[發(fā)明專利]一種基于C-MAC特征的AACHuffman域隱寫分析方法

有效

• 申請?zhí)枺?/td>: 201510979472.0
• 申請日: 2015-12-23
• 公開（公告）號: CN105575401B
• 公開（公告）日: 2019-03-19
• 發(fā)明（設(shè)計）人: 任延珍;熊翹楚;王麗娜;熊浩
• 申請（專利權(quán)）人: 武漢大學
• 主分類號: G10L25/27
• 分類號: G10L25/27;G10L19/018
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 魏波

1.一種基于C-MAC特征的AACHuffman域隱寫分析方法，其特征在于：針對AAC音頻Huffman域的兩種修改比例因子帶碼書的隱寫算法，提出基于重壓縮校準的相鄰比例因子帶碼書間轉(zhuǎn)移概率的AAC隱寫分析特征，采用支持向量機進行分類預(yù)測，實現(xiàn)了面向AACHuffman域的隱寫分析；

其具體實現(xiàn)包括以下步驟：

步驟1：獲得待測AAC音頻片段M₁的碼率R；

步驟2：針對M₁中每個數(shù)據(jù)幀提取其比例因子帶的碼書序號，構(gòu)建碼書序列D₁，計算序列D₁的MAC特征MAC-F₁；

步驟3：對M₁片段進行R碼率重壓縮，即對M1進行解碼，獲得解碼后的WAV音頻，再對WAV音頻采用M₁的編碼碼率R進行AAC編碼壓縮獲得校準后AAC音頻M₂；

步驟4：對M₂音頻提取MAC特征MAC-F₂；

步驟5：計算MAC-F₁與MAC-F₂的差值，獲得M₁音頻片段的C-MAC隱寫分析特征；

步驟6：分類器訓練；

步驟7：隱寫分析檢測。

2.根據(jù)權(quán)利要求1所述的基于C-MAC特征的AACHuffman域隱寫分析方法，其特征在于，步驟2的具體實現(xiàn)過程為：

將AAC音頻幀中所有比例因子帶碼書序號記為S＝{c₁ … c_j... c_N}，其中c_j表示按時序排列在第j個位置的碼書序號，c_j∈[1，10]；采用一階Markov鏈對幀內(nèi)比例因子帶碼書序號S進行建模，用狀態(tài)轉(zhuǎn)移概率對碼書出現(xiàn)的相關(guān)性進行量化表示；以碼書的序號作為Markov鏈的狀態(tài)，則相鄰碼書之間狀態(tài)的轉(zhuǎn)移概率為：

其中Pr_α/β表示當?shù)趈個碼書序號是β時，第j+1個碼書序號為α的概率：

根據(jù)公式1，對于碼書序列S，可獲得一個10²維的狀態(tài)轉(zhuǎn)移矩陣A_ij：

其中元素e_ij表示序列S中第i個碼書轉(zhuǎn)移到第j個碼書的概率，通過提取AAC音頻中幀內(nèi)比例因子帶Huffman碼書Markov轉(zhuǎn)移概率矩陣，即MAC特征矩陣，作為對Huffman碼書修改隱寫分分類特征。

3.根據(jù)權(quán)利要求2所述的基于C-MAC特征的AACHuffman域隱寫分析方法，其特征在于，步驟5的具體實現(xiàn)包括以下子步驟：

步驟5.1：引入重壓縮校準機制構(gòu)建C-MAC特征矩陣；

將待測音頻重壓縮前后的MAC特征矩陣進行差值計算所獲得的校準后MAC特征，即C-MAC特征；

步驟5.2：基于長短幀分布的特征融合；

將AAC數(shù)據(jù)幀分為2個集合：長幀集合F_l和短幀集合F_s，對其分別構(gòu)造C-MAC特征矩陣M_l和M_s，其中，為長幀集合F_l中第i個比例因子帶碼書序號，N為F_l幀內(nèi)比例因子帶數(shù)量，為短幀集合F_s中第j個比例因子帶碼書序號，M為F_s幀內(nèi)比例因子帶數(shù)量；在構(gòu)建隱寫分析特征時，對長幀集合F_l和短幀集合F_s分別進行處理，提取總共2*10*10＝200維隱寫分析特征矩陣。

4.根據(jù)權(quán)利要求3所述的基于C-MAC特征的AACHuffman域隱寫分析方法，其特征在于，步驟6的具體實現(xiàn)包括以下步驟：

步驟6.1：輸入WAV樣本，分別生成cover樣本和對應(yīng)的stego樣本，并按照步驟5.1中的方法提取C-MAC分類特征；

步驟6.2：經(jīng)過步驟6.1過程后，得到訓練集樣本和數(shù)量相等的兩種不同嵌入算法的載密樣本，然后隨機選擇不同數(shù)量的stego樣本和cover樣本使用SVM分類器訓練隱寫分析模型。

5.根據(jù)權(quán)利要求3所述的基于C-MAC特征的AACHuffman域隱寫分析方法，其特征在于，步驟7的具體實現(xiàn)包括以下步驟：

步驟7.1：提取待測樣本的隱寫分析特征集合；

步驟7.2：將特征輸入構(gòu)建好的隱寫分析模型，得到樣本的隱寫判斷結(jié)果。