一种基于深度学习模型的隐写图像检测方法及系统与流程

本发明涉及数字图像隐写技术领域，尤其涉及一种基于深度学习模型的隐写图像检测方法及系统。

背景技术：

信息隐藏是上世纪90年代开始兴起的信息安全新技术，并成为信息安全技术研究的热点。传统通信领域为了保证传递的信息能够不被窃听或破坏，常采用密码来保护信息，即让窃听者无法看到或听懂，但是这种技术的缺点是告诉窃听者这就是秘密信息，特别是随着计算机技术的发展，密码的安全性受到很大挑战。而数字隐写是将需要传递的秘密信息，隐藏在一个普通的非秘密消息当中，再进行传输，这样即使窃听者窃听了传输的信息，也只会将其当成普通的消息，而不会怀疑或者无法得知是否有秘密信息的存在。

在检测隐藏信息、监控和阻截非法隐蔽通信方面，各国军方和安全部门表现出了十分迫切的需求，隐写分析术应运而生。隐写分析术是对数字媒体信号进行统计分析，判断其中是否藏有秘密信息的技术。更高层次的隐写分析术可以对秘密信息的长度、隐藏位置等进行判断。隐写分析的目的是检测、阻截和破坏隐蔽通信。隐写分析术和隐写术是两种相互对抗且相互促进的技术。其中，隐写分析有主动隐写分析和被动隐写分析两种类型，现在一般研究的隐写分析方法都是指被动隐写分析，主要用于判别待测载体是否隐藏有秘密信息。

现有技术中主流的频率域隐写算法有J-UNIWARD，主流的空域隐写算法有HUGO、WOW、S-UNIWARD等。这些算法都具有很高的安全性，但它们还存在诸如信息的嵌入未避开单一方向的边缘，信息可能分散于一些平滑区中等。

其中图像隐写分析算法过程类似于模式识别问题，一般分为两步。第一步，特征提取(Feature Extraction)，提取一些具有区分载体图像和隐密图像统计特性的集合作为特征空间向量；第二部，分类操作(Classification)，该过程主要通过如支持向量机、集成分类器等经过训练构造出来的分类器进行特征分类，分类完成后一般采用Testing error(测试错误率)来表征该隐写分析算法的性能。通用隐写分析方法中，最重要对性能影响最大的是特征提取阶段。

在上述隐写分析算法中，空域特征以Fridrich等提出的基于SRM(Spatial Rich models)的特征最具有代表性，该方法通过39个滤波器建立106个模型，最后得到34671维特征；频率域特征以V.Holub等提出的基于DCT余量图像的DCTR特征最具代表性，该方法通过64个8x8的DCT基核对图像卷积产生64个DCT余量图像，从每个DCT余量图像中提取320维的一阶统计特征，最后通过对称合并等操作得到8000维的特征。现有技术中的隐写分析算法特征都具有较高的维数，使得提取特征与特征分类的时间大大增加，不利于实际应用，而且增加了图像隐写分析技术的时间成本。

因此，现有技术还有待于改进和发展。

技术实现要素：

鉴于现有技术的不足，本发明目的在于提供一种基于深度学习模型的隐写图像检测方法及系统，旨在解决现有技术中有技术中的隐写分析算法特征都具有较高的维数，使得提取特征与特征分类的时间大大增加，增加了图像隐写分析技术的时间成本的技术问题。

本发明的技术方案如下：

一种基于深度学习模型的隐写图像检测方法，其中，方法包括：

A、预先设置拟合分析数字图像隐写富模型特征的初始深度学习模型；

B、选取有监督的预训练算法对初始深度学习模型进行预训练后得到预训练深度学习模型；

C、整合预训练深度学习模型和深度分类网络生成整合深度学习模型，根据预先获取的训练数据集对整合深度学习模型进行训练后生成最终深度学习模型，根据最终深度学习模型对隐写图像进行检测，输出检测结果。

