基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域,尤其涉及基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法。
【背景技術(shù)】
[0002] 隨著近年來(lái)媒體資源的數(shù)字化以及互聯(lián)網(wǎng)的迅速發(fā)展和應(yīng)用,數(shù)字圖像的獲取以 及在網(wǎng)絡(luò)上的交換與傳輸變得十分容易與普遍。從而也為基于數(shù)字圖像的信息隱藏提供了 便利條件。隱寫(xiě)術(shù)用于將秘密信息嵌入到正常載體中而不改變載體的感知特性,從而實(shí)現(xiàn) 隱秘傳輸信息。隨著信息隱藏技術(shù)的蓬勃發(fā)展,出現(xiàn)了大量隱寫(xiě)方法。人們可以方便地獲取 和使用多種隱寫(xiě)工具在Internet上互通消息。隱寫(xiě)術(shù)的濫用帶來(lái)了日益突出的信息安全 問(wèn)題,給國(guó)家和社會(huì)帶來(lái)了潛在的嚴(yán)重危害。這使得社會(huì)對(duì)數(shù)字圖像的隱寫(xiě)分析技術(shù)的需 求十分迫切。數(shù)字圖像隱寫(xiě)分析(DigitalImageSteganalysis)的目的是通過(guò)對(duì)圖像數(shù) 據(jù)進(jìn)行分析來(lái)判斷圖像中是否含有額外的隱秘信息,甚至可以估計(jì)信息嵌入量、估計(jì)密鑰、 獲取隱秘信息等。通過(guò)圖像隱寫(xiě)分析可以發(fā)現(xiàn)隱藏信息的圖像,從而有效監(jiān)督隱寫(xiě)術(shù)的使 用、防止隱寫(xiě)術(shù)的非法應(yīng)用,對(duì)于網(wǎng)絡(luò)信息安全有重大意義。
[0003] 目前,隱寫(xiě)分析技術(shù)主要有兩大類(lèi):針對(duì)特定隱寫(xiě)工具或某一類(lèi)嵌入技術(shù)的專(zhuān)用 方法和不針對(duì)特定嵌入方法的通用方法。專(zhuān)用方法一般檢測(cè)率都很高,但實(shí)用性不強(qiáng),因?yàn)?實(shí)際應(yīng)用中不能窮舉所有的隱藏算法。與此同時(shí),新的隱寫(xiě)算法在不斷出現(xiàn),通用隱寫(xiě)分析 的重要性日益突出,近些年來(lái)對(duì)該類(lèi)方法的研宄明顯加強(qiáng)。通用的隱寫(xiě)分析技術(shù)又稱(chēng)為盲 檢測(cè)技術(shù),其通常是基于特征的模式分類(lèi)方法,包括特征提取和分類(lèi)器訓(xùn)練兩個(gè)步驟。目前 的通用隱寫(xiě)分析方法的檢測(cè)準(zhǔn)確率主要取決于人工特征設(shè)計(jì)。在當(dāng)前的圖像隱寫(xiě)分析領(lǐng) 域,關(guān)于特征設(shè)計(jì)的方法較多,典型的如文獻(xiàn)[J.FridrichandJ.Kodovsky,〃RichModels forSteganalysisofDigitalImages,〃IEEETrans,onInfo.ForensicsandSecurity ,vol. 7(3),pp. 868-882, 2012]和[V.HolubandJ.Fridrich,"Randomprojectionsof residualsfordigitalimagesteganalysis,"IEEETransactionsonInformation ForensicsandSecurity,vol. 8,no. 12,pp. 1996 - 2006, 2013.]這些特征的設(shè)計(jì)篩選,參 數(shù)的設(shè)置非常依賴(lài)于特定的數(shù)據(jù)集,且需要花費(fèi)大量的時(shí)間精力,且對(duì)人的經(jīng)驗(yàn)知識(shí)有很 高要求。實(shí)際應(yīng)用中,現(xiàn)實(shí)圖像數(shù)據(jù)的復(fù)雜性及多樣性,給特征設(shè)計(jì)帶來(lái)更多挑戰(zhàn)。
[0004] 近年來(lái),隨著深度學(xué)習(xí)的研究進(jìn)展,利用深度學(xué)習(xí)方法從圖像數(shù)據(jù)中自動(dòng)學(xué)習(xí) 特征在識(shí)別與分類(lèi)等問(wèn)題中得到了廣泛的關(guān)注和應(yīng)用。深度學(xué)習(xí)是通過(guò)訓(xùn)練含有多層 非線性結(jié)構(gòu)的網(wǎng)絡(luò)模型來(lái)實(shí)現(xiàn)特征學(xué)習(xí)的一類(lèi)機(jī)器學(xué)習(xí)方法,其可以將特征提取與分 類(lèi)融合到一個(gè)網(wǎng)絡(luò)模型中,通過(guò)訓(xùn)練整個(gè)網(wǎng)絡(luò)來(lái)優(yōu)化模型參數(shù),同時(shí)實(shí)現(xiàn)特征學(xué)習(xí)和分 類(lèi)。典型的深度學(xué)習(xí)方法如文獻(xiàn)[HintonGE,SalakhutdinovRR."Reducingthe dimensionalityofdatawithneuralnetworks,"Science,2006, 313 (5786) : 504-507.] 和[KrizhevskyA,SutskeverI,HintonGE."Imagenetclassificationwithdeep convolutionalneuralnetworks,"Advancesinneuralinformationprocessing systems. 2012:1097-1105]〇
