CN109492416B - 一种基于安全区域的大数据图像保护方法和系统 - Google Patents

一种基于安全区域的大数据图像保护方法和系统 Download PDF

Info

Publication number
CN109492416B
CN109492416B CN201811322310.XA CN201811322310A CN109492416B CN 109492416 B CN109492416 B CN 109492416B CN 201811322310 A CN201811322310 A CN 201811322310A CN 109492416 B CN109492416 B CN 109492416B
Authority
CN
China
Prior art keywords
image
big data
area
network
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811322310.XA
Other languages
English (en)
Other versions
CN109492416A (zh
Inventor
孟若涵
孙星明
周志立
崔琦
袁程胜
曹燚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Leyou Interactive Entertainment Technology Co.,Ltd.
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201811322310.XA priority Critical patent/CN109492416B/zh
Publication of CN109492416A publication Critical patent/CN109492416A/zh
Application granted granted Critical
Publication of CN109492416B publication Critical patent/CN109492416B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于安全区域的大数据图像保护方法，包括：S1：采用目标检测方法选择目标安全区域，同时提取彩色图像特征；S2：采用大数据技术，利用大数据图片集训练网络模型以及测试网络模型，应用深度学习模型在目标检测中的应用算法，提取出物体区域作为信息保护的安全区域；S3：将提取的安全区域作为含密图像的隐写区域，应用隐写算法进行秘密信息隐藏。本发明能够应用深度学习模型在目标检测中的应用算法，即Mask R‑CNN实例分割方法，选择出图像中纹理噪声较为复杂的区域，即前景部分，将秘密信息准确地隐藏于前景物体中，从而实现更加隐秘的图像秘密信息隐藏保护的目的。

