一种基于C-MAC特征的AACHuffman域隐写分析方法
【技术领域】
[0001] 本发明属于数字媒体信息内容安全技术领域，特别涉及一种判别AAC音频是否经 过秘密信息隐写的方法。 技术背景：
[0002] 在移动通信中，各类音频和语音会话业务已经占据了巨大比例。3GPP组织指定采 用AAC(Advanced Audio Coding，高级音频编码)作为移动互联网的音频压缩编码标准之 一，使得AAC压缩音频数据在网络上被大量的传播，同时面向AAC音频的隐写算法也逐渐涌 现，给音频隐写分析带来了新的挑战。与MP3相比，AAC的压缩性能更加高效，已经被各大平 台所支持，如YouTube，iPhone等。AAC的隐写嵌入域主要包括MDCT系数、量化参数以及 Huff man域等。AAC音频Huffman编码过程是对量化后MDCT系数进行无损压缩编码，通过对 MDCT系数进行比例因子带划分和分区合并，为每个比例因子带选择合适的码书进行编码， 实现数据的高效压缩。通过对已有的针对Huffman域的隐写算法进行分析发现，平均嵌入容 量可达到0.6Kb/s。由于隐写算法仅对码书的选择进行调整，且Huffman编码是无损编码，因 此通过对Huffman码书的修改不会对听觉感知造成影响，具有良好的隐蔽性和嵌入容量。
[0003] 目前针对AACHuffman域的隐写分析方法还未见公开文献。由于Huffman域隐写算 法仅对比例因子带码书进行修改，并没有改变相应的MDCT系数值，因此现有的针对AAC音频 MDCT系数的隐写分析方法并不适用。
[0004] 在AAC首频Huffman编码过程中，码书的选择是以编码后比特数最少为目标的，而 针对Huffman域的隐写方法通过对码书的控制性选择，一定会导致码书之间的相关统计特 性发生变化。基于以上考虑，采用基于帧内相邻比例因子带码书的Markov转移概率矩阵作 为隐写分析特征，可实现针对Huffman域码书选择的隐写方法的有效检测。为了减少音频内 容对码书转移概率的影响，使特征更加稳定，引入重压缩校准机制来提高隐写分析特征的 敏感性。
【发明内容】
[0005] 本发明针对目前面向AAC隐写分析方法相对缺少的问题，本发明提出了一种C-MAC 特征的AAC Huffman域隐写分析方法。
[0006] 本发明所采用的技术方案是:一种基于C-MAC特征的AACHuffman域隐写分析方法， 其特征在于:针对AAC音频Huffman域的两种修改比例因子带码书的隐写算法，提出基于重 压缩校准的相邻比例因子带码书间转移概率的AAC隐写分析特征，采用支持向量机进行分 类预测，实现了面向AAC Huffman域的隐写分析;其具体实现包括以下步骤：
[0007] 步骤1:获得待测AAC音频片段此的码率R;
[0008] 步骤2:针对此中每个数据帧提取其比例因子带的码书序号，构建码书序列0:，计算 序列 Dj^MAC 特征 MAC-Fi;
[0009] 步骤3:对仏片段进行R码率重压缩，即对Ml进行解码，获得解码后的WAV音频，再对 WAV音频采用施的编码码率R进行AAC编码压缩获得校准后AAC音频M2;
[0010] 步骤4:对M2音频提取MAC特征MAC-F2;
[0011] 步骤5:计算MAC-F^MAC-F2的差值，获得施音频片段的C-MAC隐写分析特征；
[0012] 步骤6:分类器训练；
[0013]步骤7:隐写分析检测。
[0014] 作为优选，步骤2的具体实现过程为：
[0015] 将AAC音频帧中所有比例因子带码书序号记为S={C1. . .Cj. . .CN}，其中表示按 时序顺序排列在第j个位置的码书序号，W e [ 1，10];采用一阶Markov链对帧内比例因子带 码书序号S进行建模，用状态转移概率对码书出现的相关性进行量化表示；以码书的序号作 为Markov链的状态，则相邻码书之间状态的转移概率为：
[0017] 其中Pra/e表示当第j个码书序号是β时，第j+Ι个码书序号为α的概率：
[0018] 根据公式1，对于码书序列S，可获得一个102维的状态转移矩阵A1J:
[0020] 其中元素 eij表示序列S中第i个码书转移到第j个码书的概率，通过提取AAC音频中 帧内比例因子带Huffman码书Markov转移概率矩阵，即MAC特征矩阵，作为对Huffman码书修 改隐写分分类特征；
[0021] 作为优选，步骤5的具体实现包括以下子步骤：
[0022] 步骤5.1:引入重压缩校准机制构建C-MAC特征矩阵；
[0023] 将待测音频重压缩前后的MAC特征矩阵进行差值计算所获得的校准后MAC特征，即 C-MAC特征；
[0024] 步骤5.2:基于长短帧分布的特征融合；
[0025] 将AAC数据帧分为2个集合:长帧集合Fi和短帧集合Fs，对其分别构造 C-MAC特征矩 阵Μι和Ms，其中，M, = …,…,, = {s的，s圬sb/，...,5的}，为长 帧集合Fi中第i个比例因子带码书序号，N为内比例因子带数量，为短帧集合Fs中第j 个比例因子带码书序号，Μ为匕帧内比例因子带数量;在构建隐写分析特征时，对长帧集合h 和短帧集合Fs分别进行处理，提取总共2*10*10 = 200维隐写分析特征矩阵。
[0026] 作为优选，步骤6的具体实现包括以下步骤：
[0027] 步骤6.1:输入WAV样本，分别生成cover样本和对应的stego样本，并按照步骤5.1 中的方法提取C-MAC分类特征；
[0028] 步骤6.2:经过步骤6.1过程后，得到训练集样本和数量相等的两种不同嵌入算法 的载密样本，然后随机选择不同数量的stego样本和cover样本使用SVM分类器训练隐写分 析模型。
[0029] 作为优选，步骤7的具体实现包括以下步骤：
[0030] 步骤7.1:提取待测样本的隐写分析特征集合；
[0031 ]步骤7.2:将特征输入构建好的隐写分析模型，得到样本的隐写判断结果。
[0032]相对于现有技术，本发明的有益效果为：
[0033]根据目前调研结果，针对AAC Huffman域的隐写分析方法还未见公开文献，本发明 针对AAC Huffman域提出了一种新的隐写分析方法，针对基于Huffman码书的隐写方法具有 较好的检测效果，针对文献[1]和文献[2]的隐写算法，在相对嵌入率达到50%时，检测正确 率可达95%以上。并且，本发明提出的隐写分析方法具有较好的鲁棒性，不受编码码率及编 码器类型的影响。
[0034] [文献1 ] Zhu J，Wang R，Li J，et al · A Huffman coding sect ion-based steganography for AAC audio[J]. Information Technology Journal.2011,10(10)： 1983-1988.
