KR20190057726A

KR20190057726A - 인공 신경망을 이용한 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체

Info

Publication number: KR20190057726A
Application number: KR1020170155020A
Authority: KR
Inventors: 정기현
Original assignee: 경일대학교산학협력단
Priority date: 2017-11-20
Filing date: 2017-11-20
Publication date: 2019-05-29
Also published as: KR101986912B1

Abstract

본 발명은 인공 신경망을 이용한 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체에 관한 것이다. 이러한 본 발명은 각각이 가중치가 적용되는 복수의 연산을 포함하는 복수의 계층으로 이루어진 인공신경망과, 원본 영상에 알려진 은닉 기법에 따라 데이터가 은닉된 학습 영상과, 상기 학습 영상을 소정의 변환 규칙에 따라 변환한 적어도 하나의 변환 영상을 병합하여 입력 영상을 생성하는 전처리부와, 상기 입력 학습 영상을 상기 인공신경망에 입력하여 상기 인공신경망의 출력값이 상기 알려진 은닉 기법을 나타내도록 상기 가중치를 산출하는 프로세스부를 포함하는 것을 특징으로 하는 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치, 그 방법 및 그 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체를 제공한다.

Description

인공 신경망을 이용한 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체{Apparatus for detecting and extracting image having hidden data using artificial neural network, method thereof and computer recordable medium storing program to perform the method}

본 발명은 데이터 은닉 영상 탐지 기술에 관한 것으로, 보다 상세하게는, 인공 신경망을 이용하여 스테가노그래피(Steganography) 기법에 따라 데이터가 은닉된 영상을 탐지하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체에 관한 것이다.

데이터 은닉 기술은 음악, 영상, 동 영상, 전자 문서, 교육 자료, 애니메이션과 같은 디지털 미디어 콘텐츠에 기밀 정보를 비가시적으로 삽입하는 기술이다.

한국공개특허 제2011-0098077호 2011년 09월 01일 공개 (명칭: 비트플레인의 블록패턴 매칭을 이용한 비밀정보 삽입장치 및 그 방법)

데이터 은닉 방법을 이용하여 비밀정보를 주고받거나, 악성코드나 바이러스 등을 퍼뜨리는 등의 악의적인 목적으로 사용될 수 있다. 본 발명의 목적은 이러한 악의적인 목적으로 사용되는 것을 막기 위한 삽입된 자료에 대한 탐지 및 추출을 위한 기술이다. 즉, 본 발명의 목적은 데이터가 은닉된 영상의 특징 및 은닉 기법의 특징을 인공신경망에게 학습시키고, 학습된 인공신경망을 이용하여 데이터가 은닉된 것으로 의심되는 의심 영상에 대해 데이터가 은닉되었는지 여부 및 만약, 은닉되었다면 그 은닉 기법을 탐지하고, 은닉된 데이터를 추출하도록 하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체를 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치는 각각이 가중치가 적용되는 복수의 연산을 포함하는 복수의 계층으로 이루어진 인공신경망과, 원본 영상에 알려진 은닉 기법에 따라 데이터가 은닉된 학습 영상과, 상기 학습 영상을 소정의 변환 규칙에 따라 변환한 적어도 하나의 변환 영상을 병합하여 입력 영상을 생성하는 전처리부와, 상기 입력 학습 영상을 상기 인공신경망에 입력하여 상기 인공신경망의 출력값이 상기 알려진 은닉 기법을 나타내도록 상기 가중치를 산출하는 프로세스부를 포함한다.

상기 전처리부는 원본 영상에 데이터가 은닉되었는지 여부를 알 수 없는 의심 영상이 입력되면, 상기 의심 영상을 소정의 변환 규칙에 따라 변환한 적어도 하나의 변환 영상을 생성하고, 생성된 변환 영상과, 상기 의심 영상을 병합한 입력 의심 영상을 생성하고, 상기 프로세스부는 상기 인공신경망에 상기 입력 의심 영상을 입력한 후, 상기 인공신경망으로부터 상기 입력 의심 영상의 입력에 상응하는 출력값을 수신하면 상기 수신된 출력값에 따라 상기 의심 영상에 데이터가 은닉되었는지 여부 및 은닉 기법을 판별하는 것을 특징으로 한다.

상기 프로세스부는 상기 의심 영상에 데이터가 은닉된 것으로 판별한 경우, 상기 판별된 은닉 기법에 따라 상기 의심 영상으로부터 상기 은닉된 데이터를 추출하는 것을 특징으로 한다.

상기 전처리부는 상기 학습 영상 또는 상기 의심 영상의 픽셀값을 헥사값으로 변환한 변환 영상을 생성하는 것을 특징으로 한다.

