[发明专利]一种基于双路卷积和特征融合的图像隐写分析方法

说明书

本发明公开了一种基于双路卷积和特征融合的图像隐写分析方法，其步骤包括：1、构建图像隐写分析的深度学习网络框架；2、图像数据集的准备；3、网络的初始化；4、网络的训练及其验证。本发明能通过两路卷积神经网络自动提取更丰富、更精确的图像特征，根据特征判断图像是否存在隐藏信息，从而能以较高的准确率区分载体图像和载密图像。

技术领域

本发明涉及涉及数字图像隐写技术领域，具体的说是一种基于双路卷积和特征融合的图像隐写分析方法。

背景技术

数字隐写术的基本原理是利用图像、视频、音频、文本等数字载体中存在的人类感知系统不敏感的冗余信息的特性，将待传递的秘密信息隐藏到该冗余信息中，嵌入信息后的载密载体表面上和普通载体一样，使得可能的攻击者很难觉察到秘密信息的存在，从而保证了信息安全隐蔽的传输。隐写分析是一种与隐写术相对抗的逆向分析技术，隐写分析在过去十年中得到了广泛的研究。它的主要目的是检测来自已知来源的数字图像等数字覆盖中是否存在秘密消息。通常，该任务被描述为一个二分类问题，以区分载体对象和隐写对象。

但是，隐写分析目前还存在很多的问题需要被解决。比如，隐写分析的成功一般取决于特征设计，传统的数字图像隐写分析的研究主要集中在复杂手工特征的构建上。然而由于缺乏精确的自然图像模型，这项工作更加复杂，因此提出了各种启发式方法。同时，由于特征提取和分类步骤是分开的，所以不能同时对它们进行优化，这意味着不能利用分类指导来获取有用的信息。特别是近年来提出的内容自适应隐写算法可以保持更复杂的邻域相关性等统计特性，使得隐写分析者需要考虑更复杂的图像统计特性来进行有效的检测，人工设计特征难度也在不断增大，对设计者的经验知识提出更高要求。

随着深度学习在图像识别领域的优异表现，卷积神经网络逐渐成为一种重要的图像隐写分析方法。例如，Xu等构建了一个5层的CNN模型进行隐写分析，对S-UNIWARD算法的检测准确率达到了80％，取得了不错的效果。但是随着网络深度的增加，梯度消失或者爆炸问题会阻碍网络的收敛，批量规范一化的提出使得深度网络利用随机梯度下降得以收敛。但是，深度网络在训练过程中会出现退化问题，即随着网络层数的递增，网络识别性能会逐渐达到饱和后并迅速下降。退化问题并不是，而是增加网络的深度会使得训练误差增加。退化问题表明了深度网络在训练过程中寻找最优权重参数存在很大的困难。

发明内容

本发明为了克服现有技术存在不足之处，提供一种基于双路卷积和特征融合的图像隐写分析方法，以期能通过两路卷积神经网络自动提取更丰富、更精确的图像特征，根据特征判断图像是否存在隐藏信息，从而能以较高的准确率区分载体图像和载密图像。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于双路卷积和特征融合的图像隐写分析方法的的是按如下步骤进行：

步骤1、从数据库中获取m张原始的灰度载体图像X＝{x_k|k＝1,2,…m}，其中，x_k表示第k张原始的灰度载体图像，令任意一张原始的灰度载体图像所对应的标签类型为“0”；

利用隐写算法对第k张原始的灰度载体图像x_k进行秘密信息嵌入，得到第k张载密图像y_k以及第k张原始的灰度载体图像x_k中每个像素被修改的概率，从而得到m张原始的灰度载体图像X所对应的载密图像Y＝{y_k|k＝1,2,…m}以及对应的原始的灰度载体图像中每个像素被修改的概率，令第k张原始的灰度载体图像x_k中第i行第j列的像素被修改的概率为令任意一张载密图像所对应的标签类型为“1”；

由所述m张原始的灰度载体图像X和相应的载密图像Y共同构成数据集，并将所述数据集分为训练集和验证集；

利用式(1)计算残差失真矩阵