金融票據混沌水印加密算法研究與實現*

陶 銳,孫彥景

(中國礦業大學,江蘇省煤礦電氣與自動化工程實驗室,江蘇 徐州 210046)

金融票據混沌水印加密算法研究與實現*

陶 銳,孫彥景*

(中國礦業大學,江蘇省煤礦電氣與自動化工程實驗室,江蘇 徐州 210046)

針對金融票據關鍵信息內容的認證,提出了一種基于混沌水印的加密方法。對關鍵的數字信息,采用雙重水印加密方法,對金融票據進行可見水印和不可見水印的雙重加密,提高了信息安全程度。實驗結果顯示,利用混沌加密算法進行的票據認證,具有較高的實用價值,能有效提高金融系統的安全性。

混沌水印;信息隱藏;票據認證

數字水印是一種特殊的信息隱藏技術,票據數字圖像中嵌入防篡改水印,即是一種以數字圖像為載體的信息隱藏技術。自1994年Schyndel等人[1]發表了有關數字水印的文章以來,越來越多的研究者開始關注數字水印技術的研究。近年來,混沌數字水印成為了國際學術界興起的一個前沿研究領域。

國內外研究者對混沌數字水印的研究可以歸納為混沌序列、混沌映射和混沌系統等3個角度[2]?；煦缧蛄芯哂凶銐蜷L的周期及良好的隨機數統計特性,因此諸多研究者圍繞混沌序列的生成方式及其非線性特性進行了研究,將其引入數字水印領域,顯示出了混沌水印的諸多優良性能[3]。然而,隨著研究的深入,人們發現數字化后的混沌系統普遍存在有限精度下的動力學特征退化[4],從而使得系統進入短周期軌道。這種有限精度下的短周期行為嚴重破壞了混沌序列的隨機數特征,導致其統計學特性變弱,相應的密鑰空間縮小。在基于混沌序列的數字水印系統之上,研究者們結合混沌映射[5],將其初值作為私有密鑰,能夠在一定程度上克服有限字長效應的影響和提高數字水印算法抵抗群舉攻擊的性能。從改善混沌系統結構的角度進行分析,研究者提出了多個混沌系統的混合疊加方法[6],提高了水印的安全性。

本文針對金融票據中的敏感信息,利用圖像局部特征和深度神經網絡,設計了對關鍵區域的檢測定位系統,比較了現有的圖像內容定位算法。提出了針對關鍵區域的混沌水印加密方法,有效的防止了對關鍵信息的篡改,提高了票據認證的安全性和效率。針對金融詐騙的預防,我們采用可見水印和不可見水印進行多重的信息保護。結合票據關鍵區域,所提出的多重水印加密方法,能夠在票據認證的同時,顯示票據的來源等屬性,提高了票據的安全性,適合在實際金融認證系統中便捷的推廣使用。

1 混沌水印加密算法

混沌是一種表面上無規則、雜亂的實際上則是由內在運動規律的現象?；煦绲倪@種特性,使它天然的非常適合密碼學算法的設計。混沌加密和傳統加密算法的差別主要是:密碼系統在有限離散集內,混沌系統處在連續的實數集合內。表1給出了傳統加密算法與混沌加密算法的異同。

表1 混沌加密算法與傳統加密算法的比較

基于混沌序列的加密方法如圖1和圖2所示,通過混沌序列對初值的極度敏感,可以達到較好的不可逆性。通過對序列輸出值和明文的加密運算,能夠有效的對明文進行置亂,達到加密的效果。

圖2 基于混沌序列的解密過程

圖1 基于混沌序列的加密過程

2 基于關鍵區域定位的多重水印加密

本文中,我們重點研究了金融票據中的關鍵區域定位與加密問題,如圖3所示。在金融票據中,包含了需要重點保護的關鍵區域,例如金額、前面、日期等。這些區域比其他的一些背景紋理圖案,具有更加關鍵的作用。以往的水印加密算法,并不能對圖像的內容進行識別與區分,對重點區域無法進行重點保護。我們通過對圖像紋理形狀特征的提取,采用機器學習中的目標檢測技術,對關鍵區域進行定位,進而采用多重數字水印進行加密。

