CN113610878B - 一种基于轮廓自动生成的构造式信息隐藏方法 - Google Patents

Abstract

本发明公开了一种基于轮廓自动生成的构造式信息隐藏方法，具体为：将长度为L的秘密信息的二值序列S切分成n段长度均为l的二值序列；步骤2：构建目标轮廓图像；步骤3：构建轮廓‑图像可逆变换模型；步骤4：将目标轮廓图像输入至训练好的轮廓‑图像可逆变换模型中，生成模型根据目标轮廓图像生成含密图像，所述提取模型用于提取含密图像的轮廓，以实现将秘密信息的二值序列隐藏在提取模型提取的轮廓中。本发明生成含密图像质量较高，视觉效果更好。

Description

一种基于轮廓自动生成的构造式信息隐藏方法

技术领域

本发明属于信息安全领域。

背景技术

长期以来，信息安全是人们密切关注的问题。基于密码学的传统做法对信息进行加密再传输，但加密后的信息是杂乱无序的，因此容易受到监测者的攻击。相较之下，隐写术是将秘密信息嵌入多媒体载体(如文本、图像、音频、视频等)中进行隐蔽通信的信息隐藏技术，其优点在于不容易引起监测者的怀疑，从而实现更高的安全性。隐写术在信息传输等领域具有重要的应用价值。

在前期的研究中，研究者们往往采用传统的载体修改式信息隐藏方法，设计一个合理的损失函数，按照一定规则对载体图像进行修改实现秘密信息的嵌入。为了减轻修改对图像质量造成的影响，研究者们提出了自适应图像隐写术，通过在纹理复杂区域嵌入秘密信息最小化图像失真。但是由于这类方法的本质是对载体图像进行修改，因此在含密图像中或多或少遗留下篡改痕迹，容易受到隐写分析器的侦测和攻击。为了从根本上解决这个问题，研究者们又提出了无载体信息隐藏的概念，“无载体”并不是指真的不需要载体，而是以秘密信息为驱动生成或获取含密图像。无载体信息隐藏主要包括两种方法：载体映射式信息隐藏和载体构造式信息隐藏。载体映射本质上是基于图像检索的信息隐藏方法，对于长度为l比特的秘密信息二值序列，一共有2^l种可能的排列组合，则需要建立至少包含2^l张载体图像的数据库。通过发掘载体图像本身的性质，构建秘密信息与载体图像之间的映射关系实现秘密信息的传输。但在实际应用中，数据库的存储容量是有限的，因此该方法存在隐藏容量较小的缺点。

最近几年，深度学习因为其高超的学习能力得到了空前的关注。Goodfellow等人提出GAN模型(Goodfellow I J,Pouget-Abadie J,Mirza M,et al.Generativeadversarial networks[J].arXiv preprint arXiv:1406.2661,2014.)，通过多次迭代的对抗训练生成较真实的图片。基于这一成果，研究者们尝试将深度学习与信息隐藏任务结合起来，指导构造式信息隐藏方法中含密图像的生成。Hu等人(Hu D,Wang L,Jiang W,etal.A novel image steganography method via deep convolutional generativeadversarial networks[J].IEEE Access,2018,6:38303-38314.)将秘密信息转换成低维噪声作为GAN的输入以生成含密图像，该方法能够较好地抵御隐写分析器的攻击，但现有的载体构造式信息隐藏方法主要存在以下几个技术难题：

1、现有的载体构造式信息隐藏方法利用GAN将秘密信息转换成含密图像，但由于GAN的本质不是一个可逆的马尔可夫模型，因此秘密信息提取困难。

2、现有的载体构造式信息隐藏方法为了避免模式坍塌，通常构造一张或一类图片与一比特秘密信息之间的映射关系，存在隐藏容量较小的弊端。

发明内容

发明目的：为了解决上述现有技术存在的问题，本发明提供了一种基于轮廓自动生成的构造式信息隐藏方法。

技术方案：本发明提供了一种基于轮廓自动生成的构造式信息隐藏方法，具体包括如下步骤：

步骤1：将长度为L的秘密信息的二值序列S切分成n段长度均为l的二值序列；

步骤2：构建目标轮廓图像：预设空白图像，采用密钥key对n段二值序列中第1段二值序列s’₁进行初始化，从而获取目标轮廓图像的起始轮廓点在空白图像中的位置w₁；

将第j个轮廓点在空白图像中的位置w_j输入到LSTM网络中，根据LSTM网络的输出以及n段二值序列中第j+1段二值序列s’_j+1，计算第j+1个轮廓点在空白图像中的位置w_j+1；j＝1,2,…n-1；

