CN112381077B - 一种人脸图像信息的隐藏方法 - Google Patents

一种人脸图像信息的隐藏方法 Download PDF

Info

Publication number
CN112381077B
CN112381077B CN202110061858.9A CN202110061858A CN112381077B CN 112381077 B CN112381077 B CN 112381077B CN 202110061858 A CN202110061858 A CN 202110061858A CN 112381077 B CN112381077 B CN 112381077B
Authority
CN
China
Prior art keywords
target
information
hiding
area
detection
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
CN202110061858.9A
Other languages
English (en)
Other versions
CN112381077A (zh
Inventor
刘鹏
张真
汪良楠
曹骝
王莎
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 Innovative Data Technologies Inc
Original Assignee
Nanjing Innovative Data Technologies Inc
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 Innovative Data Technologies Inc filed Critical Nanjing Innovative Data Technologies Inc
Priority to CN202110061858.9A priority Critical patent/CN112381077B/zh
Publication of CN112381077A publication Critical patent/CN112381077A/zh
Application granted granted Critical
Publication of CN112381077B publication Critical patent/CN112381077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
    • H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
    • H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
    • H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
    • H04N1/32203—Spatial or amplitude domain methods
    • H04N1/32229—Spatial or amplitude domain methods with selective or adaptive application of the additional information, e.g. in selected regions of the image
    • H04N1/32235—Spatial or amplitude domain methods with selective or adaptive application of the additional information, e.g. in selected regions of the image in highly textured regions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人脸图像信息的隐藏方法，包括以下步骤：秘密信息的预处理；秘密信息的隐藏。本发明能够有效避免公共网络中直接传输人脸图片可能发生泄漏或者被不法分子非法获取，使得个人敏感信息以及财产安全存在隐患的问题，其建立的技术具有较高的安全性和易用性，不仅可以用于移动计算平台，也可以应用于非移动计算平台；不仅可以应用于本地信息的加密存储，也可以应用于信息的加密传输或拷贝；从而有效地保护了个人图像的信息安全。

