针对视频运动向量隐写的深度神经网络检测方法

现有的深度神经网络隐写检测技术主要针对数字图像隐写,但视频隐写与图像隐写存在很大差异,因此无法将用于图像隐写分析的深度神经网络直接用于视频隐写分析。为此,文中以修改运动向量的视频隐写为检测对象,在新型图像隐写分析网络SRNet基础上,设计了一种用于视频隐写检测的深度神经网络,构造了能准确反映运动向量隐写修改的输入矩阵。实验结果表明,文中提出的方法对中低码率的视频检测准确率明显高于两种传统的视频隐写分析方法,且对不同码率的视频检测性能平稳。     

基于Multiwavelet广义高斯模型的图像盲隐写分析

针对目前图像盲隐写分析中提取的特征的有效性不高问题,提出了一种新的基于Multiwavelet广义高斯模型的图像盲隐写分析算法.采用Multiwavelet变换对样本图像进行多尺度分解,并使用广义高斯模型对每个子带的Multiwavelet系数进行建模,提取参数特征.利用这些参数特征训练支持向量机SVM(support vector machine)构成盲隐写分析算法的分类检测器.通过对大量图像样本进行测试,实验结果表明,和经典的Farid方法相比,提出的盲隐写分析算法提取的图像特征更加有效,具有更高的正确检测率.     

一种基于LSB隐写算法的图像盲检测方法

在隐写技术被动检测模式下,用数学方程对LSB图像隐写算法进行抽象和建模,定量分析被检测图像的隐写信息边界情况,根据隐藏信息的比特数推出隐藏信息的检测概率和误检概率的表达式,提出一种基于LSB隐写的图像盲检测方法。基于LSB隐写的盲检测方法在LSB隐写算法嵌入图像的隐藏信息超过一定范围时,可以有效分辨出原始图像和隐藏信息。     

基于相邻直方图的LSB替换隐写分析算法

提出一种新的针对空域LSB替换隐写的检测算法。LSB替换隐写通过改变图像的像素灰度值的最低意义位的值来达到嵌入秘密信息的目的。LSB替换隐写时会引起像素灰度值间的不对称,根据这个特点,提出基于相邻像素直方图的隐写分析算法。该方法易于实现,物理意义直观。实验结果表明该法具有较好的检测能力。     

面向隐写分析的图像富模型特征的改进

针对内容自适应隐写的最佳检测器是经载体图像集与相应隐写图像集训练的集成分类器,训练图像由基于残留噪声的富模型(一族特征)表示。最近研究显示,通过在富模型特征中融入对载体像素的嵌入修改概率,这种内容自适应要素可以提高检测准确度。由于每个残噪样值依赖其周边一整块像素,因此应把对残噪本身而不是对决定残噪的像素的嵌入影响融入富模型特征之中。基于这种认识,提出用残留噪声L1失真的期望值取代像素的嵌入修改率以提高检测准确度。针对当前三种先进的内容自适应隐写算法进行实验,这种新的改进思想得到了实验结果的支持。     

基于运动矢量的视频隐写算法

视频信息隐藏是一种将秘密信息嵌入到视频中实现隐蔽传输的技术.基于运动矢量(motion vector,MV)的视频隐写造成的运动矢量特性异常容易被隐写分析所检测,隐蔽通信的安全性降低.为了保持运动矢量相邻相关性和局部最优性,提出了一种基于运动矢量的视频隐写算法能够降低对运动矢量特性的破坏.首先,实验验证已有基于运动矢量的视频隐写算法对运动矢量不同分量的影响存在差异.然后,引入归一化互信息(normalized mutual information,NMI)衡量运动分量的相邻相关性,根据载体选择策略选择相邻相关性小的分量作为嵌入载体.最后,定义宏块纹理复杂度作为载体修改的失真代价,利用校验格编码(syndrome-trellis code,STC)对载体进行信息嵌入.实验结果表明,隐写视频的峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)降低不超过0.4％,一般低于0.25％;比特率增加0.29％ ～2.35％;算法被相关异常特征检测的错误率较高,具有更均衡的安全性.可见,算法各项性能指标表现良好,具有较好的抗隐写分析能力,隐写视频不可感知性较好.     