상기 전처리부는 상기 학습 영상 또는 상기 의심 영상을 주파수 영역으로 변환하여 변환 영상을 생성하는 것을 특징으로 한다.

상기 전처리부는 상기 학습 영상의 각 픽셀의 픽셀값과 각 픽셀의 이웃하는 픽셀값의 차이값을 도출하고, 차이값으로 이루어진 변환 영상을 생성하는 것을 특징으로 한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 각각이 가중치가 적용되는 복수의 연산을 포함하는 복수의 계층으로 이루어진 인공신경망을 포함하는 탐지 및 추출장치의 데이터가 은닉된 영상을 탐지 및 추출하기 위한 방법은 전처리부가 원본 영상에 알려진 은닉 기법에 따라 데이터가 은닉된 학습 영상과, 상기 학습 영상을 소정의 변환 기법에 따라 변환한 적어도 하나의 변환 영상을 병합하여 입력 영상을 생성하는 단계와, 프로세스부가 상기 입력 학습 영상을 상기 인공신경망에 입력하여 상기 인공신경망의 출력값이 상기 알려진 은닉 기법을 나타내도록 상기 가중치를 수정하는 단계를 포함한다.

상기 방법은 상기 전처리부가 원본 영상에 데이터가 은닉되었는지 여부를 알 수 없는 의심 영상이 입력되면, 상기 의심 영상을 소정의 변환 기법에 따라 변환한 적어도 하나의 변환 영상을 생성하는 단계와, 상기 전처리부가 상기 생성된 변환 영상과 상기 의심 영상을 병합한 입력 의심 영상을 생성하는 단계와, 상기 프로세스부가 상기 인공신경망에 상기 입력 의심 영상을 입력하는 단계와, 상기 프로세스부가 상기 인공신경망으로부터 상기 입력 의심 영상의 입력에 상응하는 출력값을 수신하면 상기 수신된 출력값에 따라 상기 의심 영상에 데이터가 은닉되었는지 여부 및 은닉 기법을 판별하는 단계를 포함한다.

상기 방법은 더욱이, 상기 프로세스부가 상기 의심 영상에 데이터가 은닉된 것으로 판별한 경우, 상기 판별된 은닉 기법에 따라 상기 의심 영상으로부터 상기 은닉된 데이터를 추출하는 단계를 더 포함한다.

또한, 전술한 본 발명의 바람직한 실시예에 따른 데이터가 은닉된 영상을 탐지하기 위한 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체를 제공한다.

본 발명에 따르면, 인공신경망을 이용하여 데이터가 은닉된 것으로 의심되는 의심 영상에 대해 데이터 은닉 여부 및 은닉 기법을 탐지할 수 있다. 또한, 데이터가 은닉된 것으로 탐지된 경우, 탐지된 은닉 기법에 따라 영상으로부터 숨겨진 데이터를 추출할 수 있다.

도 1은 본 발명의 실시예에 따른 인공신경망을 이용한 데이터 은닉 영상을 탐지 및 추출하기 위한 장치의 구성을 설명하기 위한 블록도이다.
도 2는 본 발명의 실시예에 따른 인공신경망의 내부 구성을 설명하기 위한 개념도이다.
도 3은 본 발명의 실시예에 따른 전처리부를 설명하기 위한 블록도이다.
도 4는 본 발명의 실시예에 따른 전처리부의 동작을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 인공신경망을 학습시키는 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 실시예에 따른 데이터가 은닉된 영상을 탐지 및 추출하는 방법을 설명하기 위한 흐름도이다.

본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.

먼저, 본 발명의 실시예에 따른 인공 신경망을 이용하여 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치의 구성을 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 인공신경망을 이용한 데이터 은닉 영상을 탐지 및 추출하기 위한 장치의 구성을 설명하기 위한 블록도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 인공신경망을 이용한 데이터 은닉 영상을 탐지 및 추출하기 위한 장치(10, 이하, '보안장치'로 칭함)는 영상에 스테가노그래피 기법을 이용하여 은닉된 데이터가 존재하는지 여부, 즉, 데이터 은닉 여부를 탐지 및 추출한다. 또한, 보안장치(10)는 영상에 은닉된 데이터가 존재하는 경우, 어떤 스테가노그래피 기법이 사용되었는지 여부, 즉, 은닉 기법을 탐지 및 추출한다. 이를 위하여, 본 발명의 실시예에 따른 보안장치(10)는 인공신경망(100), 전처리부(200) 및 프로세스부(300)를 포함한다.