Description

一种人脸图像信息的隐藏方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种人脸图像信息的隐藏方法。
背景技术
近年来，人脸识别技术日趋普及，被广泛用于智慧安防、政务服务、电子支付等诸多场景，极大提高我们生活的便利性。但是人脸图像触及个体的隐私底线，其蕴含着丰富的个人敏感信息，在公共网络中直接传输可能会发生泄漏，或者被不法分子非法获取，可能会被用以盗取社交平台账号、窃取金融账户内财产，或者被用于精准诈骗、敲诈勒索等违法犯罪活动，由此带来的后果是普通人难以承受的。加上“换脸”等深度伪造技术不断精进，这种人像信息一旦不再为自己所独有的“失控”，无疑加剧了人们的不安。面对这一现状,如何安全有效地保护用户的人脸图像隐私就成了亟待解决的关键问题。
发明内容
本发明针对上述人脸图像由于传输而导致隐私泄漏的问题，提供一种人脸图像信息的隐藏方法。
为实现上述目的，本发明采用以下技术方案：
一种人脸图像信息的隐藏方法，其特征在于，包括秘密信息的预处理和秘密信息的隐藏；所述秘密信息的预处理是采用人脸的检测算法对人脸区域进行定位，并对原始图像进行人脸区域的剪切处理，作为最终的隐藏目标信息；所述秘密信息的隐藏是实现隐藏目标信息在载体图片上的隐藏。
为优化上述技术方案，采取的具体措施还包括：
进一步地，所述人脸的检测算法采用改进的轻量级yolo人脸检测算法，具体实现如下：
使用yolo-tiny设计理念，将yolo网络模型中每层卷积层的滤波器数量降为原来的四分之一；
增加卷积层的深度，在部分卷积层后各添加两层；
其次在前期训练时，在特征层后面利用softmax进行二分类，得到初始化的分类模型；
最后采用训练好的分类模型，初始化改进的yolo网络模型进行人脸检测模型训练。
进一步地，所述秘密信息的隐藏包括载体图片的多目标检测、目标的筛选及区域合并、目标的纹理计算及排序、隐写算法的匹配。
进一步地，所述载体图片的多目标检测中，多目标检测算法采用改进的SSD目标检测算法，具体实现如下：
使用DenseNet网络代替原始SSD主干网络VGG：在卷积层之后设计不同尺寸的特征图，并预测部分卷积层和特征图上的目标置信度和边框偏移量，根据目标置信度和边框偏移量调整边框的位置；
为每一个预测层添加一个密集连接块，用DenseBlock作为预测网络；
其次在前期训练时，将改进的SSD网络模型按分类方式进行训练，在特征层后面利用softmax进行二分类，得到初始化的分类模型；
最后采用训练好的分类模型，初始化改进的SSD网络模型进行大规模的多目标检测，检测载体图片中的各种物体。
进一步地，所述目标的筛选及区域合并具体如下：
基于载体图片的多目标检测所检测到的目标区域，对于目标概率值小于0.35的目标区域直接丢弃；
计算筛选出的目标区域两两之间的重叠面积，采用最大面积原则去除重叠区域，以大目标区域为准，小目标区域通过去除重叠面积作为载体区域。
进一步地，所述目标的纹理计算及排序中，纹理检测机制采用Sobel算子，利用快速卷积函数实现对目标区域的纹理检测，具体如下：
将目标区域剪切出来，得到边缘检测图，算子公式如下：
Figure DEST_PATH_IMAGE002
其中，G x ，G y 分别代表横向以及纵向边缘检测图的图像灰度值，A指的是检测物体图像区域的灰度图；
边缘中每一个像素横向以及纵向通过如下公式进行结合：
Figure DEST_PATH_IMAGE004
图像边缘二值化处理，处理公式如下：
Figure DEST_PATH_IMAGE006
其中，T为指定的阈值，x和y指的是图像区域像素的坐标，G(x, y)是二值图像G中的像素值；
纹理复杂度计算公式如下：
Figure DEST_PATH_IMAGE008
其中，rows、cols指的是二值图像G的长和宽，FU为剪切的目标区域的纹理复杂度，值越大目标区域的隐藏信息能力越强；最终根据所有目标区域的纹理复杂度，从大到小进行排序，得到基于载体目标复杂度的排列顺序。
进一步地，所述隐写算法的匹配中，以载体目标复杂度的排列顺序的编号为基准，对编号使用除法哈希算法，取余数2；
当余数为0时，采用WOW算法进行隐藏目标信息的嵌入；
当余数为1时，采用HUGO算法进行隐藏目标信息的嵌入。
本发明的有益效果是：本发明具有较高的安全性和易用性，不仅可以用于移动计算平台，也可以应用于非移动计算平台；不仅可以应用于本地信息的加密存储，也可以应用于信息的加密传输或拷贝；从而有效地保护了个人图像的信息安全。
附图说明
图1是本发明的原理示意图。
图2是本发明的流程示意图。
图3是yolo网络模型框架示意图。
图4是SSD网络模型框架示意图。
图5是区域合并的原理示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1和图2所示，本发明的一种人脸图像信息的隐藏方法，包括以下步骤：
S1：秘密信息的预处理
