CIENCIAS DE LA COMPUTACIÓN IV, FACULTAD DE MATEMÁTICAS, UNMSM 1

FontCode: Incrustar información en documentos

de texto utilizando Perturbación de Glifos por
Chang Xiao, Cheng Zhang, y Changxi Zheng
Oscar Frank Castro Mamani oscar.castro@unmsm.edu.pe
Computación Cientı́fica, facultad de Ciencias Matemáticas. UNMSM

Abstract—In the vast field of graphic computing and cryptography, we have had really interesting studies, and one of them
on the incriptation of messages in simple text without modifying the original text is FontCode. In the resolution of this study
made by their respective authors, provide a text document with specific sources, the method incorporates information
specified by the user in the text by disturbing the glyphs of text characters while preserving the content of the text. For
this they designed an algorithm to choose perturbations of discrete but machine-recognizable glyphs, taking advantage
of a recently developed generative model that continuously alters the glyphs of each character in a source manifold, then
another that inserts the message and produces the text minimally disturbed and also a method of recognizing glyphs to
recover the embedded information.

Keywords—Font manifold, glyph perturbation.

1 INTRODUCCI ÓN de información para documentos de texto. En

lugar de cambiar las letras de texto en letras

S E analizará un trabajo de investigación [1]

realizado por Chang Xiao, Cheng Zhang,
y Changxi Zheng, pues me pareció muy in-
teresante la manera de encriptación de men-
sajes ocultos sin modificación alguna visible del
texto original.
La incrustación de información en las áreas
de aplicación como por ejemplo: las fotografı́as
digitales con metadatos que incorporan datos
como fecha de captura, tiempo de exposicion,
distancia focal y ubicación gps; marcas de agua
incrustadas en imágenes, videos, etc, para recla-
mar derechos de autor contra las pirateras y el
reciente campo emergente en incorporar infor-
mación en seales de luz, en ellas las tecnicas
de incrustacin de información cumplen dos
requisitos: primero, el medio de acogida está
mı́nimamente perturbado, lo que implica que
el mensaje incrustado debe ser mı́nimamente
intrusivo; y segundo, el mensaje incorporado
puede ser recuperado de forma robusta por el
decodificador previsto incluso en presencia de
algunos errores de decodificación.
La técnica propuesta por los autores , Font-
Code, es una nueva técnica de incrustación
diferentes, se alteran los glifos (es decir, los
diseos de formas particulares) de sus fuentes
para codificar información, aprovechando el
concepto recientemente desarrollado de fuente
múltiple [3] en gráficos por computadora. De
este modo, la legibilidad del documento orig-
inal se conserva por completo. Se selecciona
cuidadosamente la perturbacin del glifo de
forma tal que tenga un efecto mı́nimo sobre la
apariencia tipográfica del documento de texto,
al mismo tiempo que se asegura que la pertur-
bación del glifo pueda reconocerse a través de
las Redes Neuronales Convolucionales (CNN).
Para recuperar la información incrustada, se
desarrolla un algoritmo de decodificación que
recupera la información de un documento cod-
ificado de entrada.
2 MARCO TE ÓRICO
Se describirá un marco teórico el cual servirá
para poder entender cómo se desarrolla la
técnica de incrustación.
• comúnmente ’tipo de letra’ se refiere al
diseo de un tipo, p. Helvetica, y una
CIENCIAS DE LA COMPUTACIÓN IV, FACULTAD DE MATEMÁTICAS, UNMSM
’fuente’ se refiere a una instanciacin es-
pecfica, p. Helvetica Semi-Bold Italic. Del
mismo modo, un ”glifo” se refiere al diseo
especfico de un ”caracter”. Sin embargo,
estos dos pares de trminos a menudo se
usan indistintamente, y por lo tanto no
diferenciamos estrictamente entre ellos.
• El colector de fuente est construido en
dos etapas. Comienza emparejando cada
carácter individual (glifo) en todas las
fuentes usando un procedimiento de op-
timización basado en energı́a con un en-
foque de grueso a fino. Luego usamos las
correspondencias densas para cada carac-
ter como base para realizar la segunda
etapa de adaptación de una variedad gen-
erativa no lineal; esto une a los diferentes
personajes en un solo espacio
3 ESTADO DE ARTE
• Manipulacin de fuentes
Mientras que el método usado por los
autores de [1] perturba los glifos usando
el modelo generativo de [3], otros mtodos
crean fuentes y glifos con herramientas
de computadora o generación automática.
Shamir y Rappoport, propusieron un sis-
tema que genera fuentes utilizando car-
acterı́sticas paramétricas de alto nivel y
restricciones para ajustar los glifos. Esta
idea se amplió para parametrizar los com-
ponentes de la forma del glifo. Los traba-
jos más recientes se han centrado en la
estructuración de fuentes basadas en la
similitud o los atributos crowdsourced.
• Reconocimiento de fuente.
Se ha estudiado el reconocimiento au-
tomático de fuentes de una foto o ima-
gen. Estos métodos identifican las fuentes
extrayendo las caracterı́sticas estadı́sticas
y ortográficas del documento. Recien-
temente en, unos autores propusieron
una solucin escalable aprovechando el
aprendizaje supervisado.En los estudios
de Wangetal, da el reconocimiento de
fuente mejorado usando redes neuronales
convolucionales. Su algoritmo puede eje-
cutarse sin recurrir a la segmentación
2
de caracteres y métodos ópticos de re-
conocimiento de caracteres.
En el sistema de [1], usan algoritmos
existentes para reconocer las fuentes de
texto del documento de entrada, pero
disean un algoritmo para reconocer la
perturbación del glifo para recuperar la
información incrustada. A diferencia de
los demás, el algoritmo de [1] tiene como
objetivo identificar la perturbación de gli-
fos para letras individuales.
• Texto esteganografico
El presente trabajo [1] est relacionado con
la esteganografa digital (como las mar-
cas de agua digitales para la proteccin
de derechos de autor), que se ha estu-
diado durante dcadas, centrndose princi-
palmente en videos, imgenes y audios.
Los mtodos basados en la generacin de
texto de portada (CTG) ocultan un men-
saje secreto al generar un texto de portada
ad-hoc que luce lxica y sintcticamente
convincente.
El segundo tipo de mtodo explota car-
actersticas especficas de formato (FSF),
asigna a cada carcter de texto una
fuente diferente pero visualmente similar
disponible en Word para ocultar men-
sajes. Otros ocultan mensajes cambiando
la escala y el color de los caracteres o agre-
gando estilos de subrayado en un docu-
mento, aunque esos cambios son general-
mente perceptibles.
Estos mtodos no son independientes del
formato (FI); estn limitados a un formato
de archivo especı́fico (como Word o PDF)
CIENCIAS DE LA COMPUTACIÓN IV, FACULTAD DE MATEMÁTICAS, UNMSM 3

