1.一种神经网络水印嵌入方法，其特征在于，包括：获取待嵌入水印的神经网络的原始模型以及图像训练集；

设置原始模型的任意一层作为水印层lwm，在水印层lwm添加与该水印层的原始子层l结构相同的添加子层l＇，得到添加新结构的神经网络模型；

利用图像训练集以及预先设置的前向传播约束条件对添加新结构的神经网络模型进行训练，得到嵌入水印的神经网络模型；

所述前向传播约束条件为：

T

在训练模型的前向传播过程中，以要嵌入的水印b，b∈｛0,1｝作为依据，对不同位置的特征向量组添加不同的约束条件；所述特征向量组由原始子层l和添加子层l＇相同位置的输出特征向量组成，T表示水印的长度，T≤K，长度为T的水印b与长度为K的特征向量组按顺序一一对应，超出水印长度的K‑T组特征向量不添加约束条件，其中，K的值为原始子层l和添加子层l＇的卷积核数量；

所述约束条件为：

在水印为1时，施加约束令组内的两个输出特征向量同向平行，表示为：

1 1

vk = uk

2 2

 vk = uk

1 1

其中，vk 表示施加约束后的原始子层在位置k处的输出特征向量，uk表示施加约束前的2

原始子层在位置k处的输出特征向量，vk 表示施加约束后的添加子层在位置k处的输出特征2

向量，uk 表示施加约束前的添加子层在位置k处的输出特征向量，k∈｛1,2,…, K｝；

在水印为0，施加约束条件令组内的两个特征向量相互正交，表示为：

1 1

vk = uk

。

2.根据权利要求1所述的神经网络水印嵌入方法，其特征在于，所述原始子层l和添加子层l＇输入的图像特征向量为输入到水印层lwm的图像特征向量，将所述原始子层l和添加子层l＇输出的所有图像特征向量进行concat连接后向后传递。

3.一种神经网络水印验证方法，其特征在于，包括：获取n张验证图片，依次输入到利用权利要求1所述的神经网络水印嵌入方法得到的嵌入水印的神经网络模型中，得到在水印层lwm的输出特征向量，包括原始子层l的输出特征向

1 2

量vk 和添加子层l＇的输出特征向量vk ；

1 2

对每张验证图片，选取原始子层l的输出特征向量vk 和添加子层l＇的输出特征向量vk在相同位置的特征向量，组成一对特征向量组，单张图片得到K对特征向量组;

1 2

选取前T对特征向量组，计算每一对特征向量组中两个输出特征向量vt 和vt 的角度，单张图片得到长度为T的角度集合angle，t∈｛1,2,…, T｝；

利用预先设置的角度阈值将长度为T的单张图片角度集合angle中的角度二值化，提取T得到待验证水印b＇，b＇∈｛0,1｝；

利用待验证水印b＇与预先获取的嵌入水印b计算得到单张验证图片的误码率；

获取n张验证图片的误码率，计算n张验证图片的误码率均值，当误码率均值在预先设置的误码率阈值范围内，则验证模型的所有权。

4.根据权利要求3所述的神经网络水印验证方法，其特征在于，所述利用预先设置的角度阈值将长度为T的单张图片角度集合angle中的角度二值化，提取得到待验证水印b＇，b＇T∈｛0,1｝，包括：

获取到的角度集合angle∈[0°,180°]，设置角度阈值为90°，根据下式计算得到待验证T水印b＇，b＇∈｛0,1｝，

。

5.根据权利要求3所述的神经网络水印验证方法，其特征在于，所述误码率的计算公式为：式中，BER表示误码率，bt＇表示待验证水印中的第t个比特位的水印，bt表示嵌入水印中的第t个比特位的水印。