CN110059754A - 一种批量数据隐写方法、终端设备及存储介质 - Google Patents
一种批量数据隐写方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110059754A CN110059754A CN201910321778.5A CN201910321778A CN110059754A CN 110059754 A CN110059754 A CN 110059754A CN 201910321778 A CN201910321778 A CN 201910321778A CN 110059754 A CN110059754 A CN 110059754A
- Authority
- CN
- China
- Prior art keywords
- steganography
- signal
- carrier signal
- classification
- message
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003780 insertion Methods 0.000 claims abstract description 71
- 230000037431 insertion Effects 0.000 claims abstract description 70
- 239000012634 fragment Substances 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012896 Statistical algorithm Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 239000000969 carrier Substances 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明涉及一种批量数据隐写方法、终端设备及存储介质,在该方法中包括:利用前馈控制预测各载体信号的嵌入率,根据嵌入率计算待隐写消息中隐写入各载体信号的子消息的长度后,将各子消息隐写入对应的载体信号生成隐写信号,另外选择载体信号与隐写信号共同组成待发送信号,利用反馈控制筛选每一个待发送信号,利用反馈控制调整预测载体信号嵌入率时的参数。本发明通过将前馈控制与反馈控制相结合,用于隐写者受到隐写分析者长期监控之下的情景,在多个载体之间分配隐蔽信息的分片长度,以增强隐写行为的隐蔽性。
Description
技术领域
本发明涉及数据隐写技术领域,尤其涉及一种批量数据隐写方法、终端设备及存储介质。
背景技术
隐写术(Steganography)是一种掩盖通信事实的技术。隐写者修改载体信号嵌入隐蔽信息并通过公开发送载体信号的形式传输给隐写接收者。隐写接收者收到信号后使用事先约定的算法和配置(含:秘钥)正确提取出隐写者嵌入的隐蔽信息。随着信息技术的迅速普及,人们通过手机等设备已能生成各种多媒体文件,包括:图像、音频、视频等。因而,多媒体文件被广泛用于隐写载体。隐写在载体实际上可以实施于任何信号之上,包括但并不限于多媒体信号。直接采集得到的信号通常称为载体信号或原文。相应地,将隐蔽信息嵌入到原文中生成的新信号称为隐写信号,或隐文。
当隐蔽信息较多时,隐写者可以将其按一定格式分片,分别嵌入到多个载体图信号中,称为批量隐写(Batch steganography)。隐写接收者在收到所有信号后,按照格式提取分片,验证其有效性,最终将各分片组合成原隐蔽信息。隐写方法与传统密码学结合使用,不仅保护了通信的内容,还隐藏了通信的事实,可用于个人保存私密信息,或企业保存或传递商业秘密。
隐写分析(Steganalysis)则是指对给定的信号判断其中是否带有隐蔽信息的相关技术。对应于批量隐写,隐写分析者有能力从存储或者网络通信中获取多个样本的副本,并通过对多个样本进行隐写分析,综合判断是否含有隐写行为。隐写分析者也有能力构造多个隐写分析算法,并做决策层融合,得出最终结论。一旦隐写行为被准确识别,则隐写通信无法继续。
隐写和隐写分析是一种博弈的关系。当隐写行为较为隐蔽,该隐写行为在隐写分析的准确率低。隐写行为包括隐写算法、载体信号、隐蔽信息和秘钥。这些都是影响隐写行为隐蔽性的因素。其中,隐写算法、载体信号的特征和隐蔽信息(或批量隐写时隐蔽信息分片)的长度对隐写行为隐蔽性的影响,在一定程度上是可以预测的。隐写者通过调整上述参数,存在提高隐写行为隐蔽性的目的。
专利授权号为201610917124.5的中国专利“基于参数拟合安全容量的自适应批量隐写方法”公开了一种基于参数拟合安全容量的自适应批量隐写方法。该专利方法提出通过参数拟合模型预测安全容量,通过对原文的属性(如:大小、可嵌入位置数量和纹理复杂度等)和实验得到的安全容量进行拟合,并在实际隐写时将原文的属性通过拟合的公式预测出安全隐写容量。该专利方法主要预测隐写安全容量的方法,目的在于通过预测控制安全容量增强批量隐写的隐蔽性。然而,该专利方法属于前馈控制方法,缺乏对预测后隐写得到的隐文进行验证筛选,即缺乏反馈控制,而且也缺乏用隐写分析的结果修正模型参数的机制。当拟合误差较大时,仍存在暴露隐写行为的风险。
