CN107808100A - 针对特定测试样本的隐写分析方法 - Google Patents

Abstract

本发明公开了一种针对特定测试样本的隐写分析方法，包括：利用隐写分析特征提取技术计算待测样本与所有训练样本的图像隐写分析特征；并基于计算到的图像隐写分析特征计算待测样本与每一训练样本之间的特征空间距离相似度与特征运动模式相似度；结合特征空间距离相似度与特征运动模式相似度来度量待测样本与相应训练样本之间相似度，并选取与待测样本相似度最为接近的N个训练样本来训练分类器；利用训练后的分类器对待测样本进行隐写分析，得到隐写分析结果。该方法可以提高训练集与测试数据的相关性，提升隐写分析准确率。

Description

针对特定测试样本的隐写分析方法

技术领域

本发明涉及信息隐藏技术领域，尤其涉及一种针对特定测试样本的隐写分析方法。

背景技术

隐写分析是针对隐写术的一种分析技术，对于待测载体，隐写分析工作分为几个不同层次，主要分为：隐写载体检测、隐写算法分析、秘密信息提取、隐写明文获取等内容。其中隐写载体检测旨在检测载体是否被嵌入秘密信息；隐写算法分析是在前一步基础上，分析被隐写载体的秘密信息嵌入方法和嵌入率；秘密信息提取的任务是在前两步工作的基础之上，确定秘密消息嵌入的位置并提取出隐写密文；最后将密文解密为隐写明文即完成了隐写分析工作。

然而现今主流隐写分析工作集中在分析过程的第一步，也就是隐写载体检测，主要研究如何高精度确定载体是否含有秘密信息，并且通常假设隐写方法与嵌入率已知。目前，数字图像隐写分析技术的主流思路是：设计数字图像特征提取方法，利用机器学习训练分类器区分载体和载密对象，近年流行的分类器是Ensemble分类器。常用的隐写分析特征有马尔科夫、共生矩阵、直方图高阶距等，以这些特征为基础发展出了很多隐写分析算法：空域中有SPAM，CSR和基于富模型(RichModel)的高维特征，频域的代表特征有PEV，CHEN，CC-CHEN，CC-PEV，J+SRM，以及近几年提出的高效特征DCTR，PHARM，GFR等。针对自适应隐写设计的“自适应隐写分析方法”是最新趋势之一，通过对自适应隐写嵌入路径的估计可以预测出最可能的隐写位置，从而更有针对性地检测自适应隐写。此外，近年来深度学习的成果也逐渐开始应用于隐写分析工作当中。

然而，隐写分析在从实验室环境向现实场景过渡的过程中出现了很多困难，其中最突出的是载体来源失配(CSM,Cover Source Mismatch)问题，CSM是测试集与训练集不匹配时隐写分析效果显著下降的一种现象。