所述的基于深度学习模型的隐写图像检测方法，其中，所述深度学习模型为深度卷积神经网络CNN。

所述的基于深度学习模型的隐写图像检测方法，其中，所述步骤A具体包括步骤：

A1、预先根据DCTR生成余量图像的子模型，设计DCTR模型的N个DCT卷积核的CNN的卷积层，生成余量CNN子模型，其中N为自然数；

A2、根据DCTR量化和截断操作的子模型，设计能对输入进行给定步长量化操作和给定阈值截断操作的CNN层，生成量化截断操作CNN子模型；

A3、根据DCTR一阶统计量获取与整合的子模型，通过若干个卷积层、正则化层和池化层的组合CNN模型，生成一阶统计量获取与整合CNN子模型。

所述的基于深度学习模型的隐写图像检测方法，其中，所述步骤B具体包括步骤：

B1、预先获取预定数量的隐密图像与载体图像对，根据DCTR富模型中的N个DCT卷积核对隐密图像与载体图像中的一幅图像进行卷积后生成N幅余量图像，并根据对应余量图像的DCTR富模型对应DCT卷积核特征作为标识；

B2、依次连接量化截断操作CNN子模型和一阶统计量获取与整合CNN子模型组成组合CNN模型；

B3、利用欧式距离作为误差方程，使用预先获取预定数量的隐密图像与载体图像对来对组合CNN模型进行预训练后生成预训练CNN模型。

所述的基于深度学习模型的隐写图像检测方法，其中，所述步骤C具体包括步骤：

C1、预先获取用于预训练的隐密图像与载体图像数据，对隐秘图像标记为0，载体图像标记为1；

C2、依次连接生成余量图像的CNN子模型、N个组合CNN模型与CNN分类模型得到整合CNN模型；

C3、根据预训练的隐密图像与载体图像数据对整合CNN模型训练后生成最终CNN模型；

C4、将待测图像作为最终CNN模型的输入，若最终CNN模型输出为0，则判定待测图像为隐密图像，若为1则判定待测图像为未经隐密的载体图像，并输出检测结果。

一种基于深度学习模型的隐写图像检测系统，其中，系统包括：

初始模型设计模块，用于预先设置拟合分析数字图像隐写富模型特征的初始深度学习模型；

预训练模块，用于选取有监督的预训练算法对初始深度学习模型进行预训练后得到预训练深度学习模型；

训练与检测模块，用于整合预训练深度学习模型和深度分类网络生成整合深度学习模型，根据预先获取的训练数据集对整合深度学习模型进行训练后生成最终深度学习模型，根据最终深度学习模型对隐写图像进行检测，输出检测结果。

所述的基于深度学习模型的隐写图像检测系统，其中，所述系深度学习模型为深度卷积神经网络CNN。

所述的基于深度学习模型的隐写图像检测系统，其中，所述初始模型设计模块具体包括：

余量子模型生成单元，用于预先根据DCTR生成余量图像的子模型，设计DCTR模型的N个DCT卷积核的CNN的卷积层，生成余量CNN子模型，其中N为自然数；

量化截断操作CNN子模型生成单元，用于根据DCTR量化和截断操作的子模型，设计能对输入进行给定步长量化操作和给定阈值截断操作的CNN层，生成量化截断操作CNN子模型；

一阶统计量获取与整合CNN子模型生成单元，用于根据DCTR一阶统计量获取与整合的子模型，通过若干个卷积层、正则化层和池化层的组合CNN模型，生成一阶统计量获取与整合CNN子模型。

所述的基于深度学习模型的隐写图像检测系统，其中，所述预训练模块具体包括：

余量图像生成单元，用于预先获取预定数量的隐密图像与载体图像对，根据DCTR富模型中的N个DCT卷积核对隐密图像与载体图像中的一幅图像进行卷积后生成N幅余量图像，并根据对应余量图像的DCTR富模型对应DCT卷积核特征作为标识；