인공신경망(100)은 본 발명의 실시예에 따라 데이터가 은닉된 영상(이하, '은닉 영상'으로 축약함)을 탐지하기 위해 학습을 수행한다. 이때, 학습을 위하여 학습 영상을 이용한다. 학습 영상은 원본 영상에 알려진 은닉 기법에 따라 데이터가 은닉된 영상을 의미한다. 그리고 인공신경망(100)은 충분히 학습이 수행된 경우, 데이터가 은닉 여부를 알 수 없는 영상, 즉, 의심 영상을 입력받아 은닉된 데이터가 존재 여부 및 사용된 은닉 기법의 종류를 확률값으로 출력한다.

전처리부(200)는 다양한 은닉 기법이 존재하기 때문에 그 은닉 기법의 특징이 도출될 수 있도록 소정의 변환 규칙에 따라 입력되는 학습 영상 또는 의심 영상을 변환하여 적어도 하나의 변환 영상을 생성한다. 그런 다음, 전처리부(200)는 학습 영상 또는 의심 영상과 변환 영상을 병합하여 입력 학습 영상 또는 입력 의심 영상을 생성한다.

프로세스부(300)는 입력 학습 영상을 인공신경망(100)에 입력하여 인공신경망(100)을 학습시킬 수 있다. 또한, 프로세스부(300)는 의심 영상을 인공신경망(100)에 입력하고, 그 입력에 따른 출력값에 따라 은닉된 데이터가 존재 여부 및 사용된 은닉 기법의 종류를 판별한다. 또한, 프로세스부(300)는 판별된 은닉 기법에 따라 그 은닉 절차의 역으로 의심 영상으로부터 은닉된 데이터를 추출할 수 있다.

그러면, 본 발명의 실시예에 따른 인공신경망(100)에 대해서 보다 상세하게 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 인공신경망의 내부 구성을 설명하기 위한 개념도이다.

도 2를 참조하면, 본 발명의 실시예에 따른 인공신경망(100)은 복수의 계층을 포함한다. 인공신경망(100)은 입력계층(input layer: IL), 컨볼루션계층(convolution layer: CL), 풀링계층(pooling layer: PL), 완전연결계층(fully-connected layer: FL) 및 출력계층(output layer: OL)을 포함한다. 여기서, 컨볼루션 계층(CL)과 풀링 계층(PL)은 각각 하나 또는 그 이상이 쌍으로 존재할 수 있다. 이 실시예에서 인공신경망(100)은 제1 컨볼루션 계층(CL1), 제1 풀링 계층(PL1), 제2 컨볼루션 계층(CL2) 및 제2 풀링 계층(PL2)을 포함한다.

입력계층(IL)은 소정 크기의 행렬로 이루어진다. 입력계층(IL) 행렬의 크기는 입력 학습 영상 또는 입력 의심 영상의 크기와 동일하다. 입력계층(IL) 행렬의 각 원소는 영상의 각 픽셀에 대응한다. 프로세스부(300)는 입력 학습 영상 또는 입력 의심 영상을 입력 행렬(IM)에 입력한다.

컨볼루션계층(CL: CL1, CL2)과 풀링 계층(PL: PL1, PL2) 각각은 복수의 특징 지도(Feature Map)로 이루어지며, 이러한 특징 지도 각각은 소정 크기의 행렬이다. 특징 지도를 이루는 행렬의 원소 각각의 값은 커널을 이용한 컨볼루션 연산(convolution) 혹은 풀링 연산(pooling 혹은 subsampling)을 통해 산출된다. 여기서, 여기서, 커널은 소정 크기의 행렬이며, 그 행렬 원소의 각 값은 가중치(w)가 된다.

완전연결계층(FL)은 복수의 노드(혹은 sigmoid: F1, F2, F3, ..., Fn)를 포함하며, 완전연결계층의 연산 또한 가중치(w)가 적용되어 출력계층(OL)의 복수의 노드(N1, N2, N3, ...)에 입력된다.

출력계층(OL)은 복수의 노드(혹은 sigmoid: N1, N2, N3, ...)로 구성될 수 있다. 복수의 출력 노드(N1, N2, N3, ...) 각각은 은닉 기법에 대응한다. 이러한 복수의 출력 노드(N1, N2, N3, ...) 각각의 출력값은 확률값이다. 예를 들면, 제1 출력 노드(N1)의 출력값은 학습 영상 또는 의심 영상이 은닉 기법 1에 의해 데이터가 은닉된 영상일 확률을 나타내며, 제2 출력 노드(N2)의 출력값은 학습 영상 또는 의심 영상이 은닉 기법 2에 의해 데이터가 은닉된 영상일 확률을 나타내고, 제3 출력 노드(N3)의 출력값은 학습 영상 또는 의심 영상이 은닉 기법 3에 의해 데이터가 은닉된 영상일 확률을 나타낸다.