【發(fā)明內(nèi)容】
[0005] 本發(fā)明提供一種基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,以實(shí)現(xiàn)通過(guò)自動(dòng)學(xué)習(xí)創(chuàng)建盲 檢模型且能較準(zhǔn)確的辨別隱寫(xiě)圖像的圖像隱寫(xiě)檢測(cè)方法。
[0006] 本發(fā)明提供一種基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,包括:
[0007] 對(duì)訓(xùn)練集中對(duì)應(yīng)有隱寫(xiě)類(lèi)標(biāo)記或真實(shí)類(lèi)標(biāo)記的圖像用高通濾波器進(jìn)行濾波,以獲 得包括隱寫(xiě)類(lèi)殘差圖像和真實(shí)類(lèi)殘差圖像的訓(xùn)練集;
[0008] 對(duì)所述訓(xùn)練集在深度網(wǎng)絡(luò)模型上進(jìn)行學(xué)習(xí),以獲得訓(xùn)練后的深度網(wǎng)絡(luò)檢測(cè)模型;
[0009] 對(duì)待檢圖像用所述高通濾波器進(jìn)行濾波,以獲得待檢殘差圖像;
[0010] 在所述深度網(wǎng)絡(luò)檢測(cè)模型上對(duì)所述待檢殘差圖像進(jìn)行檢測(cè),以確定待檢殘差圖像 是否為隱寫(xiě)圖像。
[0011] 本發(fā)明的有益效果為:
[0012] 本發(fā)明基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法本發(fā)明所述圖像隱寫(xiě)檢測(cè)方法通過(guò)對(duì) 預(yù)先標(biāo)記的圖像進(jìn)行濾波并組成訓(xùn)練集、進(jìn)而對(duì)訓(xùn)練集在深度神經(jīng)網(wǎng)絡(luò)上進(jìn)行訓(xùn)練、以獲 得針對(duì)非特定類(lèi)別圖像特征的通用性高的圖像隱寫(xiě)檢測(cè)模型,實(shí)現(xiàn)了通過(guò)自動(dòng)學(xué)習(xí)創(chuàng)建盲 檢模型、且能較準(zhǔn)確的辨別隱寫(xiě)圖像。
【附圖說(shuō)明】
[0013] 圖1為本發(fā)明基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法實(shí)施例一的流程圖;
[0014] 圖2為本發(fā)明基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法實(shí)施例一的流程框圖;
[0015] 圖3為本發(fā)明基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法實(shí)施例一中深度卷積神經(jīng)網(wǎng)絡(luò) 的結(jié)構(gòu)圖;
[0016] 圖4為本發(fā)明基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法實(shí)施例一中各步驟所涉及的圖 像;
[0017] 圖中,圖4(a)-訓(xùn)練集中對(duì)應(yīng)真實(shí)類(lèi)標(biāo)記的圖像集,圖4(b)-隱寫(xiě)類(lèi)待檢圖像一 例,圖4 (c)-待檢圖像濾波所得殘差圖像一例。
【具體實(shí)施方式】
[0018] 圖1是本發(fā)明基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法實(shí)施例一的流程圖,圖2為本發(fā) 明基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法實(shí)施例一的流程框圖,圖3為本發(fā)明基于深度學(xué)習(xí)的 圖像隱寫(xiě)檢測(cè)方法實(shí)施例一中深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖;如圖1、圖2和圖3所示,本發(fā) 明基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法包括:
[0019] S101、對(duì)訓(xùn)練集中對(duì)應(yīng)有隱寫(xiě)類(lèi)標(biāo)記或真實(shí)類(lèi)標(biāo)記的圖像用高通濾波器進(jìn)行濾 波,以獲得包括隱寫(xiě)類(lèi)殘差圖像和真實(shí)類(lèi)殘差圖像的訓(xùn)練集;優(yōu)選的,所述圖像為灰度圖 像,所述圖像的大小為256X256 ;
[0020] 優(yōu)選的,所述用高通濾波器進(jìn)行濾波包括對(duì)圖像I用公式(1)所示濾波核模板K 進(jìn)行卷積操作:
[0021]
【主權(quán)項(xiàng)】