专利申请号为201810075083.9的中国专利“一种基于残差共生概率的隐写图像载体安全性评价方法”公开了一种基于残差共生概率的隐写图像载体安全性评价方法。该方法通过计算残差矩阵,对所有样本图像进行聚类分析,并以噪声分布特征最分散的聚类的质心作为安全性评价标准特征,从而决定安全性评价值。该专利属于前馈控制方法,其提出的聚类质心相关是安全性评价特征之一,可以用于筛选载体图像。然而,该方法在前馈控制方面仅用阈值来决定是否使用某幅图像,但阈值以下的图像仍存在嵌入少量信息的可能性,存在利用的恐惧。此外,该方法缺乏对预测后隐写得到的隐文进行验证筛选,即缺乏反馈控制过程。对于阈值以下的图像直接丢弃,在长期使用中只传输具有某种特征的图像,反而会暴露隐写行为。
专利申请号为201510750340.0的中国专利“一种优化决策面的改进隐写方法”公开了一种优化决策面的改进隐写方法。该方法将隐写图像的特征投影到决策面上,随机调整载密图像统计特征变化的方向,最终提高隐写方法的安全性。该方法属于反馈控制的算法,利用训练分类器得到决策面来指导隐写算法的嵌入位置。然而,该方法仅限于单个载体信号上实施的隐写行为,不涉及多个载体信号间的嵌入率分配。
发明内容
针对上述问题,本发明旨在提供一种批量数据隐写方法,将前馈控制与反馈控制相结合,用于隐写者受到隐写分析者长期监控之下的情景,在多个载体之间分配隐蔽信息的分片长度,以增强隐写行为的隐蔽性。
具体方案如下:
一种批量数据隐写方法,包括:利用前馈控制预测各载体信号的嵌入率,根据嵌入率计算待隐写消息中隐写入各载体信号的子消息的长度后,将各子消息隐写入对应的载体信号生成隐写信号,另外选择载体信号与隐写信号共同组成待发送信号,利用反馈控制筛选每一个待发送信号,利用反馈控制调整预测载体信号嵌入率时的参数。
进一步的,具体包括以下步骤:
S1:设定隐写分类器Ana,其模型为:y=Ana(x),其中,x为输入信号,输出信号y为输入信号为隐写信号的概率,设定隐写分类器的分类正确率a计算公式为:
a=H(f;α;θ)
其中,f为信号的特征值,α为隐写分类嵌入率,H(.)为预设的函数模型,θ为调节参数;
设定多个根据特征值大小划分的特征值类别、多个隐写分类嵌入率和参数θ的初始值;
选取载体信号集C",计算其在不同特征值和不同隐写分类嵌入率下的隐写分类器的分类正确率a;
S2:选取载体信号集C,提取其中每个载体信号的特征值f,并根据每个载体信号的特征值f、在不同特征值和不同隐写分类嵌入率下的分类正确率a和预设的阈值a0,计算每个载体信号在其特征值f下的最大的嵌入率为对应的嵌入率αi:
αi=argmax{H(f;α;θ)<a0}
S3:根据载体信号集C中的每个载体信号ci对应的嵌入率αi,将待隐写消息分为多个子消息后,使用隐写算法隐写入载体信号集C中对应的载体信号内,得到隐写信号集S;
S4:选取载体信号集C′,计算将载体信号集C′输入隐写分类器中的结果分布状况与将载体信号集C′的子集与隐写信号集S共同输入隐写分类器中的结果分布状况的差异,判断该差异是否满足小于预设的差异阈值,如满足,进入S5,否则,重新选取子集,当所有子集均不满足时,进入S6;
S5:将满足条件的子集与隐写信号集S共同作为待发送信号进行发送;
S6:调整隐写分类器的分类正确率计算公式中的参数θ,以满足通过隐写分类器的结果得出的正确率a′与通过分类正确率计算公式计算得出的正确率a″的差异小于预设的差异阈值,直至满足后,根据调整的参数θ,返回步骤S2重新计算。
进一步的,步骤S1中,计算其在不同特征值和不同隐写分类嵌入率下的隐写分类器的分类正确率a的具体过程为:
S11:选取载体信号集C",计算其中的每个载体信号c∈C"的特征值f,将载体信号集C"中的所有载体信号按照预设的特征值类别分为多类;
S12:计算不同类别和不同嵌入率下,隐写分类器分类的正确率,其中每个类别下的每个嵌入率对应的隐写分类器分类的正确率的计算过程为:
S121:针对该类别下的所有载体信号,根据嵌入率计算其对应的隐写消息的长度,并将具有该长度的消息隐写入载体信号中,得到对应的隐写信号;
S122:重复步骤S121,将得到的所有的载体信号对应的隐写信号组成隐写信号集;
S123:将该类别下的所有载体信号和步骤S122中得到的隐写信号集中的所有信号共同输入隐写分类器中,根据每个信号的输出结果统计处该类别下的该嵌入率的隐写分类正确率。
进一步的,载体信号为图像,其特征值提取公式为:
其中:xu,v是载体图像ci在图像中的坐标为(u,v)位置处的像素的亮度值。
进一步的,步骤S3具体包括以下步骤:
S31:据载体信号集C中的每个载体信号ci对应的嵌入率αi,将该待隐写消息按照分片数据结构分为多个子消息,其中子消息长度为嵌入率αi与载体信号ci长度的乘积;
所述分片数据结构包括待隐写消息总长度、子消息偏移量和子消息的内容;
S32:使用隐写算法将每个子消息嵌入对应的载体信号ci内,得到隐写信号集S。
进一步的,步骤S32中所述隐写算法包括将秘钥与子消息共同进行隐写。
进一步的,步骤S4具体包括以下步骤:
S41:将载体信号集C′输入隐写分类器中,输出结果yc,使用概率分布模型b拟合结果yc,计算信号为隐写信号的概率p;
S42:选取载体信号集C′的子集,将子集与隐写信号集S共同输入隐写分类器中,输入结果ys,计算结果ys在概率分布模型b中隐写信号的概率为p的置信水平;
