[发明专利]基于卷积神经网络的JPEG图像隐写分析方法

权利要求书

1.基于卷积神经网络的JPEG图像隐写分析方法，其特征在于，包括以下步骤：

S1.构建针对JPEG图像隐写分析的卷积神经网络：包括预处理部分和深度网络部分；所述预处理部分用于预处理JPEG图像，所述深度网络部分用于提取JPEG图像隐写分析特征并进行隐写分析；

S2.准备数据集：将原始图像按设定比例随机划分为训练集、验证集、测试集的载体图像，并使用隐写算法对所有载体图像进行隐写生成等量的载密图像；根据隐写算法计算所有载体图像的修改概率矩阵β，然后计算所有载体图像与载密图像相应的L₁范数嵌入失真矩阵t(β)；

S3.初始化卷积神经网络：对于卷积神经网络中预处理部分的卷积层，使用高通滤波器对其卷积核进行初始化，并采用截断线性单元作为激活函数；对于除预处理部分的卷积层以外的其他卷积层均使用msra方式进行初始化；

S4.训练卷积神经网络：使用AdaDelta算法在步骤S2所述的训练集中对卷积神经网络进行训练，通过验证集对训练中的网络进行验证并通过迭代更新参数直至网络收敛；使用测试集测试网络性能；

S5.利用训练好的卷积神经网络对待检测图像进行隐写分析，计算出分类概率向量从而判定待检测图像是否为载密图像；

步骤S1中所述的预处理部分包括第一支路，所述第一支路包含一个卷积层，用于对JPEG图像像素值进行预处理，其输出的特征图作为深度网络部分的输入；定义对应该预处理部分的卷积神经网络为Plain-CNN；

步骤S1中所述的预处理部分还包括第二支路，第二支路包含一个卷积层，用于对L₁范数嵌入失真矩阵t(β)进行预处理；将第一支路和第二支路的输出对应相加得到的特征图作为深度网络部分的输入；定义对应该预处理部分的卷积神经网络为SAC-CNN；

所述的第二支路中卷积层的卷积核在训练过程中不进行更新，卷积核内各元素的取值时刻保持与第一支路中卷积层的卷积核内各元素的绝对值相等，并对第一支路和第二支路中卷积层输出的特征图中所有元素进行一次求算数平方根操作。

2.根据权利要求1所述的JPEG图像隐写分析方法，其特征在于，步骤S1中所述的深度网络部分由卷积层、六个残差块、全局池化层、全连接层、softmax函数依次连接而成，其中卷积层及六个残差块对所述特征图进行深度卷积，全局池化层处理并输出图像隐写分析特征，全连接层及softmax函数将图像隐写分析特征映射为分类概率向量。

3.根据权利要求1所述的JPEG图像隐写分析方法，其特征在于，步骤S3中所述的截断线性单元及其导数定义为：

其中T＞0为截断阈值。

4.根据权利要求1所述的JPEG图像隐写分析方法，其特征在于，步骤S5具体包括以下步骤：

判断待检测图像是否已知隐写算法，若是则根据已知的隐写算法计算L₁范数嵌入失真矩阵t(β)，并与待检测图像的图像像素值矩阵一起输入到SCA-CNN，执行前向传播，由SCA-CNN输出分类概率向量，根据分类概率向量判定该图像是否为载密图像；

若否则将待检测图像的图像像素值矩阵输入到Plain-CNN执行前向传播，由Plain-CNN输出分类概率向量，根据分类概率向量判定该图像是否为载密图像。

5.根据权利要求2所述的JPEG图像隐写分析方法，其特征在于，所述六个残差块用于保持特征图尺寸以及减小特征图尺寸，其中用于减小特征图尺寸的残差块结构包括两种：第一种是卷积核大小为3×3或2×2、卷积间隔为2的卷积层；第二种是池化大小为3×3或2×2、池化间隔为2的平均池化层，再配合卷积核大小为1×1、卷积间隔为1的卷积层匹配特征图通道数。

6.根据权利要求1～5任一项所述的JPEG图像隐写分析方法，其特征在于，所述高通滤波器使用SRM算法中用到的30个高通滤波器。