1. 一種基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,其特征在于,包括: 對(duì)訓(xùn)練集中對(duì)應(yīng)有隱寫(xiě)類(lèi)標(biāo)記或真實(shí)類(lèi)標(biāo)記的圖像用高通濾波器進(jìn)行濾波,以獲得包 括隱寫(xiě)類(lèi)殘差圖像和真實(shí)類(lèi)殘差圖像的訓(xùn)練集; 對(duì)所述訓(xùn)練集在深度網(wǎng)絡(luò)模型上進(jìn)行學(xué)習(xí),以獲得訓(xùn)練后的深度網(wǎng)絡(luò)檢測(cè)模型; 對(duì)待檢圖像用所述高通濾波器進(jìn)行濾波,以獲得待檢殘差圖像; 在所述深度網(wǎng)絡(luò)檢測(cè)模型上對(duì)所述待檢殘差圖像進(jìn)行檢測(cè),以確定待檢殘差圖像是否 為隱寫(xiě)圖像。
2. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,其特征在于,所述深度 網(wǎng)絡(luò)模型為深度卷積神經(jīng)網(wǎng)絡(luò)CNN。
3. 根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,其特征在于,所述深度 卷積神經(jīng)網(wǎng)絡(luò)CNN包括依次以輸入輸出相互級(jí)聯(lián)的至少兩個(gè)卷積層、至少一個(gè)全連接層和 一個(gè)輸出層。
4. 根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,其特征在于,所述卷積 層中的元素的激活函數(shù)為高斯函數(shù)。
5. 根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,其特征在于,所述全連 接層中元素的激活函數(shù)為ReLU函數(shù)(6): f(x) =max(0,x) (6) 〇
6. 根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,其特征在于,所述輸出 層中元素的激活函數(shù)為softmax函數(shù)(8):
7. 根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,其特征在于,所述對(duì)訓(xùn) 練集在深度網(wǎng)絡(luò)模型上進(jìn)行學(xué)習(xí)包括對(duì)所述卷積層對(duì)應(yīng)的池化窗口執(zhí)行平均池化操作。
8. 根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,其特征在于,所述對(duì)所 述訓(xùn)練集在深度網(wǎng)絡(luò)模型上進(jìn)行學(xué)習(xí),以獲得訓(xùn)練后的深度網(wǎng)絡(luò)檢測(cè)模型包括: 根據(jù)反向傳播算法通過(guò)最小化式(9)所示函數(shù)對(duì)所述訓(xùn)練集在深度卷積神經(jīng)網(wǎng)絡(luò)上 進(jìn)行學(xué)習(xí),以獲得訓(xùn)練后的深度網(wǎng)絡(luò)檢測(cè)模型: -logZi(9) 其中,iG{1,2}。
9. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,其特征在于,所述高通 濾波器包括線性濾波核和非線性濾波核。
10. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,其特征在于,所述圖像 為灰度圖像。
【專(zhuān)利摘要】本發(fā)明提供一種基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)方法,包括:對(duì)訓(xùn)練集中對(duì)應(yīng)有隱寫(xiě)類(lèi)標(biāo)記或真實(shí)類(lèi)標(biāo)記的圖像用高通濾波器進(jìn)行濾波,以獲得包括隱寫(xiě)類(lèi)殘差圖像和真實(shí)類(lèi)殘差圖像的訓(xùn)練集;對(duì)所述訓(xùn)練集在深度網(wǎng)絡(luò)模型上進(jìn)行學(xué)習(xí),以獲得訓(xùn)練后的深度網(wǎng)絡(luò)檢測(cè)模型;對(duì)待檢圖像用所述高通濾波器進(jìn)行濾波,以獲得待檢殘差圖像;在所述深度網(wǎng)絡(luò)檢測(cè)模型上對(duì)所述待檢殘差圖像進(jìn)行檢測(cè),以確定待檢殘差圖像是否為隱寫(xiě)圖像。本發(fā)明所述圖像隱寫(xiě)檢測(cè)方法能實(shí)現(xiàn)通過(guò)自動(dòng)學(xué)習(xí)創(chuàng)建盲檢模型且能較準(zhǔn)確的辨別隱寫(xiě)圖像。
【IPC分類(lèi)】G06T7-00
【公開(kāi)號(hào)】CN104778702
【申請(qǐng)?zhí)枴緾N201510178034
【發(fā)明人】譚鐵牛, 董晶, 王偉, 錢(qián)銀龍
【申請(qǐng)人】中國(guó)科學(xué)院自動(dòng)化研究所
【公開(kāi)日】2015年7月15日
【申請(qǐng)日】2015年4月15日