基于小波纹理分析的隐写分析研究

提出一种基于模型的隐写分析技术．图像的小波子带分解系数纹理可以建模为两参数广义高斯分布．同时采用极大似然方法进行两个参数的估计．分析发现隐写将改变图像的纹理特性,从而可以从子带分布模型参数的变化中判断是否隐藏信息．采用神经网络、支持向量机,回归分析和费歇尔判别分析分别进行比较验证．试验结果表明方法的有效性,同时对各分类器的性能进行了评价．     

规避预处理的隐写载体选择

在隐写术流程中,载体的选择在很大程度上影响着隐写系统的安全性。实验表明,经过预处理后的图像在用于隐写嵌入后会导致隐写安全性大幅降低。当给出较多备选图像时,可以选取多张图像用于进行隐写来提升隐写系统安全性。利用深度神经网络模型筛选出备选图像中已被预处理过的图像,根据深度神经网络输出赋予备选图像预处理失真,并结合传统的嵌入失真算法选择出最适合隐写的多幅图像进行隐写。与其他多载体隐写载体选择方案相比,所提出的载体选择方案在备选图像中含有预处理图像的情形下有着较好的表现,能够显著提升隐写系统安全性。     

采用预测编码的图像隐写分析算法

通过分析图像无损压缩过程中预测编码的原理,提出了一种基于预测编码方法的空域图像隐写分析算法。该算法的基本思想是利用空域隐写会破坏图像相邻像素之间的相关性,而预测编码是利用图像相邻像素之间的相关性来预测的,这样隐写后图像的预测误差将会大于载体图像的预测误差,通过计算隐写前后图像的预测误差来分析图像中是否含有秘密信息。实验表明:基于预测编码的图像隐写分析具有较好的隐写分析能力。     

一种基于粗糙集属性约简的图像隐藏信息检测方法

基于统计分析的检测方法是图像隐藏信息检测常用的方法,与特定隐写分析方法相比,它比较灵活,能够快速地适应新的或未知的隐写算法.针对特征属性高维的特点,采用粗糙集属性约简的方法来降低数据规模.实验表明:与采用全部属性的检测系统相比,该方法在不影响分类精度的前提下有效提高了检测速度.     

IP语音隐写及隐写分析研究

随着IP语音(voice over IP, VoIP) 的快速发展,基于VoIP的隐写及其隐写分析逐渐成为信息安全领域的研究热点。总结和分析了近年来的IP语音隐写和隐写分析相关研究,并探讨该领域未来的研究方向。IP语音隐写根据其隐藏信息位置不同,可分为基于协议的隐写及分析和基于语音载荷的隐写及分析。前者是利用IP语音中的各类协议为载体,将信息嵌入到协议头部中的某些字段或通过调制IP语音包的时序来实现;后者则是通过修改语音载荷实现信息隐藏,包括基于最低有效位(least significant bit, LSB)的隐写,基于量化索引调制(quantized index modulation, QIM)的隐写和基于语音变化域回声等隐写。从协议和语音载荷两方面对IP语音分析技术进行了分类介绍。前者可分为协议头分析、时间序列分析、编码调制分析3类。后者包括基于特点语音参数（如线性预测参数、固定码本参数、自适应码本参数和所有参数）的隐写分析和基于语音信号处理的隐写分析方法。     

基于相关性与纹理度量的SVM隐写分析算法

为提高图像信息隐藏正确检测率,扩展隐写分析算法的适用范围,提出了一种新的基于最低有效位(LSB)的隐写分析方法,引入了一组基于相邻像素相关性和图像纹理复杂度的差值关系的高阶统计矩作为特征矢量。基于此特征量构造分类器,采用支持向量机(SVM)进行训练和分类。对1 600幅BMP图像在不同嵌入率情形下进行仿真实验,并与经典的RS(regular singular)隐写算法和GPC(gray-levelplane crossing)算法进行对比分析。结果表明,针对原始无损存储图像,基于该文建立的分类器的准确率高于目前的主流算法识别掩密图像,具有较可靠的盲检测性能。     

基于消息认证码的网络隐写分析算法与实现

提出了一种与应用层协议无关的网络隐写算法,算法基于IP协议。隐写数据以包为单位发送,而不是将数据隐藏在具体的字段中,因此性能较好。同时,该算法不会产生异常流量,因此很难被隐写分析检测出来。实验结果表明了该算法的可行性。     

一种基于深度学习的移动端隐写方法

隐写是隐蔽通信的主流方法之一,而移动端则是当下最常用的通信设备,二者的结合研究具有较高的实际意义.近年来,基于深度学习的隐写方法得到快速发展,然而在性能提升的同时,各类网络结构向着更复杂、庞大的方向演变,逐渐脱离以隐蔽通信为核心的实际应用场景,实用性较低.针对这一现象,本文提出一种适用于移动端的轻量级图像隐写方法.对网络整体进行轻量化设计,结合深度可分离卷积降低模型计算量,在精度和速度之间取得较好的折中平衡.以生成对抗网络的思想,将编码器、解码器和判别器构成的整体模型纳入对抗训练中,使子网络在迭代对弈中实现螺旋式上升发展.为应对真实环境下的各类挑战,模型被落地部署于移动设备上进行真机实验.在移动端,精简后的模型性能会出现小幅下降.对此,在方法中引入BCH纠错码以确保正确提取信息.实验结果表明,该移动端隐写方法生成图像质量好,且具有较高的响应速度,能满足现代社会中人们对便捷性的高要求.值得注意的是,该方法的所有计算工作均可在移动端独立完成,不需要通过网络请求服务器,能避免网络窃听攻击.     

