[发明专利]一种基于共生矩阵分析的MP3音频隐写检测方法

摘要

本发明公开了一种基于共生矩阵分析的MP3音频隐写检测方法，其通过分析MP3音频的存储主数据量化后的MDCT系数来进行隐写检测，由于在音频压缩编码过程中进行隐写操作会直接或间接的影响音频量化后的MDCT系数的变换，而这种细微的变换可以通过量化后MDCT系数的内部相关性这一敏感的特征来衡量，因此本发明方法根据自然音频量化后的MDCT系数的内部相关性这一原理来构造对隐写操作敏感的隐写分析特征向量，使得本发明方法具有通用性，能够同时对一类隐写算法的多种算法有检测效果；本发明方法构造得到的最终的隐写分析特征向量能够全面同时感知隐写操作对量化后的MDCT系数在水平、垂直、45度角、135度角这四个方向上相关性的影响，提高了隐写检测率，降低了误检率。

主权项

一种基于共生矩阵分析的MP3音频隐写检测方法，其特征在于包括以下步骤：①选取N个变化风格各不相同且未压缩的WAV音频，其中，N≥100；②利用MP3音频8HZ编码器对每个未压缩的WAV音频进行压缩编码，得到每个未压缩的WAV音频对应的未隐写MP3压缩音频，由得到的N个未隐写MP3压缩音频构成音频负样本库；并利用MP3Stego音频隐写算法对每个未压缩的WAV音频隐写不同长度、不同内容的隐秘信息，得到每个未压缩的WAV音频对应的隐写MP3压缩音频，由得到的N个隐写MP3压缩音频构成第一类音频正样本库；利用基于窗口类型选择的隐写算法对每个未压缩的WAV音频隐写不同长度、不同内容的隐秘信息，得到每个未压缩的WAV音频对应的隐写MP3压缩音频，由得到的N个隐写MP3压缩音频构成第二类音频正样本库；利用基于Hufffman码表索引选择的隐写算法对每个未压缩的WAV音频隐写不同长度、不同内容的隐秘信息，得到每个未压缩的WAV音频对应的隐写MP3压缩音频，由得到的N个隐写MP3压缩音频构成第三类音频正样本库；再由所述的音频负样本库、所述的第一类音频正样本库、所述的第二类音频正样本库和所述的第三类音频正样本库构成的一个样本库；③利用MP3音频lame解码器对所述的样本库中的每个样本进行解压缩，得到所述的样本库中的每个样本对应的WAV音频；然后利用MP3音频lame编码器对所述的样本库中的每个样本对应的WAV音频进行压缩编码，得到所述的样本库中的每个样本重压缩后对应的载体估计；④利用MP3音频lame解码器对所述的样本库中的每个样本进行解压缩，提取出所述的样本库中的每个样本中的每帧的576个量化后的MDCT系数，以每个样本中的每帧的576个量化后的MDCT系数作为一行，将所述的样本库中的每个样本对应的所有量化后的MDCT系数构成一个系数矩阵，将所述的样本库中的第i个样本对应的所有量化后的MDCT系数构成的系数矩阵记为Xi，其中，1≤i≤4N，Xi的维数为表示所述的样本库中的第i个样本中包含的帧的总数，x1,1、x1,2、x1,575、x1,576对应表示所述的样本库中的第i个样本中的第1帧的第1个、第2个、第575个、第576个量化后的MDCT系数，x2,1、x2,2、x2,575、x2,576对应表示所述的样本库中的第i个样本中的第2帧的第1个、第2个、第575个、第576个量化后的MDCT系数，对应表示所述的样本库中的第i个样本中的第帧的第1个、第2个、第575个、第576个量化后的MDCT系数；⑤对所述的样本库中的每个样本对应的所有量化后的MDCT系数构成的系数矩阵中值大于300的系数进行修正，得到所述的样本库中的每个样本对应的新系数矩阵，将所述的样本库中的第i个样本对应的新系数矩阵记为Xi'；然后根据所述的样本库中的每个样本对应的新系数矩阵，构造所述的样本库中的每个样本对应的新系数矩阵的水平方向共生矩阵、垂直方向共生矩阵、45度角方向共生矩阵和135度角方向共生矩阵，将Xi'的水平方向共生矩阵、垂直方向共生矩阵、45度角方向共生矩阵和135度角方向共生矩阵对应记为Pi,0、Pi,90、Pi,45和Pi,135，将Pi,0中下标为(p,q)处的元素记为Pi,0(p,q)，将Pi,90中下标为(p,q)处的元素记为Pi,90(p,q)，将Pi,45中下标为(p,q)处的元素记为Pi,45(p,q)，将Pi,135中下标为(p,q)处的元素记为Pi,135(p,q)，其中，1≤p≤300,1≤q≤300，d表示共生矩阵的步长，x'u,v表示Xi'中下标为(u,v)处的系数，x'u,v+d表示Xi'中下标为(u,v+d)处的系数，x'u+d,v表示Xi'中下标为(u+d,v)处的系数，x'u+d,v+d表示Xi'中