CN105575401A - 一种基于C-MAC特征的AACHuffman域隐写分析方法 - Google Patents

Abstract

本发明公开了一种基于C-MAC特征的AACHuffman域隐写分析方法，针对AAC音频Huffman域的两种修改比例因子带码书的隐写算法，提出基于重压缩校准的相邻比例因子带码书间转移概率的AAC隐写分析特征，采用支持向量机进行分类预测，实现了面向AAC？Huffman域的隐写分析方法。本发明的优势在于：目前还未出现针对AAC？Huffman域的隐写分析方法，针对已有的面向AAC？Huffman域的两种隐写方法，在相对嵌入率为50%时，检测率能达到95%以上。

Description

一种基于C-MAC特征的AACHuffman域隐写分析方法

技术领域

本发明属于数字媒体信息内容安全技术领域，特别涉及一种判别AAC音频是否经过秘密信息隐写的方法。

技术背景：

在移动通信中，各类音频和语音会话业务已经占据了巨大比例。3GPP组织指定采用AAC(AdvancedAudioCoding，高级音频编码)作为移动互联网的音频压缩编码标准之一，使得AAC压缩音频数据在网络上被大量的传播，同时面向AAC音频的隐写算法也逐渐涌现，给音频隐写分析带来了新的挑战。与MP3相比，AAC的压缩性能更加高效，已经被各大平台所支持，如YouTube，iPhone等。AAC的隐写嵌入域主要包括MDCT系数、量化参数以及Huffman域等。AAC音频Huffman编码过程是对量化后MDCT系数进行无损压缩编码，通过对MDCT系数进行比例因子带划分和分区合并，为每个比例因子带选择合适的码书进行编码，实现数据的高效压缩。通过对已有的针对Huffman域的隐写算法进行分析发现，平均嵌入容量可达到0.6Kb/s。由于隐写算法仅对码书的选择进行调整，且Huffman编码是无损编码，因此通过对Huffman码书的修改不会对听觉感知造成影响，具有良好的隐蔽性和嵌入容量。

目前针对AACHuffman域的隐写分析方法还未见公开文献。由于Huffman域隐写算法仅对比例因子带码书进行修改，并没有改变相应的MDCT系数值，因此现有的针对AAC音频MDCT系数的隐写分析方法并不适用。

在AAC音频Huffman编码过程中，码书的选择是以编码后比特数最少为目标的，而针对Huffman域的隐写方法通过对码书的控制性选择，一定会导致码书之间的相关统计特性发生变化。基于以上考虑，采用基于帧内相邻比例因子带码书的Markov转移概率矩阵作为隐写分析特征，可实现针对Huffman域码书选择的隐写方法的有效检测。为了减少音频内容对码书转移概率的影响，使特征更加稳定，引入重压缩校准机制来提高隐写分析特征的敏感性。

发明内容

本发明针对目前面向AAC隐写分析方法相对缺少的问题，本发明提出了一种C-MAC特征的AACHuffman域隐写分析方法。

本发明所采用的技术方案是：一种基于C-MAC特征的AACHuffman域隐写分析方法，其特征在于：针对AAC音频Huffman域的两种修改比例因子带码书的隐写算法，提出基于重压缩校准的相邻比例因子带码书间转移概率的AAC隐写分析特征，采用支持向量机进行分类预测，实现了面向AACHuffman域的隐写分析；其具体实现包括以下步骤：

步骤1：获得待测AAC音频片段M₁的码率R；

步骤2：针对M₁中每个数据帧提取其比例因子带的码书序号，构建码书序列D₁，计算序列D₁的MAC特征MAC-F₁；

步骤3：对M₁片段进行R码率重压缩，即对M1进行解码，获得解码后的WAV音频，再对WAV音频采用M₁的编码码率R进行AAC编码压缩获得校准后AAC音频M₂；

步骤4：对M₂音频提取MAC特征MAC-F₂；

步骤5：计算MAC-F₁与MAC-F₂的差值，获得M₁音频片段的C-MAC隐写分析特征；

步骤6：分类器训练；

步骤7：隐写分析检测。

作为优选，步骤2的具体实现过程为：

将AAC音频帧中所有比例因子带码书序号记为S＝{c₁...c_j...c_N}，其中c_j表示按时序顺序排列在第j个位置的码书序号，c_j∈[1，10]；采用一阶Markov链对帧内比例因子带码书序号S进行建模，用状态转移概率对码书出现的相关性进行量化表示；以码书的序号作为Markov链的状态，则相邻码书之间状态的转移概率为：

