PDF《一种基于权重融合的 JPEG 隐写分析方法》

i n t e g r a t i o n ;

c l a s s i f i e r ;

w e i g h t s

1 引言隐写分析[

1 G 3] ( s t e g a n a l y s i s ) 的目的是检测隐 秘载体中秘密信息的存在性, 进而估计出秘密信 息的嵌入比率和嵌入位置, 最终提取出秘密信息. 其中, 秘密信息检测是嵌入比率估计和秘密信息 提取的前提, 也是当前隐写分析技术研究的热点 问题.它通常采用基于统计的方法, 通过挖掘载 体图像和隐写图像间 的统计差异构造特征向量 集, 采用分类器进行隐写判别.因此, 隐写分析实 质上是多维特征空间的模式分类器, 设计与特征 空间相匹配的分类器对于提高算法的检测效果具 有十分重要的意义. 隐写分析技术主要包括专用隐写分析和通用 隐写分析两大类[

1 G

3 ] , 一般来说, 专用隐写分析只对 特定的方法有效;

通用隐写分析对几种隐写方法都 有效, 甚至对新的未知方法也有效.专用隐写方法 主要有基于 L S B的专用隐写分析和基于J P E G 域 的专用隐写分析.通用隐写分析主要包括基于图 像质量、 基于统计矩和基于相邻像素相关性的隐写 分析.本文提出方法属于通用隐写分析. 在文献[

4 ] 中, F r i d r i c h等人提出一种集成分 类隐写分析方法, 将模式识别领域的集成分类器 运用到图像通用隐写分析中, 实验证明, 集成隐写 分析可以在计算时间和精确度上有很大的提升. 但存在以下几点可以改进的地方: (

1 ) 没有考虑基 分类器之间的差异性, 构造基分类器的方法比较 简单, 可以优化训练集的构造方法和子特征空间 的构造方法;

(

2 ) 集成分类策略很简单, 赋予每个 基分类器相同的权重.基于以上两点, 本文设计 了新的集成隐写分析算法, 算法以 C C G P E V 为特 征对图像进行描述并作为隐写分析特征;

然后, 随 机构造若 干个特征子空间, 用bootstrap方法构造图像训练子集, 分别进行训练得到数个基分类 器;

最后, 根据基分类器的分类结果赋予基分类器 不同的权重, 最后将基分类器的结果按照其权重 进行融合得到最终的结果.实验结果表明, 赋予 基分类器权重能够显著地提高算法准确率.

2 特征空间设计 校准是攻击 F 5隐写算法时提出来的一个新 概念.随后, 校准成了J P E G 通用盲隐写分析中 不可或缺的一个环节, 实验证明, 它可以有效提高 隐写分析的检测率.J a nK o d o v s k y 等[ 5] 对校准 的原因 及步骤进行研究.在本文算法中, 采用PEV特征的校准特征 C C G P E V [ 5] , 现有的实验结 果表明, 在特征空间中尽可能将不同类型的特征 组合在一起可以有效提高检测率, P E V 特征是由 几种不同类型特征组合在一起的, P E V 的特征类 型和校准过程如表1和图1所示. 表1 P E V特征类型 T a b ?

1 P E Vf e a t u r e t y p e F e a t u r e D i m e n s i o n a l i t y G l o b a l h i s t o g r a m Hl

1 1 F i v eA Ch i s t o g r a m sh i j l 5*1

1 1 1d u a l h i s t o g r a m sg d i j

1 1*9 V a r i a t i o nV

1 T w ot y p e so fb l o c k i n e s sB α

2 C o G o c c u r r e n c em a t r i xC i j 5*5 M a r k o vf e a t u r e sMi j 9*9 图1 P E V 特征校准过程示意图 F i g ?1 P E Vc h a r a c t e r i s t i c s o f t h e c a l i b r a t i o np r o c e s s s c h e G m a t i c

3 集成分类器

3 ?

1 基分类器 S VM 分类器训练的复杂性, 使得训练过程变 得更长, 训练复杂性更高, 同时, 复杂的训练过程 也限制了训练特征的维数.为了提高计算效率, 减小特征维数限制, 本方法采用 F i s h e r线性分类 器作为基分类器, F L D 分类器可以不考虑特征维