S43:判断置信水平是否小于置信水平阈值,如果小于,进入S5,否则,返回S42重新选取子集,当所有子集均不满足时,进入S6。
进一步的,步骤S6包括以下步骤:
S61:调整分类正确率计算公式a=H(f;α;θ)中的参数θ;
S62:任选载体信号集C′的子集,将其按照设定的特征值类别分为多个类别,并将每个类别的所有信号按照设定的不同隐写分类嵌入率进行隐写,生成隐写信号子集S′;
S63:将隐写信号子集S′与隐写信号集S共同输入隐写分类器中,根据每个信号的输出结果统计不同特征值和不同隐写分类嵌入率下的正确率a′;
S63:根据隐写分类器的分类正确率计算公式a=H(f;α;θ),计算其在设定的不同特征值和设定的不同隐写分类嵌入率下的正确率a″;
S64:根据统计学算法计算正确率a′与正确率a″之间的差异是否小于差异阈值,如果小于,返回步骤S2,否则,返回步骤S61,重新调整参数θ。
一种批量数据隐写终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,并具有有益效果为:
(1)控制隐写行为隐蔽性。生成的隐写信号,在集中传输的信号中,与传输载体信号时的分布接近,隐蔽性强。隐蔽性差的隐写行为将在反馈控制环节被检查出来。
(2)控制隐写行为隐蔽性的同时不会大幅增加隐写耗时。在初始化时,反馈的环节将最终稳定,稳定后的系统在隐写时,与已有隐写方法的耗时只增加验证安全性的环节。
(3)提升了发送的整个信号组的隐写隐蔽程度。在反馈阶段,针对生成的隐写信号,筛选对隐写信号最有利的载体信号集,组成待发送的信号组。这样使得整个信号组的概率分布与只有载体信号集时的概率分布差异最小,从而提升了信号组整体的隐写隐蔽程度。
附图说明
图1所示为本发明实施例一的流程示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
参考图1所示,本发明实施例一提供了一种批量数据隐写方法,包括:利用前馈控制预测各载体信号的嵌入率,根据嵌入率计算待隐写消息中隐写入各载体信号的子消息的长度后,将各子消息隐写入对应的载体信号生成隐写信号,另外选择载体信号与隐写信号共同组成待发送信号,利用反馈控制筛选每一个待发送信号,利用反馈控制调整预测载体信号嵌入率时的参数。
具体包括以下步骤:
S1:设定隐写分类器Ana,其模型为:y=Ana(x),其中,x为输入信号,输出信号y为输入信号为隐写信号的概率,分类器的形式不限于经验公式、模式识别分类器或多个分类器的组合形式。该实施例中根据图像的富模型(JSRM)特征,通过组合线性判别分析(lineardiscriminant analysis,LDA)分类器进行训练。
设定隐写分类器的分类正确率a计算公式为:
a=H(f;α;θ)
其中,f为信号的特征值,α为隐写分类嵌入率,H(.)为预设的函数模型,可以为线性函数,也可以为非线性函数,θ为调节参数,其中θ可以包括一个,也可以包括多个,如θ={θ1,θ2,…,θn},其个数随函数H(.)的形式进行相应调整。
设定多个根据特征值大小划分的特征值类别、多个隐写分类嵌入率α和参数θ的初始值;
该实施例中,设定信号为图像,信号的特征值f为图像的平滑度。
设定分类正确率a为:
a=min(1,w1·α+w2·f+w3)
则参数θ为w1、w2和w3。
本领域技术人员可以根据经验设置初始参数,或随机设置初始参数。该实施例中,设置初始值w1=0.5、w2=0.01和w3=0.5。
该实施例中设定的多个根据特征值大小划分的特征值类别分别为:0、40、80、120、160、……,即特征值f为0的划分为一组、特征值为0~40的划分为一组、特征值为40~80的划分为一组、……,在其他的实施例中,也可以按其他的大小进行分类。设定的多个隐写分类嵌入率分别为:0.1、0.2、0.3、……。
选取载体信号集C",计算其在不同特征值和不同隐写分类嵌入率下的隐写分类器的分类正确率a,具体过程如下:
S11:计算载体信号集C"中的每个载体信号c∈C"的特征值f,将载体信号集C"中的所有载体信号按照预设的特征值类别分为多类,即将载体信号集C"分为多个子载体信号集C1″、C2″、C3″、…….。
S12:计算不同类别和不同嵌入率下,隐写分类器分类的正确率。
其中每个类别下的每个嵌入率对应的隐写分类器分类的正确率的计算过程为:
S121:针对该类别下的所有载体信号c,根据嵌入率α计算其对应的隐写消息的长度α*Capacity(c),其中Capacity(c)表示载体信号c的长度(即容量),并将具有该长度的消息隐写入载体信号c中,得到对应的隐写信号s(α)。
S122:重复步骤S121,直到该类别下的所有载体信号均隐写完成,得到该类别下的所有载体信号在嵌入率α下对应的隐写信号集S1″。
S123:将该类别下的所有载体信号c和对应的隐写信号集S1″中的所有信号共同输入隐写分类器中,根据每个信号的输出结果统计出隐写分类正确率a,该实施例中的具体过程为:
针对输入的载体信号,如其输出结果为载体信号,则其正确率为1,如其输出结果为隐写信号,则其正确率为0;同理,针对输入的隐写信号,如其输出结果为载体信号,则其正确率为0,如其输出结果为隐写信号,则其正确率为1。