${\mathrm{Pr}}_{\mathrm{\α}/\mathrm{\β}}=\frac{\mathrm{Pr}(c_{j+1}=\mathrm{\α},c_j=\mathrm{\β})}{\mathrm{Pr}(c_j=\mathrm{\β})},(\mathrm{\α},\mathrm{\β}\∈\[1,10\])$ (式1)；

其中Pr_α/β表示当第j个码书序号是β时，第j+1个码书序号为α的概率：

根据公式1，对于码书序列S，可获得一个10²维的状态转移矩阵A_ij：

(式2)；

其中元素e_ij表示序列S中第i个码书转移到第j个码书的概率，通过提取AAC音频中帧内比例因子带Huffman码书Markov转移概率矩阵，即MAC特征矩阵，作为对Huffman码书修改隐写分分类特征；

作为优选，步骤5的具体实现包括以下子步骤：

步骤5.1：引入重压缩校准机制构建C-MAC特征矩阵；

将待测音频重压缩前后的MAC特征矩阵进行差值计算所获得的校准后MAC特征，即C-MAC特征；

步骤5.2：基于长短帧分布的特征融合；

将AAC数据帧分为2个集合：长帧集合F_l和短帧集合F_s，对其分别构造C-MAC特征矩阵M_l和M_s，其中， $M_l=\{{\mathrm{sb}}_1^l,{\mathrm{sb}}_2^l,\mathrm{...},{\mathrm{sb}}_i^l,\mathrm{...},{\mathrm{sb}}_N^l\},M_s=$ $\{{\mathrm{sb}}_1^s,{\mathrm{sb}}_2^s,\mathrm{...},{\mathrm{sh}}_j^s,\mathrm{...},{\mathrm{sb}}_M^s\},$ 为长帧集合F_l中第i个比例因子带码书序号，N为F_l帧内比例因子带数量，为短帧集合F_s中第j个比例因子带码书序号，M为F_s帧内比例因子带数量；在构建隐写分析特征时，对长帧集合F_l和短帧集合F_s分别进行处理，提取总共2*10*10＝200维隐写分析特征矩阵。

作为优选，步骤6的具体实现包括以下步骤：

步骤6.1：输入WAV样本，分别生成cover样本和对应的stego样本，并按照步骤5.1中的方法提取C-MAC分类特征；

步骤6.2：经过步骤6.1过程后，得到训练集样本和数量相等的两种不同嵌入算法的载密样本，然后随机选择不同数量的stego样本和cover样本使用SVM分类器训练隐写分析模型。

作为优选，步骤7的具体实现包括以下步骤：

步骤7.1：提取待测样本的隐写分析特征集合；

步骤7.2：将特征输入构建好的隐写分析模型，得到样本的隐写判断结果。

相对于现有技术，本发明的有益效果为：

根据目前调研结果，针对AACHuffman域的隐写分析方法还未见公开文献，本发明针对AACHuffman域提出了一种新的隐写分析方法，针对基于Huffman码书的隐写方法具有较好的检测效果，针对文献[1]和文献[2]的隐写算法，在相对嵌入率达到50％时，检测正确率可达95％以上。并且，本发明提出的隐写分析方法具有较好的鲁棒性，不受编码码率及编码器类型的影响。

[文献1]ZhuJ，WangR，LiJ，etal.AHuffmancodingsection-basedsteganographyforAACaudio[J].InformationTechnologyJournal.2011，10(10)：1983-1988.

[文献2]TangBT，GuoL，LiuZH.Aninformationhidingmethodinadvancedaudiocoding(AAC)[J].TechnicalAcoustics，2008，27(4)：533-538.

附图说明

图1是本发明现有技术的AAC编解码流程图；

图2是本发明实施例的载体音频与载密音频的MAC特征(96kbps，文献[1]算法)；

图3是本发明实施例的载体音频与载密音频的MAC特征(96kbps，文献[2]算法)；

图4是本发明实施例的载体音频与载密音频的C-MAC特征(96kbps，文献[1]算法)；

图5是本发明实施例的载体音频与载密音频的C-MAC特征(96kbps，文献[2]算法)；

图6是本发明实施例的隐写分析特征提取流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明的隐写分析检测方法基于AAC音频，在发明内容陈述之前需要对AAC的编解码原理进行介绍。

