[发明专利]一种基于证据推理的隐写检测方法

权利要求书

1.一种基于证据推理的隐写检测方法，其特征在于包括如下步骤：

步骤一，构建有效证据特征集；

步骤二，生成证据矩阵；

步骤三，证据融合。

2.根据权利要求1所述的一种基于证据推理的隐写检测方法，其特征在于，在所述步骤一中：

(1)证据选择

A、所选取的证据支持对不同方面的决策；

B、所选择的证据可以对判决提供有效良好的支持；

优选证据特征集如下：

Set1 　Markov特征的证据；

Set2 　领域联合密度特征的证据；

Set3 　多项式拟合差值特征的证据；

(2)构造BPA函数

通过改造后验概率SVM，得到BPA函数；

实现SVM后验概率的输出如下：

p(y=1|f)=11+exp(Af+B)---(1)]]>

其中：A、B可以通过最小化已知训练数据和其决策值f的负的对数似然函数得到：

min[-(Σitilog(pi)+(1-ti)log(1-pi))]---(2)]]>

其中：pi=11+exp(Afi+B),ti=yi+12,]]>y_i为样本类标签；

然而，这种后验概率输出仅体现了绝对判别的概率，没有考虑SVM判别的不确定性，因此，对以上输出进行改造；

判决的不确定性通常与检测样本、训练样本、分类器等因素有关，因此，对以下因素不确定性进行描述：

根据SVM识别误差定义，设分类器不确定因子为u_svm，得到SVM分类器的不

确定因子计算式：

usvm=E(Nsv)N-1---(3)]]>

其中：N_sv为支持向量的数量，N为训练样本的数量；

即使是同一种分类器中，由于训练样本的不同，所得到的分类规则也不相同，所以，设训练样本不确定性因子为：

utrain=1nΣi=1n(N′N)---(4)]]>

其中：N为测试样本数，N’为错检样本数，n为检测次数；

在检测判决的时候，在分类器边界的样本容易被错判，这是因为，在分类器边界的样本，在判决为“0”和“1”的概率差距比较小，所以，我们通过“0”和“1”检测概率差描述检测样本的不确定性；

其中：p₁为有隐写的概率，p₀为无隐写的概率，设检测样本不确定因子为：

u_audio＝|p₁-p₀|   (5)

根据式(2)～(5)，可以得到不确定性的输出式：

θ=0.1,p1=p0kusvmutrainuaudio,p1=p0---(6)]]>

其中：θ表示为动态的不确定因子，θ∈(0,1)，k表示约束因子，将θ限制在(0,

1)的取值范围中，不同的检测音频u_audio取值不同，θ随着u_audio呈动态变化；

通过公式(1)～(5)得到BPA函数输出：

mi(0)=11+exp(Af(xi)+Bi)(1-θ)---(7)]]>

mi(1)=exp(Af(xi)+Bi)1+exp(Af(xi)+Bi)(1-θ)---(8)]]>

m_i(Θ)＝θ   (9)

根据式(7)～(9)计算得到BPA函数输出值，即{m_i(0),m_i(1),m_i(Θ)}(i＝1,2,3)；

(3)证据融合和决策

在决策判决的时候，为了降低冲突证据对判决影响，设计了降低证据冲突影响的证据融合规则，此辨识框架Θ下，幂集2Θ＝{A₁，A₂，A₃}，BPA函数中的m₁,m₂,…m_n正交和如下：

m=m1⊕m2⊕···mn-1⊕mn]]>

融合规则如下：

m(A)=K-1ΣΠ1≤i≤nmi(Ai)+mn(Ai)---(11)]]>

K=Σ∩AI=AΠ1≤i≤n-1mi(Ai)---(12)]]>

根据融合的结果，通过下式进行隐写判决：