[发明专利]未知嵌入率图像隐写分析方法

说明书

本发明提供了一种未知嵌入率图像隐写分析方法，包括：基于包含有载体图像和高嵌入率载密图像的第一训练集，构建预训练模型；在所述预训练模型的基础上，将用于区分载体图像和载密图像的分类任务作为主任务，并增加用于拟合图像中秘密信息的嵌入程度的回归任务作为辅助任务，以构建基于多任务学习的隐写分析模型，其中，所述基于多任务学习的隐写分析模型的参数初始值迁移自所述预训练模型的参数值；基于所述多任务学习的隐写分析模型设计目标函数，以进行隐写分析。通过本发明的技术方案，能够在有效提升模型隐写分析盲检测的性能的同时，改善了人为调整权重方法的不足。

技术领域

本发明涉及信息隐藏技术领域，具体而言，涉及一种未知嵌入率图像隐写分析方法。

背景技术

图像隐写利用图像在空间上的冗余特性，把一个有意义的秘密信息隐藏到载体图像中，从而得到载密图像。图像隐写分析通过区分载体或载密图像来检测一副图像是否含有秘密信息，通常被看作二分类问题。图像隐写分析方法可分为特定隐写检测和通用盲检测两种。特定隐写检测是在图像隐写算法和嵌入率已知的情况下，对其是否含有隐藏信息做出判断。通用盲检测是在图像隐写方法或嵌入率未知的情况下，对其是否含有隐藏信息做出判断。尽管通用盲检测的检测精度往往比特定隐写检测的精度低，但因为通用盲检测对于新的或未知的隐写算法具有一定的检测能力，所以通用盲检测技术的研究就显得十分重要。

深度学习因其强大的非线性拟合能力，能够将特征学习融入到建模过程中，应用于隐写分析领域中，可以有效缓解人工设计特征的方法高度依赖专家经验，特征完备性不足等问题，从而引起了众多研究者的关注。现有基于深度学习的隐写分析通用盲检测方法仍然需要隐写算法或嵌入率等信息，并不能真正做到盲检测。有相关文献提出的一种基于多任务学习的隐写分析模型，其涉及到的权重分配需要人为调整，每次调整权重后都要重新训练模型，造成计算资源和时间的大量消耗，使得因此分析盲检测性能偏低。因此，如何有效提升模型隐写分析盲检测性能成为亟待解决的技术问题。

发明内容

本发明正是基于上述技术问题至少之一，提出了一种新的未知嵌入率图像隐写分析方法，能够在有效提升模型隐写分析盲检测的性能的同时，改善了人为调整权重方法的不足。

有鉴于此，本发明提出了一种新的未知嵌入率图像隐写分析方法，包括：基于包含有载体图像和高嵌入率载密图像的第一训练集，构建预训练模型；在所述预训练模型的基础上，将用于区分载体图像和载密图像的分类任务作为主任务，并增加用于拟合图像中秘密信息的嵌入程度的回归任务作为辅助任务，以构建基于多任务学习的隐写分析模型，其中，所述基于多任务学习的隐写分析模型的参数初始值迁移自所述预训练模型的参数值；基于所述多任务学习的隐写分析模型设计目标函数，以进行隐写分析。

在上述技术方案中，优选地，构建基于多任务学习的隐写分析模型的步骤，具体包括：获取所述预训练模型的全部参数W₁；将所述基于多任务学习的隐写分析模型中从预处理层的输出到softmax分类器之间的全部参数设置为参数W₂、以及将从特征提取部分中最后一个池化层的输出到辅助任务输出之间的参数设置为参数W₃；将参数W₁迁移并赋值给参数W2，并随机生成参数W₃；基于包含有载体图像和多种嵌入率载密图像的第二训练集，对参数W2和参数W₃进行调整，以构建所述基于多任务学习的隐写分析模型。

在上述任一项技术方案中，优选地，所述基于所述多任务学习的隐写分析模型设计目标函数的步骤，具体包括：获取所述辅助任务的对数似然函数；获取所述主任务的对数似然函数；基于所述辅助任务的对数似然函数和所述主任务的对数似然函数，计算所述辅助任务和所述主任务联合优化时的目标对数似然函数，并将其作为所述目标函数。