La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Digital Watermarking Method for Printed Matters Using Deep Learning for Detecting Watermarked Areas Méthode de filigrane numérique pour les documents imprimés utilisant l'apprentissage profond pour détecter les zones filigranées

Hiroyuki IMAGAWA, Motoi IWATA, Koichi KISE

  • Vues en texte intégral

    0

  • Citer

Résumé:

Il existe certaines technologies comme les codes QR pour obtenir des informations numériques à partir d'imprimés. Le filigrane numérique fait partie de ces techniques. Comparé à d’autres techniques, le filigrane numérique permet d’ajouter des informations aux images sans altérer leur conception. À ces fins, des procédés de tatouage numérique pour des imprimés utilisant des marqueurs de détection ou des techniques d'enregistrement d'images pour détecter des zones filigranées sont proposés. Cependant, les marqueurs de détection eux-mêmes peuvent endommager l'apparence, de sorte que les avantages du tatouage numérique, qui ne perd pas en design, ne sont pas pleinement exploités. En revanche, les méthodes utilisant des techniques d'enregistrement d'images ne peuvent pas fonctionner pour des images non enregistrées. Dans cet article, nous proposons une nouvelle méthode de tatouage numérique utilisant l'apprentissage profond pour la détection des zones filigranées au lieu d'utiliser des marqueurs de détection ou l'enregistrement d'images. La méthode proposée introduit une segmentation sémantique basée sur un modèle d'apprentissage profond pour détecter les zones filigranées à partir d'imprimés. Nous préparons deux ensembles de données pour entraîner le modèle d'apprentissage en profondeur. L’une est constituée d’images non filigranées et filigranées transformées géométriquement. Le nombre d'images dans cet ensemble de données est relativement important car les images peuvent être générées sur la base d'un traitement d'image. Cet ensemble de données est utilisé pour la pré-formation. L'autre est obtenu à partir de photographies réellement prises, y compris des imprimés non filigranés ou filigranés. Le nombre de cet ensemble de données est relativement faible car la prise de photographies nécessite beaucoup d'efforts et de temps. Cependant, l'existence de pré-formations permet de réduire le nombre d'images de formation. Cet ensemble de données est utilisé pour un réglage fin afin d'améliorer la robustesse des attaques par caméra d'impression. Lors des expériences, nous avons étudié les performances de notre méthode en la mettant en œuvre sur des smartphones. Les résultats expérimentaux montrent que notre méthode peut transporter 96 bits d’informations avec des imprimés filigranés.

Publication
IEICE TRANSACTIONS on Information Vol.E104-D No.1 pp.34-42
Date de publication
2021/01/01
Publicisé
2020/10/07
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2020MUP0004
Type de manuscrit
Special Section PAPER (Special Section on Enriched Multimedia — Multimedia Security and Forensics —)
Catégories

Auteurs

Hiroyuki IMAGAWA
  Osaka Prefecture University
Motoi IWATA
  Osaka Prefecture University
Koichi KISE
  Osaka Prefecture University

Mots-clés

Table des matières