请见图1，为AAC编码原理示意图，其编码过程包括5个主要步骤：心理声学模型分析、滤波器MDCT变换、TNS预测等可选编码模块、MDCT系数量化和Huffman编码；其中MDCT变换和量化过程是AAC编码的核心处理过程。AAC采用时域混叠编码方式，对输入的脉冲编码调制时域信号进行分帧操作，每帧1024个抽样信号，与前一帧共同构成2048个抽样信号，对这2048个抽象信号进行加窗操作和MDCT变换获得1024个MDCT系数。心理声学模型与滤波器并行工作，通过对输入的时域信号进行临界频带间的掩蔽效应计算，得到相应的感知熵(PE)以确定加窗操作中的窗类型，并确定每次进行MDCT变换的长度。对得到的1024个MDCT数据进行时域噪声整形(TNS)、预测、量化、Huffman编码等过程生成音频压缩码流，通过AAC格式标准格式封装成AAC压缩数据，进行实时传输或存储；相关术语解释如下表1；

表1相关术语解释

基于上述理论，本发明提供的一种基于C-MAC特征的AACHuffman域隐写分析方法，其特征在于：针对AAC音频Huffman域的两种修改比例因子带码书的隐写算法，提出基于重压缩校准的相邻比例因子带码书间转移概率的AAC隐写分析特征，采用支持向量机进行分类预测，实现了面向AACHuffman域的隐写分析；

请见图6，本发明的具体实现包括以下步骤：

步骤1：获得待测AAC音频片段M₁的码率R；

步骤2：针对M₁中每个数据帧提取其比例因子带的码书序号，构建码书序列D₁，计算序列D₁的MAC特征MAC-F₁；

步骤3：对M₁片段进行R码率重压缩，即对M1进行解码，获得解码后的WAV音频，再对WAV音频采用M₁的编码码率R进行AAC编码压缩获得校准后AAC音频M₂；

步骤4：对M₂音频提取MAC特征MAC-F₂；

步骤5：计算MAC-F₁与MAC-F₂的差值，获得M₁音频片段的C-MAC隐写分析特征；

步骤6：分类器训练；

步骤7：隐写分析检测。

以下结合具体实施例对本发明做进一步的阐述；

1：特征提取方法；

1.1：特征提取；

1.1.1：构建一次压缩帧内比例因子带码书矩阵；

将AAC音频帧中所有比例因子带码书序号记为S＝{c₁...c_j...c_N}，其中c_j表示按时序顺序排列在第j个位置的码书序号。在AAC的Huffman编码过程中，共包含12个码书，码书序号从0～11。每个码书所能描述的数值符号、MDCT系数个数、最大MDCT系数绝对值均不相同。由于0号码书表示量化后MDCT系数全为零，在实际编码过程中不传递任何码字，11号码书表示量化后MDCT系数绝对值大于或等于16，若将0、11号码书替换为其他码书，会大幅度的修改MDCT系数，对音频的不可感知性造成影响，故在针对通过修改比例因子带码书来嵌入秘密信息的隐写算法中，码书0和码书11不参与隐写操作，因此c_j∈[1，10]。采用一阶Markov链对帧内比例因子带码书序号S进行建模，用状态转移概率对码书出现的相关性进行量化表示。以码书的序号作为Markov链的状态，相邻码书之间状态的转移概率可用公式1计算，其中Pr_α/β表示当第j个码书序号是β时，第j+1个码书序号为α的概率：

${\mathrm{Pr}}_{\mathrm{\α}/\mathrm{\β}}=\frac{\mathrm{Pr}(c_{j+1}=\mathrm{\α},c_j=\mathrm{\β})}{\mathrm{Pr}(c_j=\mathrm{\β})},(\mathrm{\α},\mathrm{\β}\∈\[1,10\])$ (式1)

根据公式1，对于码书序列S，可获得一个10²维的状态转移矩阵A_ij，如式2所示，其中元素e_ij表示序列S中第i个码书转移到第j个码书的概率，显然，该特征量化了相邻码书出现的相关性。通过提取AAC音频中帧内Huffman码书Markov转移概率矩阵(MAC特征矩阵)，作为对Huffman码书修改隐写分分类特征。

(式2)；

1.1.2：引入重压缩校准机制构建C-MAC特征矩阵；

重压缩校准机制首先将待测AAC音频进行解码，对解码后的WAV音频采用AAC编码器重新进行压缩编码，编码码率与待测AAC音频相同。根据公式1和公式2，提取重压缩后音频的相邻比例因子带码书的Markov转移概率矩阵。将待测音频重压缩前后的MAC特征矩阵进行差值计算所获得的校准后MAC特征，即C-MAC特征。

