一種基于多音字的中文文本篡改檢測(cè)水印算法

費(fèi)文斌，唐向宏，張 寧，王麗娜

(杭州電子科技大學(xué)通信工程學(xué)院，浙江杭州310018)

0 引言

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，與人們生活息息相關(guān)的數(shù)字產(chǎn)品已被廣泛關(guān)注，盜版問(wèn)題已經(jīng)成了人們關(guān)心的焦點(diǎn)［1］。數(shù)字水印技術(shù)就是將特殊的不可見(jiàn)標(biāo)記嵌入到數(shù)字媒體(圖像、聲音、文檔和視頻等)中，以保護(hù)原創(chuàng)作者對(duì)其作品的所有權(quán)。目前，對(duì)于數(shù)字產(chǎn)品的保護(hù)，圖像、視頻、音頻的研究已經(jīng)非常成熟，由于數(shù)字水印是利用載體本身大量的冗余信息實(shí)現(xiàn)水印的嵌入，而文本的冗余空間相對(duì)較小，所以對(duì)文本水印的研究相對(duì)較少。目前對(duì)于文本數(shù)字水印的研究主要有基于傳統(tǒng)圖像的文本水印算法［2］、基于格式的文本水印算法［3］、基于自然語(yǔ)言的文本水印算法［4］、以及基于文本特征的文本水印算法［5］等4類。本文將結(jié)合零水印嵌入原理，通過(guò)多音字來(lái)定位原始文本的內(nèi)容，提取兩個(gè)多音字之間的漢字以及多音字的讀音特征來(lái)構(gòu)造水印，探討一種基于多音字的零水印算法。

1 文本水印基本原理

國(guó)家語(yǔ)委制定的《現(xiàn)代漢語(yǔ)通用字表》收錄的7 000個(gè)漢字(內(nèi)含2 500常用字、1 000次常用字)中有625個(gè)多音字，其中的326個(gè)是常用字，占多音字總數(shù)的52%［6］。本文將通過(guò)常用多音字定位原始文本的內(nèi)容，提取兩個(gè)多音字之間的漢字以及多音字的讀音特征來(lái)構(gòu)造零水印，其水印嵌入流程框圖如圖1所示。

圖1 水印嵌入流程框圖

1.1 水印嵌入算法

(1)對(duì)原始文本預(yù)處理:除去文本中符號(hào)，提取出文本中所有漢字標(biāo)記T，找出T中的常用多音字D(i)，i=1，2，…，k。

(2)分別記錄兩多音字D(i)與D(i+1)之間非多音漢字的個(gè)數(shù)，記為p1;根據(jù)漢字拼音表，將兩多音字D(i)與D(i+1)之間的非多音漢字用漢字拼音表示，記錄這組拼音字母?jìng)€(gè)數(shù)，記為q1。例如:我省環(huán)保工作的先進(jìn)單位。位于多音字“省”與“作”之間的漢字?jǐn)?shù)為p1=3，相應(yīng)的拼音字母為“huanbaogong”，q1=11。多音字用灰色表示。

(3)將p1和q1分別轉(zhuǎn)化為8位二進(jìn)制碼，前后相連得到一個(gè)16位的二進(jìn)制字符串A。例如，p1=3，q1=11，轉(zhuǎn)換得到 A=［00000011 00001011］。

(4)記錄多音字D(i)的讀音數(shù)，記為p2;記錄這個(gè)多音字讀音的字母總數(shù)q2。例如:多音字“會(huì)”有3個(gè)讀音，分別是huì/kuài，記讀音數(shù)p2=2，讀音的字母總數(shù)q2=7。

(5)將p2和q2分別轉(zhuǎn)化為8位二進(jìn)制碼，前后相連得到一個(gè)16位的二進(jìn)制字符串B。例如，p2=2，q2=7，轉(zhuǎn)換得到B=［00000010 00000111］。將A與B按位異或，得到字符串C。

(6)重復(fù)(2)至(5)步，直到T結(jié)束，從而形成由兩個(gè)多音字之間的漢字以及多音字的讀音特征構(gòu)成的二進(jìn)制特征序列C。

(7)將所要嵌入的原始水印信息轉(zhuǎn)化為16位二進(jìn)制Unicode碼W。

(8)水印的嵌入:將二進(jìn)制序列C和W按以下規(guī)則比較，形成水印特征Q。1)C和W相對(duì)應(yīng)的代碼都為0，則Q的對(duì)應(yīng)位也為0。2)C的代碼為0，W相對(duì)應(yīng)的代碼為1，則Q的對(duì)應(yīng)位為1。3)C的代碼為1，W相對(duì)應(yīng)的代碼為0，則Q的對(duì)應(yīng)位為2。4)C和W相對(duì)應(yīng)的代碼都為1，則Q的對(duì)應(yīng)位也為3。

1.2 水印提取算法

水印的提取為嵌入的逆過(guò)程。按如下規(guī)則提取水印:(1)C’為0，Q的對(duì)應(yīng)位為0，則W’相對(duì)應(yīng)的位為0;(2)C’為0，Q的對(duì)應(yīng)位為1，則W’相對(duì)應(yīng)的位為1;(3)C’為1，Q的對(duì)應(yīng)位為2，則W’相對(duì)應(yīng)的位為0;(4)C’為1，Q的對(duì)應(yīng)位為3，則W’相對(duì)應(yīng)的位為1。當(dāng)不滿足以上的規(guī)則時(shí)，表明所對(duì)應(yīng)的內(nèi)容已被篡改，對(duì)篡改位置進(jìn)行定位處理。

