金融票據(jù)混沌水印加密算法研究與實(shí)現(xiàn)*

陶 銳,孫彥景

(中國(guó)礦業(yè)大學(xué),江蘇省煤礦電氣與自動(dòng)化工程實(shí)驗(yàn)室,江蘇 徐州 210046)

金融票據(jù)混沌水印加密算法研究與實(shí)現(xiàn)*

陶 銳,孫彥景*

(中國(guó)礦業(yè)大學(xué),江蘇省煤礦電氣與自動(dòng)化工程實(shí)驗(yàn)室,江蘇 徐州 210046)

針對(duì)金融票據(jù)關(guān)鍵信息內(nèi)容的認(rèn)證,提出了一種基于混沌水印的加密方法。對(duì)關(guān)鍵的數(shù)字信息,采用雙重水印加密方法,對(duì)金融票據(jù)進(jìn)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(shí)驗(yàn)結(jié)果顯示,利用混沌加密算法進(jìn)行的票據(jù)認(rèn)證,具有較高的實(shí)用價(jià)值,能有效提高金融系統(tǒng)的安全性。

混沌水印;信息隱藏;票據(jù)認(rèn)證

數(shù)字水印是一種特殊的信息隱藏技術(shù),票據(jù)數(shù)字圖像中嵌入防篡改水印,即是一種以數(shù)字圖像為載體的信息隱藏技術(shù)。自1994年Schyndel等人[1]發(fā)表了有關(guān)數(shù)字水印的文章以來,越來越多的研究者開始關(guān)注數(shù)字水印技術(shù)的研究。近年來,混沌數(shù)字水印成為了國(guó)際學(xué)術(shù)界興起的一個(gè)前沿研究領(lǐng)域。

國(guó)內(nèi)外研究者對(duì)混沌數(shù)字水印的研究可以歸納為混沌序列、混沌映射和混沌系統(tǒng)等3個(gè)角度[2]?；煦缧蛄芯哂凶銐蜷L(zhǎng)的周期及良好的隨機(jī)數(shù)統(tǒng)計(jì)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(jìn)行了研究,將其引入數(shù)字水印領(lǐng)域,顯示出了混沌水印的諸多優(yōu)良性能[3]。然而,隨著研究的深入,人們發(fā)現(xiàn)數(shù)字化后的混沌系統(tǒng)普遍存在有限精度下的動(dòng)力學(xué)特征退化[4],從而使得系統(tǒng)進(jìn)入短周期軌道。這種有限精度下的短周期行為嚴(yán)重破壞了混沌序列的隨機(jī)數(shù)特征,導(dǎo)致其統(tǒng)計(jì)學(xué)特性變?nèi)?相應(yīng)的密鑰空間縮小。在基于混沌序列的數(shù)字水印系統(tǒng)之上,研究者們結(jié)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(zhǎng)效應(yīng)的影響和提高數(shù)字水印算法抵抗群舉攻擊的性能。從改善混沌系統(tǒng)結(jié)構(gòu)的角度進(jìn)行分析,研究者提出了多個(gè)混沌系統(tǒng)的混合疊加方法[6],提高了水印的安全性。

本文針對(duì)金融票據(jù)中的敏感信息,利用圖像局部特征和深度神經(jīng)網(wǎng)絡(luò),設(shè)計(jì)了對(duì)關(guān)鍵區(qū)域的檢測(cè)定位系統(tǒng),比較了現(xiàn)有的圖像內(nèi)容定位算法。提出了針對(duì)關(guān)鍵區(qū)域的混沌水印加密方法,有效的防止了對(duì)關(guān)鍵信息的篡改,提高了票據(jù)認(rèn)證的安全性和效率。針對(duì)金融詐騙的預(yù)防,我們采用可見水印和不可見水印進(jìn)行多重的信息保護(hù)。結(jié)合票據(jù)關(guān)鍵區(qū)域,所提出的多重水印加密方法,能夠在票據(jù)認(rèn)證的同時(shí),顯示票據(jù)的來源等屬性,提高了票據(jù)的安全性,適合在實(shí)際金融認(rèn)證系統(tǒng)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(guī)則、雜亂的實(shí)際上則是由內(nèi)在運(yùn)動(dòng)規(guī)律的現(xiàn)象?；煦绲倪@種特性,使它天然的非常適合密碼學(xué)算法的設(shè)計(jì)?；煦缂用芎蛡鹘y(tǒng)加密算法的差別主要是:密碼系統(tǒng)在有限離散集內(nèi),混沌系統(tǒng)處在連續(xù)的實(shí)數(shù)集合內(nèi)。表1給出了傳統(tǒng)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(tǒng)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(duì)初值的極度敏感,可以達(dá)到較好的不可逆性。通過對(duì)序列輸出值和明文的加密運(yùn)算,能夠有效的對(duì)明文進(jìn)行置亂,達(dá)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(guān)鍵區(qū)域定位的多重水印加密