[0035] [文南犬 2]Tang B T , Guo L , Liu Z H. An information hiding method in advanced audio coding(AAC)[J].Technical Acoustics,2008,27(4):533-538.
【附图说明】
[0036] 图1是本发明现有技术的AAC编解码流程图；
[0037] 图2是本发明实施例的载体音频与载密音频的MAC特征(96kbps，文献[1 ]算法）；
[0038] 图3是本发明实施例的载体音频与载密音频的MAC特征(96kbps，文献[2]算法）；
[0039] 图4是本发明实施例的载体音频与载密音频的C-MAC特征(96kbps，文献[1 ]算法）；
[0040] 图5是本发明实施例的载体音频与载密音频的C-MAC特征(96kbps，文献[2]算法）；
[0041] 图6是本发明实施例的隐写分析特征提取流程图。
【具体实施方式】
[0042]为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发 明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不 用于限定本发明。
[0043]本发明的隐写分析检测方法基于AAC音频，在
【发明内容】
陈述之前需要对AAC的编解 码原理进行介绍。
[0044] 请见图1，为AAC编码原理示意图，其编码过程包括5个主要步骤：心理声学模型分 析、滤波器MDCT变换、TNS预测等可选编码模块、MDCT系数量化和Huffman编码;其中MDCT变 换和量化过程是AAC编码的核心处理过程。AAC采用时域混叠编码方式，对输入的脉冲编码 调制时域信号进行分帧操作，每帧1024个抽样信号，与前一帧共同构成2048个抽样信号，对 这2048个抽象信号进行加窗操作和MDCT变换获得1024个MDCT系数。心理声学模型与滤波器 并行工作，通过对输入的时域信号进行临界频带间的掩蔽效应计算，得到相应的感知熵 (PE)以确定加窗操作中的窗类型，并确定每次进行MDCT变换的长度。对得到的1024个MDCT 数据进行时域噪声整形(TNS)、预测、量化、Huffman编码等过程生成音频压缩码流，通过AAC 格式标准格式封装成AAC压缩数据，进行实时传输或存储;相关术语解释如下表1;
[0045]表1相关术语解释
[0046]
[0047] 基于上述理论，本发明提供的一种基于C-MAC特征的AACHu f f man域隐写分析方法， 其特征在于:针对AAC音频Huffman域的两种修改比例因子带码书的隐写算法，提出基于重 压缩校准的相邻比例因子带码书间转移概率的AAC隐写分析特征，采用支持向量机进行分 类预测，实现了面向AAC Huffman域的隐写分析；
[0048] 请见图6,本发明的具体实现包括以下步骤：
[0049] 步骤1:获得待测AAC音频片段此的码率R;
[0050] 步骤2:针对此中每个数据帧提取其比例因子带的码书序号，构建码书序列0:，计算 序列 Dj^MAC 特征 MAC-Fi;
[0051 ] 步骤3:对仏片段进行R码率重压缩，即对Ml进行解码，获得解码后的WAV音频，再对 WAV音频采用此的编码码率R进行AAC编码压缩获得校准后AAC音频M2;
[0052] 步骤4:对M2音频提取MAC特征MAC-F2;
[0053] 步骤5:计算MAC-F^MAC_F2的差值，获得此音频片段的C-MAC隐写分析特征；
[0054]步骤6:分类器训练；
[0055] 步骤7:隐写分析检测。
[0056]以下结合具体实施例对本发明做进一步的阐述；
[0057] 1:特征提取方法；
[0058] 1.1:特征提取；
[0059] 1.1.1:构建一次压缩帧内比例因子带码书矩阵；
[0060] 将AAC音频帧中所有比例因子带码书序号记为S={C1. . .Cj. . .cN}，其中表示按 时序顺序排列在第j个位置的码书序号。在AAC的Huffman编码过程中，共包含12个码书，码