Intelligent watermarking of long streams of document images

Résumé

Le tatouage des images de documents sert plusieurs applications telles que l’authentification et la détection de documents numériques falsifiés. L’insertion d’un marqueur nécessite l’ajustement de plusieurs paramètres qui sont dépendants du contenu de chaque image. Le choix de la meilleure solution résulte du compromis à faire entre la qualité de l’image tatouée et la robustesse aux attaques du processus de marquage. Les systèmes de tatouage basés sur les algorithmes d’optimisation évolutionnaires sont appelés systèmes de tatouage intelligents (IW – IntelligentWatermarking). Le principal désavantage de ces systèmes est le coût computationnel prohibitif pour une utilisation grande échelle. L’approche adoptée dans cette thèse est de considérer une quantité massive de documents numériques à tatouer comme un flux de problèmes d’optimisation récurrents à traiter. Le système proposé est basé sur le concept de mémoire, qui permet de conserver une représentation des problèmes d’optimisation qui ont déjà été résolus afin de trouver rapidement une bonne solution pour une nouvelle image à tatouer. L’approche adoptée dans cette thèse consiste à formuler le processus de tatouage d’un flux d’images de documents comme une séquence de problèmes d’optimisation récurrents. L’objectif principal de cette thèse est de concevoir un système de tatouage intelligent, doté de la capacité d’apprendre incrémentalement dans le temps les caractéristiques des problèmes d’optimisation à traiter. L’utilisation de la connaissance acquise dans le temps permettra de choisir une solution satisfaisante sans recourir systématiquement au processus d’optimisation qui est très coûteux en temps de calcul. Pour être en mesure d’atteindre cet objectif, nous avons étudié plusieurs types de représentation en mémoire afin de traiter efficacement une quantité importante de documents à tatouer, tout en minimisant le coût computationnel. Pour ce faire, les stratégies proposées permettent de regrouper les problèmes d’optimisation de même nature en classes dans l’espace des paramètres. Un mécanisme de détection de changement permet alors de trouver rapidement en mémoire une bonne solution sans recourir au processus coûteux de l’optimisation des paramètres effectué sans connaissance a priori du problème à résoudre. Dans un premier temps, le processus de tatouage d’un flux de documents numériques a été formulé comme une séquence de problèmes d’optimisation récurrents. Une nouvelle méthode basée sur le DPSO (Dynamic Particle Swarm Optimization) permet de résoudre efficacement ce type de problèmes d’optimisation récurrents. La technique proposée repose sur une mémoire associative qui est composée de plusieurs classes de solutions obtenues sur les images déjà traitées. Un mécanisme de détection de changement basé sur la distribution des valeurs de fitness des solutions en mémoire permet de vérifier rapidement si le problème d’optimisation en cours a déjà été résolu. Dans l’affirmative, alors une bonne solution est trouvée avec une fraction du coût computationnel requis pour une optimisation complète. Sinon, le processus d’optimisation est activé et la mémoire associative est mise à jour afin de tenir compte de cette nouvelle information. La performance du système proposé évaluée sur une base d’images binaires homogène permet de diminuer de 95% le coût computationnel tout en conservant la même qualité de solutions obtenues par le processus d’optimisation activé sur chaque image à tatouer. Dans un deuxième temps, le problème du choix d’une représentation mémoire plus compact a été adressé. Cette fois les solutions individuelles sont remplacées par une représentation basée sur une modélisation de l’espace des paramètres. Les mixtures de gaussiennes (GMM – Gaussian Mixture Models) sont ajustées à partir de toutes les solutions évaluées par le PSO en cours d’évolution. Les GMMs sont très efficaces pour représenter les classes de problèmes d’optimisation de même nature. La mise en oeuvre des mécanismes de gestion de la mémoire à long terme est simple, efficace, et consomme très peu de mémoire. Cette fois le mécanisme de détection de changement repose sur un échantillonnage de l’espace des paramètres du problème en cours de traitement et sur une mesure de similarité entre la distribution des fitness mesurées et celles mémorisées par la modélisation GMM pour chaque classe. Les résultats de simulation montrent que cette approche est plus flexible que celle basée sur les solutions individuelles conservées en mémoire. De plus, la performance obtenue sur des images de documents hétérogènes est nettement améliorée comparée à la méthode basée sur les solutions individuelles. Finalement, la version complète du système proposé intègre à la modélisation GMM un mécanisme de régression afin de diminuer le coût computationnel requis lorsque le système de tatouage intelligent ne trouve pas une solution adéquate en mémoire, et qu’il doit obligatoirement activer le processus d’optimisation PSO. La stratégie consiste à remplacer l’évaluation coûteuse de la fitness par une estimation basée sur la modélisation GMM. Ce type d’approche est appelée surrogate-based optimization dans la littérature. La méthode proposée repose sur deux niveaux de prédiction ce qui permet dans le pire des cas de trouver une bonne solution même si la modélisation du problème d’optimisation est imprécise. L’impact de ce mécanisme de prédiction sur le coût computationnel requis pour l’optimisation des paramètres de l’algorithme de tatouage est significatif et celui-ci permet une diminution globale du coût computationnel sur des images hétérogènes. En résumé, le système de tatouage intelligent proposé dans cette thèse est bien adapté pour l’optimisation d’un flux de problèmes d’optimisation récurrents. La qualité des solutions obtenues sur des bases d’images de documents homogènes et hétérogènes est équivalente à l’optimisation systématique sur chaque image avec PSO. En plus, le coût computationnel est réduit en moyenne de 97% sur des images homogènes et de 95% sur des images fortement hétérogènes. La méthode proposée est générale et peut être adaptée facilement pour l’optimisation de problèmes d’optimisation récurrents.

Date	9 janv. 2013
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Robert Sabourin (Directeur(-trice)) & Éric Granger (Codirecteur(-trice))