[发明专利]基于序贯假设检验的隐写分析方法、终端设备及存储介质

权利要求书

1.一种基于序贯假设检验的隐写分析方法，其特征在于，包括以下步骤：

S1：采集多媒体数据并构建隐写分析样本库，其中隐写分析样本库中包括原文集和对应的隐文集，其中，原文集通过采集到的多媒体数据制备得到，隐文集通过至少两种不同隐写方法生成，将隐写分析样本库划分为训练集和校验集；

S2：构建多个不同类型的预测模型，根据训练集对每个预测模型进行训练后，得到每个预测模型对应的最终预测模型，根据训练集中每个样本对应的属性进行分类，对每个最终预测模型针对每种不同属性样本的预测程度进行评估；

S3：根据每个最终预测模型针对每种属性样本的预测程度，设定不同属性样本对应的每个最终预测模型对应的权重；

S4：将校验集输入每个最终预测模型中得到对应的结果集，所述结果集包括原文结果集和隐文结果集，使用多个不同类型概率分布模型分别对原文结果集的结果为阴性时概率和隐文结果集的结果为阳性时概率进行拟合，得到拟合度最高的原文结果集对应的阴性概率分布模型和隐文结果集对应的阳性概率分布模型；

S5：将待预测样本进行分块后转换为序贯样本，依次选择序贯样本中的一个块，根据每个最终预测模型对该块的预测结果对序贯概率比进行更新，并结合该待预测样本的属性对应的每种最终预测模型的权重，计算所有最终预测模型针对该块的最终序贯概率比；根据最终序贯概率比与阈值的大小判定待预测样本是否为隐写样本；

步骤S5具体包括以下步骤：

S51：初始化序贯概率比λ_i＝1，i∈[1,m]，其中，i表示最终预测模型的序号，m表示最终预测模型的个数，并设定虚警率α和漏检率β；

S52：根据虚警率α和漏检率β计算停止边界A；

S53：将待预测样本分为多块，并生成序贯样本；

S54：选择序贯样本中的一个块，将其输入每个最终预测模型中，得到该块的输出结果；

S55：针对第i个最终预测模型的输出结果，根据第i个最终预测模型对应的阴性概率分布模型M_0,i计算该最终预测模型得到该输出结果的概率p_0,i，根据第i个最终预测模型对应的阳性概率分布模型M_1,i计算该最终预测模型得到该输出结果的概率p_1,i，进而计算新的序贯概率比λ′_i；

S56：根据该待预测样本的属性对应的每个最终预测模型的权重，计算该待预测样本的最终序贯概率比：

S57：判断λ′≥A是否成立，如果成立，则判定该待预测样本为隐写样本，结束；否则，令λ_i＝λ′_i，返回S54选择另一个块继续执行。

2.根据权利要求1所述的基于序贯假设检验的隐写分析方法，其特征在于：步骤S2中所述预测程度通过学习率、梯度函数、损失、拟合程度和准确率中的一个或多个进行评估。

3.根据权利要求1所述的基于序贯假设检验的隐写分析方法，其特征在于：预测程度为预测结果中为阳性的个数，每种属性对应的最终预测模型的权重的计算方法为：分别计算每个最终预测模型的预测结果为阳性的个数；将每个最终预测模型的预测结果为阳性的个数与所有最终预测模型的预测结果为阳性的个数的总数的比值，设定为对应的最终预测模型的权重。

4.根据权利要求1所述的基于序贯假设检验的隐写分析方法，其特征在于：所述样本的属性包括样本原文集尺寸、纹理复杂度、隐文长度和嵌入率中的一种或多种。

5.根据权利要求1所述的基于序贯假设检验的隐写分析方法，其特征在于：步骤S2具体包括以下步骤：

S21：构建多个预测模型；

S22：利用隐写分析样本库中的训练集对每个预测模型均进行多次迭代训练，使每个预测模型的学习准确率均趋于稳定后，得到对应的最终预测模型；

S23：根据样本的属性将训练集中的所有样本进行划分，对每个最终预测模型针对每种不同属性的所有样本的预测程度进行评估。