组合CNN模型生成单元，用于依次连接量化截断操作CNN子模型和一阶统计量获取与整合CNN子模型组成组合CNN模型；

预训练单元，用于利用欧式距离作为误差方程，使用预先获取预定数量的隐密图像与载体图像对来对组合CNN模型进行预训练后生成预训练CNN模型。

所述的基于深度学习模型的隐写图像检测系统，其中，所述训练与检测模块具体包括：

图像标记单元，用于预先获取用于预训练的隐密图像与载体图像数据，对隐秘图像标记为0，载体图像标记为1；

整合CNN模型生成单元，用于依次连接生成余量图像的CNN子模型、N个组合CNN模型与CNN分类模型得到整合CNN模型；

模型训练单元，用于根据预训练的隐密图像与载体图像数据对整合CNN模型训练后生成最终CNN模型；

检测单元，用于将待测图像作为最终CNN模型的输入，若最终CNN模型输出为0，则判定待测图像为隐密图像，若为1则判定待测图像为未经隐密的载体图像，并输出检测结果。

本发明提供了一种基于深度学习模型的隐写图像检测方法及系统，本发明通过对模型进行预训练，使得该深度学习模型能够具有类似数字图像隐写分析富模型提取特征的能力，并由深度学习在大数据下的优势，获得比数字图像隐写分析富模型特征和集成分类器组合使用更准确的区分隐密图像和载体图像能力，而且数据计算维度低，计算量小，提高了隐写图像检测速度。

附图说明

图1为本发明的一种基于深度学习模型的隐写图像检测方法的较佳实施例的流程图。

图2为本发明的一种基于深度学习模型的隐写图像检测方法的具体应用实施例的预训练CNN模型的输出的DCTR示意图。

图3为本发明的一种基于深度学习模型的隐写图像检测方法的具体应用实施例的整合CNN模型的模型示意图。

图4为本发明的一种基于深度学习模型的隐写图像检测方法的具体应用实施例的拟合DCTR特征效果示意图。

图5为本发明的一种基于深度学习模型的隐写图像检测系统的较佳实施例的功能原理框图。

具体实施方式

为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种基于深度学习模型的隐写图像检测方法的较佳实施例的流程图，如图1所示，其中，方法包括：

步骤S100、预先设置拟合分析数字图像隐写富模型特征的初始深度学习模型。

具体实施时，深度学习模型为深度卷积神经网络CNN。的模型设计阶段主要依照DCTR特征进行设计，也可以根据其他隐写分析特征如SRM特征等进行设计，这里具体对DCTR特征的设计方法进行讲述。模型设计阶段主要包括设计拟合DCTR富模型生成余量图像、量化和截断操作、一阶统计量获取与整合三个DCTR子模型对应的三个卷积神经网络子模型。

进一步的实施例中，结合图1可知，步骤S100具体包括：

步骤S101、预先根据DCTR生成余量图像的子模型，设计DCTR模型的N个DCT卷积核的CNN的卷积层，生成余量CNN子模型，其中N为自然数；

步骤S102、根据DCTR量化和截断操作的子模型，设计能对输入进行给定步长量化操作和给定阈值截断操作的CNN层，生成量化截断操作CNN子模型；

步骤S103、根据DCTR一阶统计量获取与整合的子模型，通过若干个卷积层、正则化层和池化层的组合CNN模型，生成一阶统计量获取与整合CNN子模型。

具体实施时，步骤S101中主要是生成余量图像。依照DCTR生成余量图像的子模型，设计给定DCTR富模型64个DCT卷积核的CNN的卷积层，获得具有生成64个DCT余量图像功能的CNN子模型，即余量CNN子模型。其中余量图像是由原始图像通过卷积核卷积得到的图像。

