编解码网络(本实施例中称作irismarknet)，包括用于将虹膜特征水印嵌入待保护的数字图像的编码网络以及用于将嵌入的虹膜特征水印提取出来的解码网络；
52.训练：训练深度神经编解码网络；
53.测试：利用训练的深度神经编解码网络进行虹膜特征水印的嵌入、提取，基于提出的虹膜特征进行特征匹配与身份验证。
54.本发明提供的基于虹膜特征水印的版权保护方法把虹膜特征嵌入到需要保护的数字图像中，通过把嵌入水印图像中的虹膜特征提取出来进行虹膜特征的匹配，完成对数字图像的版权保护，它不仅可以满足数字水印的强鲁棒性与更好的隐秘性要求，而且可以实现版权保护要求的身份验证的高准确性。
55.基于以上，本实施例主要包括深度神经编解码网络的训练与测试两部分内容，以下进行具体说明。
56.一、深度神经编解码网络(irismarknet)的训练
57.(1)将训练的二进制虹膜特征与待保护的数字图像输入至编码网络，编码网络输出嵌入虹膜特征水印的编码图像。
58.编码网络将虹膜特征水印嵌入待保护的数字图像的过程包括：
59.s11、把预处理的虹膜图像经过特征提取获取浮点特征向量，经过量化得到二进制虹膜特征，具体地，如图2所示，对采集的虹膜图像进行图像预处理，得到归一化后的虹膜图像。然后把归一化的虹膜图像作为输入进行特征提取，获取浮点型的虹膜特征向量，经过量化后可以得到二进制虹膜特征，大大减少了虹膜特征作为水印嵌入图像的数据量，这样就
不容易受到需要保护的数字图像嵌入容量的限制。
60.本发明选择简洁的经量化的二进制虹膜特征作为水印嵌入到需要保护的数字图像中，这可以极大程度上减小嵌入水印后图像与原始数字图像间的差异，提升水印的隐秘性。
61.s12、将二进制虹膜特征与待保护的数字图像进行金字塔特征融合编码得到嵌入虹膜特征水印的编码图像。此步骤特征融合实质上就是将新特征向量拼接到原来的特征向量之后，对应着维数的增加。使用简单的讲解图示进行说明，如图3所示。特征融合的实现建立在特征图的分辨率一致的前提下，进行通道数上的叠加。具体包括：
62.首先，对数字图像进行n次下采样操作，获得一系列不同分辨率的图，本实施例中n取为4；
63.接着，对下采样的数字图像与归一化的虹膜特征进行上采样操作，完成第一次特征融合，将第一次的融合特征与归一化的虹膜特征进行上采样操作，获得第二次的融合特征，以此类推，将第i次的融合特征与归一化的虹膜特征进行上采样操作，获得第i+1次的融合特征，i＝1，2，
……
，n-1；
64.最后，将数字图像与最后一次的融合特征进行特征融合，将融合结果进行归一化操作，得到嵌入虹膜特征水印的编码图像。
65.此步骤金字塔特征融合编码把待训练的二进制虹膜特征与数字图像进行多尺度的特征融合编码，提升虹膜特征水印网络的隐秘性。
66.(2)随机从噪声层中选择一种噪声对嵌入虹膜特征水印的编码图像进行模拟攻击得到噪声图像，差分噪声层随机选择jpeg压缩、裁剪、高斯滤波、高斯噪声、中值滤波、椒盐噪声以及无噪声中的一种作为噪声层进行训练，每一小批次中，金字塔特征融合编码模块从差分噪声层随机选择一种噪声进行攻击训练，得到相对应的噪声图像，同时把噪声图像输入到解码网络进行虹膜特征的提取，通过这种方式，对金字塔特征融合编码模块与解码网络进行对抗联合训练。
67.(3)将噪声图像输入至解码网络提取嵌入的虹膜特征水印，具体过程包括：将待解码的图像输入至解码网络，首先对其进行归一化操作，然后通过cbam注意力机制进行特征提取，得到解码后的二进制虹膜特征。
