[發明專利]基于自適應代價敏感特征學習的不平衡隱寫分析方法

有效

• 申請號: 202010217273.7
• 申請日: 2020-03-25
• 公開（公告）號: CN111415289B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 王麗娜;嘉炬;翟黎明;任魏翔
• 申請（專利權）人: 武漢大學
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06K9/62;G06V10/774;G06V10/764
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

本發明公開一種基于自適應代價敏感特征學習的不平衡隱寫分析方法，該方法針對不平衡的JPEG圖像隱寫檢測環境，力求解決傳統的隱寫分析方法在數據分布不平衡的條件下檢測有效性大幅降低的問題，主要從以下三個方面實現面向不平衡數據集的隱寫檢測方案。首先，提出一種不平衡樣本的預處理方法，分別確定每個樣本動態k近鄰算法(DkNN)的最優k值，根據類別的比例獲得類內代價；其次，基于每個訓練樣本的類內和類間代價生成自適應代價敏感分類器；最后，通過F度量最大化和正則化邏輯回歸的自適應代價敏感分類器以及有效特征的獲取，可以得到最大F度量對應的特征。

技術領域

本發明涉及多媒體安全和數字媒體處理技術領域，特別涉及一種在訓練數據集中不同類別的樣本數量有較大差異的情況下判別JPEG圖像是否經過秘密信息嵌入的不平衡隱寫檢測技術領域。

背景技術

隱寫術是一種隱蔽的通信技術，它通過以一種難以察覺的方式修改圖像的像素或頻率系數來將秘密數據嵌入到圖像中^[1]。由于JPEG格式的廣泛應用，針對JPEG域設計了多種隱寫算法。相比之下，圖像隱寫分析主要關注數字圖像中秘密信息是否存在^[2]。現代隱寫分析算法不斷涌現，試圖確定一些能夠有效區分cover和stego圖像的特定統計特征。

雖然上述隱寫分析算法是可行和有效的，但大多數算法都假設訓練集服從理想樣本分布，其中cover和stego圖像的樣本數量沒有顯著差異。然而，在實際的檢測環境中，樣本不平衡問題廣泛的存在，即多數類或負面類(如載體圖像)通常比少數類或正面類(如載密圖像)包含更多的樣本。當面臨不平衡的情況時，少數類的信息有限，分布不規律，對隱寫檢測造成了很大的挑戰；而且，對少數類樣本的錯誤分類往往會付出沉重的代價。

不平衡數據問題并不僅僅局限于圖像隱寫分析領域，它同樣存在于許多不同的圖像識別領域，包括目標檢測、醫學圖像診斷、高光譜圖像分類等。與其他領域的不均衡圖像分類和識別任務相比，隱寫分析中的不均衡數據問題存在明顯的不同。隱寫分析更注重圖像的高頻信號，而不是圖像本身的內容，通過常用的平衡樣本方案來調整數據分布的偏差，會破壞圖像的高頻信號。另外，隱寫分析使用更多的全局統計信息而不是局部統計信息來構建高維特征。通過現有的特征學習方法從高維特性中選擇小部分特征將促使它選擇描述多數類而不是表示少數類。因此，基于傾斜的數據分布來選擇特征很難得到最優解。

目前，部分研究重點關注隱寫分析中存在的不平衡問題，這些工作重視小樣本訓練集^[3]或數據匹配^[4]。作為隱寫分析數據的固有特性，解決這類問題具有一定的挑戰性。針對不平衡隱寫分析問題，出現了不同的解決方案，主要包括不平衡數據的預處理和分類算法的優化^[5]。已有研究表明，平衡分布比不平衡分布具有更好的分類性能。通常，特征選擇方法可以減少冗余，保持與目標的最大相關性，將傾斜的數據集轉換為平衡的分布。此外，抽樣策略還可以使分布趨于平衡^[6]。雖然，上述方法在一定程度上可以取得較好的結果，但并沒有充分考慮數據分布和優化目標的本質特征，這對于解決不平衡隱寫分析問題來說是非常重要的。具體來說，代價敏感學習給少數類的樣本分配了更高的誤分類代價。這些方法對同一類中的樣本一視同仁。然而，同一個類別中的不同樣本對訓練過程的貢獻可能不同。為了解決這個問題，提出了一種有效的JPEG不平衡隱寫分析方案，稱為自適應代價敏感特征學習。

參考文獻：

[1]Cheddad A,Condell J,Curran K,et al.Digital image steganography:Survey and analysis of current methods[J].Signal processing,2010,90(3):727-752.