선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 JND(Just Noticeable Difference)를 기반으로 한 3차원 지각 모델(Perceptual Model)올 제시하고 비디오의 특성을 고려하여 3D-DCT 계수에 워터마크를 삽입하는 방법을 제안하였다.
제안 방법
- 워터마크 삽입 과정에서는 8프레임 단위로 8×8×8 블록을 만들어 3D-DCT 계수를 생성하고 JND(Just Noticeable Difference)를 기반으로 한 3차원 지각 도델을 이용하여 저주파 대역에 워터마크 틀 삽입한다. 3 차원 지각 모델을 이용하여 워터마크의 투명성을 보장했고 워터마크의 강인성을 위하여 공격에 강한 저주파 대역에 삽입하였다. 김출과정은 복호화 과정 후에 얻어지는 프레임들에 삽입 과정에서 사용했던 3D・DCT를 적용하고 생성된 3D-DCT 계수와 워터마크의 상관관계를 이용하여 워터마크를 검출한다.
- 옹용하는 것은 수년간 연구되어왔다. 그 중에서 2차원 시각 모델(Visual Model)은 영상 압축에 사용되고 있는데 시각모델을 이용한 통상적인 압축 방법은 영상의 특징을 고려하는 JND(Just Noticeable Difference) 이론을 기반으로 한 마스크를 양자화 테이블에 적용하는 것을 기반으로 한다[1], 이러한 시각 모델은 워터마킹으로 확장되어지는데, 본 논문에서는 기존의 2 차원 시각 모델을 확장한 3차원 지각 모델(Perceptual Model) 을 제안하고 인간 시각 시스템을. 기반으로 하는 워터마킹 알고리즘을 제안한다.
- 그 중에서 2차원 시각 모델(Visual Model)은 영상 압축에 사용되고 있는데 시각모델을 이용한 통상적인 압축 방법은 영상의 특징을 고려하는 JND(Just Noticeable Difference) 이론을 기반으로 한 마스크를 양자화 테이블에 적용하는 것을 기반으로 한다[1], 이러한 시각 모델은 워터마킹으로 확장되어지는데, 본 논문에서는 기존의 2 차원 시각 모델을 확장한 3차원 지각 모델(Perceptual Model) 을 제안하고 인간 시각 시스템을. 기반으로 하는 워터마킹 알고리즘을 제안한다. 2D 시각 모델을 3D 지각 모델로 확장하기 위해서 chan이 제안한 비디오 압축올 위한 3D-DCT 양자화 방법을 이용한다〔2二 chan의 모델에 의하면 식 1과 식 2에 의하여 3차원 큐브를 그림 2와 같이 시각적으로 중요한 계수와 시각적으로 중요하지 않은 계수로 나눈다.
- 3 차원 지각 모델을 이용하여 워터마크의 투명성을 보장했고 워터마크의 강인성을 위하여 공격에 강한 저주파 대역에 삽입하였다. 김출과정은 복호화 과정 후에 얻어지는 프레임들에 삽입 과정에서 사용했던 3D・DCT를 적용하고 생성된 3D-DCT 계수와 워터마크의 상관관계를 이용하여 워터마크를 검출한다. 그림 1은 워터마킹 시스템의 흐름도를 나타낸다.
- 비디오의 3차원 신호를 3D・DCT하여 얻은 계수는 3차원의 큐브안에 존재하게 되고 시공간적인 정보를 갖고 있으며 시간적 공격에 강하다[3丄 이때 삽입되는 워터마크는 원 영상의 화질저하를 가져오지 않는 범위내에서 삽입될 수 있어야 한다. 따라서 제안한 방법에서는 시각적으로 중요한 3D-DCT 계수롤 선택하고 화질 저하롤 막기 위해 JND를 기반으로 한 3차원 지각 모델을 이용하여 워터마크를 삽입한다. 그림 4는 전체적인 삽입과정을 나타낸다.
- 본 논문에서 사용할 워터마크는 삽입 시 시각적으로 비가시성을 가지면서 이진 워터마크(binary watermark)보다 견고한 가우시안 분포 랜덤 벡터룰 사용한다. 가우시안 분포를 가지는 랜덤 벡터를 생성하기 위해 식 8의 Box-Muller 변환을 사용충} 여 균등 분포(uniform distribution)를 갖는 랜덤 벡터 u 上 , 로부터 가우시안 분포를 갖는 를 생성하게 된다.
- 본 논문에서 제안된 비디오 워터마킹 알고리즘은 크게 워터마크 생성, 워터마크 삽입, 워터마크 검출과정으로 나누어진다. 먼저 워터마크를 생성하기 위하여 가우시안 분포를 갖는 랜덤 벡터를 생성한다.
