[发明专利]基于卷积神经网络生成的针对LSB隐写的检测方法

说明书

本发明涉及音频隐写检测技术，为提出一种新型的基于卷积神经网络的音频隐写分析算法，用来检测时域内LSB音频隐写。该方法明显提高基于手工特征提取的传统隐写分析算法的识别准确度。为此，本发明采取的技术方案是，基于卷积神经网络生成的针对LSB隐写的检测方法，卷积神经网络中使用一个固定卷积层，进行隐藏残留循迹，从而得到音频片段的残差；然后，应用七组层将输入数据降维成维度为512的特征向量；最后，利用全连通层和最大池化层作为分类器输出分类概率。本发明主要应用于音频隐写检测制造场合。

技术领域

本发明涉及音频隐写检测技术，该技术涉及当下流行的基于神经网络的深度学习算法，具体涉及基于卷积神经网络生成的针对LSB(最低有效位)隐写的检测方法。

背景技术

随着计算机技术和网络技术的发展，越来越多的数字化多媒体内容信息纷纷以各种形式在网络上快速的交流和传播。在开放的网络环境下，如何对数字化多媒体内容进行有效的管理和保护，成为亟待解决的问题。由于传统的加密手段在对数字内容管理和保护上存在着一定的缺陷。为此，人们开始寻找新的解决方法作为对传统密码系统的补充。能够解决信息安全问题的信息隐藏成为信息安全领域的一大研究热点。未雨绸缪，尽早研究和完善信息隐藏检测技术同样非常必要。

在音频文件传输的过程中，通过音频信息隐藏技术，在人的听觉系统辨别不出来存在音质问题的情况下，进行隐蔽通信，传递秘密信息。信息隐藏分析技术是信息隐藏技术的对抗技术，对可疑的音频载体信息，如何有效判断其中是否存在隐藏信息。判断出隐秘载体存在隐藏信息之后，如何将其中隐藏的信息内容破解分析出来，即使无法破解出隐秘载体中隐藏的信息，对隐秘载体进行攻击，破坏秘密信息，使得隐秘载体就算顺利到达接收者的手上，也无法正确提取出其中的秘密信息。

信息隐藏技术隐藏的是秘密信息的可见性，一旦被判定存在信息隐藏，信息隐藏过程已经失败。因此，在信息隐藏分析各类研究中，研究最多的是信息隐藏检测技术。

当前信息隐藏检测技术，根据不同的标准可划分为多个类别：根据检测维度可分为基于感官的检测，基于统计分布的检测和基于特征变化的检测；另外，根据已知信息又可分为已知载体的检测、已知隐藏算法的检测和盲检测。

隐藏检测研究现时主要采用统计分析方法，但近年来出现的抗统计信息隐藏旨在嵌入秘密消息的同时保持载体的统计特征不变，这给采用统计分析方法的隐藏检测带来了新的挑战。随着更复杂信息隐藏技术的而出现，基于特征变化的检测方法成为当前主流的信息隐藏检测技术。

然而现有的隐写分析方法大多数依赖于手工提取特征，这意味着这些方法必须仔细分析目标隐写技术的隐藏特性，并设计用于隐写分析的特殊特征。与传统方法不同，深度学习通过特征学习和层次特征提取，可以有效的替代手工特征。

发明内容

为克服现有技术的不足，本发明旨在提出一种新型的基于卷积神经网络的音频隐写分析算法，用来检测时域内LSB音频隐写。该方法明显提高基于手工特征提取的传统隐写分析算法的识别准确度。为此，本发明采取的技术方案是，基于卷积神经网络生成的针对LSB隐写的检测方法，卷积神经网络中使用一个固定卷积层，进行隐藏残留循迹，从而得到音频片段的残差；然后，应用七组层将输入数据降维成维度为512的特征向量；最后，利用全连通层和最大池化层作为分类器输出分类概率。

为减少过拟合的危险、提高模型的鲁棒性，在层组中进行如下修改：使用1×1卷积层来减少参数个数，对不同组执行不同类型的子采样，省略前两组的激活函数。