所述隐写分类正确率a为所有信号正确率之和与信号个数的比值。
S2:选取载体信号集C={c1,c2,...,cn},计算载体信号集C中的每个载体信号ci的嵌入率αi,n表示载体信号集C中包含的载体信号的个数。
在该阶段,利用信号的特征(如:信号能量、相邻系数方差等统计量)与隐写分析分类器识别该信号的准确率的关系,利用数学模型(如:线性模型、概率分布模型等)进行拟合。根据用户给定准确率阈值,计算出各载体信号应承载的隐蔽信息分片大小或计算出嵌入率并换算为分片大小,分片大小为0的,视为直接传输载体信号。
具体包括以下步骤:
S21:提取每个载体信号的特征值f(ci),所述特征值为影响载体信号嵌入正确率的值。
所述载体信号包括但不限于图像、文本、音频、视频、音视频等,在载体信号的类型为图像时,包括但不限于:图像的像素、质量因子、平滑度等。
该实施例中,选用的载体信号集为用照相机拍摄的100幅大小约为4MB的高清自然图像,即载体信号集为C={c1,c2,...,c100},其中的每一个参数ci(i为1-100中的任意的数字)均表示一幅图像。
当载体信号为图像时,载体信号的特征值提取公式为f(ci):
其中:xu,v是载体图像ci在图像中的坐标为(u,v)位置处的像素的亮度值。
需要说明的是,对于黑白图像,xu,v为图像在(u,v)坐标位置处的亮度值,而针对彩色图像,xu,v为图像在(u,v)坐标位置处的R、G和B三个通道的亮度值的均值并取整。
在其他的实施例中,所述特征值的提取公式也可以为其他的形式,本领域技术人员可以根据需求进行设定。
S22:并根据每个载体信号的特征值f、在不同特征值和不同隐写分类嵌入率下的分类正确率a和预设的阈值a0,计算每个载体信号在其特征值f下的最大的嵌入率为对应的嵌入率αi:
αi=argmax{H(f;α;θ)<a0}
该实施例中,针对载体信号集C中的每幅图像ci,计算其嵌入率αi,预设阈值a0=0.75。
需要说明的是,上述步骤中,步骤S1为初始化阶段,S2为预测阶段,可以一次初始化后进行多次预测。
S3:根据载体信号集C中的每个载体信号ci对应的嵌入率αi将待隐写消息分为多个子消息后,使用隐写算法隐写入载体信号集C中对应的载体信号内,得到隐写信号集S,其中,嵌入率αi=0的载体信号不用于隐写。
S31:根据嵌入率αi,将该待隐写消息按照一定的分片结构分为多个子消息,每个子消息的长度与其待嵌入的载体信号ci的嵌入率αi一一对应,子消息长度为嵌入率αi与载体信号ci长度的乘积;。
所述分片数据结构包括但不限于待隐写消息总长度、子消息偏移量和子消息的内容,该实施例中,所述分片数据结构为具有记录分片和校验等功能的数据格式,具体结构为:其中的1字节用于记录消息的长度(单位为字节),1位用作终止标记(标记该分片是否为最后一片),7位用于记录消息的偏移量(单位为2字节),其余空间(但需为2字节的倍数)用于存储子消息的内容。
设定待隐写消息为m,则将该待隐写消息分片为M={m1,m2,…,ms},s≤n。其中,子消息的个数为s个,与载体信号的个数n可以相等,也可以不相等。
S32、使用隐写算法Emb将每个子消息嵌入对应的载体信号ci内,得到对应的隐写信号si,si=Emb(ci;mi;k),其中k表示秘钥,不同秘钥对应不同的隐写信号si,不同的载体信号中的秘钥k可以相同,也可以不同,所有隐写信号组成隐写信号集S={s1,s2,…,sn}。
所述隐写算法Emb为常用的隐写算法即可,如修改矩阵编码(MME)算法。
S4:选取载体信号集C′,计算将载体信号集C′输入隐写分类器中的结果分布状况与将载体信号集C′的子集与隐写信号集S共同输入隐写分类器中的结果分布状况的差异,判断该差异是否满足小于预设的差异阈值,如满足,进入S5,否则,重新选取子集,当所有子集均不满足时,进入S6。
具体包括以下步骤:
S41:选取载体信号集C′={c′1,c′2,...,c′m},将其输入隐写分类器Ana中,输出无隐写情况下的结果yc=Ana(c),并用概率分布模型b拟合它,计算信号为隐写信号的概率p。
S42:从载体信号集C'中选择子集和隐写信号集S共同放入隐写分类器Ana中,对每个x∈C′1∪S,得到结果ys=Ana(x)。得到样本在分布模型下的拟合优度度量g,所述拟合优度度量g用于衡量步骤S33的输出结果与步骤S32的输出结果的分布状况的相同程度,当相同程度越高时,则拟合优度度量g的值越高。
该实施例中,首先使用二项式分布概率模型b(k;n,p)=Cn jpk(1-p)n-k对步骤S32中的输出结果y进行参数估计,其中,n为子集中信号的个数,k=∑#(yi==0),#表示如果括号内为真,则值为1,否则为0,即k为yc中为0的个数,并以此估计概率分布模型b的参数p。接着,根据步骤S33中的输出结果ys计算其在概率分布模型b中隐写信号的概率为p的置信水平,如置信水平g=0.03。在其他的实施例中也可以使用其他的分布模型来进行拟合,如伯努利模型,哪种模型的拟合效果好就使用哪种模型。
S43:将该拟合优度度量g与预设的置信水平阈值g0比较,判断g<g0是否成立,如果成立,进入S5,否则,返回S42,重新选取子集;当所有子集均不满足时,进入S6。
S5:将满足条件的子集与隐写信号集S共同作为待发送信号进行发送。