2 實(shí)驗(yàn)仿真與性能分析

為了驗(yàn)證本水印算法的性能，首先，在實(shí)驗(yàn)中對(duì)算法的抗文本格式轉(zhuǎn)換、文本字體調(diào)整、刪除空格、標(biāo)點(diǎn)符號(hào)轉(zhuǎn)換等常規(guī)文本操作的魯棒性進(jìn)行了仿真，仿真表明本算法對(duì)這些常規(guī)文本操作具有較強(qiáng)的魯棒性。由于在構(gòu)造水印時(shí)采用零水印，沒(méi)有向原始文本中加入任何信息，所以所嵌入的水印是完全不可見(jiàn)的。同時(shí)，本算法在水印容量上也有較大的提高。

為更好的說(shuō)明本算法的定位能力，下面僅給出部分仿真實(shí)驗(yàn)結(jié)果。如圖2所示給出了一段含有140個(gè)字符的原始文本，其中常用多音字23個(gè)。因此，該文本的水印容量為22個(gè)漢字，能夠嵌入的水印百分比(按漢字?jǐn)?shù))=15.714 2。仿真實(shí)驗(yàn)中所嵌入的原始水印信息如圖3所示。

圖2 原始文本

圖3 原始水印信息

2.1 水印文本中增加漢字

在水印文本中增加漢字分增加的漢字含多音字和不含多音字兩種，如圖4所示，帶單下劃線表示增加的漢字。提取的水印信息如表1所示，與原始水印不同的地方用單下劃線表示。

圖4 增加漢字后的文本

表1 提取的水印信息

從表1可以看出被增加的漢字位于第7個(gè)多音字和第8個(gè)多音字之間，當(dāng)增加含有多音字的文字時(shí)，提取的水印信息會(huì)相應(yīng)的增加，而當(dāng)增加不含多音字的文字時(shí)，提取的水印信息與原始水印信息數(shù)目保持相等，以下仿真結(jié)果類似。

2.2 水印文本中刪除漢字

在水印文本中刪除漢字也分刪除的漢字含多音字和不含多音字兩種，如圖5所示，帶波浪線標(biāo)記為刪除的漢字。提取的水印信息如表2所示。

圖5 刪除漢字后的文本

表2 提取的水印信息

2.3 水印文本中漢字的替換

替換水印文本中的漢字分為4種情況，如圖6所示，帶雙下劃線標(biāo)記為被替換后的漢字。提取的水印信息如表3所示。

表3 提取的水印信息

從以上仿真實(shí)驗(yàn)結(jié)果可以看出，本算法能有效檢測(cè)出水印文本內(nèi)容是否被刪除、增加和替換等操作，并能有效定位篡改的位置。由于仿真中，只采用了常用多音字，可以進(jìn)一步完善本算法，采用全部的多音字作標(biāo)志位，這樣能使本算法在水印容量和定位精度上進(jìn)一步得到提高。另外，在仿真實(shí)驗(yàn)中也對(duì)算法的虛檢情況進(jìn)行了仿真。采用零水印思想提出的算法盡管在不可見(jiàn)性和魯棒性有其獨(dú)特的優(yōu)勢(shì)，但也會(huì)產(chǎn)生虛檢的問(wèn)題。非作者作品經(jīng)過(guò)零水印算法的檢測(cè)被誤判為該作者作品的概率，稱為虛檢概率。由于未對(duì)原始文本進(jìn)行改變，當(dāng)使用與原始文本內(nèi)容完全不同的文本進(jìn)行檢測(cè)時(shí)，也能得到一定數(shù)量的水印信息，會(huì)產(chǎn)生虛檢，因此對(duì)虛檢的檢測(cè)具有十分重要的實(shí)際意義。本文所指的虛檢是指用已獲取的水印信息去檢驗(yàn)其它文本是否含有水印信息。在表4中給出了利用4段不同的文本檢測(cè)的結(jié)果。虛檢率定義為R/N，其中N為文本的水印容量，R為檢測(cè)到正確的水印信息數(shù)。從表4可以看出，采用其它類似文本進(jìn)行提取水印信息時(shí)，誤檢概率都小于0.10，能夠有效防止誤判情況的發(fā)生。

表4 虛檢率

3 結(jié)束語(yǔ)

本文從漢字的一字多音出發(fā)，結(jié)合零水印的思想，提出了一種基于多音字的中文文本篡改檢測(cè)水印算法。該算法采用兩個(gè)多音字之間的漢字以及多音字的讀音特征來(lái)構(gòu)造水印特征，產(chǎn)生基于文本特征的零水印算法。仿真結(jié)果表明，該算法即含有很強(qiáng)的透明性，具有較強(qiáng)魯棒性，而且本算法在提取和檢測(cè)時(shí)，沒(méi)有用到原始文本，實(shí)現(xiàn)了盲檢測(cè)。

［1］ 王麗娜，張煥國(guó).信息隱藏技術(shù)與應(yīng)用［M］.武漢:武漢大學(xué)出版社，2003:25－28.

［2］ 趙星陽(yáng)，孫繼銀.一種可抗二值化攻擊的文本圖像可見(jiàn)水印算法［J］.計(jì)算機(jī)應(yīng)用，19(1):165－167.

［3］ Ding Huang，Hong Yan.Interword distance changes represented by sine waves for watermarking text images［J］.IEEE Trans on Circuits and System for Video Technology，2001，11(12):1 237－1 245.

［4］ 張 宇，劉 挺，陳毅恒.自然語(yǔ)言文本水印［J］.中文信息學(xué)報(bào)，2005，19(1):56－62.

［5］ 趙理，崔杜武.基于漢字拼音聲調(diào)的文本水印算法［J］.計(jì)算機(jī)工程，2009，35(10):142－144.

［6］ 龔嘉鎮(zhèn).漢字漢語(yǔ)漢文化論集［M］.成都:四川巴蜀書(shū)社，2002:139－140.