인공신경망(100)의 복수의 계층(IL, CL, PL, FL, OL) 각각은 복수의 연산을 포함한다. 특히, 인공신경망(100)의 복수의 계층의 복수의 연산 각각은 가중치(w)가 적용되어 그 결과가 다음 계층으로 전달되어 다음 계층의 입력이 된다. 좀 더 자세히, 도 2에 도시된 바를 예로 하여 인공신경망(100)의 각 계층의 연산과 그 가중치(w)에 대해 설명하기로 한다.

예컨대, 도시된 바에 따르면, 입력계층(IL)은 32×32 크기의 행렬이 될 수 있다. 이에 따라, 입력 영상(입력 학습 영상 또는 입력 의심 영상) 또한 32×32 픽셀의 크기의 영상이다. 프로세스부(300)는 입력 영상(입력 학습 영상 또는 입력 의심 영상)의 각 픽셀값을 입력계층(IL)의 32 × 32 크기의 행렬에 입력한다. 그러면, 입력계층 행렬에 대해 커널(w)을 이용한 컨벌루션 연산(convolution)을 수행하여, 제1 컨벌루션 계층(CL1)의 복수의 특징지도에 입력된다. 여기서, 커널(w)은 5×5 크기의 행렬을 이용할 수 있다. 제1 컨벌루션 계층(CL1)의 복수의 특징지도 각각은 28×28 크기의 행렬이다. 그런 다음, 제1 컨벌루션 계층(CL1)의 복수의 특징 지도에 대해 2×2 크기의 행렬인 커널(w)을 이용한 풀링 연산(subsampling)을 수행하여 각각이 14×14 크기의 행렬인 6개의 특징 지도로 이루어진 제1 풀링 계층(PL1)을 구성한다. 이어서, 제1 폴링 계층(PL1)의 복수의 특징 지도에 대해 5×5 크기의 행렬인 커널을 이용한 컨벌루션 연산(convolution)을 수행하여, 각각이 10×10 크기의 행렬인 16개의 특징 지도로 이루어진 제2 컨벌루션 계층(CL2)을 구성한다. 다음으로, 제2 컨벌루션 계층(CL2)의 복수의 특징 지도에 대해 2×2 크기의 행렬인 커널을 이용한 풀링 연산(subsampling)을 수행하여 각각이 5×5 크기의 행렬인 16개의 특징 지도로 이루어진 제2 풀링 계층(PL2)을 구성한다. 그런 다음, 제2 폴링 계층(PL2)의 복수의 특징 지도에 대해 5×5 크기의 행렬인 커널을 이용한 컨벌루션 연산(convolution)을 수행하여, 완전연결계층(FL)의 복수의 노드(F1 내지 Fn)에 입력된다. 완전연결계층(FL)의 복수의 노드(F1 내지 Fn) 각각은 제2 폴링 계층(PL2)으로부터 입력에 대해 전달함수 등을 이용한 소정의 연산을 수행하고, 그 연산에 가중치를 적용하여 출력계층(OL)의 각 노드에 입력한다. 이에 따라, 출력계층(OL)의 복수의 노드(N1, N2, N3, ...)는 완전연결계층(FL)으로부터 입력된 값에 대해 소정의 연산을 수행하고, 그 결과를 출력한다. 전술한 바와 같이, 복수의 출력 노드(N1, N2, N3, ...) 각각의 출력값은 확률값이다.

예를 들면, 제1 출력 노드(N1)의 출력값은 학습 영상 또는 의심 영상이 은닉 기법 1에 의해 데이터가 은닉된 영상일 확률이고, 제2 출력 노드(N2)의 출력값은 학습 영상 또는 의심 영상이 은닉 기법 2에 의해 데이터가 은닉된 영상일 확률이며, 제3 출력 노드(N3)의 출력값은 학습 영상 또는 의심 영상이 은닉 기법 3에 의해 데이터가 은닉된 영상일 확률이라고 가정한다.

만약, 제1 출력 노드(N1)의 출력값이 제2 및 제3 출력 노드(N2, N3)의 출력값에 비해 높은 값을 가지면, 프로세스부(300)는 학습 영상 또는 의심 영상에 데이터가 은닉된 것으로 판단하고, 은닉 기법 1에 의해 데이터가 은닉된 것으로 판단할 수 있다.