发明内容

本发明的目的是提供一种针对特定测试样本的隐写分析方法，可以提高训练集与测试数据的相关性，提升隐写分析准确率。

本发明的目的是通过以下技术方案实现的：

一种针对特定测试样本的隐写分析方法，包括：

利用隐写分析特征提取技术计算待测样本与所有训练样本的图像隐写分析特征；

并基于计算到的图像隐写分析特征计算待测样本与每一训练样本之间的特征空间距离相似度与特征运动模式相似度；

结合特征空间距离相似度与特征运动模式相似度来度量待测样本与相应训练样本之间相似度，并选取与待测样本相似度最为接近的N个训练样本来训练分类器；

利用训练后的分类器对待测样本进行隐写分析，得到隐写分析结果。

利用隐写分析特征提取技术计算待测样本与所有训练样本的图像隐写分析特征包括：

提取待测样本Y的图像隐写分析特征记为y；

提取任一训练样本X^trn的图像隐写分析特征记为x^trn，图像隐写分析特征x^trn为载体载密成对出现的特征，包含载体特征x与载密特征

计算待测样本与每一训练样本之间的特征空间距离相似度包括：

计算图像隐写分析特征y和图像隐写分析特征x^trn之中所有元素的欧氏距离作为待测样本与相应训练样本之间的特征空间距离相似度：

计算待测样本与每一训练样本之间的特征运动模式相似度包括：

对待测样本Y进行隐写操作得到隐写后的样本提取样本的图像隐写分析特征记为定义待测样本Y在隐写操作下的运动模式估计为：

定义待测样本Y与训练样本运动模式的欧氏距离为二者运动模式的差异性度量：

所述结合特征空间距离相似度与特征运动模式相似度来度量待测样本与相应训练样本之间相似度包括：

利用待测样本与相应训练样本之间特征空间距离相似度d，以及特征运动模式相似度m来计算训练样本的载体特征x与待测样本Y图像隐写分析特征y的差异性度量S：

S(x,y)＝||d||₂+λ||m||₂；

其中，λ为特征空间距离相似度与特征运动模式相似度之间的权重参数。

由上述本发明提供的技术方案可以看出，通过度量每一个测试样本与当前训练数据库中的训练样本之间的相似程度，选择与测试样本最相似的训练数据训练分类器，排除不相关训练数据的干扰，从而提高训练集与测试数据的相关性，并大幅提升隐写分析的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种精准隐写分析的典型应用场景的应用框架；

图2为本发明实施例提供的一种针对特定测试样本的隐写分析方法的流程图；

图3为本发明实施例提供的讨论不同嵌入率下实验参数与错误率关系示意图；

图4为本发明实施例提供的实验参数与平均错误率关系示意图；

图5为本发明实施例提供的一种针对特定测试样本的隐写分析方法的实施框图；

图6为本发明实施例提供的本发明的隐写分析方法与现有技术的隐写分析方法的检测效果对比示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明针对目前隐写分析存在的CSM问题，考虑需要精准隐写分析少量测试样本的应用场景，这种场景需要很高的检测精度，但由于待测样本量很小，可以采用高复杂度的检测方法。对少量特定测试样本的精准隐写分析问题来源于真实应用的实际需求，典型的应用场景有如下两种(如图1所示)。

一、考虑一个面向海量图像数据的隐写分析监控场景。为了能够处理大量数据，采用层级化的隐写分析系统。首先使用简单的特征训练出分类器放在层级的第一层，输入的图像仅需要提取简单的特征即可以进行隐写分析检测，利用这一层过滤掉大部分图像，将疑似载密的图像移交给下一层；第二层分析需要付出更大的计算代价，但是相应也具有更准确的分析功能，可以再次过滤掉部分非载密图像，留下更少量的可疑图像给下一层。如此设计若干层分析器，过滤得到高可疑图像，这时便需要特定测试样本隐写分析模块给出最终的精准分析结果。

二、在刑侦工作中，分析人员锁定了隐写术的疑似使用者，通过某种手段获取其传输或存储的图像，这些图像往往是高可疑的，值得花大的计算代价做有针对性的精准分析。

针对上述场景，本发明聚焦隐写分析工作中的载体检测任务，假设隐写算法与嵌入率已知，以准确判断样本是否经过隐写为目的，首先研究隐写对图像特征的影响，随后找出隐写分析与图像特征之间的重要关系，基于此提出一种为测试样本选择专用训练集、训练专用分类器的隐写分析方法，称其为“特定测试样本隐写分析(STSS,Specific TestingSample Steganalysis)”，该方法度量每一个测试样本与当前训练数据库中的训练样本之间的相似程度，选择与测试样本最相似的训练数据训练分类器，排除不相关训练数据的干扰，从而大幅提升隐写分析的准确率。形象地讲，如果将训练分类器检测样本比作顾客(测试样本)买衣服(分类器)的过程，衣服越合身则(隐写分析)效果越好。之前的方法好比是“成衣铺”，事先制作好各种尺码的衣服，顾客来了可以按照尺码范围选择大致合身的衣服；而本发明方法可以比作为每位顾客“量体裁衣”。显然，后者做的衣服更合身，但成本也更高。

如图2所示，为本发明实施例提供的一种针对特定测试样本的隐写分析方法的流程图，其主要包括如下步骤：

步骤11、利用隐写分析特征提取技术计算待测样本与所有训练样本的图像隐写分析特征。

本发明实施例中，可以采用现有的隐写分析特征提取方法Ex(D)提取图像隐写分析特征。提取待测样本Y的图像隐写分析特征提取任一训练样本X^trn的图像隐写分析特征记其中，图像隐写分析特征x^trn为载体载密成对出现的特征，包含载体特征x与载密特征

