[发明专利]一种基于多特征融合和深度学习的隐写分析方法

说明书

本发明公开了一种基于多特征融合和深度学习的隐写分析方法，包括以下步骤：步骤(1)、制作预处理所需的数据集；步骤(2)、分别使用SRM、maxSRM、maxSRMd2三种特征提取方法对步骤(1)的数据集进行特征提取；步骤(3)、对步骤(2)提取的三种特征进行融合获得固定大小的特征矩阵；步骤(4)、步骤(3)的数据使用RepVGG模块和SE模块构建的模型进行训练和测试。本发明使用三种特征提取方法对图像提取特征并合成特征矩阵，使得该特征矩阵能够包含多种类型的特征，能够提高模型的通用性和鲁棒性，提高模型对不同隐写算法的学习性能，避免了隐写分析网络对图像大小的依赖性，大大提高的本发明的实用性。

技术领域

本发明涉及网络空间安全中的内容安全领域，具体涉及一种基于多特征融合和深度学习的隐写分析方法。

背景技术

传统的隐写分析包括SPAM，SRM，maxSRM和它的变体maxSRMd2，通过人工设计的滤波器提取图像的特征然后对载密图像进行判别。He等人通过对特征通道间的相关性进行建模，把重要的特征进行强化来提升准确率，提出了Squeeze-and-Excitation Networks，该网络在ImageNet上top5的错误率达到了2.251％，取得了2017ILSVR竞赛的冠军。Ding等人用结构重参数化(structural re-parameterization)“复兴”VGG式单路极简架构，使用单一的3x3卷积结构，在速度和性能上达到SOTA(state of the art)水平，在ImageNet上超过80％正确率。在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，具有更高的精度，并且与诸如EfficientNet和ResNet的最新模型相比，显示出良好的精度-速度折衷。随着卷积神经网络快速发展，越来越多的研究者开始将深度神经网络和隐写分析结合起来，通过学习载密图像和非载密图像的特征来训练神经网络来判别载密图像。

针对现有的隐写分析方法对图像尺寸和隐写算法具有较高的依赖性，分类准确率低，以及需要大量的算力来训练隐写分析模型，我们提出一种新型隐写分析模型，使用RepVgg模块和SE模块构建隐写分析模型，将SRM(Spatial Rich Model)，maxSRM，maxSRMd2三种特征数据融合成三通道的特征矩阵作为隐写分析模型的输入，三种特征数据的融合能够更加全面的提取隐写图像的特征使得隐写分析模型具有更好的通用性，同时解决了传统隐写分析模型对图像尺寸的依赖性提高了模型的实用性。

发明内容

本发明的目的在于提供一种基于多特征融合和深度学习的隐写分析方法，该方法使用RepVGG模块和Squeeze-and-Excitation(SE)模块构建被命名为SFRNet，使用三种特征提取方法对图片进行特征提取，将提取到的特征融合为固定大小的特征矩阵作为SFRNet的输入，通过微调重要参数的方式提高模型的训练速度和测试准确率。本发明使用RepVGG模块和SE模块来构建深度学习网络，使其能够应用于本方法的隐写分析数据集，使用RepVGG模块加快推理速度和提高内存利用率，大大降低了训练的时间开销，使用SE模块加快了模型的收敛速度同时提高了测试准确率，能够更快更准确的学习不同隐写算法的特征从而实现对隐写分析模型的通用性。

本发明的技术方案是：

一种基于多特征融合和深度学习的隐写分析方法，其隐写分析模型使用RepVGG模块和SE模块构建，将SRM、maxSRM、maxSRMd2三种特征提取方法获得的特征融合成固定大小的特征矩阵作为SFRNet的输入，通过对关键参数的微调对该模型进行训练和测试，设置训练Epoch为150，包括以下步骤：

步骤1、制作预处理所需的数据集；

步骤2、分别使用SRM、maxSRM、maxSRMd2三种特征提取方法对步骤1生成的数据集进行特征提取；

步骤3、对步骤2提取的三种特征进行融合获得固定大小的特征矩阵；