Audio Watermarking Scheme Using IMFs and HHT for Forensic Applications
Notice bibliographique
Résumé
Audio signals and applications are numerous and ubiquitous. Most of these applications especially those on the Internet require authentication and proof(s) of ownership. There are several efficient methods in the literature address these crucial and critical concerns. In this paper, the authors present a new non-blind audio watermarking scheme for forensic audio authentication and proof of ownership. The proposed scheme is based on empirical mode decomposition and Hilbert Haung Transformation (HHT). In this method, the audio signal is decomposed into frames of 1024 sample each. These frames are further decomposed into its several mono-component signals called Intrinsic Mode Functions (IMF). These Intrinsic Mode Functions will serve as the addressee for the watermark. In this research, the chosen watermark is a pseudo random number generated by Matlab-7, which is added to the highest and lowest IMFs of each frame of the decomposed signal. This is done to accommodate for time scale modification attacks as well as MP3 compression respectively. Experimental results show that the watermarked audio signals maintained high fidelity of more than 20 dBs which meets the International Federation of Phonographic Industry requirements. The results also show that the proposed scheme is robust against signal processing attacks such as MP3, time scale modification, and resizing attacks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».