[发明专利]一种对对抗隐写鲁棒的隐写分析方法

说明书

本发明公开了一种对对抗隐写鲁棒的隐写分析方法，包括：通过深度学习模型与人工特征模型对输入的待分析图像独自进行分析识别，输出两类信息，一类为每一个待分析图像的类别标签，另一类为待分析图像属于每一类别的概率；结合深度学习模型与人工特征模型的两类输出信息进行初步筛选，确定可疑图像与可信图像；将可疑图像输入至专用分类器进行分析识别，获得最终的类别标签，所述专用分类器为采用对抗载密图像训练的人工特征模型；对于初步筛选出的可信图像，将深度学习模型输出的类别标签作为最终分类结果。该方法可以提高深度学习隐写分析器在对抗载密图像上的检测能力，同时保持其在传统载密图像和载体图像上的高检测精度。

技术领域

本发明涉及隐写和隐写分析技术领域，尤其涉及一种对对抗隐写鲁棒的隐写分析方法。

背景技术

图像隐写术是将秘密信息以最小的失真嵌入载体图像中的秘密通信的科学和艺术。目前，最成功的隐写方法是基于最小失真模型，它将隐写问题表述为具有扰动约束的信源编码问题。在最小失真模型的框架下，有两个任务。1)定义修改载体图像元素的修改成本；2)在最小化前面定义的任意成本的同时，设计切实可行的嵌入方法。由于栅格码(Syndrome-Trellis Codes，STCs)提供了第二项任务的接近理论约束的性能，所以现在的隐写研究多集中在代价函数的设计上，如WOW、UNIWARD、HILL和UERD等。

随着隐写术的发展，各种基于人工特征的隐写分析方法被提出，其目的是检测载密图像的存在。与其他图像分类任务一样，基于人工特征的隐写分析由两部分组成：1)高维特征提取器，可以捕捉到窃取图像所做的细微修改；2)由高维特征训练的二分类器。对于特征提取器，最成功的是空域的空域富模型(Spatial Rich Model,SRM)及其变体，和JPEG域的加伯滤波富模型(Gabor Filter Rich Model,GFR)。最广泛使用的分类器工具是集成分类器(Ensemble Classifier，EC)。

最近，受卷积神经网络(CNN)在各个领域的成功的启发，深度学习隐写分析器也被提出。对深度学习隐写分析器的研究主要集中在计算机视觉领域引入CNN的高级结构或优化器，提高特征的SNR(信噪比)。需要注意的是，这里的SNR，信号是指隐写修改，噪声是指图像内容。在引入高级结构和优化器方面，YeNet引入了Adadelta优化器，而SRNet在网络结构中引入了Adamax优化器和短接结构。为了提高特征的SNR，XuNet在第一层使用了高通滤波器，而YeNet从SRM滤波器库中选取了30个滤波器来初始化第一层的权重，SRNet取消了前7层的平均池化操作。目前，YeNet和SRNet的性能比SRM+EC和GFR+EC等基于人工特征的隐写分析器强很多。

虽然CNN在各个领域都有所突破，但人们发现它们很容易受到对抗攻击。一般来说，对抗攻击是一种通过在原始图像中加入精心设计的、微小的对抗扰动来欺骗CNN模型输出错误结果的技术。该技术产生的图像称为对抗样本。对抗攻击大致有两种类型：基于梯度的和基于优化的。

受计算机视觉领域中对抗攻击的启发，人们提出了对抗隐写术来欺骗深度学习隐写分析器。大多数的对抗隐写方法都遵循了基于梯度的对抗攻击的思想，即利用损失关于输入的梯度。然而，对抗隐写术还有一个额外的任务，那就是传递秘密信息。简单地向载密图上加入对抗扰动会使接收者无法提取秘密信息。

据我们所知，目前有四种方法在研究逆向隐写术。它们以不同的方式借用对抗攻击，避免密文提取受到干扰。Zhang等人提出ADS迭代使用快速梯度符号法(Fast GradientSign Method，FGSM)对载体图像进行添加修改，直到增强后的封面能够抵御隐写嵌入的影响。Li等人提出将载体图像划分为具有不同功能的两部分，一部分用于嵌入秘密信息，另一部分用于添加对抗扰动以欺骗深度神经网络。然而，基于天真函数的划分会减少最大相对有效载荷和纹理复杂区域的浪费。Ma等人提出根据模型损失梯度的符号来调整修改成本，因此所有像素都可以用来嵌入消息。为了避免引入过多的失真，Tang等人采用迭代过程，尽可能少地控制代价调整像素的数量。