[发明专利]基于声谱图及深度残差网络的音频通用隐写分析方法及系统

说明书

本发明公开了一种基于声谱图及深度残差网络的音频通用隐写分析方法及系统，本方法针对现有基于不同音频压缩标准的隐写算法通过修改不同音频压缩参数来进行隐写却没有一个通用的隐写分析算法的现状，综合考虑AAC等压缩编码标准中共有的MDCT变换特性，对重压缩后的音频原始信号域信号提取声谱图特征，利用深度残差网络S‑ResNet去挖掘音频信号的固有分布特性，提取分类特征以构建通用的音频隐写分析器。本发明的优势在于不局限于单一编码标准以及参数域，具有较好的通用性以及隐写分析检测性能。

技术领域

本发明属于多媒体信息内容安全技术领域，涉及一种音频通用隐写分析方法及系统，特别涉及一种面向AAC等基于MDCT变换的音频压缩编码的基于声谱图及深度残差网络的音频通用隐写分析方法及系统。

技术背景

随着数字化、互联网、无线通信技术的飞速发展，数字音频数据已经在人们的日常生活中无处不在。各类音频通信和服务系统已经得到了广泛应用，如目前蜂拥而起的各类音乐APP和电台APP应用，包括百度音乐，QQ音乐，酷狗音乐，喜马拉雅，酷听听书等。在各类视频应用中，音频作为必不可少的伴随式信息载体，得到了广泛使用，如各类视频点播分享服务，包括爱奇艺，优酷，土豆，Youtube等。AAC音频是3GPP组织制定的针对移动互联网音频压缩编码标准之一，其目的在于取代MP3编码标准。在相同码率的情况下，音质优于MP3编码标准，同时在相同音频的情况下，AAC音频文件的大小远远小于MP3文件，这大大促进了AAC音频在互联网上的使用和传播。

AAC音频被广泛使用的同时，也为信息隐藏带来了非常丰富的载体空间。目前已经出现多种针对AAC音频的隐写方法，根据AAC音频编码原理，主要的隐写嵌入域可分为以下三种：MDCT(Modified Discrete Cosine Transform)系数域、比例因子域、Huffman编码域。这些方法主要通过在音频编码过程中修改编码参数来实现秘密信息隐写，拥有良好的不可感知性和较大的隐藏容量。

针对已有的AAC隐写算法，现有的隐写分析方法主要通过对各类嵌入域参数的固有统计特性进行分析，设计具有差异性的隐写分析特征。这类通过专家经验设计构造的隐写分析特征检测层面有限，在面对同嵌入域未知隐写算法时，检测效果难以保证。同时这种粒度较小、特征覆盖面较窄的检测手段对少量样本的检测是非常有效的，但是面对海量检测样本空间时，完全的细粒度检测在时间效率和计算复杂度上是难以得到有效实施的。因此，实现针对AAC音频信号的通用且高效的隐写分析方法具有非常重要的意义。

本发明的隐写分析方法面向AAC等音频压缩标准，在发明内容陈述之前需要对AAC的编解码原理以及音频声谱图进行介绍。

AAC音频编码标准的编码流程如图1所示，主要分为编码必选模块和可选模块，其中在编码过程中的必选模块包括心理声学模型、增益控制、滤波器组、比例因子、量化、Huffman编码等，可选模块包括噪声整形、立体声耦合、预测等。在编码时根据具体需要选择合适的可选模块对音频进行编码。

在AAC编码标准中针对不同的应用场景定义了主框架、低复杂度框架和可变抽样率框架三种不同复杂度的编码架构，当音频编码时对音频质量要求较高且计算力足够的情况下采用主框架进行编码，当计算力和存储容量有限时采用低复杂度编码，当在传输过程中网络带宽变化较复杂时采用可变抽样编码。

以主框架为例，在进行AAC音频编码时，首先对输入的脉冲信号进行时频转换，根据心理声学模型以及增益控制得到的相应感知熵函数、最大可允许失真等信息，在时频转换过程中经过滤波器组MDCT变换，对变换后的MDCT系数值进行三种循环量化和Huffman编码，最后输出Huffman编码后的音频码流。

发明内容