圖3 票據圖像的混沌加密與關鍵區域定位

2.1 圖像關鍵區域的預處理

票據的原始圖像如圖4所示,其中包含了文字和阿拉伯數字信息,以及印章圖案信息。對其進行預處理,通過編譯提取可以獲得其中的像素梯度變化的關鍵信息,如圖5所示。采用輪廓提取的方法,我們進一步可以將連通的區域區分出來,如圖6所示,不同的彩色邊緣代表不同的輪廓拓撲結構。各個輪廓的中心點,由白色圓形標出,代表了這幅票據圖像中關鍵信息的分布區域,不同的票據具有特有的關鍵信息位置分布,如圖7所示。在本文中,我們將對這些關鍵區域進行定位檢查,以重點保護金融票據中的數值信息,防篡改的發生。

圖5 關鍵區域定位中的自適應預處理步驟

圖4 關鍵區域定位的票據樣張

圖6 關鍵區域的輪廓信息提取與標注

圖7 關鍵區域的全局中心點位置自動標注

2.2 圖像關鍵區域的檢測

在實際應用中,數字是非常關鍵的信息,是最容易遭到篡改的目標。因此,對數值區域圖像的檢測與定位,具有非常廣泛的應用價值。諸多計算機視覺與人工智能的算法都可以應用到這個領域中[7-11]。通常需要包含特征提取與 訓練建模兩個步驟。

我們采用一種非常有效的翻轉不變SIFT特征(Scale-Invariant Feature Transform)[12],進行圖像特征點的分析。通過模板匹配[13]、神經網絡和支持向量機3種算法可以實現對模板的識別。模板匹配(Template Matching)可以通過式(1)實現:

(1)

式中:T為模板,F為目標區域。目標區域的灰度值的變化,會顯著的影響相關運算的結果。其尺寸大小亦是一個重要的影響參數,我們進一步考慮參數的規整化,可以得到:

(2)

式中:E是圖像灰度值的數學期望。通過一個滑動窗口,我們可以實現對金融票據圖像區域的模板匹配。

除了模板匹配外,圖像內容的檢測算法,可以通過機器學習算法實現。其中需要對正性樣本和負性樣本的建模訓練。將包含關鍵信息區域的圖像作為正性樣本,將包含背景區域的圖像作為負性樣本。在獲得訓練數據后,我們對圖像進行尺寸的歸一化預處理。在提取圖像的翻轉不變SIFT特征后,得到固定長度的特征向量。然后采用深度神經網絡(Deep Neural Network)進行訓練。

(3)

式中:zi(vl)=(wl)Tvl+al。w是權重向量,a是偏置向量。神經網絡的輸出層對后驗概率進行最終的計算:

(4)

2.3 多重數字水印加密

在本文中,我們提出一種利用可見水印和不可見水印的多重加密方法,能夠達到對金融票據來源信息的標識和對篡改的定位檢測。未授權方即便截獲了電子票據,由于可見水印的版權效果,對關鍵信息的惡意篡改無法隱藏原有票據的來源、版權等信息,提高了電子票據在金融領域的安全性。在保護敏感信息的同時,對篡改定位和票據防偽的認證通過不可見水印進行。

我們的可見水印嵌入算法首先將主圖像進行分塊DCT變換,分析每塊圖像的紋理特征和邊緣信息,從而得到嵌入系數,其計算公式如下[15]:

(5)

(6)

如果考慮圖像明暗對視覺容忍的影響,計算公式可進一步修正如下:

(7)

(8)

式中:DC是直流分量,max代表最大值,Xc0是分塊直流系數。

嵌入可見水印圖像的DCT系數變為:

(9)

同時我們根據視覺系統的特性建立了簡化分塊拉伸系數的步驟,利用率空間域的邊緣信息提高水印嵌入效果[16]。

水印疊加公式如下:

cij=αncij(n)+βnWij(n)n=1,2,…

(10)

式中:αn和βn是塊n的拉伸系數,圖像和水印的DCT系數分別是cij(n)和Wij(n)

(11)

(12)