Description

一种基于安全区域的大数据图像保护方法和系统
技术领域
本发明涉及信息安全领域，具体而言涉及一种基于安全区域的大数据图像保护方法和系统。
背景技术
随着科技的快速发展，计算机网络、多媒体技术和个人移动通信技术已经被大家广泛使用。大量的多媒体信息在网络中更为方便和快捷地被人们传输，方便于大家的通信和交流，但是多媒体信息在给人们生活带来便利的同时，个人隐私被窥探、传播等信息安全问题也逐步引起了人们的高度关注。这几年来，部分信息安全的问题被信息隐藏技术在一定程度上解决了。该方法通过将秘密信息隐藏到含有一定意义的载体媒介(图像、视频、文本、声音等)中，利用载体信息的冗余性，使秘密信息不被发觉，加密后的载体被称为含密载体，将含密载体传输给接收方后，接收方通过一定的方法提取秘密信息。在这个过程中，含密载体与普通载体以肉眼看来是无法区分开的，通过降低人们对含密载体关注从而更加安全和隐蔽的传递秘密信息。
早期具有代表性的隐写算法有LSB(Least Significant Bit)，但其不能抵抗统计分析，易于被检测出秘密信息的嵌入长度。目前应用较为广泛的隐写算法有HUGO、WOW、SUNIWARD等内容自适应隐写算法。这类算法使通过自动选择适合隐藏秘密信息的区域，如纹理复杂区域、噪声丰富的图像区域。这些算法保持了复杂的搞阶统计特性。同时，由于深度学习广泛应用，深度学习目前也作为一个研究热点在信息隐藏领域。
基于深度学习的信息隐藏方法中，利用生成对抗网络的特性，构建隐写生成对抗网络的方法逐渐被关注。2017年，Hayes等人创始构建了一个基于GAN的隐写架构。该架构包含三方：隐写构建方、隐写分析方和隐写提取方。其中，隐写构建方作为生成器，隐写分析方作为判别器。由隐写构建方生成的含密图像根据隐写分析方的反馈而调整。隐写提取方使用隐写生成方输出的含密图像提取出隐写构建方的嵌入的重要比特位上的信息。Volkhonskiy等人在DCGAN(Deep Convolutional Generative Adversarial Networks)的基础上提出了SGAN(Steganographic Generative Adversarial Networks)，它主要是在经典GAN的基础上增加一个由CNN实现的判别器网络，对生成的含密图像进行隐写分析。Shi等人提出了Volkhonskiy等人的改进方案。主要改进包括：使用WGAN替换Volkhonskiy等人方案中的DCGAN，使得生成图像的视觉质量更高，模型训练速度也更快；使用GNCNN替代Volkhonskiy等人方案中的隐写分析器；通过GNCNN和GAN的对抗，使GAN生成的图像更适合隐写。除此以外，还有用深度学习其他模型进行信息隐藏。如：谷歌研究院的B.Shumeet提出以图藏图，通过使用卷积神经网络在图像中寻找合适的位置用编码解码器的方法嵌入秘密信息。Wang等人使用机器学习的方法实现了LSB的隐藏。以及Meng等人使用目标检测(faster rcnn)的方法，结合多个隐写算法，实现多隐写方法的信息隐藏。该方法与本发明方法最为相似，但是这个方法中的faster rcnn只能实现对前景物体进行矩形框的标识，进行信息隐藏后，相当于把秘密信息隐藏到含有物体的矩形框中，并没有完全实现将秘密信息隐藏到前景物体中的目的。
发明内容
本发明目的在于提供一种基于安全区域的大数据图像保护方法和系统，应用深度学习模型在目标检测中的应用算法，即Mask R-CNN实例分割方法，选择出图像中纹理噪声较为复杂的区域，即前景部分，将秘密信息准确地隐藏于前景物体中，从而实现更加隐秘的图像秘密信息隐藏保护的目的。
为达成上述目的，结合图1，本发明提出一种基于安全区域的大数据图像保护方法，所述方法包括以下步骤：
S1：采用目标检测方法选择目标安全区域，同时提取彩色图像特征；
S2：采用大数据技术，利用大数据图片集训练网络模型以及测试网络模型，应用深度学习模型在目标检测中的应用算法，提取出物体区域作为信息保护的安全区域；
S3：将提取的安全区域作为含密图像的隐写区域，应用隐写算法进行秘密信息隐藏。
基于安全区域的大数据图像保护方法的框架见图2。本发明提出的基于目标检测实例分割的Mask R-CNN提取图像中的安全区域是实现图像信息隐藏保护方法的核心步骤。由于传统的信息隐藏方法都是针对整张图像，存在对于部分图像背景极其简单、光滑，仍然有秘密信息隐藏到背景中的问题，从而导致该图像易被第三方检测出来，不利于对含密图像的保护。而基于目标检测的Mask R-CNN方法，可以在提取图像特征后对图像进行前景、背景的分类，甚至做到对物体分类，同时可以准确的分割出物体的掩码，本发明通过将秘密信息隐藏到具体的物体中，从而解决将秘密信息隐藏到光滑背景的问题，同时可以获得更丰富的图像信息。在进行图像隐写的过程中，本发明主要针对Mask R-CNN中的全卷积网络作出改变。全卷积网络是可以在卷积池化和上采样之后，得到和输入图像尺寸一致的特征图，然后对特征图中的像素点进行分类，从而判断出物体和背景。在对特征图的像素点进行分类的同时，本发明将属于物体部分的像素点进行LSB_matching的隐写操作，从而将秘密信息隐藏到纹理复杂的物体中，由此保护含密图像不被发现或破坏。利用本发明设计的基于目标检测的安全区域提取算法，便可设计出一套实现图像隐写保护的算法。该算法可以简称为IH-Mask R-CNN。
结合图3，本发明设计的图像隐写保护算法主要分为三个部分：彩色图像特征提取网络(VGG网络)、区域选择网络(Region Proposal Network)、信息隐藏网络(IH-FCN)。需要注意的是：分类、边框回归和信息隐藏网络是并列进行。
进一步的实施例中，步骤S1中，采用目标检测方法选择目标安全区域，同时提取彩色图像特征的方法包括以下步骤：
使用VGG网络对图像进行分类，获取图像的特征图，通过卷积操作得到特征图大小的公式如下：