这里DCTR生成余量图像所使用的卷积核是8x8的DCT卷积核,一共有64个卷积核：

则若有图像其使用上述64个DCT卷积核得到的64个余量图像为：

U^(k，l)＝X*B^(k，l)，0≤k，l≤7。

步骤S102依照DCTR量化和截断操作的子模型，设计能对输入进行给定步长(Step)量化操作和给定阈值(Threshold)截断操作的CNN层，获得对上述DCT余量图像具有量化和截断操作功能的CNN子模型，即量化截断操作CNN子模型。

步骤S103中依照DCTR一阶统计量获取与整合的子模型，通过多个卷积层、正则化层和池化层的组合CNN模型，获得具有对量化和截断后的图像进行一阶统计量获取与整合功能的CNN子模型，即一阶统计量获取与整合CNN子模型。

步骤S200、选取有监督的预训练算法对初始深度学习模型进行预训练后得到预训练深度学习模型。

具体实施时，通过使用载体图像和隐密图像以及其对应的DCTR特征对上一阶段设计的卷积神经网络模型进行预训练，使得上一阶段设计的卷积神经网络具有对应DCTR特征生成余量图像、量化和截断操作、一阶统计量获取与整合等功能，并尽可能地使预训练网络的输入输出与DCTR特征提取阶段的输入输出相近。其中载体图像和隐密图像采用JPEG格式的图像。

进一步的实施例中，步骤S200具体包括：

步骤S201、预先获取预定数量的隐密图像与载体图像对，根据DCTR富模型中的N个DCT卷积核对隐密图像与载体图像中的一幅图像进行卷积后生成N幅余量图像，并根据对应余量图像的DCTR富模型对应DCT卷积核特征作为标识；

步骤S202、依次连接量化截断操作CNN子模型和一阶统计量获取与整合CNN子模型组成组合CNN模型；

步骤S203、利用欧式距离作为误差方程，使用预先获取预定数量的隐密图像与载体图像对来对组合CNN模型进行预训练后生成预训练CNN模型。

具体实施时，步骤S201中准备预训练数据。准备一定数量用于预训练的隐密图像与载体图像数据，使用DCTR富模型中给定的64个DCT卷积核对一幅上述图像进行卷积得到64幅余量图像，并使用对应余量图像的DCTR富模型对应DCT卷积核特征作为标识。

步骤S202中依次连接量化截断操作CNN子模型和一阶统计量获取与整合CNN子模型组成组合CNN模型，CNN组合模型的输入为余量图像，输出为DCTR富模型对应DCT卷积核特征。

步骤S203中用欧式距离(Euclidean Loss)作为卷积神经网络训练的目标函数，使用预训练数据对组合CNN模型进行训练。使得预训练得到输入为余量图像，输出与DCTR富模型中各个子模型特征(DCTR subfeatures)相似的CNN模型。其中误差方程为这是公知的公式：计算两个输入的差的平方和。

图2中虚线框部分为设计好的拟合DCTR功能的CNN子模型。其中依次对余量图像进行第一次卷积后，进行第一次均值池化处理，然后进行第二次卷积，第二次均值池他操作，最后进行第三次卷积操作后，执行一次线性激活，再进行第三均值池化处理操作后生成设计好的拟合DCTR功能的CNN子模型，并与DCTR子模型特征通过欧式距离误差公式进行整合。

步骤S300、整合预训练深度学习模型和深度分类网络生成整合深度学习模型，根据预先获取的训练数据集对整合深度学习模型进行训练后生成最终深度学习模型，根据最终深度学习模型对隐写图像进行检测，输出检测结果。

具体实施时，通过上述两个阶段得到了具有与DCTR富模型特征提取相似功能的CNN模型，接下来将对该CNN模型进行整合，并通过训练使其对载体图像和隐密图像进行分类。本实施例中并不需要事先知道隐密图像所使用的隐写算法，通过训练不同的载体图像和隐密图像来对特定的隐写算法进行排查检测，具有通用性。通过提取待测图像的余量图像，可以获得载体图像和隐密图像统计特性上的细微差别，再通过深度学习方法对这种细微差别的学习，达到分辨载体图像和隐密图像的目的。本发明方法主要对抗的是图像频率域隐写算法，图像频率域隐写是通过对图像进行离散余弦变换(DCT)得到其系数，在其系数上实现秘密信息的隐藏。

