[发明专利]一种基于物体局部生成对抗网络的大数据权属保护方法

说明书

本发明是一种基于物体局部生成对抗网络的大数据权属保护方法，在训练集上，载体图像经过多层的卷积网络，得到多组特征图，依次传入到载体重构模块。生成网络还包括多层反卷积网络，在生成条件经过多层反卷积后得到的特征图依次传入载体重构模块。将生成的目标载体图像输入到隐写网络，进行隐写区域的扩增和隐写秘密信息，随后将生成的图像输入到多粒度判别器中，对其分别在图像微弱特征和图像质量上判别，更新判别网络的参数，经过多次修改，得到网络模型参数并保存。发送方和接收方利用上述网络模型参数生成含秘图像或复原隐写区域并提取秘密信息。本专利实现了基于生成对抗网络信息隐藏，解决了生成对抗网络的隐写中的隐写问题，提高了安全性。

技术领域

本发明属于大数据技术处理技术领域，具体的说是一种基于物体局部生成对抗网络的大数据权属保护方法。

背景技术

在大数据时代，数据是科学研究的驱动。深度学习、人工智能等学科的迅速发展离不开数据科学的发展。互联网用户在使用相似图像搜索、推荐算法、语音识别等人工智能技术带来方便的同时，离不开各种各样的数据集。在深度学习的研究中，围绕带有特殊意义的数据集训练一个带有特定功能的模型，是当下大部分智能产品的开发流程。然而，在大数据和云计算的背景下，数据被云服务商所存储。用户在使用云服务商提供的软件或服务时，产生的隐私数据存储与云服务商的服务器中。用户要想使用该软件或服务，只能默认信任云服务商。然而，单纯的信任并不会带来永远的安全，近年来常有云服务商的数据被窃取的事件发生。因此，对有安全需要的用户而言，数据的安全性不可以在当前环境下受到影响，数据的权属需要被保障。本方法利用信息隐藏技术，将用户的敏感信息和权属信息隐藏于用户的日常数据(例如图像)中，这些日常数据本身具有意义，表达用户的传达的信息。但是，在信息隐藏领域，隐藏信息的隐写算法更倾向于选择图像的复杂纹理区域隐藏信息，用户的日常图像数据可能不具备足够的复杂纹理区域。因此，本方法在用户的日常图像数据作为背景的基础上，利用生成对抗网络生成符合当前语境的前景物体，该前景物体具备复杂纹理的特点，故可以用生成的前景来隐藏用户的秘密信息，达到提升用户信息安全的目的。

在深度学习的浪潮下，生成对抗网络(Generative Adversarial Networks，GAN)得到了迅速的发展，从GAN提出至今，利用其对抗思想，涌现了各种优秀衍生算法和技术。例如WGAN提升了GAN的效果；conditional GAN在GAN的基础上，增加了生成图像的生成条件；Stack GAN实现了从文本生成图像，该生成图像满足文本描述。

信息隐藏是信息安全领域重要的分支，期望在相对不安全的信道传输中，利用用户产生的数据(例如文本、图像、视频)等信息，隐藏用户不希望公开的数据。其中，比较基础的信息隐藏算法，例如最低有效位(Least Significant Bit，LSB)隐写算法，通过修改像素的最低有效位，来嵌入信息，完成信息隐藏。其原理依据人眼对微小像素值的不敏感性，即使像素最低有效位被修改，不会对图像本身造成人眼可识别的改变。例如，常见的单通道图像每个像素由8位2进制数字组成，转换成10进制后，其像素值区间为0到255，最低有效位的修改使得像素值的改变区间为-1，1或0。由于这种算法无法抵抗简单的图像统计分析，因此，在LSB隐写的基础上，隐写算法的改进方向为自适应和抗统计分析。例如UNIWARD、WOW这类算法通过定义隐写的代价函数计算失真率，通过降低失真率，达到自适应和抗统计分析的目的。

发明内容

本发明要解决的技术问题是提供一种基于物体局部生成对抗网络的大数据权属保护方法，该方法通过在生成网络中增加隐写网络模块，在判别网络中增加隐写分析判别网络。在背景重建的同时，在前景区域生成纹理相对复杂的物体作为安全区域，进行信息隐藏。同时，在含密图像的生成过程中进行图像质量分析和隐写分析。

为解决上述技术问题，本发明采用的技术方案为：

一种基于物体局部生成对抗网络的大数据权属保护方法，其特征是：具体步骤如下：