[发明专利]一种基于深层卷积神经网络的自适应图像隐写分析方法及系统

说明书

本发明涉及图像隐写分析技术领域，公开了一种基于深层卷积神经网络的自适应图像隐写分析方法及系统，包括模型训练模块、特征预处理模块、隐写检测模块，首先对灰度图像采用自适应图像隐写算法进行信息嵌入，制作隐写图像数据集；然后将数据集的灰度图像通过高通滤波层和两个级联的3×3的卷积层得到残差图像，将残差图像在深层卷积神经网络模型上进行训练；然后不断调整网络参数与结构，继续训练，最后筛选出最优的深层卷积神经网络模型；选择待检测的灰度图像，然后对图像经过高通滤波层和两个级联的3×3的卷积层进行高频特征提取；将提取的特征输入最优的深层卷积神经网络模型进行隐写图像的检测，输出检测结果。本发明利用深层卷积神经网络的优势，可以有效地提高自适应隐写图像检测的效率和准确率。

技术领域

本发明涉及数字图像隐写技术领域，尤其涉及一种基于深层卷积神经网络的自适应图像隐写分析方法及系统。

背景技术

近年来随着隐写技术的发展，新兴的自适应隐写术逐渐成为当前图像隐写以及隐写分析领域的热门研究方向，该算法结合图像自身的结构特性，自适应选择图像中相对难以检测、不敏感的区域进行消息嵌入。目前的主流隐写分析方法主要依赖于人工设计特征，需要投入大量的时间精力，且目前的成果并不能满足实际需求。深度学习不需要人为的设计特征是一种新的解决思路，通过构建一个由多层线性及非线性结构单元组成的学习模型便可自动挖掘隐含在图像内部的复杂关系及结构特性，从而在数据中得到有效的特征表达，极大的简化了问题的复杂性。因此将深度学习技术应用到隐写分析领域可以取得很好的效果。

发明内容

本发明的目的是针对现有隐写分析手段的不足，提出一种基于深层卷积神经网络的自适应图像隐写分析方法。使用更深层的卷积神经网络，提高检测的精度，更加适用于实际场景。为了达到上述目的，本发明采用如下技术方案：一种基于深层卷积神经网络的自适应图像隐写分析方法及系统，其特征在于，包括模型训练模块、特征预处理模块、隐写检测模块，所述的模型训练模块用于对深层卷积神经网络模型进行训练，包括隐写图像数据集、第一高通滤波层、第一卷积层、第二卷积层，隐写图像数据集的输出与第一高通滤波层的输入连接，第一高通滤波层的输出与第一卷积层的输入连接，第一卷积层的输出与第二卷积层的输入连接，第二卷积层的输出与深层卷积神经网络模型的输入连接；所述的特征预处理模块用于对输入的灰度图像提取高频特征，包括输入图像、第二高通滤波层、第三卷积层、第四卷积层，输入图像与第二高通滤波层的输入连接，第二高通滤波层的输出与第三卷积层的输入连接，第三卷积层的输出与第四卷积层的输入连接，第四卷积层的输出与最优深层卷积神经网络模型的输入连接；所述的隐写检测模块用于检测图像是否包含隐写信息，包括最优深层卷积神经网络模型、隐写图像、原始图像，最优深层卷积神经网络模型的输出分别与隐写图像、原始图像连接。

所述的一种基于深层卷积神经网络的自适应图像隐写分析方法及系统，其特征在于，所述的第一高通滤波层、第二高通滤波层均由1个大小为5×5、通道数为1的卷积核组成，第一卷积层、第二卷积层、第三卷积层、第四卷积层均由1个大小为3×3、通道数为1的卷积核组成。

所述的最优深层卷积神经网络模型是深层卷积神经网络模型经过训练后筛选出的最优模型；模型内部层相互连接，上一层的输出是下一层的输入，其网络结构包括6个卷积子块(CL1～CL6)、1个全连接层、1个Dropout层和1个Softmax层组成；每个卷积子块的输入和输出均为多个二维矩阵，称为特征图，且每个卷积子块的输出作为下一层的输入；每个卷积子块结构包括卷积、非线性激活和池化三种依次进行的操作。绝对值层的作用是使提取到的残差具有0对称性；每个非线性激活函数前使用批标准化层，它能够将每个输入特征图归一化到零均值和单位方差，可以在梯度反向传播的过程中有效防止参数陷入局部最优。批标准化层一定程度上可以解决梯度爆炸及消失问题，缓解了部分输入数据在ReLU激活函数中零梯度问题，使训练结果更加稳定；前两个卷积子块的非线性激活函数使用TanH，其他卷积子块及全连接层使用ReLU作为非线性激活函数；前五个卷积子块的池化操作选用平均池化，相较于最大池化，平均池化能更好的保留背景信息，最后一个卷积子块采用全局池化。