基于所要隐藏的原始图片冗余信息量较大，有价值的目标只有人脸区域，而载体图片所能承载的信息量又有一定的限制，因此需要采用人脸的检测算法实现对人脸区域的定位，最终实现对原始图片的关键人脸区域的隐藏。
实施例中，检测算法采用的是改进的轻量级yolo人脸检测算法，其最终的模型大小速度仅为5M，且速度提高了2倍以上，具体如下：
使用yolo-tiny设计理念，将每层的卷积层的滤波器数量降为原来的四分之一；
模型框架如图3所示，输入大小为320*320；
增加卷积层的深度，分别在conv6、conv8、conv10后各添加两层；
其次在前期训练时，将改进的yolo按分类的方式训练，即在特征层后面利用softmax进行二分类，得到初始化的分类模型；
最后采用训练好的分类模型，初始化改进的yolo进行大规模的人脸检测模型训练；
秘密信息的预处理主要是为了去除图片的冗余信息从而减轻秘密信息的隐藏信息量压力。
S2：秘密信息的隐藏
秘密信息的隐藏是本发明的核心部分，主要是基于多平面自适应隐藏方法，可获得更大的信息隐藏空间和较好的鲁棒性。本发明为了保证秘密信息的不可见性，需要选择复杂的纹理对象来嵌入信息，针对复杂纹理对象，提出了一种对应多种隐写算法的秘密信息隐藏方法，基于目标检测算法选择复杂纹理区域，采用三种不同的隐写方法将秘密信息隐藏到所选择的块区域中。核心技术包括：载体图片的多目标检测、目标的筛选及区域合并、目标的纹理计算及排序、隐写算法的匹配方式。
实施例中，由于载体图片要求目标数量较多，大小类型复杂，因此对算法的要求较高，故多目标检测算法采用改进的SSD目标检测算法，获得载体图片中尽量多的目标检测框以及softmax函数对应的概率值，以此来获得多个存在目标的纹理复杂区域。其对小目标更加的适应，对物体区域拟合效果更加贴近，具体实现如下：
使用DenseNet网络代替原始SSD主干网络VGG，以提高目标检测的准确性；
如图4所示，在conv5_x之后设计不同尺寸的特征图，并预测conv3_x、conv5_x和其他特征图上的目标置信度和边框偏移量，用于调整边框位置。卷积层可根据需要进行选择，尽量涵盖不同尺寸，均匀分布；
为每一个预测层添加一个密集连接块，即用DenseBlock作为预测网络；
其次在前期训练时，将改进的SSD按分类方式进行训练，即在特征层后面利用softmax进行二分类，得到初始化的分类模型；
最后采用训练好的分类模型，初始化改进的SSD进行大规模的多目标检测算法；S1主要针对人脸检测，场景单一；而此处主要是应对多目标复杂的复杂场景。
实施例中，目标的筛选及区域合并，目的是解决由于目标间的重叠，导致最终的信息隐藏出现重复隐藏现象，具体实现如下：
基于目标区域的目标概率值小于0.35的区域直接丢弃，目标区域是载体图片中检测到的各种物体，即将S1中检测到的人脸图像信息隐藏到此处检测到的各个目标物体区域中。
计算筛选出目标区域两两之间的重叠面积，采用最大面积原则去除重叠区域，以大目标为准，小目标框通过去除剩余的较大面积作为载体区域，合并方式如图5所示。
实施例中，目标区域的纹理计算及排序，首先纹理的复杂程度大小决定隐藏信息的能力，其次产生的排序顺序，有利于隐写算法的顺序匹配，纹理检测机制主要采用Sobel算子，利用快速卷积函数实现对目标区域的纹理检测，具体如下：
将目标区域剪切出来，算子公式如下：
Figure 446224DEST_PATH_IMAGE002
其中，G x ，G y 分别代表横向以及纵向边缘检测图的图像灰度值，A指的是检测物体图像区域的灰度图。边缘检测图就是指剪切出来的目标区域，检测物体图像区域指的是SSD目标检测的物体区域，比如图像中检测出一辆自行车，那么A指的是将自行车区域剪切出来的区域也就是目标区域，只不过此时的A被转换成灰度图。
图像中每一个像素横向以及纵向通过如下公式进行结合：
Figure 894523DEST_PATH_IMAGE004
（1）
通常，为了提高效率采用不开平方的近似值即：
Figure DEST_PATH_IMAGE010
（2）
图像边缘二值化处理公式如下：
Figure 812276DEST_PATH_IMAGE006
（3）
其中，T = 110为指定的阈值。此处的x和y指的是图像区域像素的坐标，G(x, y)不等于G，G(x, y)是G中的像素值；G指的是最后的二值图像。
纹理复杂度计算公式如下：
Figure 738644DEST_PATH_IMAGE008
（4）
其中，FU为剪切的目标区域的纹理复杂度，值越大目标图像的隐藏信息能越强，最终根据所有目标区域的纹理复杂度，从大到小进行排序；rows、cols指的是二值图像G的长和宽。
实施例中，隐写算法的匹配方式，其中隐写算法主要采用WOW、HUGO和LSBR三种算法，而算法的匹配方式，采用哈希算法，具体实现如下：
基于载体目标复杂度的排列顺序的编号为基准，对编号使用除法哈希算法，取余数2；
当余数为0时，采用WOW算法进行嵌入；
当余数为1时，采用HUGO算法进行嵌入。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (4)