68.虹膜特征提取是本发明技术极为关键的一个部分，提取的准确性直接决定整个网络的鲁棒性以及版权保护进行身份验证的准确性。把噪声攻击后的编码图像输入到解码网络，首先对其进行归一化操作。为了提高解码网络阶段的特征提取能力，本发明利用cbam注意力机制来提升解码网络的性能，得到解码后的二进制虹膜特征，对噪声图像进行虹膜特征水印提取的具体操作如图4所示。
69.(4)对编码网络和解码网络进行对抗联合训练，具体包括：
70.将编码网络输出的嵌入虹膜特征水印的编码图像与原始的数字图像输入到对抗鉴别器中，对抗鉴别器对这两种图像进行判断，判断为编码图像或者原始的数字图像，若对抗鉴别器将编码图像判断为原始的数字图像，则对抗鉴别器的损失将会增大，否则会变小；
71.利用水印模型的评价指标对解码网络提取的虹膜特征水印进行评价，其中，水印模型的评价指标包括峰值信噪比psnr、结构相似性ssim、每比特的错误率ber以及归一化相关系数nc中的任意一种或多种的组合；
72.循环训练网络参数，直至水印模型的评价指标达到设定最优阈值且抗鉴别器的损失增大且趋于稳定，完成网络训练。
73.此步骤将噪声攻击的编码图像输入到解码网络，利用注意力机制进行虹膜特征提取，以此提高对虹膜特征提取的性能，根据原始的二进制虹膜特征与从噪声攻击后编码图像中提取的虹膜特征间的损失以及原始数字图像与嵌入水印的编码图像间的损失进行判断。当损失达到最优并趋于稳定时，且利用数字图像水印模型的评价指标进行最终的判断，满足数字图像水印的强鲁棒性与更好的隐秘性，即可得到最优化的深度神经编解码网络(irismarknet)。
74.二、深度神经编解码网络(irismarknet)的测试
75.测试过程包括：
76.(1)将测试的二进制虹膜特征与待保护的数字图像输入至训练好的编码网络，编码网络输出嵌入虹膜特征水印的编码图像；
77.其中，二进制虹膜特征采用图2所示的方法获得，与训练过程中的二进制虹膜特征的获取方法一致，此步骤中不再赘述。
78.(2)在编码图像进行传输或拷贝转存的过程中，随机从噪声层中选择一种噪声对其进行攻击；用于噪声攻击的噪声包括jpeg压缩、裁剪、高斯滤波、高斯噪声、中值滤波、椒盐噪声中的任意一种。
79.(3)将经过噪声攻击后的编码图像输入至训练好的解码网络进行虹膜特征水印的提取；
80.(4)计算提取后的虹膜特征与再次采集的虹膜图像生成的虹膜特征之间的匹配相似度分数，匹配相似度分数通过汉明距离计算得到；
81.(5)将匹配相似度分数与最佳阈值进行比较完成身份验证，若匹配相似度分数大于最佳阈值，确认虹膜特征来自同一个人，身份验证成功，否则身份验证失败。
82.在测试时，虹膜特征匹配是把虹膜特征水印网络应用于版权保护的核心部分，特征匹配的准确性会直接影响版权保护的性能。把解码网络提取出来的虹膜特征与进行版权验证的虹膜图像提取的特征生成特征匹配对。特征匹配对中虹膜图像的id及其特征是相互对应的。利用汉明距离计算两者的相似度分数，分数越小表示越相似，然后根据虹膜图像的id来进行判断。通过统计大量虹膜特征同类样本对和非同类样本对的匹配相似度分数计算最佳阈值。当两者的相似度分数小于得到的最佳阈值，可以判断为身份验证成功，否则为失败；身份验证成功的则可以证明版权的身份，达到保护版权的目的。
83.本实施例在中科院虹膜数据子集casia-iris-thousand上测试jpeg压缩攻击嵌入虹膜特征水印的图像的结果。采用psnr与ssim来衡量模型的隐秘性，ber与nc则衡量水印模型的鲁棒性。表1为本发明抵抗jpeg压缩攻击的实验结果。