在本文中我們還研究了可逆可見水印(Reversible Visible Watermark)的生成算法。典型的可逆水印采用加性擴頻技術插入水印信息,或是通過嵌入信息位的方式?？赡嬲J證的原理由Honsinger等人[17]提出,為了防止灰度值溢出,可以采用模數運算來處理。為了防止椒鹽噪聲的畸變,可以采用無損壓縮的方式來處理。

圖8 不同紋理背景中的數值區域定位

3 實驗結果

為了驗證圖像區域定位算法的有效性,首先我們在一定紋理背景圖像中進行關鍵區域的檢測,如圖8所示。數字出現在圖像背景中的不同區域,對數字區域的定位結果由矩形區域標出。在對訓練數據進行預處理時,將包含不同數字區域的圖像模板進行隨機的剪切和拼接,以獲得足夠多的數據樣本。在對背景紋理的預處理中,包含了不同尺寸的圖像紋理樣本,進行了隨機的縮放,以獲得盡量獨立于某個特定紋理的負性圖像分布。對待處理的輸入圖像,我們進行了不同尺寸的滑動窗口檢測,對檢測結果,以不同的矩形窗口表示出來,對距離接近到一定閾值的矩形窗口,進行了合并,以獲得最終的合理的結果。對數值關鍵區域的定位,有助于節省水印加密的運算時間,有助于對篡改區域的定位。

如圖9所示,我們在實際的銀行票據中進行了關鍵信息的定位,對數字區域進行了識別檢測。如圖所示,其中的數字區域被準確的提取了出來。在我們的訓練模板中包含了單個和多個數字的模板數據,在進行檢測的過程中,我們通過不同的檢測窗口尺寸進行識別對比。在獲得單個孤立的數字區域時,進行了后處理強化,當其與其他結果接近時,進行區域的合并,否則拋棄,降低了區域的誤檢率。

圖9 圖像目標檢測算法的定位效果

圖10 區域定位的正確率(SVM)

圖像面積比RBF核多項式核1%0．650．662%0．710．73%0．750．765%0．870．8310%0．940．92

如圖10中所示,對關鍵區域定位的正確率進行了統計,縱坐標代表定位的識別準確率,即是否成功找出數字或字母內容的圖像興趣區域。橫坐標代表所識別對象的相對大小,其性能與算法的初始化滑動窗口相關。對圖像興趣區域進行檢測時,需要采取滑動窗口的方式來進行樣本特征的初始化,窗口的尺寸采用金字塔結構進行分級的搜索。從實際票據中的需求看,當字符字體越小時,識別難度也相應增大。圖中曲線代表了兩種不同的核函數的識別性能,采用支持向量機對關鍵區域進行定位識別,當相對面積增加時,識別率上升,RBF核函數與多項式核函數的性能接近,RBF核函數略高于多項式核函數。

表3 淺層神經網絡區域定位的正確率

如圖11中所示,采用ANN進行識別,其正確率與隱層的節點數有關。采用BP算法訓練傳統的三層神經網絡,隨著隱層節點數的變化,定位的準確率也相應發生變化。三層神經網絡的隱層節點數只能根據實驗中的經驗值進行設定。同SVN算法一樣,隨著字符面積的增大,ANN識別率也隨之增大。從識別率曲線可以看到,當字符面積比小于1%時,識別正確率已經降到不足70%。當面積比在5%以上時,識別正確率在90%左右。實驗測試結果說明,神經網絡能夠進行較好的關鍵區域檢測識別,在實際金融票據上,字符的字體大小占據一定的尺寸(1%),因此能夠滿足實際應用的需求。

圖11 區域定位的正確率(ANN)

圖像面積比隱層節點617301%0．740．740．732%0．840．890．863%0．890．910．95%0．930．940．9310%0．950．990．96

采用深度神經網絡的識別結果如圖12所示,縱坐標代表關鍵區域檢測的識別正確率,橫坐標代表所建立的圖像特征模型的尺寸,即滑動窗口與輸入圖片的面積比例。在訓練階段滑動窗口所定位的興趣區域ROI與字符的所在位置吻合,在檢測階段滑動窗口遍歷輸入圖片的各位置,其尺寸大小按照經典的金字塔法則設定。橫坐標代表的尺寸比例在1%～10%之間變化時,識別性能也隨之發生微小的變化。從實驗結果可以看到,采用深度神經網絡DNN獲得了較好的識別性能,與傳統的圖像內容識別算法相比具有明顯的優勢。在網絡的隱層數變化時,對關鍵區域的檢測性能也發生一定的變化,隱層數量在17層時,性能達到最佳。

