CN114900586A - 一种基于dcgan的信息隐写方法及装置 - Google Patents
一种基于dcgan的信息隐写方法及装置 Download PDFInfo
- Publication number
- CN114900586A CN114900586A CN202210462655.5A CN202210462655A CN114900586A CN 114900586 A CN114900586 A CN 114900586A CN 202210462655 A CN202210462655 A CN 202210462655A CN 114900586 A CN114900586 A CN 114900586A
- Authority
- CN
- China
- Prior art keywords
- foreground
- secret
- video
- generated
- mask
- 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 32
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012986 modification Methods 0.000 claims abstract description 18
- 230000004048 modification Effects 0.000 claims abstract description 18
- 239000000284 extract Substances 0.000 claims description 6
- 230000003068 static effect Effects 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- H04N1/32267—Methods relating to embedding, encoding, decoding, detection or retrieval operations combined with processing of the image
- H04N1/32272—Encryption or ciphering
-
- 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
- G06N3/08—Learning methods
-
- 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
- H04N1/32208—Spatial or amplitude domain methods involving changing the magnitude of selected pixels, e.g. overlay of information or super-imposition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种基于DCGAN的信息隐写方法及装置，方法包括：基于预先训练生成的深度卷积生成式对抗网络DCGAN生成载体视频，其中，载体视频中包括前景、后景和掩模；基于预设概率阈值，对掩模进行自适应修改，以生成数字化卡登格；基于数字化卡登格在前景中嵌入秘密信息，生成含密前景；基于含密前景、数字化卡登格和后景生成含密视频。本发明设计了深度卷积生成式对抗网络DCGAN，用来生成视频的动态前景、静态后景和时空掩模三个部分，以随机噪声驱动生成不同的载体视频，通过预设概率阈值在掩模中自适应生成数字化卡登格，将其作为隐写与提取的密钥，以前景作为载体，有效实现了秘密信息的最优嵌入。
Description
技术领域
本发明涉及信息安全技术领域，尤其涉及一种基于DCGAN(Deep ConvolutionalGenerativeAdversarialNetworks，深度卷积生成式对抗网络)的信息隐写方法及装置。
背景技术
隐写术是一种将秘密消息隐藏在载体信息中，使得攻击方无法知晓载体中是否含有秘密消息，从而达到隐蔽传输目的的秘密通信技术。它在公共服务、网络传输、军事通信等方面的应用非常广泛，相较于加密技术而言，因其具有的不可感知性，不易受到恶意攻击方的分析检测，是目前信息安全领域的热门课题，在军事、情报等部门具有重要的应用价值。
但目前数字隐写术大多数是以数字图像为载体，数字视频隐写技术研究相对较少，考虑到数字视频相比于图像具有更大的绝对数据量，它的嵌入容量和安全性有着更好的表现，随着5G高速网络的发展，大量视频媒介信息在互联网中迅速传播，数字视频已经成为普遍使用的媒体形式，是一种理想的数据隐蔽载体，因此视频隐写术在载体数量与传播安全性方面的优点日益突显。
现有的视频隐写技术一般通过所设计的规则，在压缩视频中的DCT(DiscreteCosine Transform，离散余弦变换)系数或运动矢量中选择一定位置，通过对该位置进行数据修改实现信息嵌入；以及相对较少的基于对抗神经网络的视频隐写算法。