本文中,我們重點(diǎn)研究了金融票據(jù)中的關(guān)鍵區(qū)域定位與加密問題,如圖3所示。在金融票據(jù)中,包含了需要重點(diǎn)保護(hù)的關(guān)鍵區(qū)域,例如金額、前面、日期等。這些區(qū)域比其他的一些背景紋理圖案,具有更加關(guān)鍵的作用。以往的水印加密算法,并不能對(duì)圖像的內(nèi)容進(jìn)行識(shí)別與區(qū)分,對(duì)重點(diǎn)區(qū)域無法進(jìn)行重點(diǎn)保護(hù)。我們通過對(duì)圖像紋理形狀特征的提取,采用機(jī)器學(xué)習(xí)中的目標(biāo)檢測(cè)技術(shù),對(duì)關(guān)鍵區(qū)域進(jìn)行定位,進(jìn)而采用多重?cái)?shù)字水印進(jìn)行加密。

圖3 票據(jù)圖像的混沌加密與關(guān)鍵區(qū)域定位

2.1 圖像關(guān)鍵區(qū)域的預(yù)處理

票據(jù)的原始圖像如圖4所示,其中包含了文字和阿拉伯?dāng)?shù)字信息,以及印章圖案信息。對(duì)其進(jìn)行預(yù)處理,通過編譯提取可以獲得其中的像素梯度變化的關(guān)鍵信息,如圖5所示。采用輪廓提取的方法,我們進(jìn)一步可以將連通的區(qū)域區(qū)分出來,如圖6所示,不同的彩色邊緣代表不同的輪廓拓?fù)浣Y(jié)構(gòu)。各個(gè)輪廓的中心點(diǎn),由白色圓形標(biāo)出,代表了這幅票據(jù)圖像中關(guān)鍵信息的分布區(qū)域,不同的票據(jù)具有特有的關(guān)鍵信息位置分布,如圖7所示。在本文中,我們將對(duì)這些關(guān)鍵區(qū)域進(jìn)行定位檢查,以重點(diǎn)保護(hù)金融票據(jù)中的數(shù)值信息,防篡改的發(fā)生。

圖5 關(guān)鍵區(qū)域定位中的自適應(yīng)預(yù)處理步驟

圖4 關(guān)鍵區(qū)域定位的票據(jù)樣張

圖6 關(guān)鍵區(qū)域的輪廓信息提取與標(biāo)注

圖7 關(guān)鍵區(qū)域的全局中心點(diǎn)位置自動(dòng)標(biāo)注

2.2 圖像關(guān)鍵區(qū)域的檢測(cè)

在實(shí)際應(yīng)用中,數(shù)字是非常關(guān)鍵的信息,是最容易遭到篡改的目標(biāo)。因此,對(duì)數(shù)值區(qū)域圖像的檢測(cè)與定位,具有非常廣泛的應(yīng)用價(jià)值。諸多計(jì)算機(jī)視覺與人工智能的算法都可以應(yīng)用到這個(gè)領(lǐng)域中[7-11]。通常需要包含特征提取與 訓(xùn)練建模兩個(gè)步驟。

我們采用一種非常有效的翻轉(zhuǎn)不變SIFT特征(Scale-Invariant Feature Transform)[12],進(jìn)行圖像特征點(diǎn)的分析。通過模板匹配[13]、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)3種算法可以實(shí)現(xiàn)對(duì)模板的識(shí)別。模板匹配(Template Matching)可以通過式(1)實(shí)現(xiàn):