S6:调整隐写分类器的分类正确率计算公式中的参数θ,以满足通过隐写分类器的结果得出的正确率a′与通过分类正确率计算公式计算得出的正确率a″的差异小于预设的差异阈值,直至满足后,根据调整的参数θ,返回步骤S2重新计算。
具体包括以下步骤:
S61:调整分类正确率计算公式a=H(f;α;θ)中的参数θ。
S62:任选载体信号集C′的子集,将其按照步骤S1中设定的特征值类别分为多个类别,并将每个类别的所有信号按照步骤S1中设定的不同隐写分类嵌入率进行隐写,生成隐写信号子集S′。
S63:将隐写信号子集S′与隐写信号集S共同输入隐写分类器中,根据每个信号的输出结果统计不同特征值和不同隐写分类嵌入率下的正确率a′。
S63:根据隐写分类器的分类正确率计算公式a=H(f;α;θ),计算其在步骤S1中设定的不同特征值和不同隐写分类嵌入率下的正确率a″。
S64:根据统计学算法计算正确率a′与正确率a″之间的差异是否小于预设的差异阈值,如果小于,返回步骤S2,否则,返回步骤S61,重新调整参数θ。
需要说明的是,步骤S62和S63的具体过程与步骤S11和S12的过程相同。
该实施例中,所述统计学算法为最小均方误差值,如在特征值f=60、隐写分类嵌入率α=0.2下的正确率a′与正确率a″之间的均方误差MSE=0.07。由于MSE值大于差异阈值0.01,因此,需要返回步骤S61重新调整参数θ后重复步骤S61-S64,直到满足正确率a′与正确率a″之间的差异小于差异阈值。在其他的实施例总,也可以使用其他的统计学算法。
本实施例的步骤S1和S2中利用了前馈控制来预测嵌入率,分配隐写消息中各子消息的长度,步骤S3中对前馈控制筛选出的载体信号实施隐写算法,步骤S4中,利用反馈控制筛选每一个待发送信号,步骤S6中,利用反馈控制调整隐写分类器的分类正确率计算模型中的参数。
本实施例一的有益效果为:
(1)控制隐写行为隐蔽性。本实施例中生成的隐写信号,在集中传输的信号中,与传输载体信号时的分布接近,隐蔽性强。隐蔽性差的隐写行为将在反馈控制环节(步骤S4)被检查出来。
(2)控制隐写行为隐蔽性的同时不会大幅增加隐写耗时。本实施例在初始化时,反馈的环节将最终稳定,稳定后的系统在隐写时,与已有隐写方法的耗时只增加验证安全性的环节。
(3)提升了发送的整个图像组的隐写隐蔽程度。本实施例在反馈阶段,针对生成的隐写图,筛选对隐写图最有利的原图集,组成待发送的图像组(步骤S4)。这样使得整个图像组的概率分布与只有原图集时的概率分布差异最小,从而提升了图像组整体的隐写隐蔽程度。
实施例二:
本发明还提供一种批量数据隐写终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述批量数据隐写终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述批量数据隐写终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述批量数据隐写终端设备的组成结构仅仅是批量数据隐写终端设备的示例,并不构成对批量数据隐写终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述批量数据隐写终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述批量数据隐写终端设备的控制中心,利用各种接口和线路连接整个批量数据隐写终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述批量数据隐写终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述批量数据隐写终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (10)
1.一种批量数据隐写方法,其特征在于,包括:利用前馈控制预测各载体信号的嵌入率,根据嵌入率计算待隐写消息中隐写入各载体信号的子消息的长度后,将各子消息隐写入对应的载体信号生成隐写信号,另外选择载体信号与隐写信号共同组成待发送信号,利用反馈控制筛选每一个待发送信号,利用反馈控制调整预测载体信号嵌入率时的参数。
2.根据权利要求1所述的批量数据隐写方法,其特征在于:具体包括以下步骤:
S1:设定隐写分类器Ana,其模型为:y=Ana(x),其中,x为输入信号,输出信号y为输入信号为隐写信号的概率,设定隐写分类器的分类正确率a计算公式为:
a=H(f;α;θ)
其中,f为信号的特征值,α为隐写分类嵌入率,H(.)为预设的函数模型,θ为调节参数;
设定多个根据特征值大小划分的特征值类别、多个隐写分类嵌入率和参数θ的初始值;
选取载体信号集C",计算其在不同特征值和不同隐写分类嵌入率下的隐写分类器的分类正确率a;
S2:选取载体信号集C,提取其中每个载体信号的特征值f,并根据每个载体信号的特征值f、在不同特征值和不同隐写分类嵌入率下的分类正确率a和预设的阈值a0,计算每个载体信号在其特征值f下的最大的嵌入率为对应的嵌入率αi:
αi=argmax{H(f;α;θ)<a0}
S3:根据载体信号集C中的每个载体信号ci对应的嵌入率αi,将待隐写消息分为多个子消息后,使用隐写算法隐写入载体信号集C中对应的载体信号内,得到隐写信号集S;