现有的视频隐写技术主要存在以下缺点：1、现有的视频隐写算法通过某种修改策略使得嵌入后造成的统计失真尽可能的小来提高隐写算法安全性，但实际上仍会对载体统计信息进行一定的修改，易受隐写分析算法的攻击。2、现有基于神经网络的隐写算法主要应用于图像与文本隐写，由于网络构造、运行速度、数据处理能力等原因无法直接应用到数字视频中。
因此，如何有效的以视频为载体进行信息隐写，是一项亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种基于DCGAN的信息隐写方法，能够有效的以视频为载体进行信息隐写。
本发明提供了一种基于DCGAN的信息隐写方法，包括：
基于预先训练生成的深度卷积生成式对抗网络DCGAN生成载体视频，其中，所述载体视频中包括前景、后景和掩模；
基于预设概率阈值，对所述掩模进行自适应修改，以生成数字化卡登格；
基于所述数字化卡登格在所述前景中嵌入秘密信息，生成含密前景；
基于所述含密前景、所述数字化卡登格和所述后景生成含密视频。
优选地，所述方法还包括：
发送所述含密视频至信息接收方，以使所述信息接收方基于所述数字化卡登格提取所述秘密信息。
优选地，所述基于所述数字化卡登格在所述前景中嵌入秘密信息，生成含密前景，包括：
基于所述数字化卡登格在所述前景的每个通道像素最低的位置嵌入秘密信息，生成含密前景。
优选地，所述基于预先训练生成的深度卷积生成式对抗网络DCGAN生成载体视频，包括：
将噪声作为所述预先训练生成的深度卷积生成式对抗网络DCGAN的输入，生成以前景、后景以及掩模组成的所述载体视频。
优选地，所述将噪声作为所述预先训练生成的深度卷积生成式对抗网络DCGAN的输入，生成以前景、后景以及掩模组成的所述载体视频，包括：
将噪声作为所述预先训练生成的深度卷积生成式对抗网络DCGAN的输入，通过所述预先训练生成的深度卷积生成式对抗网络DCGAN中的前景生成器生成所述前景和所述掩模，通过所述预先训练生成的视频生成对抗网络中的后景生成器生成所述后景，其中，所述前景、后景以及掩模组成的所述载体视频。
一种基于DCGAN的信息隐写装置，包括：
预先训练生成的深度卷积生成式对抗网络DCGAN，用于生成载体视频，其中，所述载体视频中包括前景、后景和掩模；
自适应修改模块，用于基于预设概率阈值，对所述掩模进行自适应修改，以生成数字化卡登格；
嵌入模块，用于基于所述数字化卡登格在所述前景中嵌入秘密信息，生成含密前景；
生成模块，用于基于所述含密前景、所述数字化卡登格和所述后景生成含密视频。
优选地，所述装置还包括：
发送模块，用于发送所述含密视频至信息接收方，以使所述信息接收方基于所述数字化卡登格提取所述秘密信息。
优选地，所述嵌入模块具体用于：
基于所述数字化卡登格在所述前景的每个通道像素最低的位置嵌入秘密信息，生成含密前景。
优选地，所述预先训练生成的深度卷积生成式对抗网络DCGAN具体用于：
将噪声作为所述预先训练生成的深度卷积生成式对抗网络DCGAN的输入，生成以前景、后景以及掩模组成的所述载体视频。
优选地，所述预先训练生成的深度卷积生成式对抗网络DCGAN包括：前景生成器和后景生成器；其中：
所述前景生成器，用于将噪声作为输入，生成所述前景和所述掩模；
所述后景生成器，用于将噪声作为输入，生成所述后景，其中，所述前景、后景以及掩模组成的所述载体视频。
综上所述，本发明公开了一种基于DCGAN的信息隐写方法，当需要通过视频为载体进行信息隐写时，首先基于预先训练生成的深度卷积生成式对抗网络DCGAN生成载体视频，其中，载体视频中包括前景、后景和掩模；然后基于预设概率阈值，对掩模进行自适应修改，以生成数字化卡登格；基于数字化卡登格在前景中嵌入秘密信息，生成含密前景；基于含密前景、数字化卡登格和所述后景生成含密视频。本发明设计了深度卷积生成式对抗网络DCGAN，用来生成视频的动态前景、静态后景和时空掩模三个部分，以随机噪声驱动生成不同的载体视频，通过预设概率阈值在掩模中自适应生成数字化卡登格，将其作为隐写与提取的密钥，以前景作为载体，有效实现了秘密信息的最优嵌入。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的附图。
图1为本发明公开的一种基于DCGAN的信息隐写方法实施例的方法流程图；
图2为本发明公开的一种深度卷积生成式对抗网络实施例的结构示意图；
图3为本发明公开的一种数字化卡登格的生成与嵌入流程图；
图4为本发明公开的一种基于DCGAN的的信息隐写装置实施例的结构示意图。
具体实施方式
下面将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。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，为本发明公开的一种基于DCGAN的信息隐写方法，所述方法可以包括以下步骤：