Figure BDA0001857817990000031
其中，outputsize表示输出的特征图尺寸，inputsize表示输入的特征图尺寸，kernelsize是卷积核大小，pad为填充的尺寸，目的是为了使通过卷积操作后的图像在空间尺寸上保持大小不变，stride为步长。
这一步骤的实现是通过彩色图像特征提取网络实现，对于载体彩色大批量图像，我们要找到安全区域，就要判断哪些部分属于安全区域，所以需要对图像进行分类。在分类的特征提取中，我们使用了VGG网络，该网络一共包含13个卷积层(Conv layers)、13个激活层(Relu layers)、以及4个池化层(Pooling layers)。其中卷积核大小为3*3的卷积核，池化尺寸均为2*2，激活函数使用了Relu函数。
通过这个VGG网络，我们可以得到这些图像的特征图。
进一步的实施例中，步骤S2中，提取出物体区域作为信息保护的安全区域的方法包括以下步骤：
S21：对于获取的图像特征图，确定滑动窗口，以像素点为中心，按照M种尺寸和N种比例，得到若干个M*N种尺度的滑动窗口，将其作为候选框；
S22：将得到的若干个候选框依次与真实值边界框做比对，选择其中重叠度最高的候选框、以及重叠度高于设定阈值的候选框，作为信息保护的安全区域。
优选的，为了保证选取的候选框的有效性，减少后续计算量，所述设定阈值为0.7。
本步骤是通过区域选择网络实现，该网络是用于输出矩形候选框。
以M＝N＝3为例，首先，对于60*40的feature map，确定滑动窗口，根据像素点为中心，按照3种尺寸(128、256、512)和三个比例(1:1,1:2,2:1)，可以得到9种尺度的anchor，共得到60*40*9个anchor，即约2万个滑动窗口。由特征提取网络得到的feature map，在输入区域选择网络时，首先通过一个3*3的卷积，进一步集中特征信息，然后通过两个1*1的卷积，对应于前背景分类(cls)和边框确定(reg)。由于前景和背景的分类一共有两种，所以一共会得到9*2个分类的卷积核通道数，而对于边框操作，一共有左上角x和y两个值，以及长和宽两个值，所以对于边框回归的卷积核通道数有9*4个。在对两万个候选框进行选择的分类的过程中，通过将候选框与ground truth bounding box进行比较，选择出重叠度最高的候选框，以及选择出重叠度高于0.7的候选框,由此得到了我们所需要的矩形候选框。
进一步的实施例中，步骤S3中，将提取的安全区域作为含密图像的隐写区域，应用隐写算法进行秘密信息隐藏的方法包括：
同时执行下述三个操作：1)通过边框回归以得到更为准确的矩形候选框，2)对像素点进行分类，3)使用隐写算法对像素点不等于255、并且被分类为前景物体的像素做最低有效位修改。
进一步的实施例中，所述方法包括：
采用LSB隐写算法进行秘密信息隐藏，以及，在隐写之前，将待隐藏的秘密消息转化为N位的二进制比特流。
进一步的实施例中，所述方法还包括：
采用Softmax分类函数对图像中的物体进行识别，其损失函数如下：
Lcls(pi,pi *)＝-log[pi *pi+(1-pi *)(1-pi)]
其中，i为候选框的一个索引，pi为候选框i是否为目标的预测概率，pi *表示若候选框是正标签，则pi *为1，若候选框为负标签，则pi *为0。
进一步的实施例中，所述方法还包括：
所述边框回归操作的损失函数为：
Lreg(ti,ti *)＝smoothL1(ti-ti *)
Figure BDA0001857817990000041
其中，ti为预测的候选框的4个坐标参数，ti *为对应的真实值边界框的4个坐标参数。
这一步骤通过信息隐藏网络实现。
信息隐藏网络中，又分为三个部分，分别是分类、边框回归和安全区域隐写。在进行这三个部分之前，有一个极其重要的操作。那就是在区域选择网络后面，添加了一个ROIAlign layer。这一层的作用是为了使输出的feature map可以与输入图像中的像素一一对应，从而使得掩膜分割的更为精确和准确。
第一，分类部分
在分类部分，本发明使用了Softmax分类函数，可以得到每个物体的类别，其损失函数如下式：
Lcls(pi,pi *)＝-log[pi *pi+(1-pi *)(1-pi)]
其中，i为候选框的一个索引，pi为候选框i是否为目标的预测概率，pi *表示若候选框是正标签，则pi *为1，若候选框为负标签，则pi *为0。
第二、边框回归部分
通过边框回归操作，我们可以得到更为准确的矩形候选框，其损失函数如下：
Lreg(ti,ti *)＝smoothL1(ti-ti *)
Figure BDA0001857817990000042
其中，ti为预测的候选框的4个坐标参数，ti *为对应的真实值边界框的4个坐标参数。
第三，安全区域隐写部分
这个网络我们主要是在全卷积网络的基础上进行改进，来实现我们的目的。全卷积网络是一个基于深度学习对图像进行分割的网络，可以实现对像素级别的预测，从而实现一种端到端的语义图像分割方法。这个方法是在卷积神经网络的基础上进行修改。通过将卷积网络中的全连接层替换为反卷积层。由于通过卷积池化等操作后，导致图像的feature map被缩小，所以无法进行feature map和输入图像的像素点的一一比较。所以，在卷积池化之后，利用反卷积，对feature map进行上采样(up-sample)，使得这个featuremap可以被恢复到和输入图像大小一致的尺寸。这时，就可以对像素点进行一一预测和分类，从而得到物体的掩膜。在我们的方法中，并不需要得到物体的掩膜，我们相当于把秘密信息作为物体的掩膜，以一种不可察觉的方法隐藏到图像中。为了实现这个目的，我们对全卷积网络进行修改，在图像通过卷积、池化以及反卷积的操作后，我们得到了与输入图像尺寸一致的feature map，在对像素点进行分类的同时，我们添加了隐写算法。若对某一像素预测为物体，即mask＝1，说明该像素属于前景物体，则通过LSB隐写算法，修改该像素的最低有效位，从而隐写信息；若该像素不属于某物体，即mask＝0，则说明该像素属于背景，不予以隐藏信息。通过添加LSB隐写算法于掩膜的类别判断中，同时使掩膜不显示于输出中，则得到了含密图像。注意：在隐写的过程中，我们添加了一个判断，若该像素点＝255，即该点为白色，则不修改其最低有效位，即不进行隐写。同时，在隐写之前，我们首先对待隐藏的秘密消息，进行了转换。将其转化为N位的二进制比特流，从而用于LSB隐写。
