[发明专利]一种基于对抗训练与关键路径提取的图像隐写分析方法

权利要求书

1.一种基于对抗训练与关键路径提取的图像隐写分析方法，其特征在于，包括：

对于待检测图像，分别输入至经过对抗训练的隐写分析模块、以及基于关键路径提取的隐写分析模块；所述待检测图像包括：非隐写图像、传统隐写图像和对抗嵌入隐写图像，其中传统隐写图像和对抗嵌入隐写图像都属于隐写图像的类别；

获得两个模块各自输出的待检测图像为隐写图像的概率，再结合两个模块的权重，采用加权融合的方式，作为最终待检测图像为隐写图像的概率。

2.根据权利要求1所述的一种基于对抗训练与关键路径提取的图像隐写分析方法，其特征在于，经过对抗训练的隐写分析模块为经过对抗训练的隐写分析网络，隐写分析网络中包含四种类型的卷积层，分别记为T1～T4；图像输入至隐写分析模块后依次经T1类型的卷积层、T2类型的卷积层输入至T3类型的卷积层，再依次经过T2类型的卷积层、T3类型的卷积层输入至T4类型的卷积层，最终通过空间金字塔池化层输入至全连接层并通过Softmax层，得到图像为隐写图像的概率；

训练时的损失函数为：

其中，α是权重系数，L是交叉熵损失函数，x是非隐写图像或传统隐写图像，x'是经过对抗嵌入隐写的图像，θ为待训练的参数，y是图像分类的标签。

3.根据权利要求2所述的一种基于对抗训练与关键路径提取的图像隐写分析方法，其特征在于，四种类型的卷积层的结构分别为：

T1类型的卷积层包括：依次连接的卷积单元、批归一化层与ReLU激活函数；

T2类型的卷积层包括：依次连接的T1类型的卷积层、卷积单元及批归一化层；同时，T1类型的卷积层的输入还与批归一化层的输出连接；

T3类型的卷积层包括：依次连接的T1类型的卷积层、卷积单元、批归一化层及平均池化层；同时，T1类型的卷积层的输入还依次经过另外的卷积单元与批归一化层连接平均池化层的输出；

T4类型的卷积层包括：依次连接的T1类型的卷积层、卷积单元及批归一化层。

4.根据权利要求1或2或3所述的一种基于对抗训练与关键路径提取的图像隐写分析方法，其特征在于，

所述基于关键路径提取的隐写分析模块中包含一个未经过对抗训练的隐写分析网络，待检测图像经过隐写分析网络；如果隐写分析网络判断待检测图像为隐写图像，则直接作为基于关键路径提取的隐写分析模块的检测结果；否则，再利用隐写分析网络通过基于关键路径提取的隐写分析方法对待检测图像进行分析，获得相应的检测结果；

当检测结果表明待检测图像为隐写图像时，基于关键路径提取的隐写分析模块的输出为1；否则输出为0。