(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111368514.9 (22)申请日 2021.11.18 (71)申请人 湖南科技学院 地址 425199 湖南省永州市零陵区杨梓塘 路130号 (72)发明人 程文志　欧嵬　刘志壮　万李　 张文昭　王林慧　胡慧君　 (51)Int.Cl. H04N 21/8358(2011.01) H04L 9/40(2022.01) H04L 9/32(2006.01) G06F 21/10(2013.01) (54)发明名称 一种区块链和NSCT-SVD视频零水印版权保 护方法 (57)摘要 本发明公开一种基于区块链和NSCT ‑SVD的 视频零水印版权保护方法， 该方法是视频版权 保 护基础上， 针对视频版权 保护方案中存在鲁棒性 差和弱透明性的问题， 提出了一种简单高效的视 频版权保护方法及系统。 另 一方面， 针对版权保 护方法中效率较低和不规范的问题， 本发明提供 一种零水印和区块链相结合的保护方法， 对视频 的关键帧进行基于距离阈值聚类特征提取， 并利 用零水印算法构造视频零水印， 弥补了轮廓波变 换采样的不足； 同时， 本发明采用基于分块后奇 异值分解的零水印算法， 它能够保证零水印生成 稳定性， 使视频质量不受影响， 最终实现高效安 全的视频零水印版权保护。 权利要求书4页 说明书10页 附图4页 CN 114449359 A 2022.05.06 CN 114449359 A 1.一种基于区块链和NSCT ‑SVD的视频零水印版权保护方法， 其特征在于， 包括以下步 骤： 步骤1： 视频版权信息生成中， 需要用户A在用户终端上传一个视频和一个认证身份的 彩色图像到服 务器端； 步骤2： 服务器端对接收视频数据进行预处理， 通过距离阈值聚类提取关键帧信息， 并 在提取的关键帧上构造零水印； 步骤3： 服务器端产生对应视频版权保护所需的Key密钥， 并将密钥信息、 零水 印和关键 帧信息等信息进行封装； 步骤4： 服务器端构建数据包 并将其签名为交易后， 将交易发送到区块链网络 中的接入 节点， 并且接入节点再验证后广播该交易； 步骤5： 网络中的节点接收到该块后， 验证交易并将该交易组成一个待验证的块， 当超 过2/3的节点达成共识时， 节点 开始生成块， 然后发送到区块链网络； 步骤:6： 区块链网络验证区块信息(如区块 高度)， 当验证信息为真时， 每个节点存储完 整的区块和表数据， 并将密钥返回给用户A； 步骤7： 版权交易过程中， 用户B发送一个事务请求， 该请求由终端构造并签名， 然后发 送给接入节点； 步骤8： 共识节点接收事务后， 按队列顺序从交易池中取出事务， 将其组装成共识块， 然 后发送到每个节点进 行处理； 节点接收到该块后， 将事务 从该块中取出并按顺序执行， 然后 将执行结果打包在事务收据中并返回； 步骤9： 执行结果的验证， 当超过2/3的节点具有相同的执行结果时， 该节点将开始生成 块并将事务和执 行结果永久存 储到硬盘上； 步骤10： 为了对视频进行认证， 用户  A需要提供Key和块哈希来匹配区块链上的其他信 息， 以得到链上的关键帧、 零水印和Key 的信息； 对得到的零水印利用水印提取算法返回一 个能够对身份进行认证的彩色水印； 步骤11： 用户B在完成交易时可以简单地在区块链网络上检查分布式账本， 以证 明自己 对视频的版权， 从而实现视频零水印版权保护。 2.根据权利要求1中所述的方法， 一种基于距离 阈值聚类的关键帧提取方法， 其特征在 于： 1) 用户上传一个视频和一个身份认证的彩色图像， 作为输入视频样本并处 理视频集； 2) 服务器端将非结构化动态视频转换为视频帧的静态序列， 初步处理样本并提取特 征向量， 其处理过程为： 给定一个中心像素和其他P个邻域值， 则局部差向量表示为[d0  ,……dp‑1]， dp=gp‑gc； sp和mp分别是dp利用局部差分符号——幅度变换分解 （LDSMT） 的符号和幅度 值， 以上内 容的计算公式为： 其中，权　利　要　求　书 1/4 页 2 CN 114449359 A 23) 根据相邻像素与中心像素的差值分为符号分量和梯度分量， 将两者相乘得到， 记为 CLBP_S和CLBP_  M； 其CLBP_S计算公式为： 其中， 为了与CLBP_S编码协调一致， 还需要将CLBP_  M转换为二进制编码， c为自适应阈值， 它 的值取整幅图像中mp的均值； mp是邻域像素与中心像素梯度差的绝对值累加(或平均值， 比 较的最终结果相等)； CLBP_M的计算公式如下： 其中， 公式中的gc代表中心像素灰度值， cI代表整幅图像的平均灰度值； 通过比较整幅图像的 中心像素值和平均像素值进行二进制编码； 4) 根据提取的特征向量， 计算帧间相似度和距离阈值完成聚类； 其中， 距离测量是用 来测量空间中个体之间的距离； 距离越远， 个体之间的差异越大， 及相似性越低； 卡方距离 是衡量两个个体间差异最常用的度量方法， 采用卡方距离来表示帧间的相似度； 卡方距离 越小， 帧间相似度越高； 任意两帧之间的卡方距离计算公式为： 同时， 距离阈值直接影响簇的数目， 从而影响关键帧的提取效果； 如果阈值过小， 很容 易提取过多的关键帧， 造成信息冗余； 如果阈值过大， 提取的关键帧不能代表镜头的主要内 容； 根据数据密度采样的思想， 距离阈值计算公式为： 5) 根据聚类结果判断关键帧， 并输出提取的关键帧； 其中， 聚类方法的描述如下： 首先， 采样数据集以确定距离阈值d； 其次， 根据阈值和相似度对数据集进行初始聚类， 然后确定初始聚类数k和聚类中心集 C； 再次， 利用K ‑means算法对初始聚类中心进行优化， 然后得到新的聚类中心集G； 最后， 利用顺序聚类思想将G中较近的类合并， 然后确定最终的k和聚类 中心集并聚类，权　利　要　求　书 2/4 页 3 CN 114449359 A 3