인공신경망(100)을 통해 이미지에 포함된 정보를 인식하기 위하여, 프로세스부(300)는 복수의 학습 데이터를 이용하여 인공신경망(100)을 학습(learning)시킨다. 이러한 학습 방법에 대해서 설명하기로 한다. 전술한 바와 같이, 인공신경망(100)의 복수의 계층 각각은 복수의 연산으로 이루어지며, 어느 하나의 계층의 그 연산 결과는 가중치(w)가 적용되어 다른 하나의 계층의 입력이 된다. 이때, 어느 하나의 계층의 출력은 가중치(w)가 곱해진 후, 다음 계층의 입력이 될 수 있다. 예컨대, 전술한 바와 같이, 32×32 크기의 행렬인 입력계층(IL)에 대해 5×5 크기의 행렬인 커널을 이용한 컨벌루션 연산을 수행하여, 각각이 28×28 크기의 행렬인 6개의 특징 지도로 이루어진 제1 컨벌루션 계층(CL1)을 구성한다. 이때, 커널의 크기 5×5, 입력 행렬의 수 1 그리고 특징 지도의 수 6을 고려하면, 1 × 5 × 5 × 6개의 가중치(w)가 존재한다. 다른 예로, 완전연결계층(FL)이 120개의 노드(F1~F120)으로 이루어진 것으로 가정하면, 16개의 특징 지도를 가지는 제2 풀링계층(PL2)의 출력은 120개의 노드를 가지는 완전연결계층(FL)의 입력이 된다. 제2 풀링 계층(PL2)은 5×5 행렬로 이루어진 커널을 통해 컨볼루션 연산의 결과가 출력된다. 또한, 하나의 노드 당 16개의 입력이 있으며, 120개의 노드가 존재하기 때문에 5 × 16 × 120개의 가중치가 존재한다. 또 다른 예로, 120개의 노드를 가지는 완전연결 계층(FL)의 출력은 3개의 출력노드(N1, N2, N3)를 가지는 출력 계층에 입력된다. 이에 따라, 120 × 3개의 가중치가 존재할 수 있다.

입력 학습 영상이 인공신경망(100)에 입력되면, 인공신경망(100)은 가중치가 적용되는 복수의 연산을 통해 연산 결과를 출력할 것이다. 인공신경망(100)의 출력, 즉, 출력계층(OL)의 복수의 노드 각각의 출력값은 해당 노드에 대응하는 은닉 기법이 사용되었을 확률을 나타낸다. 이때, 입력 학습 영상에 포함된 학습 영상은 사용되는 은닉 기법이 알려진 것이기 때문에 프로세스부(300)가 해당 입력 학습 영상을 인공신경망(100)에 입력했을 때, 인공신경망(100)의 출력은 대응하는 출력 노드의 출력값이 가장 높은 확률값이 출력될 것으로 기대할 수 있다. 이러한 기대에 따른 출력값을 목표값이라고 한다. 하지만, 학습되지 않은 신경망(200)은 출력값과 목??밧의 차이가 있다. 따라서 프로세스부(300)는 학습 영상을 포함하는 입력 학습 영상을 입력할 때마다, 기댓값과 출력값의 차이가 최소가 되도록 역전파(Back-propagation) 알고리즘을 통해 인공신경망(100)의 가중치(W)를 수정하는 학습을 수행한다. 이와 같이, 본 발명의 실시예에 따른 학습은 입력되는 학습 영상에 따른 답(목표값)을 정해 놓고, 그 학습 영상에 따라 출력값과 목표값의 차이가 최소가 되도록 인공신경망(100)의 연산에 적용되는 가중치(w)를 수정하는 것이다.

다음으로, 본 발명의 실시예에 따른 전처리부(200)에 대해서 보다 상세하게 설명하기로 한다. 도 3은 본 발명의 실시예에 따른 전처리부를 설명하기 위한 블록도이다. 도 4는 본 발명의 실시예에 따른 전처리부의 동작을 설명하기 위한 도면이다.

도 3 및 도 4를 참조하면, 전처리부(200)는 바이패스모듈(210), 처리모듈(220) 및 병합모듈(230)을 포함한다. 처리모듈(220)은 하나 이상의 모듈(201, ..., 20n)로 구성될 수 있다.

바이패스모듈(210)은 학습 영상 또는 의심 영상이 입력되면, 학습 영상 또는 의심 영상을 바이패스하여 병합모듈(230)에 제공한다.

처리모듈(220)은 학습 영상 또는 의심 영상을 소정의 변환 규칙에 따라 변환하여 변환 영상을 생성한 후, 생성된 변환 영상을 병합모듈(230)에 제공한다. 예컨대, 제1 처리모듈(221), 제2 처리모듈(222) 및 제3 처리모듈(223)이 존재한다고 가정한다.

제1 처리모듈(221)은 학습 영상 또는 의심 영상의 픽셀값을 헥사값으로 변환하여 제1 변환 영상을 생성하고, 생성된 제1 변환 영상을 병합모듈(230)에 제공할 수 있다.