步骤12、基于计算到的图像隐写分析特征计算待测样本与每一训练样本之间的特征空间距离相似度与特征运动模式相似度。

1、特征空间距离相似度。

计算图像隐写分析特征y和图像隐写分析特征x^trn之中所有元素的欧氏距离作为待测样本与相应训练样本之间的特征空间距离相似度：

2、特征运动模式相似度。

对待测样本Y进行隐写操作得到隐写后的样本提取样本的图像隐写分析特征记为定义待测样本Y在隐写操作下的运动模式估计为：

定义待测样本Y与训练样本运动模式的欧氏距离为二者运动模式的差异性度量：

步骤13、结合特征空间距离相似度与特征运动模式相似度来度量待测样本与相应训练样本之间相似度，并选取与待测样本相似度最为接近的N个训练样本来训练分类器。

本发明实施例中，利用待测样本与相应训练样本之间特征空间距离相似度d，以及特征运动模式相似度m来计算训练样本的载体特征x与待测样本Y图像隐写分析特征y的差异性度量S：

S(x,y)＝||d||₂+λ||m||₂；

其中，λ为特征空间距离相似度与特征运动模式相似度之间的权重参数，λ越大差异性度量越趋向运动模式距离，反之λ越接近0则度量越趋向于特征距离。对于隐写分析工作中的度量，训练数据隐写前后成对出现，采用隐写前后的训练数据到测试数据的距离和为特征空间距离，此时度量可以表示成：

即为d与m二阶范数的线性组合。

本发明实施例中，λ与N的具体取值可以通过需求或者相关实验来确定。下面通过一个实验来说明这两个参数的确定方式，但是，相关实验仅做为一个示例，其最终确定的λ与N的具体取值也仅为举例，并非构成限制。

具体实验如图3所示，使用ImageNet数据库中9000幅图像组成测试集，150000张图像组成训练数据库，使用嵌入率0.1、0.2、0.3、0.4、0.5bpac下nsF5算法生成载密图像(分别依次对应图3a～图3e)，提取CC-CHEN特征在Ensemble分类器下进行实验。在每组嵌入率下使用变化的λ和N值进行实验，记录每组参数的分析错误率。

图3中两个参数变化导致隐写分析结果发送较大波动，虽然没有稳定在各个嵌入率都最优的参数，但可以看到总体来说参数与错误率关系图中有一定的趋势。为得到平均意义上效果好的参数，将各个图中的错误率数据除以其均值，得到均值归一化的数据，将各个嵌入率下的归一化数据累加得到平均错误度量与参数之间的关系，如图4所示。

图4中可以看出当N超过1000时平均错误率开始收敛，并且在λ＝5，N＝1300时平均错误率取得最小值，因此可以使用λ＝5和N＝1300作为最终实验使用的参数。

步骤14、利用训练后的分类器对待测样本进行隐写分析，得到隐写分析结果。

示例性的，可以使用Ensemble分类器训练作为隐写分析分类器，运用此分类器进行隐写分析测试样本Y，得到最终的分类结果。

本发明上述方案的实施框图也可以参见附图5。

本发明所涉及的隐写分析是信息安全领域、信息隐藏中的研究热点，该方向对国家安全有重要意义。而载体来源失配是传统的隐写分析的难点所在，本发明针对隐写分析的载体来源失配问题开展研究，通过研究隐写对图像特征的影响，并找出隐写分析与图像特征之间的联系，在此基础上提出了上述特定测试样本隐写分析，本发明的工作有理论及实际意义和价值。下面结合一个实验来说明本发明方法有效性。

设置实验如下：载体图像使用ImageNet库中100000幅质量因子96、尺寸在(300-700)×(300-700)范围内的JPEG图像；从100000幅图像的数据库中随机选择5000幅作为测试集，其余95000幅图像为训练数据库；载密图像由nsF5算法生成，嵌入率分别使用0.05bpac、0.1bpac、0.2bpac、0.3bpac、0.4bpac、0.5bpac；实验使用当前主流的隐写分析特征，分别是CC-PEV、CC-CHEN、CF*、DCTR和GFR；错误率P_E使用如下公式进行计算，其中P_FA表示虚警概率，P_MD表示漏警概率：

使用Ensemble分类器进行分类，参数λ设置为5，N设置为1300。对比实验采用了经典的UBD框架与ATS框架。由于本发明方法使用全部训练数据库信息进行分析工作，为了实验条件公平，UBD使用全部训练库中95000幅图像作为训练集训练分类器。ATS框架起来源于空域图像隐写分析，使用降维后的SRM特征对测试集进行分析，此处为了统一条件，将ATS框架中的特征替换为本实验指定的特征进行实验。ATS框架中，对于固定数量的测试集，载体图与载密图像个数越接近则分类效果越好，因此直接使用5000幅测试图像与其对应的载密图像作为该方法的测试集。图6(a)-图6(e)分别表示CC-PEV、CC-CHEN、CF*、DCTR和GFR特征对比实验结果，横坐标表示嵌入率，纵坐标表示检测错误率，三种线型分别表示三种参与对比的实验框架，具体的数据结果如表1所示，粗体为对比实验中最好的结果。