圖12 區域定位的正確率(DNN)

對于字符的區域檢測,可以在不同的分辨率上進行,對于加密與解密的實際需求而言,我們需要定位感興趣的ROI所在,而不需要進行特征點的定位,這一點與字符識別OCR的需求不同。因此在后續的進一步實驗中,我們將檢測器的輸出邊界(Bounding Box)進行融合,獲得更為穩定的區域檢測結果。如圖13所示,進行區域融合后,相鄰區域的ROI進行合并,采用SVM的檢測結果獲得了提高,如圖中的識別率曲線所示。我們可以看到,采用RBF和多項式核的算法都獲得了提升。將近臨的區域進行合并可以減少加密的運算量,更重要的是可以提高輸入圖像區域的穩定性,從而提高水印嵌入的穩定性。

圖13 后處理區域合并對誤檢率的降低(SVM)

如圖14中所示,采用合并子區域的檢測方法,神經網絡的識別率可以達到90%以上。

圖14 后處理區域合并對誤檢率的降低(ANN)

如圖15所示,深度網絡的識別率明顯超過了傳統算法,對金融電子票據中關鍵的信息區域進行了準確的定位,每次定位的結果穩定在較大的興趣區域中,對滑動窗口的檢測過程具有較大的穩定性,有利于實際中的數字水印的準確嵌入,保護關鍵的數字、字母信息。如圖中識別率曲線所示,3%以上的面積比例能夠帶來95%以上的識別率。

圖15 后處理區域合并對誤檢率的降低(DNN)

圖16 可見水印的多重加密效果

可見可逆水印的加密效果如圖16所示,我們可以看到關鍵信息區域可以通過可見水印進行覆蓋,可見水印可以表明票據的版權、來源等信息,便捷的進行票據的辨識,對金融詐騙有一定的防范效果。對可逆水印的應用,能夠將遮蓋的區域完整的復原出來,從而對票據進行混沌水印的解密驗證。

4 結論

本文中,我們對圖像的關鍵區域進行了定位,有助于降低圖像水印算法的計算量,能夠有效的進行關鍵區域的重點加密保護,以提高金融票據的安全性。我們通過翻轉不變的SIFT特征提取了有效的圖像信息,采用隨機生產訓練模板的方法增強了模型的通用性。結合票據關鍵區域、可見水印和不可見水印,我們深入研究了多重水印在金融系統中的實際意義。實驗結果顯示,所提出的加密算法具有較高的安全性,能夠對金融票據中的篡改區域進行有效的定位。

[1] Schyndel R G V,Tirkel A Z. A Digital Watermark,IEEE International Conference on Image Processing,1994:86-89.

[2] Gupta V,Barve A. A Review on Image Watermarking and Its Techniques[J]. International Journal of Advanced Research in Computer Science and Software Engineering,2014,4(1):92-97.

[3] Maleki H,Sharabyan M T. Presentation of a Method for Watermarking by Multi-Dimensional Chaotic Functions[J]. J Appl Environ Biol Sci,2015,5(3):174-180.

[4] 彭再平,王春華,林愿,等. 一種新型的四維多翼超混沌吸引子及其在圖像加密中的研究[J]. 物理學報,2014,63(24):240506-240506.

[5] Tao L. 基于混沌映射和DNA編碼的圖像加密算法[J]. 計算機工程,2014,40(6):70-74.

[6] 曲長波,楊曉陶,史雙宇. 基于復合混沌系統的多小波魯棒水印算法[J]. Computer Engineering and Applications,2014,50(24):101-106.

[7] 李昕,李立君,高自成,等. 基于偏好人工免疫網絡多特征融合的油茶果圖像識別[J]. 農業工程學報,2012,28(14):133-137.