제2 처리모듈(222)은 학습 영상 또는 의심 영상을 공간 영역에서 주파수 영역으로 변환하여 제2 변환 영상을 생성하고, 생성된 변환 영상을 병합모듈(220)에 제공할 수 있다. 여기서, 제2 처리모듈(222)은 DFT(Discrete Fourier transform), FFT(Fast Fourier transform), DCT(Discrete Cosine Transform), BDCT(Block Discrete Cosine Transform) 및 MDCT(Modified Discrete Cosine Transform)를 포함하는 그룹으로부터 선택된 적어도 하나의 변환 규칙에 따라 학습 영상 또는 의심 영상을 공간 영역에서 주파수 영역으로 변환할 수 있다.

제3 처리모듈(223)은 학습 영상 또는 의심 영상의 각 픽셀에 대해 각 픽셀의 픽셀값과 각 픽셀의 이웃하는 픽셀값의 차이값을 도출하고, 각 픽셀이 도출된 차이값으로 이루어진 제3 변환 영상을 생성할 수 있다.

전술한 바와 같이, 처리모듈(220)은 변환 규칙에 따라 학습 영상 또는 의심 영상을 변환하여 적어도 하나의 변환 영상을 생성할 수 있다. 처리모듈(220)은 변환 영상이 생성되면 생성된 변환 영상을 병합모듈(230)에 제공한다.

병합모듈(230)은 바이패스모듈(210)로부터 입력된 학습 영상 또는 의심 영상과 변환모듈(230)로부터 입력된 변환 영상을 병합하여 입력 학습 영상 또는 입력 의심 영상을 생성한다. 즉 도 4에 도시된 바와 같이, 입력 학습 영상 또는 입력 의심 영상은 학습 영상 또는 의심 영상과 적어도 하나의 변환 영상을 병합한 것이다.

이와 같이, 전처리모듈(200)은 학습 영상 또는 의심 영상으로부터 입력 학습 영상 또는 입력 의심 영상을 생성하고, 생성된 입력 학습 영상 또는 입력 의심 영상을 프로세스부(300)로 제공한다.

프로세스부(300)는 입력 학습 영상을 수신하면, 수신된 입력 학습 영상을 인공신경망(100)에 입력하여 인공신경망(100)을 학습시킬 수 있다. 또한, 인공신경망(100)이 충분히 학습된 경우, 프로세스부(300)는 입력 의심 영상을 수신하면, 수신된 입력 의심 영상을 인공신경망(100)에 입력하고, 인공신경망(100)으로부터 입력 의심 영상의 입력에 상응하는 출력값을 수신하면 수신된 출력값에 따라 의심 영상에 데이터가 은닉되었는지 여부 및 은닉 기법을 판별한다. 그리고 프로세스부(300)는 의심 영상에 데이터를 은닉하기 위해 사용된 은닉 기법이 판별되면, 그 은닉 기법을 사용하여 의심 영상으로부터 은닉된 데이터를 추출한다.

그러면, 보다 자세히 본 발명의 실시예에 따른 데이터가 은닉된 영상을 탐지 및 추출하기 위한 방법에 대해서 설명하기로 한다. 데이터가 은닉된 영상을 탐지 및 추출하기 위해서는 먼저 인공신경망(100)을 학습시켜야 한다. 이에 따라, 인공신경망을 학습시키는 방법에 대해서 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 인공신경망을 학습시키는 방법을 설명하기 위한 흐름도이다.

도 5를 참조하면, 전처리부(200)는 S110 단계에서 은닉 기법이 알려진 학습 영상을 입력받는다. 그러면, 전처리부(200)는 S120 단계에서 적어도 하나의 변환 규칙에 따라 학습 영상을 변환하여 적어도 하나의 변환 영상을 생성한다. 예를 들면, 전처리부(200)는 학습 영상의 픽셀값을 헥사값으로 변환하여 변환 영상을 생성하거나, 학습 영상을 공간 영역에서 주파수 영역으로 변환하여 변환 영상을 생성하거나, 학습 영상의 각 픽셀과 이웃 픽셀 간의 차이값을 해당 픽셀의 값으로 하는 변환 영상을 생성할 수 있다.

다음으로, 전처리부는 S130 단계에서 학습 영상과 변환 영상을 병합하여 입력 학습 영상을 생성한다. 생성된 입력 학습 영상은 프로세스부(300)에 제공된다.

그러면, 프로세서부(300)는 S140 단계에서 입력 학습 영상을 인공신경망(100)에 입력한다. 그런 다음, 프로세스부(300)는 S150 단계에서 인공신경망(100)의 출력값이 S150 단계에서 입력된 학습 영상의 알려진 은닉 기법에 상응하는 목표값이 되도록 인공신경망(100)의 복수의 연산 각각에 적용되는 가중치(w)를 수정한다.