y al visualizador de texto. Los mensajes se cambia el tamao de la región de imagen

ocultos se perderan si el documento se
convirtiera en un formato diferente o in-
cluso se abriera con una versin diferente
del mismo visor.
Tampoco conserva el mensaje oculto
cuando el documento se imprime en pa-
pel (PP) y se fotografa posteriormente.
El más relevante de este trabajo [1], es la
familia de métodos que incorporan men-
sajes a través de lo que llamamos pertur-
baciones estructurales (SP). Este método
proporciona una codificación de granular-
idad fina mediante la incorporación de in-
formación en letras individuales, y por lo
tanto tiene una capacidad de informacin
mucho más grande.
para que tenga 200 200 pı́xeles. Esta imagen
en blanco y negro de 200 200 para cada letra
es la entrada a las CNN
4.2 ESTRUCTURA DE LA RED
El tratamiento de reconocimiento de un glifo
se da como un problema de clasificación de
imagenes: siempre que una región de imagen
de una letra tal que tiene una lista de glifos per-
turbados u0 , u1 , ... en el codebook. El objetivo
es clasificar el glifo entrante de esa letra como
una de la lista. Por lo tanto se entrenará un
CNN para cada letra en una fuente particular.
Gracias al paso anterior de preprocesamiento
de imagen, se usa una estructura CNN simple
(como se observa en la Figura 4).

4 RECONOCIMIENTO DE GLIFOS 4.3 ENTRENAMIENTO DE LA RED

Comenzamos centrándonos en los bloques de Se considera una letra cuyos glifos perturba-
incrustación de mensajes básicos: letras indi- dos de una fuente estandar son u0 , ..., uN −1 . Se
viduales en un documento de texto. El objetivo imprimira todos los N glifos en un papel y se
central es el de insertar un número entero en toma 10 fotos con diferentes condiciones de luz
una sola letra perturbando su glifo, y luego y angulo de camara, imitando los escenarios de
recuperar ese entero a partir de un grfico vec- cómo la cámara leerı́a la información incrus-
torial o una imagen en pixel de la letra. En tada en un documento.
la siguiente seccin, leeremos lo que se asigna
a las letras para codificar un mensaje. Como
insertamos un nmero entero en una letra a
travs de la perturbacin de glifo, buscando en un
libro de códigos precalculado. Luego, cuando
se extrae un entero de una letra, calculamos una
métrica de ”distancia” entre el glifo extraı́do y
cada glifo perturbado en u0 , ..., uN −1 en el libro
de cdigos; obtenemos un entero i si la distancia
del glifo ui es el mas pequeo.

4.1 PREPROCESAMIENTO DE IMAGEN DE

PIXÉL
Para reconocer la perturbación de glifo de cada
letra usando CNN, primero se preprocesa la
imagen. Se recortar la región de cada letra
usando su cuadro delimitador detectado por el
OCR. Luego se binariza la región de la imagen
utilizando el algoritmo clásico de Otsu (1975).
Este paso ayuda a eliminar la influencia cau-
sada por las variaciones de las condiciones de
iluminación y los colores de fondo. Por último,
CIENCIAS DE LA COMPUTACIÓN IV, FACULTAD DE MATEMÁTICAS, UNMSM 4

5 CONCLUSIONES
• El método encontrado en [1] se obtuvo
un método más eficiente para resolver
el problema de incrustación de infor-
mación en un documento texto mante-
niendo a simple vista el texto original ya
que tiene solo tiene ciertos perturbaciones
ligeras minimas en sus glifos que solo son
percibidas por la maquina.
• Se ve que el metodo obtenido en [1] es
mejorado graias a las redes neuronales
convolucionales.
• En particular me parece que este trabajo
de investigación está muy bien estruc-
turado ya que no solo explayan su teorı́a,
sino que también nos presenta un marco
teórico para que ası́ se pueda entender
mejor su trabajo.
• También cabe resaltar que este método
ayuda a que talvez se pueda solucionar
cosas a niveles instucionales para pasar
información delicada entre sus mayores
representanes teniendo un medio de co-
municación seguro para mantener en se-
creto sus mensajes incrustados.

R EFERENCES
[1] Chang X., Cheng Z., y Changxi Z. FontCode: Embedding
Information in Text Documents Using Glyph Perturbation.
ACM Trans. Graph. 37, 2, Article 15 (February 2018), 16
pages.
[2] Agarwal M. Text steganographic approaches: A comparison,
International Journal of Network Security Its Applications
(IJNSA) 5, 1 (2013), 91106.
[3] Campbell N y Kautz J. Learning a manifold of fonts. ACM
Trans. Graph. 33, 4 (July 2014), 91:191:11.