[发明专利]基于特征分量相关性的Rich Model隐写检测特征选取方法

说明书

本发明提供一种基于特征分量相关性的Rich Model隐写检测特征选取方法。该方法包括：步骤1：将高维Rich Model隐写检测特征拆解为若干个Rich Model子模型；步骤2：针对每个Rich Model子模型，度量其各个特征分量的可分性，并根据可分性的度量值对各个特征分量进行降序排序；步骤3：针对每个RichModel子模型，计算其任意两个特征分量之间的相关性，根据相关性的强弱对特征分量进行特征选择；步骤4：将特征选择后的各个Rich Model子模型进行合并以作为最终的隐写检测特征。本发明应用于频域和空域的Rich Model特征时，在不影响隐写检测正确率的情况下，能够有效降低Rich Model特征维数，且在频域上的效果更为显著。

技术领域

本发明涉及隐写检测技术领域，尤其涉及一种基于特征分量相关性的Rich Model隐写检测特征选取方法。

背景技术

数字隐写是在数字图像、音频、视频和文本等媒体的冗余中嵌入信息以达到隐蔽通信目的的一种技术。随着2010年HUGO隐写算法的提出，以“失真函数设计+STC编码”为框架的自适应隐写已经成为图像隐写的主流，研究者们以该框架为基础陆续提出了系列具有高抗检测性能的自适应隐写算法。这些算法使得传统的隐写检测算法大多失效。2012年Fridrich等提出了Rich Model特征(参考文献1“Fridrich J,Kodovsky J.Rich Modelsfor Steganalysis of Digital Images[J].IEEE Transactions on InformationForensics and Security,2012,7(3):868---882”)，有效提高了对HUGO隐写的检测性能。此后，PSRM(Project Spatial Rich Model)特征，PHARM特征、GFR特征和CCJRM(参考文献2“Jan Kodovsky,Fridrich J.Steganalysis of JPEG images using rich models[C].Media Watermarking,Security,and Forensics 2012.International Society forOptics and Photonics,2012”)等隐写检测特征被陆续提出。这些检测特征维数较高，有的甚至达到数万维，给分类器的训练带来庞大的计算和存储开销，甚至可能出现“维数灾难”问题。针对该问题，研究者们已经从特征变换和特征选取两个方面开展了系列的工作，以降低特征维度。

基于特征变换的特征降维主要是将特征向量变换至另一个特征空间，使得特征中的有效信息主要集中在变换后特征的部分分量中，然后从变换后的特征中选取最有效的特征分量，以达到特征降维的目的。如：Qin等使用主成分分析(Principal ComponentAnalysis，PCA)获取特征中的主要分量对高维特征进行降维，有较好的降维效果，然而PCA方法对非线性结构的特征降维效果不够理想；Wang等提出对SRM特征进行一维离散傅里叶特征变换，并仅选取正半轴的频谱系数作为特征向量，有效降低了特征维数；Boroumand等通过近似对称正半定的核函数得到一类非线性变换，非线性变换后的特征在实现降维的同时提高了检测效率，但上述两者提出的方法仅适用于空域特征。