(1)

式中:T為模板,F為目標(biāo)區(qū)域。目標(biāo)區(qū)域的灰度值的變化,會(huì)顯著的影響相關(guān)運(yùn)算的結(jié)果。其尺寸大小亦是一個(gè)重要的影響參數(shù),我們進(jìn)一步考慮參數(shù)的規(guī)整化,可以得到:

(2)

式中:E是圖像灰度值的數(shù)學(xué)期望。通過一個(gè)滑動(dòng)窗口,我們可以實(shí)現(xiàn)對(duì)金融票據(jù)圖像區(qū)域的模板匹配。

除了模板匹配外,圖像內(nèi)容的檢測(cè)算法,可以通過機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)。其中需要對(duì)正性樣本和負(fù)性樣本的建模訓(xùn)練。將包含關(guān)鍵信息區(qū)域的圖像作為正性樣本,將包含背景區(qū)域的圖像作為負(fù)性樣本。在獲得訓(xùn)練數(shù)據(jù)后,我們對(duì)圖像進(jìn)行尺寸的歸一化預(yù)處理。在提取圖像的翻轉(zhuǎn)不變SIFT特征后,得到固定長(zhǎng)度的特征向量。然后采用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network)進(jìn)行訓(xùn)練。

(3)

式中:zi(vl)=(wl)Tvl+al。w是權(quán)重向量,a是偏置向量。神經(jīng)網(wǎng)絡(luò)的輸出層對(duì)后驗(yàn)概率進(jìn)行最終的計(jì)算:

(4)

2.3 多重?cái)?shù)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(dá)到對(duì)金融票據(jù)來源信息的標(biāo)識(shí)和對(duì)篡改的定位檢測(cè)。未授權(quán)方即便截獲了電子票據(jù),由于可見水印的版權(quán)效果,對(duì)關(guān)鍵信息的惡意篡改無法隱藏原有票據(jù)的來源、版權(quán)等信息,提高了電子票據(jù)在金融領(lǐng)域的安全性。在保護(hù)敏感信息的同時(shí),對(duì)篡改定位和票據(jù)防偽的認(rèn)證通過不可見水印進(jìn)行。

我們的可見水印嵌入算法首先將主圖像進(jìn)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(shù),其計(jì)算公式如下[15]:

(5)

(6)

如果考慮圖像明暗對(duì)視覺容忍的影響,計(jì)算公式可進(jìn)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(shù)。

嵌入可見水印圖像的DCT系數(shù)變?yōu)?

(9)

同時(shí)我們根據(jù)視覺系統(tǒng)的特性建立了簡(jiǎn)化分塊拉伸系數(shù)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(shù),圖像和水印的DCT系數(shù)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(kuò)頻技術(shù)插入水印信息,或是通過嵌入信息位的方式?？赡嬲J(rèn)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(shù)運(yùn)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(shù)值區(qū)域定位

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證圖像區(qū)域定位算法的有效性,首先我們?cè)谝欢y理背景圖像中進(jìn)行關(guān)鍵區(qū)域的檢測(cè),如圖8所示。數(shù)字出現(xiàn)在圖像背景中的不同區(qū)域,對(duì)數(shù)字區(qū)域的定位結(jié)果由矩形區(qū)域標(biāo)出。在對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理時(shí),將包含不同數(shù)字區(qū)域的圖像模板進(jìn)行隨機(jī)的剪切和拼接,以獲得足夠多的數(shù)據(jù)樣本。在對(duì)背景紋理的預(yù)處理中,包含了不同尺寸的圖像紋理樣本,進(jìn)行了隨機(jī)的縮放,以獲得盡量獨(dú)立于某個(gè)特定紋理的負(fù)性圖像分布。對(duì)待處理的輸入圖像,我們進(jìn)行了不同尺寸的滑動(dòng)窗口檢測(cè),對(duì)檢測(cè)結(jié)果,以不同的矩形窗口表示出來,對(duì)距離接近到一定閾值的矩形窗口,進(jìn)行了合并,以獲得最終的合理的結(jié)果。對(duì)數(shù)值關(guān)鍵區(qū)域的定位,有助于節(jié)省水印加密的運(yùn)算時(shí)間,有助于對(duì)篡改區(qū)域的定位。