S101、基于预先训练生成的深度卷积生成式对抗网络DCGAN生成载体视频，其中，载体视频中包括前景、后景和掩模；
当需要以视频为载体进行信息隐写时，首先通过深度卷积生成式对抗网络DCGAN生成载体视频，其中，生成的载体视频为网络生成的符合自然语义的伪视频。其中，深度卷积生成式对抗网络为预先训练生成的。
具体的，预先训练生成的深度卷积生成式对抗网络包括：由前景生成器和后景生成器构成的视频生成器。通过前景生成器将噪声作为输入，生成前景和掩模；通过后景生成器将噪声作为输入，生成后景。生成的前景、后景和掩模组成载体视频。
与现有技术相比，现有技术是单流生成模型，直接生成视频样本，而本实施例中采用了双流生成模型，生成视频模型包括前景生成器和后景生成器两部分，前者生成前景与时空掩模，后者生成后景，前景为运动信息，后景为静态信息。通过时空掩模信息将前后景信息合成完整视频。双流模型相比单流模型生成的视频使用更为灵活；在未嵌入秘密信息时，可利用其生成不代表客观世界的视频样本；当需要进行隐蔽通信时，自适应地生成数字化卡登格，对前景进行信息嵌入，并将数字化卡登格作为掩模，进行含密视频的合成。
S102、基于预设概率阈值，对掩模进行自适应修改，以生成数字化卡登格；
在生成载体视频后，进一步通过预设概率阈值，对掩模自适应地进行修改，进而生成数字化卡登格。
与现有技术相比，本发明可通过改变概率阈值的大小，自适应地生成数字化卡登格，控制含密视频的嵌入容量。在不同的应用场景下，合理地选择概率阈值，权衡生成含密样本的真实性与嵌入容量。
S103、基于数字化卡登格在前景中嵌入秘密信息，生成含密前景；
在生成数字化卡登格后，通过利用数字化卡登格在前景中嵌入秘密信息。具体的，可以基于数字化卡登格在前景的每个通道像素最低的位置嵌入秘密信息，生成含密前景。
S104、基于含密前景、数字化卡登格和后景生成含密视频；
然后，通过生成的含密前景，以及数字化卡登格和后景生成含密视频。
本发明是一种半生成式的信息隐藏方式，会事先设定出载体构造的预设条件，然后根据秘密消息并遵循相应的生成规则，以生成含密载体，其生成的含密载体属于特定类型。
S105、发送含密视频至信息接收方，以使信息接收方基于数字化卡登格提取秘密信息。
在生成含密视频后，通过公共信道将含密视频传输给接收方，将数字化卡登格经过秘密信道传输给接收方。接收方收到含密视频后，将视频发送方经过秘密信道传输的数字化卡登格作为提取参考，提取出视频中相应位置像素最低位的秘密信息。具体提取过程为，修改位置图中是与视频像素大小相同的矩阵图，它上标明的每个修改位置都嵌入消息，消息的具体位置是在所标明的像素的最低位上的值。
具体的，在上述实施例中，如图2所示，视频生成器的输入是一个低维噪声，在大多数情况下，该噪声可以从一个分布，如高斯分布中采样。如图2所示，前景生成器中包括一个四维张量(tensor)，如2×4×4(512)代表的是时间维度为2，行维度为4，列维度为4，通道数为512。方块与方块之间为转置三维卷积层，卷积核大小为3×3×3，S＝2代表卷积层步长为2，同理可解释后景生成器，但后景生成器方块之间为二维卷积层。上述双流生成器的最后一层的卷积层的末尾，增加了一层激活函数对卷积层的输出，图中Tanh、Sigmoldo为两种不同的激活函数，以控制整个视频生成器的输出。双流架构中视频生成的流程设计原理，如下公式(1)所示：
G(z)＝m(z)⊙f(z)+(1-m(z))⊙b(z) (1)
式中⊙为Hadamard乘积，m(z)可以被视为一个时空掩膜，f(z)与b(z)分别代表前景(foreground)信息和后景(background)信息。对于视频中每个像素的位置和时间步长，利用时空掩膜选择前景信息或后景信息，这里的前景代表视频中运动的信息，而后景代表了视频中静止的背景。为了在视频时间序列中生成背景信息，后景通过二维卷积学习视频图像中静止的像素信息，生成一个随时间复制的平面图像。这里前景是一个代表每个像素的时空信息的四维时空张量。
在训练生成深度卷积生成式对抗网络时，本实施例使用一个5层时空3D卷积网络作为深度卷积生成式对抗网络的判别器，卷积核为3×3×3，步长为2。这样卷积层既可以学习视频背景中的统计信息，也可以学习物体运动的时空关系。本实施例设计的判别器与视频生成器中的生成前景的卷积层结构相反，且由三维卷积替代三维转置卷积，对视频特征进行处理。判别器的输入为真实视频样本与生成的不载密样本，输出为类别标签label与分类概率logit，类别标签为1时，代表真实视频样本；标签为0时，代表生成的视频样本，分类概率logit为0到1之间的数值。判别器网络中除了最后一层卷积层后使用sidmiod函数以外，前四层中每一层卷积操作后都使用LeakyReLU作为激活函数进行处理。loss是判别器的损失函数，采用了sigmoid交叉熵，用来训练判别器，loss代表了视频生成网络的具体性能指标，当它越小时，则反应了视频生成网络的生成质量越好，越能“欺骗”判别器，使其输出错误的标签。具体公式(2)如下所示：