S4:选取载体信号集C′,计算将载体信号集C′输入隐写分类器中的结果分布状况与将载体信号集C′的子集与隐写信号集S共同输入隐写分类器中的结果分布状况的差异,判断该差异是否满足小于预设的差异阈值,如果满足,进入S5,否则,重新选取子集,当所有子集均不满足时,进入S6;
S5:将满足条件的子集与隐写信号集S共同作为待发送信号进行发送;
S6:调整隐写分类器的分类正确率计算公式中的参数θ,以满足通过隐写分类器的结果得出的正确率a′与通过分类正确率计算公式计算得出的正确率a″的差异小于预设的差异阈值,直至满足后,根据调整的参数θ,返回步骤S2重新计算。
3.根据权利要求2所述的批量数据隐写方法,其特征在于:步骤S1中,计算其在不同特征值和不同隐写分类嵌入率下的隐写分类器的分类正确率a的具体过程为:
S11:选取载体信号集C",计算其中的每个载体信号c∈C"的特征值f,将载体信号集C"中的所有载体信号按照预设的特征值类别分为多类;
S12:计算不同类别和不同嵌入率下,隐写分类器分类的正确率,其中每个类别下的每个嵌入率对应的隐写分类器分类的正确率的计算过程为:
S121:针对该类别下的所有载体信号,根据嵌入率计算其对应的隐写消息的长度,并将具有该长度的消息隐写入载体信号中,得到对应的隐写信号;
S122:重复步骤S121,将得到的所有的载体信号对应的隐写信号组成隐写信号集;
S123:将该类别下的所有载体信号和步骤S122中得到的隐写信号集中的所有信号共同输入隐写分类器中,根据每个信号的输出结果统计处该类别下的该嵌入率的隐写分类正确率。
4.根据权利要求2所述的批量数据隐写方法,其特征在于:载体信号为图像,其特征值提取公式为:
其中:xu,v是载体图像ci在图像中的坐标为(u,v)位置处的像素的亮度值。
5.根据权利要求2所述的批量数据隐写方法,其特征在于:步骤S3具体包括以下步骤:
S31:据载体信号集C中的每个载体信号ci对应的嵌入率αi,将该待隐写消息按照分片数据结构分为多个子消息,其中子消息长度为嵌入率αi与载体信号ci长度的乘积;
所述分片数据结构包括待隐写消息总长度、子消息偏移量和子消息的内容;
S32:使用隐写算法将每个子消息嵌入对应的载体信号ci内,得到隐写信号集S。
6.根据权利要求5所述的批量数据隐写方法,其特征在于:步骤S32中所述隐写算法包括将秘钥与子消息共同进行隐写。
7.根据权利要求2所述的批量数据隐写方法,其特征在于:步骤S4具体包括以下步骤:
S41:将载体信号集C′输入隐写分类器中,输出结果yc,使用概率分布模型b拟合结果yc,计算信号为隐写信号的概率p;
S42:选取载体信号集C′的子集,将子集与隐写信号集S共同输入隐写分类器中,输入结果ys,计算结果ys在概率分布模型b中隐写信号的概率为p的置信水平;
S43:判断置信水平是否小于置信水平阈值,如果小于,进入S5,否则,返回S42重新选取子集,当所有子集均不满足时,进入S6。
8.根据权利要求2所述的批量数据隐写方法,其特征在于:步骤S6包括以下步骤:
S61:调整分类正确率计算公式a=H(f;α;θ)中的参数θ;
S62:任选载体信号集C′的子集,将其按照设定的特征值类别分为多个类别,并将每个类别的所有信号按照设定的不同隐写分类嵌入率进行隐写,生成隐写信号子集S′;
S63:将隐写信号子集S′与隐写信号集S共同输入隐写分类器中,根据每个信号的输出结果统计不同特征值和不同隐写分类嵌入率下的正确率a′;
S63:根据隐写分类器的分类正确率计算公式a=H(f;α;θ),计算其在设定的不同特征值和设定的不同隐写分类嵌入率下的正确率a″;
S64:根据统计学算法计算正确率a′与正确率a″之间的差异是否小于差异阈值,如果小于,返回步骤S2,否则,返回步骤S61,重新调整参数θ。
9.一种批量数据隐写终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~8中任一所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~8中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321778.5A CN110059754B (zh) | 2019-04-22 | 2019-04-22 | 一种批量数据隐写方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321778.5A CN110059754B (zh) | 2019-04-22 | 2019-04-22 | 一种批量数据隐写方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059754A true CN110059754A (zh) | 2019-07-26 |
CN110059754B CN110059754B (zh) | 2019-12-24 |
Family