- 이전의 워터마킹 기술과 달리 현대의 디지털 워터마킹은 인간의 시각과 청각이 완벽하게 디지털 데이터를 인식하지 못한다는 사실을 이용하게 된다. 본 논문에서는 JND를 기반으로 한 3차원 지각 모델을 제시하고 전역 움직임에 비해 움직임이 큰 국부영역은 인간의 시각으로 인지하기 어렵다는 것올 이용하며 3D-DCT의 저주파 대역 계수의 크기를 적응적으로 이용하는 방법을 제안하였다.
- 본 논문에서는 계산의 효율을 위해 식 10 대신 3D-DCT의 분리성을 이용하여 X축, y축, z축으로 분리하여 구현하였다.
- 본 논문에서는 워터마크의 투명성과 강인성을 위하여 비디오의 특성올 고려하여 3D-DCT계수를 이용하였다. 3D-DCT 압축을 위한 양자 화 상수에서 민감도를 유도하고 전역적인 움직임에 비해 지역적인 움직임이 큰 영역의 민감도를 조절한 후 움직임의 크기에 비례해서 시각적으로 중요한 계수에 워터마크를 삽입하였고, 실험을 통하여 성능 향상을 확인할 수가 이었다
- 투명성이다. 본 논문에서는 워터마크의 투명성을 위해서 식 7과 같이 수정된 민감도를 이용해서 워터마크를 삽입하고 워터마크의 강인성 올 위해서 저주파 대역에 해당하는 그림 2의 (a) 영역에 워터마크를 삽입한다.
- 본 논문에서는 이것을 움직임 마스킹(Motion masking)이라고 정의하고 Watson의 밝기 마스킹 (luminance masking)과 유사하게 식을 유도한다. 국부지역의 움직임의 크기는 각 큐브의 움직임이 크기이고 이를 구하기 위해 그림 3의 A 영역을 이용하면 각 큐브의 움직임을 구할 수 있다.
- N개의 그룹을 구할 수 있다. 제안하는 방법은 식 9에 의해 만들어진 가우시안 랜덤 벡터를 이용하여 그롭당 1 비트씩 N 개의 그룹에 N개의 비트를 삽입한다. 식 11에서 보는 바와 같이 민감도 보다 큰 3D-DCT 계수는 민감도에 비례 홍}.
- 3D-DCT 계수의 저주파 대역은 워터마크의 강인성을 보장하지만 화질저하를 초래할 수 있다. 제안하는 방법은 화질 저하를 방지하기 위해 3차원 지각모델에 근거하여 3D-DCT 계수의 민감도를 구하고 움직임 마스킹을 통해 민감도를 수성하여 그림 2의 (a) 영역에 워터마크를 삽입한다.
이론/모형
- 기반으로 하는 워터마킹 알고리즘을 제안한다. 2D 시각 모델을 3D 지각 모델로 확장하기 위해서 chan이 제안한 비디오 압축올 위한 3D-DCT 양자화 방법을 이용한다〔2二 chan의 모델에 의하면 식 1과 식 2에 의하여 3차원 큐브를 그림 2와 같이 시각적으로 중요한 계수와 시각적으로 중요하지 않은 계수로 나눈다.
- chan의 방법에 의해 구하여진 양자화 상수를 이용하여 민감도(Sensitivity)를 구한다. Watson이 제안한 방법에 의해서 3D-DCT 계수의 민감도는 식 4가 됨을 알 수 있다.
- 먼저 워터마크를 생성하기 위하여 가우시안 분포를 갖는 랜덤 벡터를 생성한다. 가우시안 분포를 갖는 랜덤 벡터를 생성하기 위해서는 Box-Muller 변환을 사용한다. 워터마크 삽입 과정에서는 8프레임 단위로 8×8×8 블록을 만들어 3D-DCT 계수를 생성하고 JND(Just Noticeable Difference)를 기반으로 한 3차원 지각 도델을 이용하여 저주파 대역에 워터마크 틀 삽입한다.
성능/효과
- 특성올 고려하여 3D-DCT계수를 이용하였다. 3D-DCT 압축을 위한 양자 화 상수에서 민감도를 유도하고 전역적인 움직임에 비해 지역적인 움직임이 큰 영역의 민감도를 조절한 후 움직임의 크기에 비례해서 시각적으로 중요한 계수에 워터마크를 삽입하였고, 실험을 통하여 성능 향상을 확인할 수가 이었다
- 실험 온 새로 제안한 방법으로 미스 아메리카를 통하여 이루어졌고, 실험을 통하여 비디오의 특성을 고려하지 않고 3D-DCT 계수를 이용하는 기존의 방법과 비교해서 PSNRe유사하지만 JND를 기반으로 하였기 때문에 워터마크의 투명성을 보장하였고 MPEG 압축 및 시간적 공격에 대한 강인성은 약 5% 정도의 성능향상이 있음올 확인하였다.
후속연구
- 향후 연구과제로는 미스아메리카보다 움직임이 많은 다른 동영상에 대한실험이 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.