步骤3：构建轮廓-图像可逆变换模型，所述轮廓-图像可逆变换模型包括相互连接的生成模型和提取模型，生成模型和提取模型均采用U-Net网络；对轮廓-图像可逆变换模型进行训练；

步骤4：将目标轮廓图像输入至训练好的轮廓-图像可逆变换模型中，生成模型根据目标轮廓图像生成含密图像，所述提取模型用于提取含密图像的轮廓，以实现将秘密信息的二值序列隐藏在提取模型提取的轮廓中。

进一步的，所述步骤2计算第j+1个轮廓点在空白图像中的位置w_j+1具体为：

步骤2.1：将第j个轮廓点在空白图像中的位置w_j输入到LSTM网络中，LSTM网络输出第j+1个轮廓点在空白图像中的所有候选位置，以及该所有候选位置的被选择概率，将该所有候选位置按照被选择概率由大到小排列，选择前2^l个候选位置建立候选池；

步骤2.2：将二值序列s’_j+1转换成十进制，得到数值O_j+1，选择候选池中的第O_j+1个位置作为第j+1个轮廓点在空白图像中的位置。

进一步的，所述步骤3中对轮廓-图像可逆变换模型进行迭代训练时在轮廓-图像可逆变换模型中引入判别模型，在对轮廓-图像可逆变换模型进行一次迭代训练时，采用互相博弈的方式分别对生成模型、判别模型和提取模型进行单独训练，具体为：

预设用于训练的轮廓图像和真实图像，首先对生成模型进行训练时，判别模型和提取模型的参数固定不变，将用于训练的轮廓图像输入至生成模型中，并将生成模型生成的结果传送至判别模型中；判别模型读取真实图像，并根据真实图像判断生成模型生成的结果是否为真，若为真则生成模型的网络参数不变；否则采用梯度下降算法重新设置生成模型的网络参数，并将该重新设置的网络参数作为下次迭代训练时生成模型的网络参数；判别模型还将生成模型生成的结果传送至提取模型中，提取模型从生成模型生成的结果中提取轮廓；

然后对判别模型进行训练时，生成模型和提取模型的参数固定不变，判别模型根据真实图像判断生成模型生成的结果是否为真，若为真则采用梯度下降算法重新设置判别模型的网络参数，并将该重新设置的网络参数作为下次迭代训练时判别模型的网络参数，否则判别模型的网络参数不变；判别模型还将生成模型生成的结果传送至提取模型中，提取模型从生成模型生成的结果中提取轮廓；

最后对提取模型进行训练时，生成模型和判别模型的参数固定不变，提取模型从生成模型生成的结果中提取轮廓，计算提取模型提取的轮廓与输入至生成模型的轮廓图像之间的L1距离

其中E表示提取模型；并根据该L1距离采用下降梯度算法更新提取模型的网络参数，将更新的网络参数作为下次迭代训练时提取模型的网络参数。

进一步的，所述步骤3中的轮廓-图像可逆变换模型的目标函数为：

其中，G,D分别为生成模型和判别模型，

为生成模型与判别模型之间的交叉熵损失，

表示生成模型生成的图像与真实图像的L1距离，λ和μ为超参数，argmin_Gmax_Dmin_E表示最小化生成模型和提取模型损失的同时最大化判别模型的损失。

有益效果：

(1)本发明采用LSTM网络生成目标轮廓，将秘密信息分段嵌入到轮廓点中，隐藏容量更高。

(2)本将秘密信息转换成图像的显性特征(即目标轮廓图像)，并且对pix2pix模型进行改进，方便从含密图像中提取轮廓。一方面，图像的显性特征更容易提取，秘密信息的提取准确度更高。另一方面，本发明采取分步走的策略减轻了神经网络训练的压力。

