[发明专利]基于自适应代价敏感特征学习的不平衡隐写分析方法

说明书

本发明公开一种基于自适应代价敏感特征学习的不平衡隐写分析方法，该方法针对不平衡的JPEG图像隐写检测环境，力求解决传统的隐写分析方法在数据分布不平衡的条件下检测有效性大幅降低的问题，主要从以下三个方面实现面向不平衡数据集的隐写检测方案。首先，提出一种不平衡样本的预处理方法，分别确定每个样本动态k近邻算法(DkNN)的最优k值，根据类别的比例获得类内代价；其次，基于每个训练样本的类内和类间代价生成自适应代价敏感分类器；最后，通过F度量最大化和正则化逻辑回归的自适应代价敏感分类器以及有效特征的获取，可以得到最大F度量对应的特征。

技术领域

本发明涉及多媒体安全和数字媒体处理技术领域，特别涉及一种在训练数据集中不同类别的样本数量有较大差异的情况下判别JPEG图像是否经过秘密信息嵌入的不平衡隐写检测技术领域。

背景技术

隐写术是一种隐蔽的通信技术，它通过以一种难以察觉的方式修改图像的像素或频率系数来将秘密数据嵌入到图像中^[1]。由于JPEG格式的广泛应用，针对JPEG域设计了多种隐写算法。相比之下，图像隐写分析主要关注数字图像中秘密信息是否存在^[2]。现代隐写分析算法不断涌现，试图确定一些能够有效区分cover和stego图像的特定统计特征。

虽然上述隐写分析算法是可行和有效的，但大多数算法都假设训练集服从理想样本分布，其中cover和stego图像的样本数量没有显著差异。然而，在实际的检测环境中，样本不平衡问题广泛的存在，即多数类或负面类(如载体图像)通常比少数类或正面类(如载密图像)包含更多的样本。当面临不平衡的情况时，少数类的信息有限，分布不规律，对隐写检测造成了很大的挑战；而且，对少数类样本的错误分类往往会付出沉重的代价。

不平衡数据问题并不仅仅局限于图像隐写分析领域，它同样存在于许多不同的图像识别领域，包括目标检测、医学图像诊断、高光谱图像分类等。与其他领域的不均衡图像分类和识别任务相比，隐写分析中的不均衡数据问题存在明显的不同。隐写分析更注重图像的高频信号，而不是图像本身的内容，通过常用的平衡样本方案来调整数据分布的偏差，会破坏图像的高频信号。另外，隐写分析使用更多的全局统计信息而不是局部统计信息来构建高维特征。通过现有的特征学习方法从高维特性中选择小部分特征将促使它选择描述多数类而不是表示少数类。因此，基于倾斜的数据分布来选择特征很难得到最优解。

目前，部分研究重点关注隐写分析中存在的不平衡问题，这些工作重视小样本训练集^[3]或数据匹配^[4]。作为隐写分析数据的固有特性，解决这类问题具有一定的挑战性。针对不平衡隐写分析问题，出现了不同的解决方案，主要包括不平衡数据的预处理和分类算法的优化^[5]。已有研究表明，平衡分布比不平衡分布具有更好的分类性能。通常，特征选择方法可以减少冗余，保持与目标的最大相关性，将倾斜的数据集转换为平衡的分布。此外，抽样策略还可以使分布趋于平衡^[6]。虽然，上述方法在一定程度上可以取得较好的结果，但并没有充分考虑数据分布和优化目标的本质特征，这对于解决不平衡隐写分析问题来说是非常重要的。具体来说，代价敏感学习给少数类的样本分配了更高的误分类代价。这些方法对同一类中的样本一视同仁。然而，同一个类别中的不同样本对训练过程的贡献可能不同。为了解决这个问题，提出了一种有效的JPEG不平衡隐写分析方案，称为自适应代价敏感特征学习。

参考文献：

[1]Cheddad A,Condell J,Curran K,et al.Digital image steganography:Survey and analysis of current methods[J].Signal processing,2010,90(3):727-752.