[发明专利]基于CNN的自适应音频隐写方法和秘密信息提取方法

说明书

一种基于CNN的自适应音频隐写方法和秘密信息提取方法，根据对训练集中的音频信号与秘密信息进行维度叠加后将其输入到编码网络中，得到采样点修改向量；之后将其与音频信号进行相加得到隐写音频，并将隐写音频输入到解码网络中得到解码后的秘密信息；接着根据损失函数分别更新解码网络和编码网络中的参数；并采用与上述相同的方法依次使用所有训练样本对编码网络和解码网络进行训练得到训练完成的编码网络和解码网络；完成上述操作后，将待隐写的秘密信息与音频信号按照上述处理后输入到训练完成的编码网络中即可得到隐写音频，并将隐写音频输入到训练完成的解码网络中，即得到提取出的秘密信息。该方法产生微弱的扰动，保证隐写后的音频质量。

技术领域

本发明涉及音频加密领域，特别涉及一种基于CNN的自适应音频隐写方法和秘密信息提取方法。

背景技术

数字隐写术被广泛应用于信息安全领域，是一项将秘密信息以不可见的方式隐藏在数字载体(例如，文本、语音、图像等)中，再通过公开的信道发送给接收者的技术。隐写术注重不可见性，它的优势在于隐藏秘密信息后，不容易引起第三方的注意力。传统的隐写术将秘密信息隐藏在数字载体的感知冗余部分。更为先进的自适应隐写术是通过设计失真代价函数，配合卷积编码达到高隐蔽性的隐写效果。

最新的隐写术发展趋势是结合深度学习技术来实现自动隐写。Hayes在文献“Generating steganographic images via adversarial training，Advances in NeuralInformation Processing Systems,pp.1954-1963,2017”首次提出在GAN框架下，以编码网络、解码网络和隐写分析网络作为组件构成端到端的隐写框架。编码网络以载体图像与秘密信息作为输入，输出隐写图像。解码网络接收到隐写图像后能够提取其中的秘密信息。隐写分析网络则以对手的身份提高隐写的隐蔽性。Zhu在文献“Hidden:Hiding data withdeep networks,”In Proceedings of the European Conference on Computer Vision,pp.657-672,2018.”中通过加入噪声模拟层极大的提高了隐写的鲁棒性，该方法可以抵御如JPEG压缩、噪声污染等攻击。Zhang在文献“SteganoGAN:high capacity imagesteganography with gans,”arXiv preprint arXiv:1901.03892,2019”中更进一步通过改造神经网络的结构，加入DenseNet模块实现了比前两者方法更大的隐写容量。

现有的技术如上述三篇文献都是应用于数字图像领域中，且Hayes和Zhu在文献中考虑到秘密信息与图像的二维特性，在编码网络中使用了全连接层，但由于音频的一维的时序特性，全连接层会需要大量的内存消耗，因而上述方法并不适用于音频载体；其次，为了提高隐写的隐蔽性，上述三篇文献都加入了隐写分析网络来对与编码网络进行对抗训练，但他们框架中所使用的隐写分析网络能力较弱，无法真正做到指导编码网络的训练，因此使用上述文献所生成的隐写音频会产生较强的扰动，无法保证隐写后的音频质量，易被人耳所感知。

发明内容

本发明所要解决的技术问题是针对现有技术的现状，提供一种基于CNN的自适应音频隐写方法和秘密信息提取方法，该方法在保证秘密信息提取的情况下减少了隐写音频所产生的扰动，保证了隐写后的音频质量，且提高了音频的不可感知性。

本发明解决上述技术问题所采用的技术方案为：一种基于CNN的自适应音频隐写方法和秘密信息提取方法，其特征在于：包括以下步骤：

步骤1、构建训练集和测试集：将音频样本库中的音频信号裁剪成长度一致的音频段，每个音频段中设有m个采样值；并在音频样本库中选取部分音频段构建成训练集，剩余的音频段构建成测试集；m为正整数；

步骤2、在训练集中任意选取n个音频段，将其构成一个训练样本，并对该训练样本进行预处理，得到m*n的音频信号x；n为正整数；预处理的具体步骤为：