ID=67319857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910321778.5A Expired - Fee Related CN110059754B (zh) | 2019-04-22 | 2019-04-22 | 一种批量数据隐写方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059754B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009049328A1 (en) * | 2007-10-09 | 2009-04-16 | Bank Of America Corporation | Ensuring image integrity using document characteristics |
CN106169189A (zh) * | 2016-06-24 | 2016-11-30 | 中国科学院信息工程研究所 | 基于嵌入量双层最优分配比的stc编码方法 |
CN106504177A (zh) * | 2016-09-30 | 2017-03-15 | 广东技术师范学院 | 一种彩色图像的低嵌入率压缩感知通用隐写分析方法 |
CN106530198A (zh) * | 2016-10-21 | 2017-03-22 | 厦门大学 | 基于参数拟合安全容量的自适应批量隐写方法 |
CN107579950A (zh) * | 2017-07-11 | 2018-01-12 | 上海大学 | 一种通过社交网络进行秘密信息传输的方法 |
US20180101751A1 (en) * | 2016-10-10 | 2018-04-12 | Insurance Services Office Inc. | Systems and methods for detection and localization of image and document forgery |
CN108062307A (zh) * | 2018-01-04 | 2018-05-22 | 中国科学技术大学 | 基于词嵌入模型的文本语义隐写分析方法 |
CN108805161A (zh) * | 2018-04-25 | 2018-11-13 | 上海大学 | 一种多嵌入率含密图像的隐写检测方法 |
CN108985391A (zh) * | 2018-08-29 | 2018-12-11 | 中国科学技术大学 | 基于行为的隐写者检测方法 |
CN109376786A (zh) * | 2018-10-31 | 2019-02-22 | 中国科学院深圳先进技术研究院 | 一种图像分类方法、装置、终端设备及可读存储介质 |
US20190087726A1 (en) * | 2017-08-30 | 2019-03-21 | The Board Of Regents Of The University Of Texas System | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications |
-
2019
- 2019-04-22 CN CN201910321778.5A patent/CN110059754B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009049328A1 (en) * | 2007-10-09 | 2009-04-16 | Bank Of America Corporation | Ensuring image integrity using document characteristics |
CN106169189A (zh) * | 2016-06-24 | 2016-11-30 | 中国科学院信息工程研究所 | 基于嵌入量双层最优分配比的stc编码方法 |
CN106504177A (zh) * | 2016-09-30 | 2017-03-15 | 广东技术师范学院 | 一种彩色图像的低嵌入率压缩感知通用隐写分析方法 |
US20180101751A1 (en) * | 2016-10-10 | 2018-04-12 | Insurance Services Office Inc. | Systems and methods for detection and localization of image and document forgery |
CN106530198A (zh) * | 2016-10-21 | 2017-03-22 | 厦门大学 | 基于参数拟合安全容量的自适应批量隐写方法 |
CN107579950A (zh) * | 2017-07-11 | 2018-01-12 | 上海大学 | 一种通过社交网络进行秘密信息传输的方法 |
US20190087726A1 (en) * | 2017-08-30 | 2019-03-21 | The Board Of Regents Of The University Of Texas System | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications |
CN108062307A (zh) * | 2018-01-04 | 2018-05-22 | 中国科学技术大学 | 基于词嵌入模型的文本语义隐写分析方法 |