基于前述方法，结合图3，本发明还提及一种基于安全区域的大数据图像保护系统，所述系统包括依次连接的彩色图像特征提取、区域选择网络、信息隐藏网络；
所述彩色图像特征提取用以采用目标检测方法选择目标安全区域，同时提取彩色图像特征；
所述区域选择网络用以采用大数据技术，利用大数据图片集训练网络模型以及测试网络模型，应用深度学习模型在目标检测中的应用算法，提取出物体区域作为信息保护的安全区域；
所述信息隐藏网络用以将提取的安全区域作为含密图像的隐写区域，应用隐写算法进行秘密信息隐藏。
进一步的实施例中，所述系统还包括一个ROI Align layer，用以连接区域选择网络和信息隐藏网络，用以使输出的特征图与输入图像中的像素一一对应。
以上本发明的技术方案，与现有相比，其显著的有益效果在于：
1)直接使用不同尺度的彩色图像输入到隐写网络中，通过目标分割后进行隐写，可以实现完全前景物体的信息隐藏。
2)利用目标检测方法结合现有的隐写算法，便可实现基于安全区域的图像保护，可以大幅度提升对应传统方法的抗检测性和鲁棒性。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明的基于安全区域的大数据图像保护的方法流程图。
图2是本发明的基于安全区域的图像保护流程图。
图3是本发明的基于安全区域的图像保护网络结构图。
图4是不同隐写方法隐写效果图。
图5是不同隐写方法的含密图像质量检测比对图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
本发明专利的思想就是首先通过目标检测的方法选择出纹理复杂、噪声丰富的安全区域，然后在安全区域进行信息隐藏。注意该专利的重点在于，此安全区域是完全摒弃背景，准确的隐藏到前景物体中，从而解决背景光滑不利于隐写但无法改变隐写区域的问题，同时解决了在不规则形状的物体中进行信息隐藏的问题。
首先将w*h大小的彩色图像输入到该图像保护网络中，通过特征提取网络，包含13层卷积层、13个激活层、4层池化层和3层全连接，得到512维的w/16和h/16大小的特征图。然后对这些特征图进行3*3的卷积操作，对特征进一步集中，然后分为两个部分，分别对应分类操作和边框回归操作。各自通过1*1的卷积，分别得到w/16和h/16大小的特征图18维和36维，其中18维对应2个类别(前景、背景)与9个不同尺寸大小的候选框的乘积，36维对应4个向量坐标与9个不同尺寸大小的候选框的乘积。对于分类操作，本申请首先将其reshape为1维向量，然后用softmax函数对其进行分类，从而得到前景和背景的分类，然后再通过reshape操作，得到原本的特征图，通过这两个分支，可以得到对应的候选框。
在进行物体分类、边框精确回归和隐写的操作前，首先对特征图进行ROI Align操作，为了使得像素点可以一一对应。
在隐写分支中，本申请首先对特征图进行了3*3的卷积操作，然后通过1*1的反卷积，最后在通过1*1的卷积，得到w/4和h/4的80维向量的特征图，其中这80维对应的是80个物体类别。然后对于这些像素点进行sigmoid操作，并且进行二值化，我们就可以得到该像素是否属于mask的分类，在此判断后，若该像素属于物体的mask，则对该像素进行隐写，最终得到含密图像。
表1是不同隐写方案的检测率比较。其中stego_P为通过隐写分析，检测出的含密图像数占总测试的含密图像数的比例；stego_R_P为在隐写分析后，检测出在R通道含有秘密信息的图像占总测试的含密图像数的比例；stego_G_P为在隐写分析后，检测出在G通道含有秘密信息的图像占总测试的含密图像数的比例；stego_B_P为在隐写分析后，检测出在B通道含有秘密信息的图像占总测试的含密图像数的比例。
表1不同隐写方案的错误率比较
stego_P stego_R_P stego_G_P stego_B_P
本发明算法 0.6716 0.5288 0.5042 0.5918
LSB_R 0.9806 0.8742 0.876 0.878
本发明设计的算法和传统的信息因此算法检测率结果的比较，如表1所示，可以发现基于乡相图的测试图像集上，本发明的含密图像检测率明显低于对应的传统隐写方法检测率。
图4是不同隐写方法隐写效果图，图5是不同隐写方法的含密图像质量检测比对图。
图5中，PSNR指标主要是用于计算对应像素点间的误差，即基于误差敏感的图像质量评价，其值越大说明图像失真越小，图像质量越好，图中灰色的点为本发明提出的方法的实验结果，黑色的点为对应的传统隐写方法的实验结果，我们可以清晰的看到，灰色的点普遍高于黑色的点，最高值可达85左右，而传统方法的PSNR值大约保持在52，由此说明，本发明提出的方法对于图像质量的是由于对应的传统隐写方法，对于SSIM指标，主要是从图像的相似度进行判断，该值越接近于1越好，由图5可知，灰色的点几乎全部接近于1，而黑色的点则变化较大，但大多数点都小于1，说明通过本发明的方法，得到的含密图像与载体图像的相似度是极高的，并且优于对应的传统方法。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (4)