1.1.3：基于长短帧分布的特征融合；

本发明算法在提取隐写分析特征时，帧类型不同会给隐写分析特征的计算带来影响，将AAC数据帧分为2个集合：长帧集合F_i和短帧集合F_s，对其分别构造C-MAC特征矩阵M_l和M_s，其中， $M_l=\{{\mathrm{sb}}_1^1,{\mathrm{sb}}_2^1,...,{\mathrm{sb}}_i^1,...,{\mathrm{sb}}_N^1\},M_s=$ $\{{\mathrm{sb}}_1^s,{\mathrm{sb}}_2^s,\mathrm{...},{\mathrm{sh}}_j^s,\mathrm{...},{\mathrm{sb}}_M^s\},$ 为长帧集合F_l中第i个比例因子带码书序号，N为F_l帧内比例因子带数量，本发明中取N＝42，为短帧集合F_s中第j个比例因子带码书序号，M为F_s帧内比例因子带数量，本发明中取M＝12。在构建隐写分析特征时，对长帧集合F_l和短帧集合F_s分别进行处理，提取总共2*10*10＝200维隐写分析特征矩阵。

1.2：特征原理分析；

由于音频内容的连续性和相关性，相邻比例因子带中的MDCT系数变化不会很大，在进行Huffman编码时编码器会尽量选择相同码书进行编码，以减少编码比特数。因此，在自然编码状态下，音频帧中的比例因子带所采用的码书序号具有连续性，相邻子带码书具有相关性，并且序号相邻或相近的Huffman码书之间的跳变不频繁。同时，由于秘密信息的随机性，通过修改比例因子带码书的隐写方法必然会破坏音频帧内相邻比例因子带码书之间的连续性和相关性。

图2为码率为96kbps，采用文献[1]方法，在相对嵌入率为100％的情况下cover音频和stego音频之间相邻比例因子带码书的Markov转移概率特征矩阵(MAC特征)；图3为码率为96kbps，采用文献[2]方法，在相对嵌入率为100％的情况下cover音频和stego音频之间相邻比例因子带码书的Markov转移概率。由图可见，cover音频和stego音频在隐写前后MAC特征矩阵发生了变化，表示隐写操作改变了音频相邻比例因子带码书之间的相关性。

然而，由于比例因子带码书的选择受量化后的MDCT系数值影响，而MDCT系数值与音频内容密切相关，因此，为了减少音频内容对码书序号转移概率的影响，使特征更加稳定，考虑采用重压缩校准机制降低特征载体内容的敏感性。重压缩校准是将待测AAC音频进行解码，对解码后的WAV音频采用AAC编码器重新进行压缩编码，编码码率与待测AAC音频相同。图4、图5是对文献[1][2]两种隐写方法所对应的cover和stego音频采用重压缩校准操作，提取重压缩后音频的相邻比例因子带码书的Markov转移概率特征矩阵，并对音频重压缩前后的Markov转移概率特征矩阵进行差值计算所获得的校准后MAC特征(C-MAC特征)。

从图4、图5中可以看出，cover音频与stego音频的C-MAC特征具有较大的区分度，因此将C-MAC特征作为分类特征来区分cover音频与stego音频是有效的。

2：隐写分析检测；

2.1：分类器训练；

步骤2.1.1，输入WAV样本，分别生成cover样本和对应的stego样本，并按照1中的方法提取C-MAC分类特征。

步骤2.1.2，经过2.1.1过程后，得到训练集样本和数量相等的两种不同嵌入算法的载密样本，然后随机选择不同数量的stego样本和cover样本使用SVM分类器训练隐写分析模型。

2.2：隐写分析检测；

利用上述隐写分析模型进行隐写分析检测的流程包括以下步骤：

步骤2.2.1，提取待测样本的隐写分析特征集合。

步骤2.2.2，将特征输入构建好的隐写分析模型，得到样本的隐写判断结果。

2.3：隐写分析实验结果；

为了验证本发明算法的有效性，本发明针对不同隐写方法训练的隐写分析模型，在校准过程采用常用的FAAC编码器和Nero编码器对待测样本进行重压缩，实验结果如表1、表2所示。其中TPR表示载密音频(stego)的检测为stego的概率，TNR表示载体音频(cover)检测为cover的检测率。

实验结果表明，在64kbps、96kbps、128kbps和152kbps编码模式下，本发明的分类模型对已有的两种针对比例因子带码书修改的隐写方法都有较好的检测能力，在相对嵌入率为50％时，检测率都能达到95％以上。

