[发明专利]一种图像隐写分析方法、智能终端及存储介质

说明书

本发明公开了一种图像隐写分析方法、智能终端及存储介质。所述图像隐写分析方法通过对传统训练得到的图像隐写分析模型进行裁剪，去除部分卷积核通道，生成具有更轻量的卷积核的新的图像隐写分析模型，实现了采用运算量低、占用资源少的图像隐写分析模型进行图像隐写分析。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像隐写分析方法、智能终端及存储介质。

背景技术

图像隐写是信息隐藏技术的一个分支，利用了人类感官系统对于冗余信息不敏感的特点，将信息隐藏到冗余信息中依靠图像为传输载体的方式传递秘密信息。目前，对于不同的隐写嵌入方式，较常用的是利用基于深度神经网络模型的隐写分析方法进行隐写分析，但是，随着移动硬件与移动应用的普及，移动端的有限的运算资源、存储资源与能耗限制以及对时效性的高要求和传统神经网络的大参数、大运算量、高耗能、高延迟的特点产生了较大的矛盾，亟需可以应用在移动端的图像隐写分析模型。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种图像隐写分析方法、智能终端及存储介质，旨在解决现有技术中传统的深度神经网络隐写分析模型运算量大、占用高资源的问题。

本发明的技术方案如下：

本发明的第一方面，提供了一种图像隐写分析方法，所述方法包括：

使用预先建立的训练数据集训练得到第一图像隐写分析模型；

对所述第一图像隐写分析模型的卷积核进行裁剪，去除部分卷积核通道，生成第二图像隐写分析模型；

对所述第二图像隐写分析模型进行初始化训练，生成第三图像隐写分析模型；

根据所述第三图像隐写分析模型进行图像隐写分析；

其中，所述训练数据集中的数据为经过隐写信息嵌入的图像。

所述的图像隐写分析方法，其中，所述使用预先建立的训练数据集训练得到第一图像隐写分析模型具体包括：

使用预先建立的训练数据集对多个基础图像隐写分析模型进行初始化训练；

获取训练过程中产生的模型数据，根据所述模型数据获取所述第一图像隐写分析模型。

所述的图像隐写分析方法，其中，所述对所述第一图像隐写分析模型的卷积核进行裁剪具体包括：

对所述第一图像隐写分析模型中的各个卷积层的卷积核进行裁剪试验，获取所述各个卷积层对应的目标卷积核裁剪率；

根据所述各个卷积层分别对应的所述目标卷积核裁剪率裁剪所述各个卷积层中的卷积核。

所述的图像隐写分析方法，其中，所述对所述第一图像隐写分析模型中的各个卷积层的卷积核进行裁剪试验，获取所述各个卷积层对应的目标卷积核裁剪率具体包括：

按照预设步长逐步裁剪目标卷积层的卷积核，并获取每次裁剪后所述第一图像隐写分析模型的输出准确率；

获取当所述输出准确率达到预设阈值时对应的卷积核裁剪率作为所述目标卷积层的所述目标卷积核裁剪率。

所述的图像隐写分析方法，其中，所述获取每次裁剪后所述第一图像隐写分析模型的输出准确率具体包括：

获取每次裁剪后所述第一图像隐写分析模型对预设的验证数据集的输出准确率；

其中，所述验证数据集中的数据为经过与所述训练数据集中的图像同样的隐写嵌入处理的图像。

所述的图像隐写分析方法，其中，所述按照预设步长逐步裁剪所述目标卷积层的卷积核具体包括：