基于卷积神经网络的隐写分析技术研究

发布时间：2020-04-25 19:07

【摘要】：随着隐写算法的不断发展进步,使得信息隐藏的安全性和隐蔽性越来越高,越来越多的隐写算法被应用于信息隐藏之中。然而,隐写算法除了用于版权认证、军事隐蔽通信等正当用途之外,也有可能被滥用于各种破坏社会稳定的非法活动中。隐写算法是一把双刃剑,需要合理使用。通用隐写分析技术,主要是利用图像中的某些特征变化结合监督学习,构建出基于特征的图像分类器,然后判定图像是否含有隐秘信息。然而传统的通用隐写分析技术正面临着图像特征越来越复杂,人工设计越来越困难这一问题。基于卷积神经网络的通用隐写分析技术正是为了解决此问题而生,也是目前隐写分析技术研究的热点和难点之一。本文主要研究基于卷积神经网络的通用隐写分析模型,利用了图像邻域像素相关性以及通道间相关性等特征,分别可检测灰度图变换域载密图像和彩色图变换域载密图像。本文主要的贡献如下:1)滤波器是卷积神经网络的重要组成部分,然而前人并没有给出如何选择滤波器。本文提出了帮助选择卷积神经网络滤波器的评判指标。卷积神经网络的隐写分析模型的性能很大程度上依赖于滤波器设计的好坏,该指标能够有助于筛选出合适的滤波器。实验结果表明,本文提出的滤波器评判指标能指导滤波器的选择,提升模型的性能。2)前人对于卷积神经网络与隐写分析结合的研究成果几乎都集中于灰度图空域,仅有的灰度图变换域隐写分析模型HCNN的结构较为复杂,包含了量化、截断的操作以及并行的子网络结构。基于此,本文提出了一个基于卷积神经网络的灰度图变换域隐写分析模型,称为JPEGCNN。本文在HCNN的基础上,优化了滤波器的设计,同时简化了模型结构。实验结果表明,JPEGCNN能较好地检测Jsteg、nsf5、MB1、MB2,J-UNIWARD等灰度图变换域隐写算法。相对于HCNN,JPEGCNN简化了结构,参数量下降为HCNN的二十分之一,同时依然能够保持检测精度不下降。3)现实中大部分场景使用的图像为彩色图像,然而针对彩色图像的基于卷积神经网络的隐写分析模型尚未有人研究。通过研究和设计不同的特征提取方式,将针对灰度图变换域的隐写分析模型JPEGCNN扩展到彩色图变换域,本文统称为COLOR-JPEGCNN。COLOR-JPEGCNN细分又可分为,基于RGB三通道融合的RGBMERGE-JPEGCNN模型,基于RGB三通道叠加的RGBADD-JPEGCNN模型和基于RGB三通道间关系的CHANNEL-JPEGCNN模型。实验结果表明,COLOR-JPEGCNN能较好地检测Color-Jsteg、Color-nsf5,Color-MB 1,Color-MB2,Color-J-UNIWARD等彩色图变换域隐写算法。
【图文】：

模型图,分析系统,模型,平移不变

图２－１通用隐写分析系统模型逡逑典型卷积神经网络模型逡逑积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ，邋ＣＮＮ）是一类包算且具有深度结构的前馈神经网络（Ｆｅｅｄｆｏｒｗａｒｄ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒ习的代表算法之一。由于卷积神经网络能够进行平移不变分类，因被称为“平移不变人工神经网络（Ｓｈｉｆｔ－Ｉｎｖａｒｉａｎｔ邋Ａｒｔｉｆｉｃｉａｌｒｋｓ，邋ＳＩＡＮＮ）。逡逑卷积神经网络的研宄可追溯至日本学者福岛邦彦（Ｋｕｎｉｈｉｋｏ邋Ｆｕｋｎｅｏｃｏｇｎｉｔｉｏｎ模型。在其１９７９和１９８０年［３］发表的论文中，，福岛皮层（ｖｉｓｕａｌ邋ｃｏｒｔｅｘ邋）设计了以“邋ｎｅｏｃｏｇｎｉｔｉｏｎ邋”命名的神经ｎｉｔｉｏｎ邋的隐含层由邋Ｓ邋层（Ｓｉｍｐｌｅ邋ｌａｙｅｒ）和邋Ｃ邋层（Ｃｏｍｐｌｅｘ邋ｌａｙｅｒ）中Ｓ层单元在感受野（ｒｅｃｅｐｔｉｖｅ邋ｆｉｅｌｄ）内对图像特征进行提取，Ｃ一

卷层,卷积滤波,卷积,感受野

数据）和卷积核（一组固定的矩阵权重，可以看成是一个固定的滤波器）做内积逡逑（逐个元素相乘之后再求和）的操作。卷积神经网络的名字来源于此操作。逡逑以代表卷积操作，设卷积核每次移动的步长为１，图２－２展示了最基本逡逑的二维卷积计算的过程。卷积核依次在图像上滑动，与图像对应位置的值做内积。逡逑９逡逑
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;TP309.7

【相似文献】