在对抗性训练思想的启发下，在模型中增加了一个隐写判别器，其结构与DCGAN的判别器结构相同，但不与判别器共享权重参数，在嵌入秘密信息时单独对其进行学习训练，输入为真实视频样本与含密视频样本。
基于卡登格的信息隐藏方法中，卡登格作为秘密信息嵌入与提取的密钥，但传统卡登格对秘密信息处理比较简单，针对双流视频生成模型的特点，提出了一种数字化卡登格隐写方案。
本发明通过分析掩模中对应每个像素运动与位置信息的数字特性，设定具体的隐写阈值，对掩模进行修改，以生成数字化卡登格。由于生成网络的最后一层采用了sigmoid函数，掩模对应的像素运动信息对应的数值处于0到1之间，由公式G(z)＝m(z)⊙f(z)+(1-m(z))⊙b(z)可知，运动信息数值与对应前景中的像素运动幅度成正比，从嵌入合理性与嵌入容量两方面考虑，对掩模的修改方式，如公式(3)所示。
因为在嵌入过程中只对视频帧图像的第一个通道进行嵌入(彩色图像拥有三个通道分别为R、G、B)，所以对前景与掩模的处理也只在其最后一个维度中进行，假如前景与掩模的大小为32◇64◇64◇3，则要对二者进行数据处理的部分的大小为32◇64◇64◇3。上式中
代表在掩模的第一个维度下，第n个张量对应第i行，第j列的运动概率值，
为设定的概率阈值，
为修改后的运动概率值。每次生成的掩模是根据随机噪声驱动生成的，通过设定阈值
对嵌入位置进行选择，将大于概率阈值的置于1，自适应生成数字化卡登格，再对应前景的具体位置进行LSB嵌入，为了减小修改前景像素信息带来的特征变化，采用随机加减一的方式进行嵌入，从而达到最优化嵌入的目的，具体嵌入方式与流程如式(4)、图3所示。
式中
代表的是前景中修改部分第一个维度下对应第i行，第j列信息的修改方式，
代表的是前景中第一个维度下对应第i行，第j列的信息。如果前景中对应位置的最低位与嵌入信息不同时，则按照上述修改方式进行嵌入。
当前景所需修改位置的值为0或255时，修改时跳过该点，在下一个位置进行嵌入。
传输时消息发送方无需将网络训练模型传输给接收方，只需将生成的数字化卡登格通过秘密信道传输给接收方，待消息接收方收到公共信道传输的隐写视频时，利用数字化卡登格对视频中的每一帧进行覆盖，即可将秘密信息无损地从视频帧中提取出来。
随机噪声是参数设置为：均值为-1，标准差为1的100维高斯噪声。优化器选择了Adam优化器，学习率为0.0002。在训练过程中，总共对视频生成网络进行训练周期为1500轮次的训练，前1200轮不进行嵌入，只训练模型中的生成视频模块，同时隐写判别器也未对生成的视频进行识别训练；后300轮增加隐写判别器，并进行对信息嵌入模块的训练。
综上所述，本发明设计了深度卷积生成式对抗网络DCGAN，用来生成视频的动态前景、静态后景和时空掩模三个部分，以随机噪声驱动生成不同的载体视频，通过预设概率阈值在掩模中自适应生成数字化卡登格，将其作为隐写与提取的密钥，以前景作为载体，有效实现了秘密信息的最优嵌入。
如图4所示，为本发明提供的一种基于DCGAN的信息隐写装置实施例的结构示意图，所述装置可以包括：
预先训练生成的深度卷积生成式对抗网络DCGAN401，用于生成载体视频，其中，载体视频中包括前景、后景和掩模；；
自适应修改模块402，用于基于预设概率阈值，对掩模进行自适应修改，以生成数字化卡登格；
嵌入模块403，用于基于数字化卡登格在所述前景中嵌入秘密信息，生成含密前景；
生成模块404，用于基于含密前景、数字化卡登格和后景生成含密视频；
发送模块405，用于发送含密视频至信息接收方，以使信息接收方基于数字化卡登格提取所述秘密信息。
本实施例公开的基于DCGAN的信息隐写装置的工作原理与上述基于DCGAN的信息隐写方法实施例的工作原理相同，在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于DCGAN的信息隐写方法，其特征在于，包括：
基于预先训练生成的深度卷积生成式对抗网络DCGAN生成载体视频，其中，所述载体视频中包括前景、后景和掩模；
基于预设概率阈值，对所述掩模进行自适应修改，以生成数字化卡登格；
基于所述数字化卡登格在所述前景中嵌入秘密信息，生成含密前景；
基于所述含密前景、所述数字化卡登格和所述后景生成含密视频。
2.根据权利要求1所述的方法，其特征在于，还包括：
发送所述含密视频至信息接收方，以使所述信息接收方基于所述数字化卡登格提取所述秘密信息。
3.根据权利要求1所述的方法，其特征在于，所述基于所述数字化卡登格在所述前景中嵌入秘密信息，生成含密前景，包括：
基于所述数字化卡登格在所述前景的每个通道像素最低的位置嵌入秘密信息，生成含密前景。
4.根据权利要求1所述的方法，其特征在于，所述基于预先训练生成的深度卷积生成式对抗网络DCGAN生成载体视频，包括：
将噪声作为所述预先训练生成的深度卷积生成式对抗网络DCGAN的输入，生成以前景、后景以及掩模组成的所述载体视频。
5.根据权利要求4所述的方法，其特征在于，所述将噪声作为所述预先训练生成的深度卷积生成式对抗网络DCGAN的输入，生成以前景、后景以及掩模组成的所述载体视频，包括：
