[發(fā)明專利]基于深度學(xué)習(xí)的信息隱藏方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010545261.7
• 申請(qǐng)日: 2020-06-15
• 公開（公告）號(hào): CN111711821B
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計(jì)）人: 曹寅;潘子宇;趙扶坤;陳靜
• 申請(qǐng)（專利權(quán)）人: 南京工程學(xué)院
• 主分類號(hào): H04N19/467
• 分類號(hào): H04N19/467;G06N3/08;G06N3/04
• 代理公司: 南京睿之博知識(shí)產(chǎn)權(quán)代理有限公司 32296
• 代理人: 楊雷

1.基于深度學(xué)習(xí)的信息隱藏方法，其特征在于包括如下步驟：

步驟S1：訓(xùn)練一個(gè)評(píng)估網(wǎng)絡(luò)；

步驟S2：利用評(píng)估網(wǎng)絡(luò)來訓(xùn)練編碼器ε和解碼器D；

步驟S3：利用自然圖像的概率分布中采樣得到RGB通道載體圖像C，編碼器ε隱寫圖像S，代表被隱藏在載體圖像中的二進(jìn)制信息；

其中，上述步驟S2中的訓(xùn)練編碼器，具體包括如下步驟：

S21：編碼器網(wǎng)絡(luò)含有一張載體圖像C和秘密信息M∈{0,1}^D×W×H，M是一個(gè)形狀為D×W×H的二進(jìn)制數(shù)據(jù)張量，其中D是試圖隱藏在載體圖片每個(gè)像素中的比特?cái)?shù)；

S22：使用卷積塊處理載體圖像C以獲得張量a；

a＝Conv_3→32(C) (4.1)

將秘密信息M連接到張量a，然后用卷積塊處理結(jié)果以獲得新的張量b；

b＝Conv_32+D→32(Cat(a,M)) (4.2)；

其中，Cat表示張量的級(jí)聯(lián)；

S23：若編碼器體系結(jié)構(gòu)的變體模型為基礎(chǔ)模型：依次將兩個(gè)卷積塊應(yīng)用于新的張量b并生成隱寫圖像，表示為如下形式：

ε_b(C,M)＝Conv_32+D→21(Cat(a,M)) (4.3)

隱寫圖像只是最后一個(gè)卷積塊的輸出；

S24：若編碼器體系結(jié)構(gòu)的變體模型為殘差模型：通過將載體圖像C添加到其輸出中來修改基本模型的編碼器，以使編碼器學(xué)習(xí)生成殘差圖像，表示為如下形式：

ε_r(C,M)＝C+ε_b(C,M) (4.4)；

S25：若編碼器體系結(jié)構(gòu)的變體模型為密集模型：使用密集連接將提高嵌入率，表示為如下形式：

S26：基礎(chǔ)模型、殘差模型、密集模型的輸出是一個(gè)與載體圖像C分辨率、和深度相同的隱寫圖像S＝ε_{b,r,d}(C,M)∈{ε_b(C,M),ε_r(C,M),ε_d(C,M)}；

上述步驟S2中的解碼器接收由編碼器產(chǎn)生的隱寫圖像S，表示為如下形式：

解碼器生成試圖恢復(fù)數(shù)據(jù)張量M,D_s(·)表示解碼器的解碼操作。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的信息隱藏方法，其特征在于上述步驟S1訓(xùn)練一個(gè)評(píng)估網(wǎng)絡(luò)，具體包括如下步驟：

S11：訓(xùn)練開始后，將待隱寫的秘密信息分為n組秘密信息片，并對(duì)每片秘密信息片編碼得到若干組秘密信息位向量，作為寬度和高度填充矩陣；

S12：取訓(xùn)練序號(hào)i＝0，RGB通道載體圖像Ci預(yù)編碼為數(shù)據(jù)向量，使用深度神經(jīng)網(wǎng)絡(luò)模型，以載體圖片與秘密信息作為驅(qū)動(dòng)，輸入到神經(jīng)網(wǎng)絡(luò)的編碼器模塊生成隱寫圖像Si；

S13：判別網(wǎng)絡(luò)將隱寫圖像與載體圖像聯(lián)合進(jìn)行分析，比較相似度，判斷是否為隱寫圖像，若為否，執(zhí)行下一步，若為是，則取i＝i+1,重新執(zhí)行步驟S12；

S14：判斷是否達(dá)到訓(xùn)練次數(shù)，若為是，執(zhí)行下一步，若為否，取i＝i+1,重新執(zhí)行步驟S12。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的信息隱藏方法，其特征在于上述步驟S2中的評(píng)估網(wǎng)絡(luò)為：

為實(shí)現(xiàn)解碼錯(cuò)誤率p和自然圖像與隱寫圖像間分布間的距離最小化，訓(xùn)練一個(gè)評(píng)估網(wǎng)絡(luò)C(·)來估計(jì)令參數(shù)以及是兩個(gè)寬度和高度相同的感知器，深度分別是D和D′兩個(gè)不相同值，然后是沿深度軸方向的兩個(gè)張量的級(jí)聯(lián)；令是將輸入張量X映射到寬度和高度、深度相同或不同的特征圖Φ的卷積塊；這個(gè)卷積塊包含了一個(gè)內(nèi)核大小為3，步幅為1，填充為“相同”的卷積層，其后是一個(gè)leaky ReLU激活函數(shù)以及批標(biāo)準(zhǔn)化；如果卷積塊是網(wǎng)絡(luò)中的最后一個(gè)塊，則激活函數(shù)和批標(biāo)準(zhǔn)化操作可省略；

其中，為自然圖像的概率分布，為隱寫圖像的概率分布，D為參數(shù)X的深度，D′為參數(shù)Y的深度，W為參數(shù)X和參數(shù)Y的寬度，H為參數(shù)X和參數(shù)Y的高度，Φ為沿深度軸方向的參數(shù)X和參數(shù)Y的級(jí)聯(lián)。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的信息隱藏方法，其特征在于上述步驟S2中的訓(xùn)練過程為：

為了優(yōu)化編-解碼器網(wǎng)絡(luò)，聯(lián)合優(yōu)化三個(gè)損失：

①使用交叉熵?fù)p失的解碼精度：

②均方誤差下隱寫圖像與載體圖像的相似度：

③判別網(wǎng)絡(luò)隱寫圖像的真實(shí)性：

訓(xùn)練目標(biāo)是使下式最小化

為訓(xùn)練判別網(wǎng)絡(luò)，要使Wasserstein損失最小化

其中，表示當(dāng)服從分布時(shí)的數(shù)學(xué)期望，ε(X,M)為編碼器輸出的隱寫圖像；

在每次迭代中，將每一個(gè)載體圖像C與由伯努利分布M～Ber(0.5)采樣隨機(jī)生成D×W×H比特序列的數(shù)據(jù)張量M；在預(yù)處理流程中，對(duì)于載體圖像C，應(yīng)用了包括水平翻轉(zhuǎn)和隨機(jī)裁剪在內(nèi)的標(biāo)準(zhǔn)數(shù)據(jù)增強(qiáng)程序；使用學(xué)習(xí)率為1e^-4的Adam優(yōu)化器，剪裁梯度均方為0.25，剪裁判別系數(shù)為[-0.1,0.1]，訓(xùn)練32輪。