84.(a)psnr：peak signal to noise ratio，峰值信噪比。
85.(b)ssim：structural similarity，结构相似性。
86.(c)ber：bit error ratio，比特出错概率。
87.(d)nc：normalized cross-correlation coefficient，归一化相关系数。
88.表1本发明方法抵抗jpeg压缩攻击的实验结果
89.网络模型psnrssimbernc
irismarknet38.5630.9350.0018％0.99999
90.从表1的实验结果，本发明技术的隐秘性与鲁棒性相对于传统算法都要好。特别是psnr达到38以上，人眼很难察觉嵌入水印后的图像与原始数字图像之间的差异。同时nc值几乎接近于1，可以实现对虹膜特征的无差异提取。实验的结果表明，本发明技术具有优于传统算法的隐秘性与鲁棒性。
91.本发明从更小特征进行特征融合，利用金字塔模型，对二进制的虹膜特征与数字图像进行多尺度的特征融合。为了验证金字塔特征融合的有效性，将虹膜特征嵌入前、后的图像进行对比，对比结果表明原始数字图像与嵌入水印后编码图像的差异对于人眼来说是难以察觉的，这说明金字塔特征融合编码有利于提升虹膜特征水印的隐秘性。
92.接着，在编码图像进行传输或拷贝转存的过程中，选择任意一种常见的噪声对其进行攻击，例如jpeg压缩、剪切等。
93.进一步地，把经过噪声攻击后的编码图像作为解码网络的输入，利用注意力机制对其进行虹膜特征水印的提取。
94.最后，计算提取后的虹膜特征与再次采集的虹膜图像生成的虹膜特征之间的匹配相似度分数与最佳阈值(该最佳阈值为统计大量虹膜特征同类样本和非同类样本的匹配相似度分数后获得)比较以确认虹膜特征是否来自同一个人，最后完成身份验证以实现图像版权的保护。本发明利用汉明距离计算提取的虹膜特征与再次采集虹膜图像生成的虹膜特征之间的距离，由于二进制的虹膜特征数据量小，抗干扰能力强，更容易被恢复，以及特殊的特征匹配对生成模式，本发明具有更高的身份验证准确性。
95.上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
技术特征：1.一种基于虹膜特征水印的版权保护方法，其特征在于，该方法包括：网络构建：构建用于虹膜特征水印嵌入与提取的深度神经编解码网络，包括用于将虹膜特征水印嵌入待保护的数字图像的编码网络以及用于将嵌入的虹膜特征水印提取出来的解码网络；训练：训练所述的深度神经编解码网络；测试：利用训练的深度神经编解码网络进行虹膜特征水印的嵌入、提取，基于提出的虹膜特征进行特征匹配与身份验证。2.根据权利要求1所述的一种基于虹膜特征水印的版权保护方法，其特征在于，所述的编码网络将虹膜特征水印嵌入待保护的数字图像的过程包括：s11、把预处理的虹膜图像经过特征提取获取浮点特征向量，经过量化得到二进制虹膜特征；s12、将二进制虹膜特征与待保护的数字图像进行金字塔特征融合编码得到嵌入虹膜特征水印的编码图像。3.根据权利要求2所述的一种基于虹膜特征水印的版权保护方法，其特征在于，步骤s12具体包括：首先，对数字图像进行n次下采样操作，获得一系列不同分辨率的图；接着，对下采样的数字图像与归一化的虹膜特征进行上采样操作，完成第一次特征融合，将第一次的融合特征与归一化的虹膜特征进行上采样操作，获得第二次的融合特征，以此类推，将第i次的融合特征与归一化的虹膜特征进行上采样操作，获得第i+1次的融合特征，i＝1，2，
……
