[發明專利]一種基于卷積神經網絡的數字圖像隱寫分析方法

在審

• 申請號: 201710495780.5
• 申請日: 2017-06-26
• 公開（公告）號: CN107330845A
• 公開（公告）日: 2017-11-07
• 發明（設計）人: 倪江群;葉健
• 申請（專利權）人: 中山大學
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司44102
• 代理人: 林麗明

技術領域

本發明涉及數字圖像隱寫分析技術領域，更具體地，涉及一種基于卷積神經網絡的數字圖像隱寫分析方法。

背景技術

數字圖像隱寫分析是信息安全領域一個非常重要的研究方向。所謂隱寫分析，是指采用一定的方法實現對運用隱寫算法嵌入了秘密信息的圖像進行檢測的技術。由于隱寫算法在設計上著重考慮了嵌入信息后對原始圖像所造成的影響，因而對于載密圖像來說，無論在視覺上還是統計上，它都是與原始圖像非常接近的。為了防止隱寫技術被運用于不法途徑，需要有行之有效的方法對這種隱秘通信行為進行檢測。高效的隱寫分析方法，能夠從圖像中提取到區分度高的統計特征，從而能夠捕獲到隱寫對圖像進行修改時遺留的痕跡。

目前來說，圖像隱寫分析方法主要有兩大類，分別是基于統計信號檢測的方法和基于特征提取和機器學習的方法。前者首先是對原始圖像數據的統計分布進行建模，再利用假設檢驗來對待檢圖像進行判定。為了使得該方法在數學上易于求解，所采用的原始圖像模型必須足夠的簡單，這在很大程度上限制了模型的準確性。由于簡單的模型無法反映出圖像像素間復雜的相關性，因而這類方法目前大多用于檢測較為簡單的隱寫算法，如LSB替換和LSB匹配。對于現代自適應圖像隱寫算法，例如WOW和S-UNIWARD，這種隱寫分析方法難以獲得滿意的檢測性能。因為對這些自適應隱寫算法的檢測要求所采用的模型能夠對鄰域像素間的復雜統計相關性進行表征。此時，由于自然圖像內容上的高度不穩定，想要估計這些統計模型的參數是不切實際的。

后一種基于特征提取和機器學習的隱寫分析方法，則是目前現代隱寫分析的主流算法。這種方法無須考慮原始圖像的潛在分布模型，它直接把原始圖像和載密圖像的檢測化為一個二分類問題，并通過機器學習的方式來優化求解。這種類型的算法有著同樣的一套檢測流程：殘差計算、特征提取以及二元分類。其中，最為重要的步驟在于特征提取。一個檢測方法的優劣，很大程度上取決于特征構建的過程。只有很好地發掘出原始圖像與載密圖像之間的差別，并構造出具有高度區分性的特征，才能使得最后使用機器學習的方法進行二元分類時獲得滿意的結果。目前性能領先的隱寫分析算法，采用集合多種殘差并在此基礎上構建共生矩陣對殘差的聯合分布進行表征，從而獲得了高達30000維以上的特征。從隱寫分析的角度來看，為了獲得對原始圖像更加完全的統計描述，使用高維的特征是不可避免的。這就意味著有效的特征變得越來越復雜，而依靠人工經驗啟發式地設計這些特征則變得愈發困難。與此同時，在這種隱寫分析框架下，特征提取與分類器訓練是各自獨立的。也就是說，分類器訓練的結果難以反饋用于指導特征的提取過程，兩者無法同時進行優化。

另一方面，卷積神經網絡是近年來深度學習領域中最為常見的模型之一。該模型能夠從高維的輸入圖像中提取出有效的高層特征表達，因此在機器視覺領域方面有著廣泛的應用。由于隱寫信號與一般的機器視覺任務中的有效信號存在很大的差異，因此將卷積神經網絡用于隱寫分析還需要根據隱寫分析的技術特點對現有的網絡進行優化改進。

發明內容

本發明為解決以上現有技術提供的方法在進行隱寫分析時所存在的分析性能低下或有效特征設計復雜的技術缺陷，提供了一種基于卷積神經網絡的數字圖像隱寫分析方法。

為實現以上發明目的，采用的技術方案是：

一種基于卷積神經網絡的數字圖像隱寫分析方法，包括以下步驟：

S1.構建由多層卷積層串聯形成的卷積神經網絡；

S2.對于第一層卷積層，采用高通濾波器對其卷積核和偏置進行初始化，然后采用截斷線性單元激活函數作為卷積層的激活函數；

S3.將數字圖像輸入至卷積神經網絡中，卷積神經網絡輸出其是否經過隱寫的結果。

與現有技術相比，本發明的有益效果是：

本發明提供的基于卷積神經網絡進行圖像隱寫分析無需進行復雜特征的設計，在進行檢測時，輸入圖像經過卷積神經網絡后能夠直接被映射為類標，從而直接判斷出圖像是否存在隱秘信息。與傳統的隱寫分析方法不同的是，卷積神經網絡是作為一個整體在訓練的過程中對模型的性能進行優化，從而使得卷積神經網絡在區分載體圖像和載密圖像上獲得更高的準確率。

附圖說明

圖1為卷積操作的示意圖。

圖2為池化操作卷積操作的示意圖。

圖3為卷積神經網絡的結構示意圖。

圖4為ReLU激活函數和TLU激活函數的函數圖像的對比圖。

具體實施方式

附圖僅用于示例性說明，不能理解為對本專利的限制；