1.一种基于安全区域的大数据图像保护方法，其特征在于，所述方法包括以下步骤：
S1：采用目标检测方法选择目标安全区域，同时提取彩色图像特征；
S2：采用大数据技术，利用大数据图片集训练网络模型以及测试网络模型，应用深度学习模型在目标检测中的应用算法，提取出物体区域作为信息保护的安全区域；
S3：将提取的安全区域作为含密图像的隐写区域，应用隐写算法进行秘密信息隐藏；
本方法采用LSB隐写算法进行秘密信息隐藏，以及
在隐写之前，将待隐藏的秘密消息转化为N位的二进制比特流；
本方法还包括：
采用Softmax分类函数对图像中的物体进行识别，其损失函数如下：
Figure 940747DEST_PATH_IMAGE001
其中，
Figure 427223DEST_PATH_IMAGE002
为候选框的一个索引，
Figure 427847DEST_PATH_IMAGE003
为候选框
Figure 632563DEST_PATH_IMAGE002
是否为目标的预测概率，
Figure 752835DEST_PATH_IMAGE004
表示若候选框是正标签，则
Figure 359397DEST_PATH_IMAGE004
为1，若候选框为负标签，则
Figure 883919DEST_PATH_IMAGE004
为0；
基于安全区域的大数据图像保护系统包括依次连接的彩色图像特征提取、区域选择网络、信息隐藏网络；
步骤S1中，采用目标检测方法选择目标安全区域，同时提取彩色图像特征的方法包括以下步骤：
使用VGG网络对图像进行分类，获取图像的特征图，通过卷积操作得到特征图大小的公式如下：
Figure 559620DEST_PATH_IMAGE005
其中，
Figure 703156DEST_PATH_IMAGE006
表示输出的特征图尺寸，
Figure 413492DEST_PATH_IMAGE007
表示输入的特征图尺寸，
Figure 374495DEST_PATH_IMAGE008
是卷积核大小，
Figure 288224DEST_PATH_IMAGE009
为填充的尺寸，
Figure 94506DEST_PATH_IMAGE010
为步长；
步骤S2中，提取出物体区域作为信息保护的安全区域的方法包括以下步骤：
S21：对于获取的图像特征图，确定滑动窗口，以像素点为中心，按照M种尺寸和N种比例，得到若干个M*N种尺度的滑动窗口，将其作为候选框；
S22：将得到的若干个候选框依次与真实值边界框做比对，选择其中重叠度最高的候选框、以及重叠度高于设定阈值的候选框，作为信息保护的安全区域；
步骤S3中，将提取的安全区域作为含密图像的隐写区域，应用隐写算法进行秘密信息隐藏的方法包括：
同时执行下述三个操作：1）通过边框回归以得到更为准确的矩形候选框，2）对像素点进行分类，3）使用隐写算法对像素点不等于255、并且被分类为前景物体的像素做最低有效位修改。
2.根据权利要求1所述的基于安全区域的大数据图像保护方法，其特征在于，所述设定阈值为0.7。
3.根据权利要求1所述的基于安全区域的大数据图像保护方法，其特征在于，所述方法还包括：
所述边框回归操作的损失函数为：
Figure 662278DEST_PATH_IMAGE011
Figure 669549DEST_PATH_IMAGE012
其中，
Figure 929629DEST_PATH_IMAGE013
为预测的候选框的4个坐标参数，
Figure 929815DEST_PATH_IMAGE014
为对应的真实值边界框的4个坐标参数。
4.根据权利要求1所述的基于安全区域的大数据图像保护方法，其特征在于，所述系统还包括一个ROI Align layer，用以连接区域选择网络和信息隐藏网络，用以使输出的特征图与输入图像中的像素一一对应。
CN201811322310.XA 2019-01-07 2019-01-07 一种基于安全区域的大数据图像保护方法和系统 Active CN109492416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811322310.XA CN109492416B (zh) 2019-01-07 2019-01-07 一种基于安全区域的大数据图像保护方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811322310.XA CN109492416B (zh) 2019-01-07 2019-01-07 一种基于安全区域的大数据图像保护方法和系统

