[发明专利]一种面向卷积神经网络隐写分析的优化方法

说明书

本发明公开一种面向卷积神经网络隐写分析的优化方法，包括：可视化同类样本的类内聚集度：采用非线性的t‑sne降维算法将每一个样本点对应的特征集降维到二维可视的情况下进行观察。隐写检测样本集的变异系数：为了消除量纲和测量尺度对于衡量样本聚集程度的影响，因此选择变异系数测量样本的离散程度进而反应CNN隐写分析算法特征学习能力。变异系数的值和样本的离散程度成正相关，样本离散程度越大，变异系数越大；样本越聚集，则变异系数越小。基于变异系数后验调整特征集：加入一个特征筛选层来对算法学到的特征进行人工过滤，去除一些不利于后期分类的所谓的“坏”特征，既能一定程度提高算法的准确率还能再次验证变异系数的衡量有效性。

技术领域

本发明属于图像隐写分析领域，尤其涉及空间域图像信息隐藏和隐写分析。

背景技术

信息技术使得人们的工作和生活更加的便利，同时也给人类带来了新的威胁和挑战。如何保障信息安全就是其中的一个典型问题。保障信息安全最直观基础的方法就是对要传递的信息进行加密，加密方法可分为对称加密和非对称加密，AES和RSA分别是对应领域的代表。但信息加密后形成的密文有明显的不可读性，特征明显，在传播过程中很容易遭到拦截。而且加密前加密双方要经过复杂的密钥交换过程，保证加密密钥的安全性，通信成本较高。最后，多媒体载体层出不穷，多媒体的版权保护和数据完整性的确认也是加密算法所不能做到的。

信息隐藏算法实际中多用于在多媒体载体中隐藏一些秘密文字信息或图像信息，进行不引起观察者注意的信息传递。该行为既可隐藏通信的内容，同时还可以隐藏通信的行为。或者出于对多媒体信息保护的目的，在载体中嵌入水印，达到知识产权保护的目的。目前该技术主要针对于图像载体的信息隐藏。图像信息隐藏技术将秘密信息嵌入到自然载体中而不改变其感知特性，通过将载密载体在公开信道上的传递来完成对秘密信息的传输。另外，图像信息隐藏技术还可以用于开发多媒体数字水印，可以很好地解决诸如多媒体版权保护和篡改鉴定之类的需求。图像、视频、语音、文本等多种数字媒体都可以作为信息隐藏的载体，由于图像的易获得和应用传播广泛的特点，目前大多数的信息隐藏技术的研究都围绕图像展开。

信息隐藏和隐写分析术随着研究的深入彼此促进不断提升。早期的隐写术，通过修改载体空间信息或变换域系数嵌入信息，会造成载体统计指标上的明显不自然。特定隐写分析技术就通过分析不同隐写方法的漏洞，对特定的隐写方法进行检测。随着隐写术种类的增加，特定隐写分析不能满足要求，通用的隐写分析技术开始出现，通过人工拟合设计通用的隐写分析统计特征，组成多维向量，结合机器学习方法的分类器，训练出通用的分析模型，进行分析。作为对抗，隐写术则通过改变嵌入方式尽量地减小修改幅度，降低统计量变化，逐渐地发展到自适应隐写方法。自适应隐写方法安全性更强，对载体的修改更不用易被察觉。相应的，隐写分析开始针对这种自适应隐写方案开始进行发展，构造图像内容自适应通用隐写分析方法，该方法通过构造更高维度的统计特征来描述图像的全局统计量，检测异常。所以，对于隐写术，如何用失真更低的方案去修改载体嵌入信息，就显得尤为重要；对于隐写分析而言，统计特征的构造就显得尤为重要，这是隐写分析研究的重点。

随着时间的推移，近几年来，传统隐写术与隐写分析术的发展遇到了瓶颈。传统隐写分析算法中，隐写特征的提取模块和特征分类模块是独立分开的，也就是说分类的结果不会反馈到特征提取部分，分类结果不会优化隐写特征的提取。算法的核心是特征提取模块，提取的隐写特征的质量直接决定了算法的好坏，因此在传统隐写分析算法中，领域内的专家会花大量的人力和精力去挖掘先验知识，手工拟合维数巨大的隐写特征集，这项工作工作量极大，增加了特征分类的计算复杂度并且随着隐写术的推陈出新，上述的工作量、工作复杂度和工作难度会大大提高。人们开始寻找新的工具应用于该领域。深度学习同时于近年来复兴，卷积神经网络(CNN)，生成对抗网络(GAN)、循环神经网络(RNN)等深度模型，在图像处理、自然语言处理、语音识别领域取得了突破性成果。这引起了信息隐藏领域专家的注意，他们希望利用深度学习技术突破现在的瓶颈。