，n-1；最后，将数字图像与最后一次的融合特征进行特征融合，将融合结果进行归一化操作，得到嵌入虹膜特征水印的编码图像。4.根据权利要求1所述的一种基于虹膜特征水印的版权保护方法，其特征在于，所述的解码网络提取嵌入的虹膜特征水印的具体过程包括：将待解码的图像输入至解码网络，首先对其进行归一化操作，然后通过cbam注意力机制进行特征提取，得到解码后的二进制虹膜特征。5.根据权利要求1所述的一种基于虹膜特征水印的版权保护方法，其特征在于，训练所述的深度神经编解码网络具体包括：将训练的二进制虹膜特征与待保护的数字图像输入至所述的编码网络，编码网络输出嵌入虹膜特征水印的编码图像；随机从噪声层中选择一种噪声对嵌入虹膜特征水印的编码图像进行模拟攻击得到噪声图像；将噪声图像输入至所述的解码网络提取嵌入的虹膜特征水印；对编码网络和解码网络进行对抗联合训练。6.根据权利要求5所述的一种基于虹膜特征水印的版权保护方法，其特征在于，编码图像和解码网络进行对抗联合训练的过程包括：将编码网络输出的嵌入虹膜特征水印的编码图像与原始的数字图像输入到对抗鉴别器中，对抗鉴别器对这两种图像进行判断，判断为编码图像或者原始的数字图像，若对抗鉴别器将编码图像判断为原始的数字图像，则对抗鉴别器的损失将会增大，否则会变小；
利用水印模型的评价指标对解码网络提取的虹膜特征水印进行评价；循环训练网络参数，直至水印模型的评价指标达到设定最优阈值且抗鉴别器的损失增大且趋于稳定，完成网络训练。7.根据权利要求6所述的一种基于虹膜特征水印的版权保护方法，其特征在于，所述的水印模型的评价指标包括峰值信噪比psnr、结构相似性ssim、每比特的错误率ber以及归一化相关系数nc中的任意一种或多种的组合。8.根据权利要求1所述的一种基于虹膜特征水印的版权保护方法，其特征在于，所述的测试过程包括：将测试的二进制虹膜特征与待保护的数字图像输入至所述的编码网络，编码网络输出嵌入虹膜特征水印的编码图像；在编码图像进行传输或拷贝转存的过程中，随机从噪声层中选择一种噪声对其进行攻击；将经过噪声攻击后的编码图像输入至解码网络进行虹膜特征水印的提取；计算提取后的虹膜特征与再次采集的虹膜图像生成的虹膜特征之间的匹配相似度分数；将匹配相似度分数与最佳阈值进行比较完成身份验证，若匹配相似度分数大于最佳阈值，确认虹膜特征来自同一个人，身份验证成功，否则身份验证失败。对编码网络和解码网络进行对抗联合训练。9.根据权利要求1所述的一种基于虹膜特征水印的版权保护方法，其特征在于，所述的匹配相似度分数通过汉明距离计算得到。10.根据权利要求5或8所述的一种基于虹膜特征水印的版权保护方法，其特征在于，用于噪声攻击的噪声包括jpeg压缩、裁剪、高斯滤波、高斯噪声、中值滤波、椒盐噪声中的任意一种。
技术总结本发明涉及一种基于虹膜特征水印的版权保护方法，该方法包括：网络构建：构建用于虹膜特征水印嵌入与提取的深度神经编解码网络，包括用于将虹膜特征水印嵌入待保护的数字图像的编码网络以及用于将嵌入的虹膜特征水印提取出来的解码网络；训练：训练所述的深度神经编解码网络；测试：利用训练的深度神经编解码网络进行虹膜特征水印的嵌入、提取，基于提出的虹膜特征进行特征匹配与身份验证。与现有技术相比，本发明不仅可以满足数字水印的强鲁棒性与更好的隐秘性要求，而且可以实现版权保护要求的身份验证的高准确性。要求的身份验证的高准确性。要求的身份验证的高准确性。
技术研发人员：沈文忠 容基 刘颖峰
受保护的技术使用者：上海电力大学
技术研发日：2022.05.13
技术公布日：2022/11/1