将噪声作为所述预先训练生成的深度卷积生成式对抗网络DCGAN的输入，通过所述预先训练生成的深度卷积生成式对抗网络DCGAN中的前景生成器生成所述前景和所述掩模，通过所述预先训练生成的视频生成对抗网络中的后景生成器生成所述后景，其中，所述前景、后景以及掩模组成的所述载体视频。
6.一种基于DCGAN的信息隐写装置，其特征在于，包括：
预先训练生成的深度卷积生成式对抗网络DCGAN，用于生成载体视频，其中，所述载体视频中包括前景、后景和掩模；
自适应修改模块，用于基于预设概率阈值，对所述掩模进行自适应修改，以生成数字化卡登格；
嵌入模块，用于基于所述数字化卡登格在所述前景中嵌入秘密信息，生成含密前景；
生成模块，用于基于所述含密前景、所述数字化卡登格和所述后景生成含密视频。
7.根据权利要求6所述的装置，其特征在于，还包括：
发送模块，用于发送所述含密视频至信息接收方，以使所述信息接收方基于所述数字化卡登格提取所述秘密信息。
8.根据权利要求6所述的装置，其特征在于，所述嵌入模块具体用于：
基于所述数字化卡登格在所述前景的每个通道像素最低的位置嵌入秘密信息，生成含密前景。
9.根据权利要求6所述的装置，其特征在于，所述预先训练生成的深度卷积生成式对抗网络DCGAN具体用于：
将噪声作为所述预先训练生成的深度卷积生成式对抗网络DCGAN的输入，生成以前景、后景以及掩模组成的所述载体视频。
10.根据权利要求9所述的装置，其特征在于，所述预先训练生成的深度卷积生成式对抗网络DCGAN包括：前景生成器和后景生成器；其中：
所述前景生成器，用于将噪声作为输入，生成所述前景和所述掩模；
所述后景生成器，用于将噪声作为输入，生成所述后景，其中，所述前景、后景以及掩模组成的所述载体视频。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210462655.5A CN114900586B (zh) | 2022-04-28 | 2022-04-28 | 一种基于dcgan的信息隐写方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210462655.5A CN114900586B (zh) | 2022-04-28 | 2022-04-28 | 一种基于dcgan的信息隐写方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114900586A true CN114900586A (zh) | 2022-08-12 |
| CN114900586B CN114900586B (zh) | 2024-04-16 |
Family
ID=82719730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210462655.5A Active CN114900586B (zh) | 2022-04-28 | 2022-04-28 | 一种基于dcgan的信息隐写方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114900586B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132671A (zh) * | 2023-10-27 | 2023-11-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于深度自适应隐写网络的多任务隐写方法、系统及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492416A (zh) * | 2019-01-07 | 2019-03-19 | 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 |
| US10325201B1 (en) * | 2019-01-31 | 2019-06-18 | StradVision, Inc. | Method and device for generating deceivable composite image by using GAN including generating neural network and discriminating neural network to allow surveillance system to recognize surroundings and detect rare event more accurately |
| CN110334805A (zh) * | 2019-05-05 | 2019-10-15 | 中山大学 | 一种基于生成对抗网络的jpeg域图像隐写方法和系统 |
| CN112435155A (zh) * | 2020-10-16 | 2021-03-02 | 中国人民武装警察部队工程大学 | 一种基于条件生成对抗网络的可控图像隐写方法 |