如圖9所示,我們?cè)趯?shí)際的銀行票據(jù)中進(jìn)行了關(guān)鍵信息的定位,對(duì)數(shù)字區(qū)域進(jìn)行了識(shí)別檢測(cè)。如圖所示,其中的數(shù)字區(qū)域被準(zhǔn)確的提取了出來。在我們的訓(xùn)練模板中包含了單個(gè)和多個(gè)數(shù)字的模板數(shù)據(jù),在進(jìn)行檢測(cè)的過程中,我們通過不同的檢測(cè)窗口尺寸進(jìn)行識(shí)別對(duì)比。在獲得單個(gè)孤立的數(shù)字區(qū)域時(shí),進(jìn)行了后處理強(qiáng)化,當(dāng)其與其他結(jié)果接近時(shí),進(jìn)行區(qū)域的合并,否則拋棄,降低了區(qū)域的誤檢率。

圖9 圖像目標(biāo)檢測(cè)算法的定位效果

圖10 區(qū)域定位的正確率(SVM)

圖像面積比RBF核多項(xiàng)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(duì)關(guān)鍵區(qū)域定位的正確率進(jìn)行了統(tǒng)計(jì),縱坐標(biāo)代表定位的識(shí)別準(zhǔn)確率,即是否成功找出數(shù)字或字母內(nèi)容的圖像興趣區(qū)域。橫坐標(biāo)代表所識(shí)別對(duì)象的相對(duì)大小,其性能與算法的初始化滑動(dòng)窗口相關(guān)。對(duì)圖像興趣區(qū)域進(jìn)行檢測(cè)時(shí),需要采取滑動(dòng)窗口的方式來進(jìn)行樣本特征的初始化,窗口的尺寸采用金字塔結(jié)構(gòu)進(jìn)行分級(jí)的搜索。從實(shí)際票據(jù)中的需求看,當(dāng)字符字體越小時(shí),識(shí)別難度也相應(yīng)增大。圖中曲線代表了兩種不同的核函數(shù)的識(shí)別性能,采用支持向量機(jī)對(duì)關(guān)鍵區(qū)域進(jìn)行定位識(shí)別,當(dāng)相對(duì)面積增加時(shí),識(shí)別率上升,RBF核函數(shù)與多項(xiàng)式核函數(shù)的性能接近,RBF核函數(shù)略高于多項(xiàng)式核函數(shù)。

表3 淺層神經(jīng)網(wǎng)絡(luò)區(qū)域定位的正確率

如圖11中所示,采用ANN進(jìn)行識(shí)別,其正確率與隱層的節(jié)點(diǎn)數(shù)有關(guān)。采用BP算法訓(xùn)練傳統(tǒng)的三層神經(jīng)網(wǎng)絡(luò),隨著隱層節(jié)點(diǎn)數(shù)的變化,定位的準(zhǔn)確率也相應(yīng)發(fā)生變化。三層神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)只能根據(jù)實(shí)驗(yàn)中的經(jīng)驗(yàn)值進(jìn)行設(shè)定。同SVN算法一樣,隨著字符面積的增大,ANN識(shí)別率也隨之增大。從識(shí)別率曲線可以看到,當(dāng)字符面積比小于1%時(shí),識(shí)別正確率已經(jīng)降到不足70%。當(dāng)面積比在5%以上時(shí),識(shí)別正確率在90%左右。實(shí)驗(yàn)測(cè)試結(jié)果說明,神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行較好的關(guān)鍵區(qū)域檢測(cè)識(shí)別,在實(shí)際金融票據(jù)上,字符的字體大小占據(jù)一定的尺寸(1%),因此能夠滿足實(shí)際應(yīng)用的需求。

圖11 區(qū)域定位的正確率(ANN)