전술한 S110 단계 내지 S150 단계는 다양한 학습 영상이 입력되었을 때, 목표값과 출력값의 차이가 최소가 되면서 출력값이 변동이 없을 때까지 반복하여 수행할 수 있다. 이러한 경우, 프로세스부(300)는 인공신경망(100)이 충분히 학습이 이루어진 것으로 판단하고, 의심 영상을 입력받을 수 있다.

이와 같이, 인공신경망(100)의 학습이 충분히 이루어진 경우, 데이터가 은닉된 영상을 탐지하는 방법에 대해서 설명하기로 한다. 도 6은 본 발명의 실시예에 따른 데이터가 은닉된 영상을 탐지 및 추출하는 방법을 설명하기 위한 흐름도이다.

도 6를 참조하면, 전처리부(200)는 S210 단계에서 의심 영상을 입력받는다. 의심 영상은 학습 영상과 달리 데이터 은닉 여부 및 은닉 기법을 알 수 없는 영상이다. 이러한 의심 영상이 입력되면, 전처리부(200)는 S220 단계에서 적어도 하나의 변환 규칙에 따라 의심 영상을 변환하여 적어도 하나의 변환 영상을 생성한다. S220 단계는 앞서 S120 단계와 동일하게 수행된다. 예를 들면, 전처리부(200)는 의심 영상의 픽셀값을 헥사값으로 변환하여 변환 영상을 생성하거나, 의심 영상을 공간 영역에서 주파수 영역으로 변환하여 변환 영상을 생성하거나, 의심 영상의 각 픽셀과 이웃 픽셀 간의 차이값을 해당 픽셀의 값으로 하는 변환 영상을 생성할 수 있다.

다음으로, 전처리부(200)는 S230 단계에서 의심 영상과 변환 영상을 병합하여 입력 의심 영상을 생성한다. 생성된 입력 의심 영상은 프로세스부(300)에 전달된다.

그러면, 프로세서부(300)는 S140 단계에서 입력 의심 영상을 인공신경망(100)에 입력한다. 그런 다음, 프로세스부(300)는 S150 단계에서 인공신경망(100)의 출력값에 따라 의심 영상에 데이터가 은닉되었는지 여부 및 만약, 데이터가 은닉되었다면, 그 은닉 기법을 판단할 수 있다. 예를 들면, 인공신경망(100)의 출력 계층(OL)의 제1 출력 노드(N1)의 출력값은 의심 영상이 은닉 기법 1에 의해 데이터가 은닉된 영상일 확률을 나타내며, 제2 출력 노드(N2)의 출력값은 의심 영상이 은닉 기법 2에 의해 데이터가 은닉된 영상일 확률을 나타내고, 제3 출력 노드(N3)의 출력값은 의심 영상이 은닉 기법 3에 의해 데이터가 은닉된 영상일 확률을 나타낸다고 가정한다. 제1 출력 노드(N1), 제2 출력 노드(N2) 및 제3 출력 노드(N3) 각각의 출력값이 0.13, 0.71 및 0.16이라면, 프로세서부(300)는 해당 의심 영상은 제2 출력 노드(N2)에 대응하는 은닉 기법 2를 이용하여 데이터를 은닉한 영상이라고 판별한다.

전술한 바와 같이, 어느 하나의 은닉 기법에 따라 데이터가 은닉된 것으로 판별한 경우, 프로세서부(300)는 S260 단계에서 판별된 은닉 기법에 따라 의심 영상으로부터 은닉된 데이터를 추출한다. 즉, 데이터 은닉 기법을 알 수 있는 경우, 해당 기법의 역순으로 은닉된 데이터를 추출할 수 있다. 프로세서부(300)는 도출된 은닉 기법에 따라 의심 영상에 은닉된 데이터를 추출한다.

이와 같이, 본 발명의 실시예에 따르면, 보안장치(10)는 인공신경망(100)을 이용하여 데이터가 은닉된 것으로 의심되는 의심 영상에 대해 데이터 은닉 여부 및 은닉 기법을 탐지할 수 있다. 더 나아기 은닉 기법을 탐지되면 숨겨진 데이터에 대해서도 추출이 가능하다.