Publications (2)

Publication Number Publication Date
CN109492416A CN109492416A (zh) 2019-03-19
CN109492416B true CN109492416B (zh) 2022-02-11

Family

ID=65695184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811322310.XA Active CN109492416B (zh) 2019-01-07 2019-01-07 一种基于安全区域的大数据图像保护方法和系统

Country Status (1)

Country Link
CN (1) CN109492416B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993678B (zh) * 2019-03-26 2020-04-07 南京联创北斗技术应用研究院有限公司 一种基于深度对抗生成网络的鲁棒信息隐藏方法
CN110008882B (zh) * 2019-03-28 2021-06-08 华南理工大学 基于掩模与边框相似性损失的车辆检测方法
CN110059690A (zh) * 2019-03-28 2019-07-26 广州智方信息科技有限公司 基于深度卷积神经网络的户型图语义自动分析方法及系统
CN110084734B (zh) * 2019-04-25 2023-02-14 南京信息工程大学 一种基于物体局部生成对抗网络的大数据权属保护方法
CN110334752B (zh) * 2019-06-26 2022-11-08 电子科技大学 一种基于梯形卷积的不规则形状物体检测方法
CN110348522B (zh) * 2019-07-12 2021-12-07 创新奇智(青岛)科技有限公司 一种图像检测识别方法及系统、电子设备、图像分类网络优化方法及系统
CN111859897A (zh) * 2019-10-16 2020-10-30 沈阳工业大学 基于动态路由胶囊网络的文本隐写分析方法
CN111048185B (zh) * 2019-12-25 2023-03-28 长春理工大学 基于机器学习的感兴趣区域参数博弈分析方法
CN111444516B (zh) * 2020-03-23 2023-03-24 华南理工大学 一种基于敏感度的深度强化学习智能体攻击方法
CN111768325B (zh) * 2020-04-03 2023-07-25 南京信息工程大学 大数据隐私保护中基于生成对抗样本的安全性提升方法
CN111768326B (zh) * 2020-04-03 2023-08-25 南京信息工程大学 一种基于gan扩增图像前景物体的高容量数据保护方法
CN112070085B (zh) * 2020-09-04 2023-07-28 中山大学 基于双级联深度网络的无人机多特征点检测方法及装置
CN112465687B (zh) * 2020-11-17 2022-06-17 北京航空航天大学 一种图像隐藏方法及装置
CN112581929B (zh) * 2020-12-11 2022-06-03 山东省计算中心（国家超级计算济南中心） 基于生成对抗网络的语音私密度掩蔽信号生成方法及系统
CN112381077B (zh) * 2021-01-18 2021-05-11 南京云创大数据科技股份有限公司 一种人脸图像信息的隐藏方法
CN113298689B (zh) * 2021-06-22 2023-04-18 河南师范大学 一种大容量图像隐写方法
CN113923313B (zh) * 2021-10-09 2023-06-27 上海理工大学 一种基于卡通图案的载体生成式信息隐藏方法及提取方法
CN113609790B (zh) * 2021-10-11 2021-12-03 成都数联云算科技有限公司 产品虚拟量测方法及系统及装置及介质
CN113989097B (zh) * 2021-12-30 2022-05-06 南京中孚信息技术有限公司 信息隐写模型训练方法、信息隐写方法、设备及存储介质
CN114900586B (zh) * 2022-04-28 2024-04-16 中国人民武装警察部队工程大学 一种基于dcgan的信息隐写方法及装置
CN114817991B (zh) * 2022-05-10 2024-02-02 上海计算机软件技术开发中心 一种车联网图像脱敏方法和系统
CN114662061B (zh) * 2022-05-19 2022-08-30 武汉大学 基于改进注意力和损失函数的解码编码网络隐写术方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009509A (zh) * 2017-12-12 2018-05-08 河南工业大学 车辆目标检测方法
CN108171760A (zh) * 2018-01-29 2018-06-15 河南大学 一种图像组成复杂度计算方法
CN109117822A (zh) * 2018-08-31 2019-01-01 贵州大学 一种基于深度学习的零件实例分割识别方法

