【技術實現步驟摘要】
本專利技術涉及信息隱藏，特別是針對生成式隱寫的檢測方法。
技術介紹
1、圖像隱寫旨在將秘密信息隱藏在圖片載體中，以實現在不引起第三方注意的情況下進行信息傳遞。隱寫檢測的目的就是檢測通過隱寫術建立的秘密通信。以往的方法一般都是利用神經網絡模型對載體進行修改以隱藏秘密信息，然而只要存在原始載體，就不可避免地會留下隱寫痕跡，從而導致統計特征甚至視覺效果上的變化。隨著深度學習技術的出現，基于深度學習的隱寫方法也在不斷發展，出現了一種新的隱寫方法，稱為無載體隱寫，利用aigc(人工智能生成內容)技術的生成式隱寫就是無載體隱寫中應用最為廣泛的方法。將秘密信息進行編碼后作為噪聲向量輸入到生成模型中得到攜帶秘密信息的載體圖像。沒有與原始載體的比較，分析方難以識別隱寫痕跡。
2、現有的生成式隱寫方法包括gsn(p.wei,s.li,x.zhang,g.luo,z.qian,andq.zhou,in?mm’22:the?30th?acm?international?conference?on?multimedia.acm,2022,pp.1621-1629.)、ideas(x.liu,z.ma,j.ma,j.zhang,g.schaefer,and?h.fang,in?ieee/cvf?conference?on?computer?vision?and?pattern?recognition,cvpr.ieee,2022,pp.2293-2302.)、s2irt(yu,q.m.j.wu,z.fu,and?y.shi,ieee?trans
3、在隱寫檢測領域，隱寫分析方法也在不斷發展，如srnet(m.boroumand,m.chen,and?j.fridrich,ieee?trans.inform.forensic?secur.,vol.14,no.5,pp.1181-1193,may2019)、siastegnet(w.you,h.zhang,and?x.zhao,ieee?trans.inform.forensic?secur.,vol.16,pp.291-306,2021)等。然而，已有的隱寫檢測方法需要載體圖像和隱寫圖像成對鏈接來訓練網絡，通過比較兩者來學習復雜紋理中的隱寫信號。如果直接使用生成式隱寫圖像和其它普通生成圖像作為訓練集，現有的隱寫檢測方法往往會關注兩者不同的模型指紋而不是隱寫信號，雖然在當前數據集下可以達到很高的檢測準確率，但是一旦數據集發生改變，所訓練的模型就會失效。這是因為現有的隱寫檢測模型并未學習到生成式隱寫圖像與普通生成圖像有效的分類邊界。
技術實現思路
1、鑒于現有技術的以上不足，為了彌補現有技術在檢測生成式隱寫圖像上的空白，本專利技術提出了一種專門針對普通生成圖像和生成式隱寫圖像的檢測方案，使之不需要載體圖像和隱寫圖像成對鏈接來訓練網絡，從而防止利用生成圖像進行隱蔽通信。利用生成式隱寫圖像中不同圖像塊之間的互信息作為網絡的優化目標，并設計特征判別損失項來進一步指導網絡優化。預訓練的分類模型被用以提取圖像分類特征，從而提高網絡的檢測泛化性。
2、實現本專利技術的技術方案如下：
3、一種互信息引導的生成式隱寫檢測方法，利用生成式隱寫圖像中不同圖像塊之間的互信息作為網絡的優化目標建立互信息優化檢測模型，并添加特征判別損失項進一步指導模型的優化，利用在大規模數據集上預訓練過的圖像分類模型提取分類特征并用于最終的分類以提高模型的泛化性，最終獲得目標模型；包括以下主要步驟：
4、步驟1，被檢測圖像經過兩個并行的管道進行處理：一個用于提取圖像特征，另一個用于提取分類特征；提取圖像特征時將圖像分為兩組大小相等的圖像塊，以便隨后提取兩組特征向量；提取分類特征時將圖像放縮為分類模型所要求的尺寸，以適應預訓練模型的權重參數；
5、步驟2，由步驟1所得圖像塊進入提取網絡eω，基于提取網絡eω的孿生網絡架構，分為兩個子網，兩個子網共享權重，預處理后的兩組圖像塊輸入圖像特征提取網絡eω產生兩組128維圖像特征f1,f2；
6、步驟3，與步驟2同時，將放縮后的被檢測圖像輸入到在大規模數據集上預訓練好的分類模型中，得到分類特征fcla；為了保證來自大規模數據集的信息不被覆蓋，在訓練過程中，分類模型中全連接層之前的權重參數保持凍結狀態；
7、步驟4，兩組圖像特征f1,f2輸入到互信息估計器tθ中計算互信息；
8、由互信息神經估計器tθ計算兩個圖像特征f1,f2的互信息i(f1；f2)：
9、
10、表示被隨機置亂后的f2向量，互信息估計器tθ的網絡結構由兩個全連接層和relu激活函數組成，計算出的互信息i(f1；f2)使用sigmoid函數映射到(0,1)范圍:
11、
12、步驟5，與步驟4同時，將兩組圖像特征f1,f2分別輸入到特征相似判別器中評估特征的相似度s，利用特征相似判別器的輸出結果和來估計f1,f2的散度，作為兩者的相似度指標：
13、
14、由上式可知，使用特征相似判別器來估計散度是對稱的，不需要考慮確定哪個特征分布作為參考向量。特征相似判別器的結構與互信息估計器相似，由兩個全連接層、relu激活函數和一個sigmoid函數組成；
15、步驟6，融合兩組圖像特征f1,f2，計算f1,f2各維度的最大值、最小值、平均值和方差。將這四個統計向量串聯起來用于后續的分類；最終用于分類的特征包括兩組特征向量的四個統計向量、計算所得的互信息結果i(f1；f2)和特征相似度s、預訓練模型輸出的分類特征fcla，將它們輸入到分類層fc得到輸入圖像的檢測結果output，即識別被檢測圖像是否為生成式隱寫圖像，公式如下：
16、output＝fc(fusion(f1,f2),i(f1；f2),s,fcla)
17、步驟7，計算損失函數，通過反向傳播來優化網絡；
18、根據互信息估計器得到的互信息i(f1；f2)計算互信息損失項
19、
20、這里的y表示輸入圖像的真實標簽{0,1}，其中0代表普通生成圖像，1代表生成式隱寫圖像。本文檔來自技高網...
【技術保護點】
1.一種互信息引導的生成式隱寫檢測方法，利用生成式隱寫圖像中不同圖像塊之間的互信息作為網絡的優化目標建立互信息優化檢測模型，并添加特征判別損失項進一步指導模型的優化，利用在大規模數據集上預訓練過的圖像分類模型提取分類特征并用于最終的分類以提高模型的泛化性，最終獲得目標模型；包括以下主要步驟：
【技術特征摘要】
1.一種互信息引導的生成式隱寫檢測方法，利用生成式隱寫圖像中不同圖像塊之間的互信息作為網絡的優化目標建立互信息優化檢測模型，并添加特征判別損失項進...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。