CN108805161A (zh) * | 2018-04-25 | 2018-11-13 | 上海大学 | 一种多嵌入率含密图像的隐写检测方法 |
CN108985391A (zh) * | 2018-08-29 | 2018-12-11 | 中国科学技术大学 | 基于行为的隐写者检测方法 |
CN109376786A (zh) * | 2018-10-31 | 2019-02-22 | 中国科学院深圳先进技术研究院 | 一种图像分类方法、装置、终端设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110059754B (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carlini et al. | Evading deepfake-image detectors with white-and black-box attacks | |
Liu et al. | Recent advances of image steganography with generative adversarial networks | |
US10740885B2 (en) | Object based image processing | |
Schöttle et al. | Game theory and adaptive steganography | |
Schmid et al. | Performance analysis of iris-based identification system at the matching score level | |
US11948102B2 (en) | Control system for learning to rank fairness | |
WO2022246989A1 (zh) | 一种数据识别方法、装置、设备及可读存储介质 | |
Tariq et al. | Am I a real or fake celebrity? Evaluating face recognition and verification APIs under deepfake impersonation attack | |
Pevný et al. | Novelty detection in blind steganalysis | |
CN109754059A (zh) | 翻拍图像识别方法、装置、计算机设备和存储介质 | |
Rizvi et al. | Detection of stock price manipulation using kernel based principal component analysis and multivariate density estimation | |
KR20070008210A (ko) | 유해 멀티미디어 정보 차단 방법 및 장치 | |
CN112669244B (zh) | 人脸图像增强方法、装置、计算机设备以及可读存储介质 | |
CN110059754A (zh) | 一种批量数据隐写方法、终端设备及存储介质 | |
Li et al. | A game-theoretic method for designing distortion function in spatial steganography | |
Yen et al. | SVM based watermarking technique | |
WO2023192808A1 (en) | Authentication of age, gender, and other biometric data from live images of users | |
US11654366B2 (en) | Computer program for performing drawing-based security authentication | |
CN110709841B (zh) | 用于检测和转换旋转的视频内容项的方法、系统和介质 | |
WO2023000792A1 (zh) | 构建活体识别模型和活体识别的方法、装置、设备及介质 | |
Wang et al. | Generating semantic adversarial examples via feature manipulation in latent space | |
Gan et al. | Generative adversarial networks with augmentation and penalty | |
KR20220159104A (ko) | 딥페이크 이미지 판별 장치 및 그 학습 방법 | |
Kao et al. | Personal based authentication by face recognition | |
US20220405875A1 (en) | Systems and methods for intelligent steganographic protection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191224 |