进一步的实施例中，步骤S300具体包括：

步骤S301、预先获取用于预训练的隐密图像与载体图像数据，对隐秘图像标记为0，载体图像标记为1；

步骤S302、依次连接生成余量图像的CNN子模型、N个组合CNN模型与CNN分类模型得到整合CNN模型；

步骤S303、根据预训练的隐密图像与载体图像数据对整合CNN模型训练后生成最终CNN模型；

步骤S304、将待测图像作为最终CNN模型的输入，若最终CNN模型输出为0，则判定待测图像为隐密图像，若为1则判定待测图像为未经隐密的载体图像，并输出检测结果。

具体实施时，步骤S301中准备一定数量用于预训练的隐密图像与载体图像数据，其中图像数据为JPEG格式的图像。对隐秘图像标记为0，载体图像标记为1。

步骤S302中依次连接生成余量图像的CNN子模型、64个组合CNN模型与CNN分类模型得到整合CNN模型，其中CNN分类模型是由若干个全连接层和正则化层构成的输入为64个组合CNN模型的输出、输出为0和1标识的CNN模型。

步骤S303中使用训练数据对最终隐写分析CNN模型进行训练，生成最终的CNN模型。

步骤S304中用待测图像作为最终隐写分析CNN模型的输入，若最终隐写分析CNN模型输出为0则判定待测图像为经过隐密的图像，若为1则判定待测图像为未经隐密的载体图像，并输出检测结果。

图3中给出了模型整合训练分类阶段得到的最终用于隐写分析的CNN模型。其中Q&T Layer为卷积神经网络中对应量化和截断操作层，具体地，对获取经过解压缩的待测JPEG图像，其中待测JPGE图像为隐密图像或未经隐密的载体图像，经过对应生成64个DCT余量图像的卷积操作层处理后输出到对应量化和截断操作层，通过对应量化和截断操作层进行量化和截断操作后，再经过预训练得到64个子模型处理后，经过整合子模型操作层进行处理后，输出到卷积神经网络全连接操作层，全连接操作层输出检测结果，最后对应的输出0和1，若输出为0则判定待测图像为经过隐密的图像，若为1则判定待测图像为未经隐密的载体图像，并输出检测结果。

在实验中我们对预训练网络的输出与DCTR子模型特征进行了对比，结果如图4所示。图4拟合DCTR特征效果柱状图中，白色柱形为本发明方法的预训练网络输出，黑色柱形为对应的DCTR子模型特征，两者之间几乎一致。说明预训练网络很好地拟合了DCTR子模型特征的输出。

从结果可以看出，本发明方法能够得到与数字图像隐写分析富模型的输出几乎一致的深度学习模型，通过对模型进行预训练，使得该深度学习模型能够具有类似数字图像隐写分析富模型提取特征的能力。并由深度学习在大数据下的优势，获得比数字图像隐写分析富模型特征和集成分类器组合使用更准确的区分隐密图像和载体图像能力。

在进一步的实施例中，可以通过改变模型设计阶段的对象，如对拟合SRM富模型卷积神经网络的设计，获得具有更丰富特征信息的卷积神经网络，以适应空域图像、频率域图像等各种应用场景。

由以上实施例可知，本发明提供了一种基于深度学习模型的隐写图像检测方法，通过深度学习预训练上述隐写分析算法的特征提取阶段，得到能够对应上述隐写算法各个步骤功能的卷积神经网络，通过整合这些预训练得到的卷积神经网络，通过训练使最终的卷积神经网络具有分类载体图像与隐密图像的能力。本发明方法通过一个卷积神经网络完成了特征提取与特征分类的过程，同时提高了分类性能，比现有方法更为高效可靠。