Also Published As

Publication number Publication date
CN109492416A (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
CN109492416B (zh) 一种基于安全区域的大数据图像保护方法和系统
Meng et al. A Fusion Steganographic Algorithm Based on Faster R-CNN.
CN110414670B (zh) 一种基于全卷积神经网络的图像拼接篡改定位方法
CN111401372B (zh) 一种扫描文档图文信息提取与鉴别的方法
CN111242837B (zh) 基于生成对抗网络的人脸匿名隐私保护方法
Wei et al. Generative steganography network
CN111209858B (zh) 一种基于深度卷积神经网络的实时车牌检测方法
CN112150450B (zh) 一种基于双通道U-Net模型的图像篡改检测方法及装置
Laishram et al. A novel minimal distortion-based edge adaptive image steganography scheme using local complexity: (BEASS)
Chaeikar et al. Ensemble SW image steganalysis: A low dimension method for LSBR detection
CN109522883A (zh) 一种人脸检测方法、系统、装置及存储介质
Hashemzadeh Hiding information in videos using motion clues of feature points
CN110457996B (zh) 基于vgg-11卷积神经网络的视频运动对象篡改取证方法
Wang et al. HidingGAN: High capacity information hiding with generative adversarial network
CN111696021A (zh) 一种基于显著性检测的图像自适应隐写分析系统及方法
CN111242829A (zh) 一种水印提取方法、装置、设备及存储介质
CN111476727B (zh) 一种面向换脸视频检测的视频运动增强方法
Zhang et al. Deep adaptive hiding network for image hiding using attentive frequency extraction and gradual depth extraction
CN112163490A (zh) 一种基于场景图片的目标检测方法
Cui et al. Multitask identity-aware image steganography via minimax optimization
Chen et al. Image splicing localization using residual image and residual-based fully convolutional network
Li et al. High-capacity coverless image steganographic scheme based on image synthesis
CN113850284B (zh) 一种基于多尺度特征融合和多分支预测的多操作检测方法
Roselinkiruba et al. Feature extraction based pixel segmentation techniques data hiding and data encryption
CN110619594B (zh) 一种半色调图像隐写分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210044 No. 219 Ningliu Road, Jiangbei New District, Nanjing City, Jiangsu Province

Applicant after: Nanjing University of Information Science and Technology

Address before: 211500 Yuting Square, 59 Wangqiao Road, Liuhe District, Nanjing City, Jiangsu Province

Applicant before: Nanjing University of Information Science and Technology

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240822

Address after: Room 405-3, No. 18 Shihua Street, Yuhuatai District, Nanjing City, Jiangsu Province 210000

Patentee after: Nanjing Leyou Interactive Entertainment Technology Co.,Ltd.

Country or region after: China

Address before: 210044 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu

Patentee before: Nanjing University of Information Science and Technology

Country or region before: China