圖像面積比隱層節(jié)點(diǎn)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(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果如圖12所示,縱坐標(biāo)代表關(guān)鍵區(qū)域檢測(cè)的識(shí)別正確率,橫坐標(biāo)代表所建立的圖像特征模型的尺寸,即滑動(dòng)窗口與輸入圖片的面積比例。在訓(xùn)練階段滑動(dòng)窗口所定位的興趣區(qū)域ROI與字符的所在位置吻合,在檢測(cè)階段滑動(dòng)窗口遍歷輸入圖片的各位置,其尺寸大小按照經(jīng)典的金字塔法則設(shè)定。橫坐標(biāo)代表的尺寸比例在1%～10%之間變化時(shí),識(shí)別性能也隨之發(fā)生微小的變化。從實(shí)驗(yàn)結(jié)果可以看到,采用深度神經(jīng)網(wǎng)絡(luò)DNN獲得了較好的識(shí)別性能,與傳統(tǒng)的圖像內(nèi)容識(shí)別算法相比具有明顯的優(yōu)勢(shì)。在網(wǎng)絡(luò)的隱層數(shù)變化時(shí),對(duì)關(guān)鍵區(qū)域的檢測(cè)性能也發(fā)生一定的變化,隱層數(shù)量在17層時(shí),性能達(dá)到最佳。

圖12 區(qū)域定位的正確率(DNN)

對(duì)于字符的區(qū)域檢測(cè),可以在不同的分辨率上進(jìn)行,對(duì)于加密與解密的實(shí)際需求而言,我們需要定位感興趣的ROI所在,而不需要進(jìn)行特征點(diǎn)的定位,這一點(diǎn)與字符識(shí)別OCR的需求不同。因此在后續(xù)的進(jìn)一步實(shí)驗(yàn)中,我們將檢測(cè)器的輸出邊界(Bounding Box)進(jìn)行融合,獲得更為穩(wěn)定的區(qū)域檢測(cè)結(jié)果。如圖13所示,進(jìn)行區(qū)域融合后,相鄰區(qū)域的ROI進(jìn)行合并,采用SVM的檢測(cè)結(jié)果獲得了提高,如圖中的識(shí)別率曲線所示。我們可以看到,采用RBF和多項(xiàng)式核的算法都獲得了提升。將近臨的區(qū)域進(jìn)行合并可以減少加密的運(yùn)算量,更重要的是可以提高輸入圖像區(qū)域的穩(wěn)定性,從而提高水印嵌入的穩(wěn)定性。

圖13 后處理區(qū)域合并對(duì)誤檢率的降低(SVM)

如圖14中所示,采用合并子區(qū)域的檢測(cè)方法,神經(jīng)網(wǎng)絡(luò)的識(shí)別率可以達(dá)到90%以上。

圖14 后處理區(qū)域合并對(duì)誤檢率的降低(ANN)

如圖15所示,深度網(wǎng)絡(luò)的識(shí)別率明顯超過了傳統(tǒng)算法,對(duì)金融電子票據(jù)中關(guān)鍵的信息區(qū)域進(jìn)行了準(zhǔn)確的定位,每次定位的結(jié)果穩(wěn)定在較大的興趣區(qū)域中,對(duì)滑動(dòng)窗口的檢測(cè)過程具有較大的穩(wěn)定性,有利于實(shí)際中的數(shù)字水印的準(zhǔn)確嵌入,保護(hù)關(guān)鍵的數(shù)字、字母信息。如圖中識(shí)別率曲線所示,3%以上的面積比例能夠帶來95%以上的識(shí)別率。

圖15 后處理區(qū)域合并對(duì)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(guān)鍵信息區(qū)域可以通過可見水印進(jìn)行覆蓋,可見水印可以表明票據(jù)的版權(quán)、來源等信息,便捷的進(jìn)行票據(jù)的辨識(shí),對(duì)金融詐騙有一定的防范效果。對(duì)可逆水印的應(yīng)用,能夠?qū)⒄谏w的區(qū)域完整的復(fù)原出來,從而對(duì)票據(jù)進(jìn)行混沌水印的解密驗(yàn)證。