下标为(u+d,v+d)处的系数；⑥根据所述的样本库中的每个样本对应的新系数矩阵的水平方向共生矩阵，构造所述的样本库中的每个样本对应的新系数矩阵的水平方向共生矩阵的包含有12个高阶统计特征的特征向量，将Pi,0的包含有12个高阶统计特征的特征向量记为Fi,0；根据所述的样本库中的每个样本对应的新系数矩阵的垂直方向共生矩阵，构造所述的样本库中的每个样本对应的新系数矩阵的垂直方向共生矩阵的包含有12个高阶统计特征的特征向量，将Pi,90的包含有12个高阶统计特征的特征向量记为Fi,90；根据所述的样本库中的每个样本对应的新系数矩阵的45度角方向共生矩阵，构造所述的样本库中的每个样本对应的新系数矩阵的45度角方向共生矩阵的包含有12个高阶统计特征的特征向量，将Pi,45的包含有12个高阶统计特征的特征向量记为Fi,45；根据所述的样本库中的每个样本对应的新系数矩阵的135度角方向共生矩阵，构造所述的样本库中的每个样本对应的新系数矩阵的135度角方向共生矩阵的包含有12个高阶统计特征的特征向量，将Pi,135的包含有12个高阶统计特征的特征向量记为Fi,135；⑦根据所述的样本库中的每个样本对应的新系数矩阵的水平方向共生矩阵、垂直方向共生矩阵、45度角方向共生矩阵、135度角方向共生矩阵各自的特征向量，获取所述的样本库中的每个样本的包含有48个特征的特征向量，将所述的样本库中的第i个样本的包含有48个特征的特征向量记为Fi，Fi为Fi,0、Fi,90、Fi,45、Fi,135四个特征向量共包含的48个高阶统计特征按序构成；⑧按照步骤④至步骤⑦的操作，以相同的方式获取所述的样本库中的每个样本重压缩后对应的载体估计的包含有48个特征的特征向量，将所述的样本库中的第i个样本重压缩后对应的载体估计的包含有48个特征的特征向量记为Fi*；⑨计算所述的样本库中的每个样本的特征向量与所述的样本库中的每个样本重压缩后对应的载体估计的特征向量中对应的两个特征的差值的绝对值，得到所述的样本库中的每个样本对应的包含有48个元素的隐写分析特征向量，将所述的样本库中的第i个样本对应的包含有48个元素的隐写分析特征向量记为Yi，将Yi中的第t个元素记为Yi(t)，Yi(t)＝|Fi(t)‑Fi*(t)|，其中，1≤t≤48，Fi(t)表示Fi中的第t个特征，Fi*(t)表示Fi*中的第t个特征，符号“| |”为取绝对值符号；⑩对所述的样本库中的每个样本对应的隐写分析特征向量进行归一化处理，得到所述的样本库中的每个样本对应的归一化后的隐写分析特征向量；将所述的样本库中属于所述的音频负样本库的所有样本各自对应的归一化后的隐写分析特征向量标记为‑1，将所述的样本库中属于所述的第一类音频正样本库的所有样本各自对应的归一化后的隐写分析特征向量标记为+1，然后将标记后的属于所述的音频负样本库的所有样本各自对应的归一化后的隐写分析特征向量和属于所述的第一类音频正样本库的所有样本各自对应的归一化后的隐写分析特征向量输入SVM分类器进行训练，得到MP3Stego音频隐写算法的检测模板，记为M1；同样，将所述的样本库中属于所述的音频负样本库的所有样本各自对应的归一化后的隐写分析特征向量标记为‑1，将所述的样本库中属于所述的第二类音频正样本库的所有样本各自对应的归一化后的隐写分析特征向量标记为+1，然后将标记后的属于所述的音频负样本库的所有样本各自对应的归一化后的隐写分析特征向量和属于所述的第二类音频正样本库的所有样本各自对应的归一化后的隐写分析特征向量输入SVM分类器进行训练，得到基于窗口类型选择的隐写算法的检测模板，记为M2；将所述的样本库中属于所述的音频负样本库的所有样本各自对应的归一化后的隐写分析特征向量标记为‑1，将所述的样本库中属于所述的第三类音频正样本库的所有样本各自对应的归一化后的隐写分析特征向量标记为+1，然后将标记后的属于所述的音频负样本库的所有样本各自对应的归一化后的隐写分析特征向量和属于所述的第三类音频正样本库的所有样本各自对应的归一化后的隐写分析特征向量输入SVM分类器进行训练，得到基于Hufffman码表索引选择的隐写算法的检测模板，记为M3；对于任意一个待检测的MP3压缩音频，按照步骤③至步骤⑩的过程，以相同的方式获取该MP3压缩音频对应的归一化后的隐写分析特征向量；然后分别利用MP3Stego音频隐写算法的检测模板M1、基于窗口类型选择的隐写算法的检测模板M2和基于Hufffman码表索引选择的隐写算法的检测模板M3对该MP3压缩音频对应的归一化后的隐写分析特征向量进行检测，以确定该MP3压缩音频是否经过隐写及隐写所采用的音频隐写算法。