附图说明

图1是本发明的整体框架示意图；

图2是本发明秘密信息驱动的目标轮廓生成流程图；

图3是本发明中轮廓-图像可逆变换的流程图。

具体实施方式

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

如图1所示，本实施例提供一种基于轮廓自动生成的构造式信息隐藏方法：在轮廓生成阶段，对秘密信息二值序列进行切分，将切分好的序列段逐段输入LSTM网络得到候选池，根据下一序列段的十进制数值确定轮廓点位置，得到目标轮廓图像。在轮廓-图像可逆变换阶段，将目标轮廓图像送入轮廓-图像可逆变换模型中，在对轮廓-图像可逆变换模型进行训练时的生成模型、判别模型、提取模型相互博弈，最终达到纳什均衡，轮廓-图像可逆变换模型能够胜任轮廓-图像和图像-轮廓的变换。本发明采取LSTM网络实现秘密信息的初步嵌入，利用相邻轮廓点之间的联系构建显性特征，使得秘密信息提取更易实现，且隐藏容量更高。为了适应信息隐藏任务的需要，本发明将含密图像生成过程视作图像翻译任务，采取pix2pix模型并做了相应改进，从而进一步提高含密图像的生成质量，同时确保秘密信息提取的准确性。具体步骤如下所示：

为了保证生成的含密图像在视觉上较为逼真，用于生成含密图像的轮廓线应符合一般山脉轮廓的统计规律。首先建立基于LSTM网络的轮廓生成模型，通过从大量真实图像中提取轮廓线对模型进行预训练，然后利用模型以秘密信息为驱动生成轮廓线。

秘密信息驱动的轮廓生成模型步骤如下：

步骤1：设长度为L的秘密信息二值序列S＝{s_i∈(0,1)|i＝1,2,…,L}，将其切分成n段等长为l的二值序列，使得L＝n*l(n,l为整数)。其中s_i代表二值序列S中第i个元素；

步骤2：如图2所示，构建目标轮廓图像，预设一个空白图像，为了保证生成图像的轮廓符合真实图像的一般规律，利用密钥key对n段等长为l的二值序列中第1段二值序列s’₁进行初始化，从而获取标轮廓图像的起始轮廓点在空白图像中的位置w₁。

将当前轮廓点位置w_j输入到LSTM网络中，经过网络中各层神经元和激活函数Softmax的计算输出下一个轮廓点也既第j+1个轮廓点所有可能位置的概率P(w_j+1|w_j)；j＝1,2,…n-1

将下一个轮廓点所有可能位置按照概率降序排序，选择前2^l个位置，从而得到下一轮廓点可能位置的候选池Pool_j+1。

计算二值序列s′_j+1的十进制数值O_j+1，选择候选池中的第O_j+1个位置作为第j+1个轮廓点在空白图像中的位置w_j+1。从而生成了目标轮廓图像。

步骤3：生成的目标轮廓图像尚不能用于秘密信息的传输，因此建立基于pix2pix模型的轮廓-图像可逆变换模型，本方法中该模型的生成模型沿用了pix2pix模型的设计，并在此基础上删除了判别模型并添加了提取模型，以实现轮廓-图像的可逆变换。生成模型采用U-Net网络结构，借助跳跃连接连通降采样和升采样的相应卷积层，很大程度上保留了不同分辨率下的目标轮廓图像的特征。提取模型采用与生成模型一致的U-Net网络结构。提取模型先降采样提取生成图像中的轮廓信息，跳跃连接将降采样得到的信息传送给升采样的对应卷积层，对应卷积层将降采样的信息与升采样的信息进行拼接，然后再升采样生成提取的轮廓图像。得益于跳跃连接的设计，提取模块在很大程度上保留了不同分辨率的生成图像中的特征，并提取出轮廓，从而实现图像-轮廓的变换；对轮廓-图像可逆变换模型进行训练。需要注意的是，生成模型与提取模型虽然采取了相同的网络结构，但网络参数并不一致。这是因为神经网络的计算并不是线性的，生成模型和提取模型需要分别进行训练。

步骤4：将目标轮廓图像输入至训练好的轮廓-图像可逆变换模型中，生成模型根据目标轮廓图像生成含密图像，所述提取模型用于提取含密图像的轮廓，以实现将秘密信息的二值序列隐藏在提取模型提取的轮廓中。

本发明的一个实施例，如图3所示，所述步骤3中对轮廓-图像可逆变换模型进行训练时在轮廓-图像可逆变换模型中引入判别模型，判别模型采用PatchGAN的结构，将生成的含密图像切分成许多图像块，采用Softmax激活函数输出每个图像块为真或为假的概率，取所有图像块结果的平均值作为判别模型的输出，当输出结果为真的概率大于50％时即为真，当输出结果为真的概率小于50％时即为假。在对轮廓-图像可逆变换模型进行一次迭代训练时，采用互相博弈的方式分别对生成模型、判别模型和提取模型进行单独训练具体为：