表1FAAC编码器C-MAC特征隐写分析检测结果

表2Nero编码器C-MAC特征隐写分析检测结果

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于C-MAC特征的AACHuffman域隐写分析方法，其特征在于：针对AAC音频Huffman域的两种修改比例因子带码书的隐写算法，提出基于重压缩校准的相邻比例因子带码书间转移概率的AAC隐写分析特征，采用支持向量机进行分类预测，实现了面向AACHuffman域的隐写分析；

其具体实现包括以下步骤：

步骤1：获得待测AAC音频片段M₁的码率R；

步骤2：针对M₁中每个数据帧提取其比例因子带的码书序号，构建码书序列D₁，计算序列D₁的MAC特征MAC-F₁；

步骤3：对M₁片段进行R码率重压缩，即对M1进行解码，获得解码后的WAV音频，再对WAV音频采用M₁的编码码率R进行AAC编码压缩获得校准后AAC音频M₂；

步骤4：对M₂音频提取MAC特征MAC-F₂；

步骤5：计算MAC-F₁与MAC-F₂的差值，获得M₁音频片段的C-MAC隐写分析特征；

步骤6：分类器训练；

步骤7：隐写分析检测。

2.根据权利要求1所述的基于C-MAC特征的AACHuffman域隐写分析方法，其特征在于，步骤2的具体实现过程为：

将AAC音频帧中所有比例因子带码书序号记为S＝{c₁...c_j...c_N}，其中c_j表示按时序排列在第j个位置的码书序号，c_j∈[1，10]；采用一阶Markov链对帧内比例因子带码书序号S进行建模，用状态转移概率对码书出现的相关性进行量化表示；以码书的序号作为Markov链的状态，则相邻码书之间状态的转移概率为：

${\mathrm{Pr}}_{\mathrm{\α}/\mathrm{\β}}=\frac{\mathrm{Pr}(c_{j+1}=\mathrm{\α},c_j=\mathrm{\β})}{\mathrm{Pr}(c_j=\mathrm{\β})},(\mathrm{\α},\mathrm{\β}\∈\[1,10\])$ (式1)；

其中Pr_α/β表示当第j个码书序号是β时，第j+1个码书序号为α的概率：

根据公式1，对于码书序列S，可获得一个10²维的状态转移矩阵A_ij：

(式2)；

其中元素e_ij表示序列S中第i个码书转移到第j个码书的概率，通过提取AAC音频中帧内比例因子带Huffman码书Markov转移概率矩阵，即MAC特征矩阵，作为对Huffman码书修改隐写分分类特征。

3.根据权利要求2所述的基于MAC特征的AACHuffman域隐写分析方法，其特征在于，步骤5的具体实现包括以下子步骤：

步骤5.1：引入重压缩校准机制构建C-MAC特征矩阵；

将待测音频重压缩前后的MAC特征矩阵进行差值计算所获得的校准后MAC特征，即C-MAC特征；

步骤5.2：基于长短帧分布的特征融合；

将AAC数据帧分为2个集合：长帧集合F_l和短帧集合F_s，对其分别构造C-MAC特征矩阵M_l和M_s，其中， $M_l=\{{\mathrm{sb}}_1^l,{\mathrm{sb}}_2^l,...,{\mathrm{sb}}_i^l,...,{\mathrm{sb}}_N^l\},M_S=$ $\{{\mathrm{sb}}_1^s,{\mathrm{sb}}_2^s,...,{\mathrm{sb}}_j^s,...,{\mathrm{sb}}_M^s\},$ 为长帧集合F_l中第i个比例因子带码书序号，N为F_l帧内比例因子带数量，为短帧集合F_s中第j个比例因子带码书序号，M为F_s帧内比例因子带数量；在构建隐写分析特征时，对长帧集合F_l和短帧集合F_s分别进行处理，提取总共2*10*10＝200维隐写分析特征矩阵。

4.根据权利要求3所述的基于C-MAC特征的AACHuffman域隐写分析方法，其特征在于，步骤6的具体实现包括以下步骤：

步骤6.1：输入WAV样本，分别生成cover样本和对应的stego样本，并按照步骤5.1中的方法提取C-MAC分类特征；

步骤6.2：经过步骤6.1过程后，得到训练集样本和数量相等的两种不同嵌入算法的载密样本，然后随机选择不同数量的stego样本和cover样本使用SVM分类器训练隐写分析模型。

5.根据权利要求3所述的基于C-MAC特征的AACHuffman域隐写分析方法，其特征在于，步骤7的具体实现包括以下步骤：

步骤7.1：提取待测样本的隐写分析特征集合；

步骤7.2：将特征输入构建好的隐写分析模型，得到样本的隐写判断结果。