[发明专利]基于MMD残差的隐写检测特征选取方法

说明书

本发明提供一种基于MMD残差的隐写检测特征选取方法。该方法包括：步骤1：将高维Rich Model隐写检测特征拆解为若干个Rich Model子模型特征向量；步骤2：针对每个Rich Model子模型特征向量，基于MMD残差的属性重要度的度量公式度量其各个特征分量的属性重要度值，并根据属性重要度值对各个特征分量进行降序排序；步骤3：针对每个Rich Model子模型特征向量，设置窗口大小S_pro，选取降序排序后向量中的前S_pro维特征分量作为当前Rich Model子模型特征向量的降维后的隐写检测特征；步骤4：将降维后的各个Rich Model子模型特征向量进行合并以作为最终的隐写检测特征。本发明能够高效地降低Rich Model隐写检测特征维数，并维持原有的检测性能。

技术领域

本发明涉及隐写检测技术领域，尤其涉及一种基于MMD残差的隐写检测特征选取方法。

背景技术

自Fridrich等在2010年提出了以“失真函数设计+STC编码”为框架的HUGO隐写算法后，自适应隐写算法逐渐成为主流的图像隐写算法。这些算法令传统隐写检测特征的效果黯然失色。在与自适应隐写的对抗过程中，提取高维隐写检测特征成为检测自适应隐写的主要手段。在高维隐写检测特征中，尤以Rich Model结构的特征最为典型，基于此结构研究者们陆续提出了SRM、CCJRM、PHARM、PSRM、DCTR、GFR等隐写检测特征。这些高维特征的提出给隐写检测带来了新的挑战——庞大的计算和存储开销，如何有效降低特征维数成为摆在研究者们面前的研究方向。

面对挑战，研究者们已经提出了很多特征降维的方法。在文1(“G.R.Xuan,X.M.Zhu,P.Q.Chai,Z.P.Zhang,Y.Q.Shi,D.D.Fu.Feature selection based on theBhattacharyya distance.In Proc.the 18th International Conference on PatternRecognition,Hong Kong,China,Aug.20-24,2006,pp.1232-1235”)和文2(“L.D.Jennifer,J.Jaikishan.Feature selection for steganalysis using the Mahalanobisdistance.In Proc.the IST-SPIE Electronic Imaging Symposium on MediaForensics and Security II,San Jose,CA,USA,January 18-20,2010,SPIE 7541,pp.754104-1-754104-12”)中，研究者们分别基于Bhattacharyya距离和Mahalanobis距离提出了度量单维特征分量属性重要度的方法，选取载体图像特征和载密图像特征距离大的特征向量用于隐写检测，但降维效果不突出。在文3(“J.C.Lu,F.L.Liu,X.Y.Luo.“Selection of image features for steganalysis based on the fisher criterion,”Digital Investigation,vol.11,no.1,pp.57-66,2014.”)中，Lu等利用改进的Fisher准则来衡量特征向量的可分性，Fisher值最高的特征向量被认为最佳隐写检测特征；在文4(“Zhang Y,Liu F,Jia H,et al.Optimization of rich model based on fishercriterion for image steganalysis[C]//2018Tenth International Conference onAdvanced Computational Intelligence(ICACI).2018.”)中，研究者基于Rich Model的结构特点，在子模型中应用改进后的Fisher准则进行降维。

在上述特征降维方法中，研究者们提出了许多衡量单维特征分量属性重要度的方法(如文1至文3)，这些方法大部分是通过提出的公式将单个特征分量从整体中剥离出来进行度量，并未全面考虑该特征分量在整体特征中扮演的积极作用。

发明内容