[发明专利]基于Gabor滤波和卷积神经网络的图像隐写检测方法

说明书

基于Gabor滤波和卷积神经网络的图像隐写检测方法，属于信息隐藏技术领域，其特征在于：选取载体图像和载密图像生成样本图像；提取样本图像的隐写检测特征；将样本图像的隐写检测特征和类标通过集成分类器进行训练得到隐写检测器；提取待检测图像的隐写检测特征后将其输入至前述隐写检测器进行图像隐写检测。利用滤波器进行图像滤波构造多个深度卷积神经网络进行隐写检测特征学习，实现对多样化学习型隐写检测特征的提取，同时该方法还利用滤波系数进行构造型隐写检测特征提取，最后将学习型隐写检测特征和构造型隐写检测特征结合作为隐写检测特征并利用集成分类器进行隐写检测，该隐写检测方法显著降低了对图像自适应隐写的检测错误率。

技术领域

本发明属于信息隐藏技术领域，尤其涉及一种基于Gabor滤波和卷积神经网络的图像隐写检测方法。

背景技术

信息隐藏技术是指利用人类感官的不敏感性和信号本身存在的冗余，将信息嵌入到宿主信号(如图像、音频、视频或文本文件)中，并在必要时可检测或提取隐藏信息的技术。信息隐藏技术主要包括数字隐写术、数字水印技术、可视密码、协议隐写等。数字隐写是通过在数字图像、音频、视频等媒体的冗余数据中嵌入秘密信息，掩盖秘密信息存在的一种技术。数字隐写分析是数字隐写的反向技术，主要致力于检测隐秘载体、发现隐蔽通信行为、提取隐秘消息等。在网络环境中，数字图像的普遍性、易获取性、冗余空间充足等性质使其成为数字隐写中使用最为广泛的载体类型之一，也因此成为数字隐写分析研究的主要对象。

由于JPEG图像是使用范围最广的图像格式之一，目前主流的JPEG图像自适应隐写算法有UED、J-UNIWARD等，相应的隐写检测方法有基于DCTR、PHARM、GFR等高维特征和集成分类器的隐写检测方法，基于深度卷积神经网络的隐写检测方法等。对JPEG图像自适应隐写检测，现有检测方法可分为两种框架：一种是基于“隐写检测特征+集成分类器”的框架，研究重点在隐写检测特征提取，GFR特征是当前主流的隐写检测特征。另一种是基于“图像高通滤波+深度卷积神经网络”的框架，研究重点在于如何根据隐写检测的需求设计深度卷积神经网络，当前主流的方法包括Fridrich等人提出的基于JPEG相位信息的深度卷积神经网络隐写检测方法和Zeng等人提出的基于图像残差量化截断的深度卷积神经网络隐写检测方法。

GFR特征是当前众多JPEG图像自适应隐写检测特征中检测错误率最低的一种特征，它利用多尺度、多方向的2D Gabor滤波器对解压缩JPEG图像进行滤波，然后对每个滤波残差图像，按照JPEG图像8×8DCT块中的64个相位进行直方图特征提取并根据不同相位投影向量对称性进行直方图特征累加合并，其次合并对称方向2D Gabor滤波器产生图像残差的直方图特征，最后组合所有提取的直方图特征作为最终隐写检测特征。

Fridrich等人提出的基于JPEG相位信息的深度卷积神经网络隐写检测方法主要包括三部分：第一部分是图像处理层，利用4个高通滤波器对图像进行滤波操作，得到4个残差图像；第二部分是卷积神经网络层，共包含5个处理模块，主要进行卷积、数据规范化、激活、池化等操作；第三部分是分类器层，包括全链接层和softmax层，实现对输入样本图像软判决。该检测方法的主要特点在于根据JPEG图像相位信息，将一个滤波残差图像剖分为64个子图像。

Zeng等人提出的基于图像残差量化截断的深度卷积神经网络隐写检测方法主要包括四部分：第一部分是图像处理层，利用25个高通滤波器对图像进行滤波，得到25个残差图像；第二部分为量化和截断层，对25个残差图像进行3种量化操作，截断阈值均为4；第三部分为卷积神经网络层，3种量化操作对应3个卷积神经网络；第四部分为分类器层，包括一个全链接网络和softmax层。该检测方法的主要特点在于在卷积神经网络结构中增加了图像滤波和残差图像的量化和截断操作。

但是上述现有JPEG图像自适应隐写检测技术存下一些缺点：

1.尽管GFR是当前检测错误率最低的隐写检测特征，但是相对于基于深度学习的隐写检测方法，检测错误率还比较高；