[发明专利]基于细粒度图像的多任务卷积神经网络的图像隐写分析方法

说明书

本发明公开了一种基于细粒度图像的多任务卷积神经网络的图像隐写分析方法，其步骤包括：1获取数据集，对数据集进行处理；2搭建多任务卷积神经网络模型；3训练多任务卷积神经网络；4利用训练好的网络模型对其他测试集图像进行隐写分析，以此判断图像是否为载密图像。本发明首次将显著性检测技术和隐写分析相结合，把提取的细粒度图像作为输入，采用并行训练的方式已达到共享数据源中的不同信息，同时通过修改卷积核的步长从而没有使用池化操作，从而避免了图像特征的丢失，提高了网络的检测精度。

技术领域

本发明涉及图像分类、模式识别、图像隐写分析领域，具体涉及一种基于细粒度图像和多属性融合的多任务卷积神经网络的图像隐写分析方法。

背景技术

隐写术是尽量将秘密信息隐藏在一个特定的原始图像中，尽量减少原始图像的变化，使隐写术在视觉质量和统计特征上接近原始数据。同时，隐写分析运用信号处理和机器学习理论，分析载密与载体图像之间的统计差异。通过增加特征个数，提高分类器性能，提高了检测精度。

目前，已有的隐写分析方法包括特定的隐写分析算法和通用的隐写分析算法。早期的隐写分析方法主要针对检测特定的隐写算法，而通用的隐写分析算法通常使用统计特征和机器学习。常用的统计特征包括二进制相似性测度特征、DCT和小波系数特征、共现矩阵特征等。近年来，基于相邻像素间相关性的高阶统计特征已成为隐写分析的主流。这些特征通过捕获与图像隐写相关的复杂统计特征，如SPAM、富模型及其几个变体，提高了检测性能。然而，这些高级方法基于包含成千上万特性的丰富模型。处理这样的高维特征必然会导致训练时间的增加、过度拟合等问题。此外，基于特征的隐析器能否成功地检测出载密的细微变化在很大程度上取决于特征的构造。特色构造需要大量的人为干预和专业知识。

基于卷积神经网络的图像分类是近些年计算机视觉领域较为前沿的研究课题。通过使用神经网络的算法结构，能够自动获取数据的多个抽象级别，发现数据集中隐含的复杂结构，人们将该项技术运用到隐写分析中，发现卷积神经网络(CNN)在各种隐写分析检测器中表现良好。CNN可以自动从图像中提取复杂的统计相关性，提高检测精度，Tan等人使用了一个包含四个卷积层的CNN网络来进行图像隐写分析。实验表明，随机初始化权值的CNN通常不能收敛，用KV核初始化第一层权值可以提高精度。Xu等人提出了一种CNN结构，其中包含了一些用于图像分类的技术，如批量归一化(BN)、1×1卷积和全局平均池。他们还使用高通滤波器进行预处理，并使用绝对激活层(ABS)。他们的实验显示出更好的性能。通过对Xu-CNN的改进，实现了性能更加稳定的性能。在JPEG域，Xu等人提出了一种基于图像解压的网络，比传统的JPEG域方法具有更好的检测精度。Ye等人提出了一种带一组高通滤波器的CNN结构进行预处理，并采用了一组混合激活函数来更好地捕捉嵌入信号。然而，这些高级方法基于包含成千上万特性的丰富模型。处理这样的高维特征必然会导致训练时间的增加、过度拟合等问题。此外，基于特征的隐写分析模型能否成功地检测出载密的细微变化在很大程度上取决于特征的构造。特征构造需要大量的人为干预和专业知识，并且上述研究都没有考虑到输入图像的大小，因为现实世界中的图像大小是任意的。对于隐写分析来说，这不是一个好的实践，因为像素之间的关系非常弱且独立。分类前调整大小会影响模型的精度。这些问题在本方案中都得到了改善。

发明内容

本发明为克服现有技术存在的不足之处，提供了一种基于细粒度图像的多任务卷积神经网络的图像隐写分析方法，以期避免图像特征的丢失，减少网络参数，缩短训练时间，并提高网络的检测精度。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于细粒度图像的多任务卷积神经网络的图像隐写分析方法的特点是按如下步骤进行：

步骤1、构建训练样本：