预设用于训练的轮廓图像和真实图像，首先对生成模型进行训练时，判别模型和提取模型的参数固定不变，将用于训练的轮廓图像输入至生成模型中，并将生成模型生成的结果传送至判别模型中；判别模型读取真实图像，并根据真实图像判断生成模型生成的结果是否为真，若为真则生成模型的网络参数不变；否则采用梯度下降算法重新设置生成模型的网络参数，并将该重新设置的网络参数作为下次训练时生成模型的网络参数；判别模型还将生成模型生成的结果传送至提取模型中，提取模型从生成模型生成的结果中提取轮廓；

然后对判别模型进行训练时，生成模型和提取模型的参数固定不变，判别模型根据真实图像判断生成模型生成的结果是否为真，若为真则采用梯度下降算法重新设置判别模型的网络参数，并将该重新设置的网络参数作为下次训练时判别模型的网络参数，否则判别模型的网络参数不变；判别模型还将生成模型生成的结果传送至提取模型中，提取模型从生成模型生成的结果中提取轮廓；

最后对提取模型进行训练时，生成模型和判别模型的参数固定不变，提取模型将生成模型生成的结果传送至提取模型，提取模型从生成模型生成的结果中提取轮廓，计算提取模型提取的轮廓与输入至生成模型的轮廓图像之间的L1距离

其中E表示提取模型；并根据该L1距离采用下降梯度算法更新提取模型的网络参数，将更新的网络参数作为下次训练时提取模型的网络参数。

本发明的一个实施例轮廓-图像可逆变换模型中也可以包括判别模型，生成模型，判别模型和提取模型依次连接，由于轮廓-图像可逆变换模型已经训练完毕，在训练好的轮廓-图像可逆变换模型中，生成模型将目标轮廓图像生成含密图像，判别模型判断含密图像是否为真，并将含密图像传送至提取模型中，提取模型提取含密图像轮廓，因为在训练好的轮廓-图像可逆变换模型中生成模型的生成能力很高，所以判别模型的判断结果基本都为真，不存在为假的情况，所以在这种情况下判别模型充当传送的功能。

所述步骤2具体为：

步骤2.1：将w_j输入LSTM网络中与各层神经元计算，数据经过激活函数Softmax，输出w_j+1的所有可能位置的概率；

步骤2.2：将所有可能位置的概率值按照从大到小的顺序排序，选择前2^l个候选位置，得到下一个轮廓点的候选池Pool_j+1，

步骤2.3：将二值序列s′_j+1由二进制转换为十进制，得到数值O_j+1，从Pool_j+1中选择第O_j+1个概率值对应的位置作为位置索引，得到第j+1个轮廓点在空白图像中的位置。此时已经构建起秘密信息序列段与轮廓点之间一一对应的映射关系，秘密信息被嵌入到轮廓点中。公式化的表达为：

的基于s′_j+1从Pool_j+1中取参。

所述轮廓-图像可逆变换模型是基于pix2pix模型的改进模型，使得输入和输出比较接近，这样输入的是山脉轮廓，输出的也是山脉轮廓，以保证生成图像的合理性。本方法在pix2pix模型的基础上进行改进，添加了提取模型，以实现轮廓-图像的双向可逆变换。

优化后的轮廓-图像可逆变换模型的目标函数为：

其中，其中，G,D分别为生成模型和判别模型，

为生成模型与判别模型之间的交叉熵损失，

表示生成模型生成的图像与真实图像的L1距离，argmin_Gmax_Dmin_E表示最小化生成模型和提取模型损失的同时最大化判别模型的损失。λ和μ为超参数，其取值对训练效果不造成影响。该网络的目的是训练出性能优越的生成模型和提取模型，即G^*和E^*，能够实现高质量含密图像的生成和图像轮廓的准确提取argmin_Gmax_Dmin_E的含义最小化G和E的损失，同时最大化D的损失。也就是说使生成器和提取器的损失最小，判别器的损失最大。arg表示取参，这里是指固定各神经元的参数即得到训练好的生成模型G^*和提取模型E^*。