基于后验概率的LSB隐写分析

LSB隐写是将欲嵌入的秘密信息取代载体图像的最低比特位,是图像隐写最流行的方式之一。已经有大量算法来检测LSB隐写,但是对于图像最低位变化率的估计误差较大。探讨了一种基于后验概率的隐写分析算法：首先利用图像像素是否处于局部平滑区域进行建模,然后采用EM算法估计出图像中每个像素属于上述模型的后验概率并将后验概率作为此像素的权重,最后结合WS模型来估计图像最低位变化率。实验结果表明,该算法能有效地并且准确的估计图像最低位变化率,并且有较好的效果。     

基于LSSVM的JPEG图像隐写分析算法

构造了一种基于最小二乘支持向量机的针对JPEG图像的隐写分析方法，在DCT域和空间域上提取了JPEG图像的18维特征向量，利用LSSVM构建分类器，并根据嵌入算法的种类设定分类器的输出，以达到检测秘密信息的存在性和判别使用何种隐写算法实施信息嵌入的目的，针对Jsteg，F5，MB三类最常用的JPEG图像隐写算法进行了二分类和四分类的实验，结果表明，构建二分类器进行载密图像检测时，正确率较高；构建多分类器检测载密图像、判断其使用的隐写算法时，对于高嵌入量的载密图像有着较高的判断正确率。     

一种基于无监督学习的MB1隐写分析方法

为了提高针对混杂小样本集的MB1隐写算法的检测率,提出了一种泛化能力较强的MB1隐写分析方法.通过分析多种图像特征,在离散余弦变化(DCT)域选取对隐写敏感易变的特征,包括变分特征、块边界度量特征、共生矩阵特征和马尔可夫特征组成的108维特征向量,并以无监督学习中的支持向量数据描述法(SVDD)为分类器,使用含有混杂样本的小样本集进行训练,测试算法对隐写图像的检测率.实验结果表明,当检测相对嵌入率为40%以上的隐写图像时,检测率可靠度达到96%以上,明显高于其他2种基于支持向量机的经典算法.这说明本方法打破了其他方法对训练样本集的限制,提高了对混杂小样本集的MB1隐写算法的检测率.但由于它对混杂样本具有一定的容忍度,对较小嵌入率的隐写图像的检测率稍低.     

基于位平面随机性测试的隐写分析算法

为有效检测图像中是否含有隐秘信息,提出了一种基于位平面随机性测试的隐写分析算法。该算法利用希尔伯特(H ilbert)扫描将图像最低和次低位平面转化为一维的二值序列,并分别对其进行14项随机性测试。利用测试结果组成28维图像特征向量,构造支持向量机分类器实现对载密图像的可靠检测。多次实验证明:该算法对于空域LSB类隐藏算法嵌入信息在0.05 b/p以上的载密图像具有95%以上的检测率,并且对于频域隐写技术F5也是有效的。     

一种基于混合蛙跳优化的JPEG图像隐写算法

在JPEG图像中隐写会引起图像DCT系数直方图变化和分块效应比,分析者可以根据这些特征变化察觉到秘密信息的存在。为了提高隐写的安全性,提出了一种基于混合蛙跳优化的JPEG图像隐写算法。对图像进行分块处理后,在每个块中采用混合蛙跳优化算法,寻找最优的置换矩阵来替换秘密信息。在隐写过程中,将置换矩阵和置换后的秘密信息隐藏于修改了量化表的DCT系数中,算法不需传递其他边缘信息。仿真实验表明,所提出的隐写算法与修改量化表隐写算法,基于粒子群优化隐写算法相比,在隐写容量增大的同时,具有更高的安全性。     

对RS攻击的分析及抗RS攻击的隐写算法

基于位图的隐写分析方法较有效的检测算法是RS法，其检测率达到0．05bpp。通过对RS法的分析，提出一种针对该方法的隐写算法，使隐藏率达到0．2bpp。