[8] 王洋,曾雪琴,范劍英. 汽車牌照字符識別系統設計[J]. 哈爾濱理工大學學報,2012,17(1):90-95.

[9] 張鋒,常會友. 使用BP神經網絡緩解協同過濾推薦算法的稀疏性問題[J]. 計算機研究與發展,2015,43(4):667-672.

[10] 陳德忠,趙亮,何書靜,等. BP 神經網絡和SVR用于GPS高程擬合研究分析[J]. 測繪地理信息,2012,37(5):47-49.

[11] 丁世飛,齊丙娟,譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學學報,2011,40(1):2-10.

[12] Zhao W L,Ngo C W. Flip-Invariant SIFT for Copy and Object Detection[J]. IEEE Transactions on Image Processing,2013,22(3):980-991.

[13] Delalandre M,Iwata M,Kise K. Fast and Optimal Binary Template Matching Application to Manga Copyright Protection[C]//11th IAPR International Workshop on Document Analysis Systems,2014:298-303.

[14] Han K,Yu D,Tashev T. Speech Emotion Recognition Using Deep Neural Network and Extreme Learning Machine[C]//Proc of Annual Conference of the International Speech Communication Association,Singapore,2014:223-227.

[15] Kankanhalli M,Ramakrishnan K R. Adaptive Visible Watermarking of Images[C]//Proc of ICMCS’99,1999:568-573.

[16] Mohanty S P,Ramakrishnan K R,Kankanhalli M. A DCT Domain Visible Watermarking Technique for Images[C]//Proc Int Conf on Multimedia and Expo,2000.

[17] Honsinger C W,Jones P,Rabbani M,et al. Lossless Recovery of an Original Image Containing Embedded Data. US patent application,Docket No 77 102/E-D,1999.

ResearchandImplementationofChaoticWatermarkEncryptionAlgorithmforFinancialNotes*

TAORui,SUNYanjing*

(Jiangsu Province Laboratory of Electrical and Automation Engineering for Coal Mining, China University of Mining Technology,Xuzhou Jiangsu 210046,China)

A chaotic watermark encryption algorithm is proposed for authentication of the key information content in financial notes. Aiming to improve the security of the information,dual watermarking encryption algorithm is adopted for the key numbers. At the same time,visible and invisible dual encryption algorithm is employed for the financial notes. Experimental results show that the note authentication based on chaotic encryption algorithm has a great potential value in practice and improves the security of financial system.

chaotic watermark;information hiding;note authentication

10.3969/j.issn.1005-9490.2017.05.047

項目來源:中央高?；究蒲谢痦椖?2013RC1);江蘇省煤礦電氣自動化實驗室基金項目(2014KJZX05);國家自然科學基金項目(61375028)

2016-07-15修改日期2016-09-02

TP319

A

1005-9490(2017)05-1297-07

陶銳(1982-),男,山西長治人,中國礦業大學博士在讀。主要研究方向為圖像壓縮、防偽加密等,sxtaxtr@163.com;

孫彥景(1977-),男,山東滕州人,博士,2008年破格副教授,2011年破格教授,博士生導師,中國礦業大學礦山物聯網研究所所長,中國礦業大學優秀青年學術帶頭人,江蘇省“333高層次人才培養工程”培養對象推薦人選,江蘇省“青藍工程”優秀青年骨干教師,江蘇省電子學會常務理事,煤炭工業通信監控設備分技術委員會委員,入選江蘇省“六大人才”高峰和中國礦業大學力行計劃。為校創新團隊“礦井通信與監控”和江蘇高校優秀科技創新團隊“感知礦山物聯網”的骨干成員。曾在霍州煤電集團有限責任公司李雅莊煤礦掛職礦長助理。多年以來一直從事煤礦綜合信息化、礦井通信與監控、礦山物聯網等相關的研究工作。主持國家自然科學基金項目2項,江蘇省“六大人才高峰”高層次人才資助項目1項,作為骨干或技術依托單位負責人參與863重點、國家發改委、江蘇省科技成果轉化和江蘇省高新技術項目多項。主要研究方向為挑戰環境下的嵌入式實時系統、無線傳感器網絡、協作通信、信息物理系統等,yanjingsun_cn@163.com。