本发明采用两阶段的图像构造思路：首先将秘密信息映射为图像的显式特征，即轮廓信息，然后将轮廓信息作为轮廓-图像可逆变换模型的输入构造出相应的含密图像。由于从显式特征(轮廓信息)到图像的映射过程更易于学习和训练，因此本发明中含密图像生成与秘密信息提取的训练较容易实现，从而实现较高的隐藏容量和秘密信息提取精度。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (3)

1.一种基于轮廓自动生成的构造式信息隐藏方法，其特征在于，具体包括如下步骤：

步骤1：将长度为L的秘密信息的二值序列S切分成n段长度均为l的二值序列；

步骤2：构建目标轮廓图像：预设空白图像，采用密钥key对n段二值序列中第1段二值序列s′₁进行初始化，从而获取目标轮廓图像的起始轮廓点在空白图像中的位置w₁；

将第j个轮廓点在空白图像中的位置w_j输入到LSTM网络中，根据LSTM网络的输出以及n段二值序列中第j+1段二值序列s′_j+1，计算第j+1个轮廓点在空白图像中的位置w_j+1；j＝1，2，...n-1；

步骤3：构建轮廓-图像可逆变换模型，所述轮廓-图像可逆变换模型包括相互连接的生成模型和提取模型，生成模型和提取模型均采用U-Net网络；对轮廓-图像可逆变换模型进行训练；

步骤4：将目标轮廓图像输入至训练好的轮廓-图像可逆变换模型中，生成模型根据目标轮廓图像生成含密图像，所述提取模型用于提取含密图像的轮廓，以实现将秘密信息的二值序列隐藏在提取模型提取的轮廓中；

所述步骤2计算第j+1个轮廓点在空白图像中的位置w_j+1具体为：

步骤2.1：将第j个轮廓点在空白图像中的位置w_j输入到LSTM网络中，LSTM网络输出第j+1个轮廓点在空白图像中的所有候选位置，以及该所有候选位置的被选择概率，将该所有候选位置按照被选择概率由大到小排列，选择前2^l个候选位置建立候选池；

步骤2.2：将二值序列s′_j+1转换成十进制，得到数值O_j+1，选择候选池中的第O_j+1个位置作为第j+1个轮廓点在空白图像中的位置。

2.根据权利要求1所述的一种基于轮廓自动生成的构造式信息隐藏方法，其特征在于，所述步骤3中对轮廓-图像可逆变换模型进行迭代训练时在轮廓-图像可逆变换模型中引入判别模型，在对轮廓-图像可逆变换模型进行一次迭代训练时，采用互相博弈的方式分别对生成模型、判别模型和提取模型进行单独训练，具体为：

预设用于训练的轮廓图像和真实图像，首先对生成模型进行训练时，判别模型和提取模型的参数固定不变，将用于训练的轮廓图像输入至生成模型中，并将生成模型生成的结果传送至判别模型中；判别模型读取真实图像，并根据真实图像判断生成模型生成的结果是否为真，若为真则生成模型的网络参数不变；否则采用梯度下降算法重新设置生成模型的网络参数，并将该重新设置的网络参数作为下次迭代训练时生成模型的网络参数；判别模型还将生成模型生成的结果传送至提取模型中，提取模型从生成模型生成的结果中提取轮廓；

然后对判别模型进行训练时，生成模型和提取模型的参数固定不变，判别模型根据真实图像判断生成模型生成的结果是否为真，若为真则采用梯度下降算法重新设置判别模型的网络参数，并将该重新设置的网络参数作为下次迭代训练时判别模型的网络参数，否则判别模型的网络参数不变；判别模型还将生成模型生成的结果传送至提取模型中，提取模型从生成模型生成的结果中提取轮廓；

最后对提取模型进行训练时，生成模型和判别模型的参数固定不变，提取模型从生成模型生成的结果中提取轮廓，计算提取模型提取的轮廓与输入至生成模型的轮廓图像之间的L1距离

其中E表示提取模型；并根据该L1距离采用下降梯度算法更新提取模型的网络参数，将更新的网络参数作为下次迭代训练时提取模型的网络参数。

3.根据权利要求2所述的一种基于轮廓自动生成的构造式信息隐藏方法，其特征在于，所述步骤3中的轮廓-图像可逆变换模型的目标函数为：

其中，G，D分别为生成模型和判别模型，

为生成模型与判别模型之间的交叉熵损失，

表示生成模型生成的图像与真实图像的L1距离，λ和μ为超参数，argmin_Gmax_Dmin_E表示最小化生成模型和提取模型损失的同时最大化判别模型的损失。

Images