1.一种人脸图像信息的隐藏方法，其特征在于，包括秘密信息的预处理和秘密信息的隐藏；所述秘密信息的预处理是采用人脸的检测算法对人脸区域进行定位，并对原始图像进行人脸区域的剪切处理，作为最终的隐藏目标信息；所述秘密信息的隐藏是实现隐藏目标信息在载体图片上的隐藏；
所述人脸的检测算法采用改进的轻量级yolo人脸检测算法，具体实现如下：
使用yolo-tiny设计理念，将yolo网络模型中每层卷积层的滤波器数量降为原来的四分之一；
增加卷积层的深度，在部分卷积层后各添加两层；
其次在前期训练时，在特征层后面利用softmax进行二分类，得到初始化的分类模型；
最后采用训练好的分类模型，初始化改进的yolo网络模型进行人脸检测模型训练；
所述秘密信息的隐藏包括载体图片的多目标检测、目标的筛选及区域合并、目标的纹理计算及排序、隐写算法的匹配；
所述载体图片的多目标检测中，多目标检测算法采用改进的SSD目标检测算法，具体实现如下：
使用DenseNet网络代替原始SSD主干网络VGG：在卷积层之后设计不同尺寸的特征图，并预测部分卷积层和特征图上的目标置信度和边框偏移量，根据目标置信度和边框偏移量调整边框的位置；
为每一个预测层添加一个密集连接块，用DenseBlock作为预测网络；
其次在前期训练时，将改进的SSD网络模型按分类方式进行训练，在特征层后面利用softmax进行二分类，得到初始化的分类模型；
最后采用训练好的分类模型，初始化改进的SSD网络模型进行大规模的多目标检测，检测载体图片中的各种物体。
2.如权利要求1所述的一种人脸图像信息的隐藏方法，其特征在于：所述目标的筛选及区域合并具体如下：
基于载体图片的多目标检测所检测到的目标区域，对于目标概率值小于0.35的目标区域直接丢弃；
计算筛选出的目标区域两两之间的重叠面积，采用最大面积原则去除重叠区域，以大目标区域为准，小目标区域通过去除重叠面积作为载体区域。
3.如权利要求1所述的一种人脸图像信息的隐藏方法，其特征在于：所述目标的纹理计算及排序中，纹理检测机制采用Sobel算子，利用快速卷积函数实现对目标区域的纹理检测，具体如下：
将目标区域剪切出来，得到边缘检测图，算子公式如下：
Figure FDA0002960949340000021
其中，Gx,Gy分别代表横向以及纵向边缘检测图的图像灰度值，A指的是检测物体图像区域的灰度图；
边缘中每一个像素横向以及纵向通过如下公式进行结合：
Figure FDA0002960949340000022
图像边缘二值化处理，处理公式如下：
Figure FDA0002960949340000023
其中，T为指定的阈值，x和y指的是图像区域像素的坐标，G(x,y)是二值图像G中的像素值；
纹理复杂度计算公式如下：
Figure FDA0002960949340000024
其中，rows、cols指的是二值图像G的长和宽，FU为剪切的目标区域的纹理复杂度，值越大目标区域的隐藏信息能力越强；最终根据所有目标区域的纹理复杂度，从大到小进行排序，得到基于载体目标复杂度的排列顺序。
4.如权利要求3所述的一种人脸图像信息的隐藏方法，其特征在于：所述隐写算法的匹配中，以载体目标复杂度的排列顺序的编号为基准，对编号使用除法哈希算法，取余数2；
当余数为0时，采用WOW算法进行隐藏目标信息的嵌入；
当余数为1时，采用HUGO算法进行隐藏目标信息的嵌入。
CN202110061858.9A 2021-01-18 2021-01-18 一种人脸图像信息的隐藏方法 Active CN112381077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110061858.9A CN112381077B (zh) 2021-01-18 2021-01-18 一种人脸图像信息的隐藏方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110061858.9A CN112381077B (zh) 2021-01-18 2021-01-18 一种人脸图像信息的隐藏方法