| WO2021047482A1 (en) * | 2019-09-11 | 2021-03-18 | Alibaba Group Holding Limited | Method and system for performing steganographic technique |
| CN112802048A (zh) * | 2021-01-28 | 2021-05-14 | 清华大学 | 具有不对称结构的图层生成对抗网络生成方法及装置 |
| US20210192019A1 (en) * | 2019-12-18 | 2021-06-24 | Booz Allen Hamilton Inc. | System and method for digital steganography purification |
| CN114339258A (zh) * | 2021-12-28 | 2022-04-12 | 中国人民武装警察部队工程大学 | 一种基于视频载体的信息隐写方法及装置 |
-
2022
- 2022-04-28 CN CN202210462655.5A patent/CN114900586B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492416A (zh) * | 2019-01-07 | 2019-03-19 | 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 |
| US10325201B1 (en) * | 2019-01-31 | 2019-06-18 | StradVision, Inc. | Method and device for generating deceivable composite image by using GAN including generating neural network and discriminating neural network to allow surveillance system to recognize surroundings and detect rare event more accurately |
| CN110334805A (zh) * | 2019-05-05 | 2019-10-15 | 中山大学 | 一种基于生成对抗网络的jpeg域图像隐写方法和系统 |
| WO2021047482A1 (en) * | 2019-09-11 | 2021-03-18 | Alibaba Group Holding Limited | Method and system for performing steganographic technique |
| US20210192019A1 (en) * | 2019-12-18 | 2021-06-24 | Booz Allen Hamilton Inc. | System and method for digital steganography purification |
| CN112435155A (zh) * | 2020-10-16 | 2021-03-02 | 中国人民武装警察部队工程大学 | 一种基于条件生成对抗网络的可控图像隐写方法 |
| CN112802048A (zh) * | 2021-01-28 | 2021-05-14 | 清华大学 | 具有不对称结构的图层生成对抗网络生成方法及装置 |
| CN114339258A (zh) * | 2021-12-28 | 2022-04-12 | 中国人民武装警察部队工程大学 | 一种基于视频载体的信息隐写方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| LIU JIA: "Recent Advances of Image Steganography with Generative Adversarial Networks", IEEE ACCESS * |
| 付章杰;王帆;孙星明;王彦;: "基于深度学习的图像隐写方法研究", 计算机学报, no. 09 * |
| 刘佳;柯彦;雷雨;李军;刘明明;杨晓元;张敏情;: "生成对抗网络在图像隐写中的应用", 武汉大学学报(理学版), no. 02 * |
| 才智: "生成式对抗网络应用领域综述", 上海电力大学学报 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132671A (zh) * | 2023-10-27 | 2023-11-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于深度自适应隐写网络的多任务隐写方法、系统及介质 |