表1本发明方法(STSS)与其他方法对比结果表

实验结果表明，本发明方法基本在所有嵌入率的主流特征下的检测性能均优于其他方法，分析准确率高于其他方法1％-9％，而且表现稳定。

以往的隐写分析工作没有充分挖掘训练数据与测试样本之间的关系，也没有充分利用测试样本本身的信息来进行分析。本发明提出了“特定测试样本隐写分析(STSS)框架”。首先研究了影响隐写分析的两个重要因素——“特征距离”与“特征运动模式”相似度，基于这两个因素，在训练数据库中针对每个测试样本选择专用的训练集训练分类器，有力地解决了CSM问题。

本发明实施例根据数字载体样本的特性，设计了隐写分析相关的合理相似度量，有效利用了待测样本与训练数据库之间的相关性，保证了训练数据与测试数据之间的有效匹，有效克服了载体来源CSM问题，实验结果表明，本发明方法进一步挖掘了训练数据库的分析潜力，有效利用了测试样本的信息，在特定测试样本的隐写分析场景中性能优于其他方法。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种针对特定测试样本的隐写分析方法，其特征在于，包括：

利用隐写分析特征提取技术计算待测样本与所有训练样本的图像隐写分析特征；

并基于计算到的图像隐写分析特征计算待测样本与每一训练样本之间的特征空间距离相似度与特征运动模式相似度；

结合特征空间距离相似度与特征运动模式相似度来度量待测样本与相应训练样本之间相似度，并选取与待测样本相似度最为接近的N个训练样本来训练分类器；

利用训练后的分类器对待测样本进行隐写分析，得到隐写分析结果。

2.根据权利要求1所述的一种针对特定测试样本的隐写分析方法，其特征在于，利用隐写分析特征提取技术计算待测样本与所有训练样本的图像隐写分析特征包括：

提取待测样本Y的图像隐写分析特征记为y；

提取任一训练样本X^trn的图像隐写分析特征记为x^trn，图像隐写分析特征x^trn为载体载密成对出现的特征，包含载体特征x与载密特征

3.根据权利要求2所述的一种针对特定测试样本的隐写分析方法，其特征在于，计算待测样本与每一训练样本之间的特征空间距离相似度包括：

计算图像隐写分析特征y和图像隐写分析特征x^trn之中所有元素的欧氏距离作为待测样本与相应训练样本之间的特征空间距离相似度：

<mrow> <mi>d</mi> <mo>=</mo> <mo>|</mo> <mo>|</mo> <mi>y</mi> <mo>-</mo> <mi>x</mi> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>+</mo> <mo>|</mo> <mo>|</mo> <mi>y</mi> <mo>-</mo> <mover> <mi>x</mi> <mo>~</mo> </mover> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>.</mo> </mrow>

4.根据权利要求2所述的一种针对特定测试样本的隐写分析方法，其特征在于，计算待测样本与每一训练样本之间的特征运动模式相似度包括：

对待测样本Y进行隐写操作得到隐写后的样本提取样本的图像隐写分析特征记为定义待测样本Y在隐写操作下的运动模式估计为：

<mrow> <mi>&amp;Delta;</mi> <mi>y</mi> <mo>=</mo> <mover> <mi>y</mi> <mo>~</mo> </mover> <mo>-</mo> <mi>y</mi> <mo>;</mo> </mrow>

定义待测样本Y与训练样本运动模式的欧氏距离为二者运动模式的差异性度量：

<mrow> <mi>m</mi> <mo>=</mo> <mo>|</mo> <mo>|</mo> <mrow> <mo>(</mo> <mover> <mi>y</mi> <mo>~</mo> </mover> <mo>-</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mrow> <mo>(</mo> <mover> <mi>x</mi> <mo>~</mo> </mover> <mo>-</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>.</mo> </mrow>

5.根据权利要求2所述的一种针对特定测试样本的隐写分析方法，其特征在于，所述结合特征空间距离相似度与特征运动模式相似度来度量待测样本与相应训练样本之间相似度包括：

利用待测样本与相应训练样本之间特征空间距离相似度d，以及特征运动模式相似度m来计算训练样本的载体特征x与待测样本Y图像隐写分析特征y的差异性度量S：

S(x,y)＝||d||₂+λ||m||₂；

其中，λ为特征空间距离相似度与特征运动模式相似度之间的权重参数。