Publications (2)

Publication Number Publication Date
CN112381077A CN112381077A (zh) 2021-02-19
CN112381077B true CN112381077B (zh) 2021-05-11

Family

ID=74581978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110061858.9A Active CN112381077B (zh) 2021-01-18 2021-01-18 一种人脸图像信息的隐藏方法

Country Status (1)

Country Link
CN (1) CN112381077B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177214A (zh) * 2021-04-29 2021-07-27 百度在线网络技术（北京）有限公司 图像发布、审核方法、相关装置及计算机程序产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107318022A (zh) * 2017-06-27 2017-11-03 郑州师范学院 一种基于h.265标准无失真漂移的视频隐写方法
CN108184115A (zh) * 2017-12-29 2018-06-19 华南理工大学 Hevc帧内cu划分和pu预测模式选择方法及系统
CN109508675A (zh) * 2018-11-14 2019-03-22 广州广电银通金融电子科技有限公司 一种针对复杂场景的行人检测方法
CN110046572A (zh) * 2019-04-15 2019-07-23 重庆邮电大学 一种基于深度学习的地标建筑物识别与检测方法
CN110287835A (zh) * 2019-06-14 2019-09-27 南京云创大数据科技股份有限公司 一种亚洲人脸库智能建立方法
CN110363211A (zh) * 2018-04-10 2019-10-22 北京四维图新科技股份有限公司 检测网络模型和目标检测方法
CN110751591A (zh) * 2019-09-16 2020-02-04 北卡科技有限公司 一种基于模糊推理系统的自适应彩色图像隐写方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492416B (zh) * 2019-01-07 2022-02-11 南京信息工程大学 一种基于安全区域的大数据图像保护方法和系统
CN110751214A (zh) * 2019-10-21 2020-02-04 山东大学 一种基于轻量级可变形卷积的目标检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107318022A (zh) * 2017-06-27 2017-11-03 郑州师范学院 一种基于h.265标准无失真漂移的视频隐写方法
CN108184115A (zh) * 2017-12-29 2018-06-19 华南理工大学 Hevc帧内cu划分和pu预测模式选择方法及系统
CN110363211A (zh) * 2018-04-10 2019-10-22 北京四维图新科技股份有限公司 检测网络模型和目标检测方法
CN109508675A (zh) * 2018-11-14 2019-03-22 广州广电银通金融电子科技有限公司 一种针对复杂场景的行人检测方法
CN110046572A (zh) * 2019-04-15 2019-07-23 重庆邮电大学 一种基于深度学习的地标建筑物识别与检测方法
CN110287835A (zh) * 2019-06-14 2019-09-27 南京云创大数据科技股份有限公司 一种亚洲人脸库智能建立方法
CN110751591A (zh) * 2019-09-16 2020-02-04 北卡科技有限公司 一种基于模糊推理系统的自适应彩色图像隐写方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
图像隐写与隐写分析算法研究;梁辉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200115(第1期);第11-59页 *

Also Published As

Publication number Publication date
CN112381077A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
Hussain et al. Image steganography in spatial domain: A survey
Parah et al. Information hiding in edges: A high capacity information hiding technique using hybrid edge detection
Yang et al. Binary image authentication with tampering localization by embedding cryptographic signature and block identifier
Kumar et al. Robust reversible data hiding scheme based on two-layer embedding strategy
Zhang et al. Fragile watermarking with error-free restoration capability
Kumar et al. Enhanced pairwise IPVO-based reversible data hiding scheme using rhombus context
Bahrami et al. A new robust video watermarking algorithm based on SURF features and block classification
Leung et al. Adaptive reversible data hiding based on block median preservation and modification of prediction errors
Yang et al. Orthogonal data embedding for binary images in morphological transform domain-a high-capacity approach
He et al. Reversible data hiding based on adaptive multiple histograms modification
Rahman et al. A novel approach of image steganography for secure communication based on LSB substitution technique
CN112381077B (zh) 一种人脸图像信息的隐藏方法
Ying et al. From image to imuge: Immunized image generation
Chhajed et al. Applying decision tree for hiding data in binary images for secure and secret information flow
Amirtharajan et al. Tri-layer stego for enhanced security-A keyless random approach
Wang et al. Data hiding with deep learning: a survey unifying digital watermarking and steganography
CN107346528A (zh) 一种基于双图可逆脆弱水印的图像篡改检测方法
Sandeep et al. Detection of malicious video modifications using perceptual video hashing
Sultana et al. Increasing embedding capacity of stego images by exploiting edge pixels in prediction error space
Usha et al. Image steganography using hybrid soft computing techniques–a survey
Qi et al. Research on reversible visible watermarking algorithms based on vectorization compression method
Lee et al. The study of steganographic algorithms based on pixel value difference
Anandha et al. A Steganographic Scheme to Protect Medical Data Using Radiological Images
Tian et al. Analysis of electronic bill authentication and security storage performance utilising machine learning algorithm
Chang et al. An Efficient Steganography Scheme Based on Edge Detection for High Payload.

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method of hiding face image information

Effective date of registration: 20221121

Granted publication date: 20210511

Pledgee: Nanjing Branch of Jiangsu Bank Co.,Ltd.

Pledgor: NANJING YUNCHUANG BIG DATA TECHNOLOGY Co.,Ltd.

Registration number: Y2022980022505

PE01 Entry into force of the registration of the contract for pledge of patent right