[发明专利]一种基于多任务学习卷积神经网络的图像隐写分析方法

权利要求书

1.一种基于多任务学习卷积神经网络的图像隐写分析方法，其特征在于，所述方法包括以下步骤：

S1、多任务学习网络模型设计：包括图像隐写分析主网络的设计和像素点隐写分析分支网络的设计；所述图像隐写分析主网络的第一层为由30个5×5×1的卷积核组成的卷积层，用于提取图像的高频信息，其后依次连接有五个结构相同的网络小块，其中每个网络小块均由两个30×(3×3×30)的卷积层和一个均值池化层依次连接而成，第五个网络小块后连接一个包含有两个神经元的全连接层，作为预测图像是否有被隐写的两个输出；

S2、数据集的制作：使用隐写算法在设定嵌入率下对原始图像进行隐写得到对应的隐写图像，同时保存每张图像是否有被隐写的图像隐写分析标签和每张图像中每个像素点是否有被改变的像素点隐写分析标签；

S3、多任务学习网络模型初始化：使用高通滤波器对多任务学习网络模型中的第一层卷积层的权值参数进行初始化以提取图像的高频信息，其余卷积层使用Xavier方式进行初始化；

S4、多任务学习网络模型的训练：将步骤S2中得到的数据集按设定比例随机划分为训练集和测试集，应用Adam算法在训练集上对多任务学习网络模型同时进行图像隐写分析和像素点隐写分析有监督的学习训练，在测试集上进行测试，最后保存在测试集上结果最好的模型作为最终模型；

S5、使用在步骤S4中训练得到的在测试集上结果最好的多任务学习网络模型对其余新的测试图像进行隐写分析。

2.根据权利要求1所述的一种基于多任务学习卷积神经网络的图像隐写分析方法，其特征在于：所述像素点隐写分析分支网络包括第一个网络小块后依次连接的一个输出通道数为2、大小为2×(1×1×30)的卷积层和一个将特征图上采样2倍至输入图像大小的解卷积层，以及第二个网络小块后依次连接的一个输出通道数为2、大小为2×(1×1×30)的卷积层和一个将特征图上采样4倍至输入图像大小的解卷积层；对上述得到的两个输入图像大小的特征图求和，得到的特征图作为对图像中各个像素点是否有被隐写的输出。

3.根据权利要求1所述的一种基于多任务学习卷积神经网络的图像隐写分析方法，其特征在于：步骤S2中，原始图像的图像隐写分析标签为0，隐写图像的图像隐写分析标签为1；对于隐写图像，将其与对应的原始图像中的每个像素点逐个进行比对，若相同，则将其像素点隐写标签对应位置置为0，否则置为1；对于原始图像，其各个位置像素点隐写标签均置为2，在后续训练时忽略。

4.根据权利要求1所述的一种基于多任务学习卷积神经网络的图像隐写分析方法，其特征在于：步骤S3中，所述高通滤波器为隐写算法SRM中使用到的30个高通滤波器。