ارائه يك روش استخراج هوشمند در سيستم‌هاي نهان‌نگاري صوتي بر اساس تبديل موجك ارتقاء يافته و ماشين بردار پشتيبان

Presenting an intelligent extraction method in audio watermarking systems based on lifting wavelet transform and support vector machine

امروزه رشد سريع استفاده از فناوري اطلاعات و شبكه‌هاي كامپيوتري، باعث افزايش انتقال اطلاعات در فرم ديجيتال شده است. به همين دليل حفاظت از داده‌هاي ارسالي به يكي از مهمترين چالش‌ها در اين زمينه مبدل گشته است. نهان‌نگاري بعنوان يكي از جديدترين و مهمترين تكنيك‌ها براي حفاظت داده‌ها معرفي شده و مورد استفاده قرار مي‌گيرد. نهان‌نگاري صوتي بدليل ماهيت فايلهاي صوتي بعنوان چالش برانگيزترين نوع نهان‌نگاري مطرح شده است. اكثر روش‌هاي استخراج در الگوريتم‌هاي نهان‌نگاري كه عمدتاً از تكنيك‌هاي غير هوشمند و بر اساس معكوس قوانين درج، براي فاز استخراج در نهان نگاري صوتي استفاده مي‌كنند، اغلب قادر به استخراج دقيق نهان‌نگاره نيستند و خطاي زيادي در تشخيص دارند. راهكار پيشنهادي ما براي حل اين مشكل، استفاده از الگوريتمي هوشمند براي استخراج نهان‌نگاره است. هدف اين مقاله، ارائه روشي است كه با استفاده از دسته‌بند آموزش ديده‌ي مبتني بر يادگيري ماشين نقاط ضعف روش‌هاي استخراج غيرهوشمند را پوشش داده و به بهبود عملكرد سيستم كمك كند. براي عمليات درج در روش پيشنهادي از تبديل موجك ارتقا يافته استفاده نموده و در بخش استخراج نيز از دسته‌بند ماشين بردار پشتيبان استفاده مي‌شود. دسته‌بند آموزش ديده، قادر به تشخيص تأثير حملات مختلف بر روي فايل صوتي و در نتيجه استخراج هوشمندانه و دقيق نهان‌نگاره مي‌باشند. نتايج آزمايشات مختلف تحت شرايط متفاوت، نشان مي‌دهد كه اين روش هوشمند، به شفافيت مناسب و ظرفيت بالا، در كنار مقاومت بالا دست يافته است.

Nowadays, the rapid growth of the use of information technology and computer networks has increased the transfer of information in a digital form. For this reason, the protection of data has become one of the most important challenges in this field. Watermarking is introduced as one of the newest and most important techniques for data protection. Audio watermarking is considered to be the most challenging type of watermarking due to the nature of audio files. The most extraction methods used in audio watermarking algorithms, which mainly use non-intelligent techniques based on the reverse of embedding rules for extraction phase of audio watermarking, often they are not able to extract watermarking exactly and have a lot of errors in extracting. Our proposed solution to solve this problem is to use an intelligent algorithm to extract the watermark. The purpose of this article is to provide a method that covered the weakness of non-intelligent extraction methods using trained machine learning classifier and helped to improve system performance. For the embedding operation, the Lifting Wavelet Transform (LWT) has been used in the proposed method; in the extraction operation, the Support Vector Machine (SVM) classifier is also used. The trained classifier is able to detect the effects of various attacks on the audio files and consequently, intelligent and precise extraction of watermark. The results of various experiments under different conditions indicate that this intelligent method has achieved appropriate imperceptibility and high capacity along with high robustness.