| CN117132671B (zh) * | 2023-10-27 | 2024-02-23 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于深度自适应隐写网络的多任务隐写方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114900586B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108346125B (zh) | 一种基于生成对抗网络的空域图像隐写方法及系统 | |
| CN114339258B (zh) | 一种基于视频载体的信息隐写方法及装置 | |
| CN108717680B (zh) | 基于全稠密连接网络的空域图像隐写分析方法 | |
| CN111681154B (zh) | 一种基于生成对抗网络的彩色图像隐写失真函数设计方法 | |
| CN111681155B (zh) | 一种基于深度学习的gif动态图像水印方法 | |
| Wang et al. | A survey on digital image steganography | |
| CN115131188A (zh) | 一种基于生成对抗网络的鲁棒图像水印方法 | |
| Plata et al. | Robust spatial-spread deep neural image watermarking | |
| CN109729070B (zh) | 一种基于cnn和rnn融合模型的网络异构并发隐写信道的检测方法 | |
| CN114900586B (zh) | 一种基于dcgan的信息隐写方法及装置 | |
| Vaidya et al. | Imperceptible watermark for a game-theoretic watermarking system | |
| CN111327785A (zh) | 一种基于对抗生成网络的图像自动构建的信息隐写通信方法 | |
| Ramanjaneyulu et al. | An oblivious and robust multiple image watermarking scheme using genetic algorithm | |
| CN113628090A (zh) | 抗干扰消息隐写与提取方法、系统、计算机设备、终端 | |
| Melman et al. | Image data hiding schemes based on metaheuristic optimization: a review | |
| Li et al. | A game-theoretic method for designing distortion function in spatial steganography | |
| Li et al. | A robust watermarking scheme with high security and low computational complexity | |
| Sun et al. | Optimization of MSFs for watermarking using DWT-DCT-SVD and fish migration optimization with QUATRE | |
| Aberna et al. | Optimal Semi-Fragile Watermarking based on Maximum Entropy Random Walk and Swin Transformer for Tamper Localization | |
| Babaheidarian et al. | Decode and transfer: A new steganalysis technique via conditional generative adversarial networks | |
| Abdulhammed | Strengthening steganoghraphy by using crow search algorithm of fingerprint image | |
| Kich et al. | Image steganography scheme using dilated convolutional network | |
| Rani et al. | An image copyright protection system using chaotic maps | |
| Kasana et al. | Data hiding using lifting scheme and genetic algorithm | |
| CN117611422B (zh) | 一种基于摩尔纹生成的图像隐写方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |