[发明专利]一种基于深度判别器的无载体隐蔽通信方法及系统

权利要求书

1.一种基于深度判别器的无载体隐蔽通信方法，适用于由发送方与接收方组成的系统，其步骤包括：

1)构建码表，收集若干图像，并根据码表向各图像分配长度为p的码字，构建载体库；

2)通过学习各图像与相应码字的映射关系，构建映射模型，并将映射模型发送至接收方；

3)将秘密消息转化为二进制码，并将所述二进制码按设定长度p分割为若干比特段，其中p=p*t,t为自然数；

4)在载体库中查询各比特段对应的图像，将形成载密图像序列发送至接收方，以使接收方依据所述载密图像序列与映射模型，恢复所述秘密消息。

2.如权利要求1所述的方法，其特征在于，所述码表覆盖p位长度的二进制编码中全0到全1的所有码字。

3.如权利要求1所述的方法，其特征在于，通过以下策略向各图像分配码字：

1)每个码字都至少有一个图像对应；

2)载体库中的每一图像只能映射到一个码字。

4.如权利要求1所述的方法，其特征在于，通过倒排索引方法，构建载体库。

5.如权利要求1所述的方法，其特征在于，将各图像与相应码字输入神经网络之前，对各图像进行预处理；所述预处理包括：

1)获取图像的多种版本；

2)调整图像的大小。

其中，通过以下策略获取图像的多种版本：

a)从四个角裁剪图像；

b)从中心裁剪图像；

c)对图像进行翻转。

6.如权利要求5所述的方法，其特征在于，采用最近邻线性插值方法，调整图像的大小。

7.如权利要求1所述的方法，其特征在于，构建映射模型的方法包括：机器学习、深度学习或强化学习；机器学习的算法包括：决策树算法、随机森林算法、梯度提升决策树算法、朴素贝叶斯算法、逻辑斯坦回归算法、K近邻算法或神经网络。

8.如权利要求7所述的方法，其特征在于，神经网络的损失函数其中Z_i表示针对图像经过神经网络全连接层输出的大小为[1,2^N-1]矩阵，N表示每张图像需传输的bit数，K表示可对应码表的总长度。

9.如权利要求1所述的方法，其特征在于，通过以下步骤恢复所述秘密消息：

1)将所述载密图像序列输入映射模型，得到比特段序列；

2)依据比特段序列，恢复所述秘密消息。

10.一种基于深度判别器的无载体隐蔽通信系统，包括：

发送方，用以构建码表，收集若干图像，并根据码表向各图像分配长度为p的码字，构建载体库；通过学习各图像与相应码字的映射关系，构建映射模型，并将映射模型发送至接收方；将秘密消息转化为二进制码，并将所述二进制码按设定长度p分割为若干比特段，其中p=p*t,t为自然数；在载体库中查询各比特段对应的图像，将形成载密图像序列发送至接收方。

接收方，用以接收所述载密图像序列与映射模型；恢复所述秘密消息。