한편, 앞서 설명된 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

110: 인공데이터변환부
100: 인공신경망
IL: 입력계층
CL: 컨볼루션계층
PL: 풀링계층
FL: 완전연결계층
OL: 출력계층
200: 전처리부
210: 바이패스모듈
220: 처리모듈
230: 병합모듈
300: 프로세스부

Claims

데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치에 있어서,
각각이 가중치가 적용되는 복수의 연산을 포함하는 복수의 계층으로 이루어진 인공신경망;
원본 영상에 알려진 은닉 기법에 따라 데이터가 은닉된 학습 영상과, 상기 학습 영상을 소정의 변환 규칙에 따라 변환한 적어도 하나의 변환 영상을 병합하여 입력 영상을 생성하는 전처리부; 및
상기 입력 학습 영상을 상기 인공신경망에 입력하여 상기 인공신경망의 출력값이 상기 알려진 은닉 기법을 나타내도록 상기 가중치를 산출하는 프로세스부;를 포함하는 것을 특징으로 하는 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치.
제1항에 있어서,
상기 전처리부는
원본 영상에 데이터가 은닉되었는지 여부를 알 수 없는 의심 영상이 입력되면, 상기 의심 영상을 소정의 변환 규칙에 따라 변환한 적어도 하나의 변환 영상을 생성하고, 생성된 변환 영상과, 상기 의심 영상을 병합한 입력 의심 영상을 생성하고,
상기 프로세스부는 상기 인공신경망에 상기 입력 의심 영상을 입력한 후, 상기 인공신경망으로부터 상기 입력 의심 영상의 입력에 상응하는 출력값을 수신하면 상기 수신된 출력값에 따라 상기 의심 영상에 데이터가 은닉되었는지 여부 및 은닉 기법을 판별하는 것을 특징으로 하는 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치.
제2항에 있어서,
상기 프로세스부는
상기 의심 영상에 데이터가 은닉된 것으로 판별한 경우, 상기 판별된 은닉 기법에 따라 상기 의심 영상으로부터 상기 은닉된 데이터를 추출하는 것을 특징으로 하는 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치.
제2항에 있어서,
상기 전처리부는
상기 학습 영상 또는 상기 의심 영상의 픽셀값을 헥사값으로 변환한 변환 영상을 생성하는 것을 특징으로 하는 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치.
제2항에 있어서,
상기 전처리부는
상기 학습 영상 또는 상기 의심 영상을 주파수 영역으로 변환하여 변환 영상을 생성하는 것을 특징으로 하는 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치.
제2항에 있어서,
상기 전처리부는
상기 학습 영상의 각 픽셀의 픽셀값과 각 픽셀의 이웃하는 픽셀값의 차이값을 도출하고, 차이값으로 이루어진 변환 영상을 생성하는 것을 특징으로 하는 데이터가 은닉된 영상을 탐지 및 추출하기 위한 장치.
각각이 가중치가 적용되는 복수의 연산을 포함하는 복수의 계층으로 이루어진 인공신경망을 포함하는 보안장치의 데이터가 은닉된 영상을 탐지하기 위한 방법에 있어서,
전처리부가 원본 영상에 알려진 은닉 기법에 따라 데이터가 은닉된 학습 영상과, 상기 학습 영상을 소정의 변환 기법에 따라 변환한 적어도 하나의 변환 영상을 병합하여 입력 영상을 생성하는 단계; 및
프로세스부가 상기 입력 학습 영상을 상기 인공신경망에 입력하여 상기 인공신경망의 출력값이 상기 알려진 은닉 기법을 나타내도록 상기 가중치를 수정하는 단계;를 포함하는 것을 특징으로 하는 데이터가 은닉된 영상을 탐지 및 추출하기 위한 방법.
제7항에 있어서,
상기 전처리부가 원본 영상에 데이터가 은닉되었는지 여부를 알 수 없는 의심 영상이 입력되면, 상기 의심 영상을 소정의 변환 기법에 따라 변환한 적어도 하나의 변환 영상을 생성하는 단계;
상기 전처리부가 상기 생성된 변환 영상과 상기 의심 영상을 병합한 입력 의심 영상을 생성하는 단계;
상기 프로세스부가 상기 인공신경망에 상기 입력 의심 영상을 입력하는 단계; 및
상기 프로세스부가 상기 인공신경망으로부터 상기 입력 의심 영상의 입력에 상응하는 출력값을 수신하면 상기 수신된 출력값에 따라 상기 의심 영상에 데이터가 은닉되었는지 여부 및 은닉 기법을 판별하는 단계;를 포함하는 것을 특징으로 하는 데이터가 은닉된 영상을 탐지 및 추출하기 위한 방법.
제7항에 있어서,
상기 프로세스부가 상기 의심 영상에 데이터가 은닉된 것으로 판별한 경우, 상기 판별된 은닉 기법에 따라 상기 의심 영상으로부터 상기 은닉된 데이터를 추출하는 단계;를 더 포함하는 것을 특징으로 하는 데이터가 은닉된 영상을 탐지 및 추출하기 위한 방법.
제7항 내지 제9항 중 어느 한 항에 따른 데이터가 은닉된 영상을 탐지 및 추출하기 위한 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.