本发明还提供了一种基于深度学习模型的隐写图像检测系统的较佳实施例的功能原理框图，如图5所示，系统包括：

初始模型设计模块100，用于预先设置拟合分析数字图像隐写富模型特征的初始深度学习模型；具体如方法实施例所示。

预训练模块200，用于选取有监督的预训练算法对初始深度学习模型进行预训练后得到预训练深度学习模型；具体如方法实施例所示。

训练与检测模块300，用于整合预训练深度学习模型和深度分类网络生成整合深度学习模型，根据预先获取的训练数据集对整合深度学习模型进行训练后生成最终深度学习模型，根据最终深度学习模型对隐写图像进行检测，输出检测结果；具体如方法实施例所示。

所述的基于深度学习模型的隐写图像检测系统，其中，所述系深度学习模型为深度卷积神经网络CNN；具体如方法实施例所示。

所述的基于深度学习模型的隐写图像检测系统，其中，所述初始模型设计模块具体包括：

余量子模型生成单元，用于预先根据DCTR生成余量图像的子模型，设计DCTR模型的N个DCT卷积核的CNN的卷积层，生成余量CNN子模型，其中N为自然数；具体如方法实施例所示。

量化截断操作CNN子模型生成单元，用于根据DCTR量化和截断操作的子模型，设计能对输入进行给定步长量化操作和给定阈值截断操作的CNN层，生成量化截断操作CNN子模型；具体如方法实施例所示。

一阶统计量获取与整合CNN子模型生成单元，用于根据DCTR一阶统计量获取与整合的子模型，通过若干个卷积层、正则化层和池化层的组合CNN模型，生成一阶统计量获取与整合CNN子模型；具体如方法实施例所示。

所述的基于深度学习模型的隐写图像检测系统，其中，所述预训练模块具体包括：

余量图像生成单元，用于预先获取预定数量的隐密图像与载体图像对，根据DCTR富模型中的N个DCT卷积核对隐密图像与载体图像中的一幅图像进行卷积后生成N幅余量图像，并根据对应余量图像的DCTR富模型对应DCT卷积核特征作为标识；具体如方法实施例所示。

组合CNN模型生成单元，用于依次连接量化截断操作CNN子模型和一阶统计量获取与整合CNN子模型组成组合CNN模型；具体如方法实施例所示。

预训练单元，用于利用欧式距离作为误差方程，使用预先获取预定数量的隐密图像与载体图像对来对组合CNN模型进行预训练后生成预训练CNN模型；具体如方法实施例所示。

所述的基于深度学习模型的隐写图像检测系统，其中，所述训练与检测模块具体包括：

图像标记单元，用于预先获取用于预训练的隐密图像与载体图像数据，对隐秘图像标记为0，载体图像标记为1；具体如方法实施例所示。

整合CNN模型生成单元，用于依次连接生成余量图像的CNN子模型、N个组合CNN模型与CNN分类模型得到整合CNN模型；具体如方法实施例所示。

模型训练单元，用于根据预训练的隐密图像与载体图像数据对整合CNN模型训练后生成最终CNN模型；具体如方法实施例所示。

检测单元，用于将待测图像作为最终CNN模型的输入，若最终CNN模型输出为0，则判定待测图像为隐密图像，若为1则判定待测图像为未经隐密的载体图像，并输出检测结果；具体如方法实施例所示。

综上所述，本发明提供了一种基于深度学习模型的隐写图像检测方法及系统，方法包括：预先设置拟合分析数字图像隐写富模型特征的初始深度学习模型；选取有监督的预训练算法对初始深度学习模型进行预训练后得到预训练深度学习模型；整合预训练深度学习模型和深度分类网络生成整合深度学习模型，根据预先获取的训练数据集对整合深度学习模型进行训练后生成最终深度学习模型，根据最终深度学习模型对隐写图像进行检测，输出检测结果。本发明可以准确的区分隐密图像和载体图像能力，而且数据计算维度低，计算量小，提高了隐写图像检测速度。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。