4 結(jié)論

本文中,我們對(duì)圖像的關(guān)鍵區(qū)域進(jìn)行了定位,有助于降低圖像水印算法的計(jì)算量,能夠有效的進(jìn)行關(guān)鍵區(qū)域的重點(diǎn)加密保護(hù),以提高金融票據(jù)的安全性。我們通過翻轉(zhuǎn)不變的SIFT特征提取了有效的圖像信息,采用隨機(jī)生產(chǎn)訓(xùn)練模板的方法增強(qiáng)了模型的通用性。結(jié)合票據(jù)關(guān)鍵區(qū)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(tǒng)中的實(shí)際意義。實(shí)驗(yàn)結(jié)果顯示,所提出的加密算法具有較高的安全性,能夠?qū)鹑谄睋?jù)中的篡改區(qū)域進(jìn)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(xué)報(bào),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(jì)算機(jī)工程,2014,40(6):70-74.

[6] 曲長(zhǎng)波,楊曉陶,史雙宇. 基于復(fù)合混沌系統(tǒng)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(wǎng)絡(luò)多特征融合的油茶果圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(14):133-137.

[8] 王洋,曾雪琴,范劍英. 汽車牌照字符識(shí)別系統(tǒng)設(shè)計(jì)[J]. 哈爾濱理工大學(xué)學(xué)報(bào),2012,17(1):90-95.

[9] 張鋒,常會(huì)友. 使用BP神經(jīng)網(wǎng)絡(luò)緩解協(xié)同過濾推薦算法的稀疏性問題[J]. 計(jì)算機(jī)研究與發(fā)展,2015,43(4):667-672.

[10] 陳德忠,趙亮,何書靜,等. BP 神經(jīng)網(wǎng)絡(luò)和SVR用于GPS高程擬合研究分析[J]. 測(cè)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(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào),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(xiàng)目來源:中央高校基本科研基金項(xiàng)目(2013RC1);江蘇省煤礦電氣自動(dòng)化實(shí)驗(yàn)室基金項(xiàng)目(2014KJZX05);國(guó)家自然科學(xué)基金項(xiàng)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(zhǎng)治人,中國(guó)礦業(yè)大學(xué)博士在讀。主要研究方向?yàn)閳D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(dǎo)師,中國(guó)礦業(yè)大學(xué)礦山物聯(lián)網(wǎng)研究所所長(zhǎng),中國(guó)礦業(yè)大學(xué)優(yōu)秀青年學(xué)術(shù)帶頭人,江蘇省“333高層次人才培養(yǎng)工程”培養(yǎng)對(duì)象推薦人選,江蘇省“青藍(lán)工程”優(yōu)秀青年骨干教師,江蘇省電子學(xué)會(huì)常務(wù)理事,煤炭工業(yè)通信監(jiān)控設(shè)備分技術(shù)委員會(huì)委員,入選江蘇省“六大人才”高峰和中國(guó)礦業(yè)大學(xué)力行計(jì)劃。為校創(chuàng)新團(tuán)隊(duì)“礦井通信與監(jiān)控”和江蘇高校優(yōu)秀科技創(chuàng)新團(tuán)隊(duì)“感知礦山物聯(lián)網(wǎng)”的骨干成員。曾在霍州煤電集團(tuán)有限責(zé)任公司李雅莊煤礦掛職礦長(zhǎng)助理。多年以來一直從事煤礦綜合信息化、礦井通信與監(jiān)控、礦山物聯(lián)網(wǎng)等相關(guān)的研究工作。主持國(guó)家自然科學(xué)基金項(xiàng)目2項(xiàng),江蘇省“六大人才高峰”高層次人才資助項(xiàng)目1項(xiàng),作為骨干或技術(shù)依托單位負(fù)責(zé)人參與863重點(diǎn)、國(guó)家發(fā)改委、江蘇省科技成果轉(zhuǎn)化和江蘇省高新技術(shù)項(xiàng)目多項(xiàng)。主要研究方向?yàn)樘魬?zhàn)環(huán)境下的嵌入式實(shí)時(shí)系統(tǒng)、無線傳感器網(wǎng)絡(luò)、協(xié)作通信、信息物理系統(tǒng)等,yanjingsun_cn@163.com。