本发明属于信息
技术领域：
：，涉及信息隐写技术，具体涉及一种基于生成对抗网络的安全隐写方法和装置。
背景技术：
：：信息隐写技术，是信息隐藏的主要分支之一。信息隐藏就是利用人类感觉器官对数字信号的感觉冗余，将一组秘密信息(授权序列号，消息或版权信息等)隐藏到载体信息中，在不影响宿主信号的感觉效果和使用价值的情况下，使得可能的攻击者难以从中判断秘密信息是否存在，更加难以截获，从而保证信息传递的安全性。随着科学技术的发展，信息隐藏技术重新焕发活力成为新的研究热点，尤其是数字媒体技术的广泛应用，使得信息隐藏有了更进一步的发展和更广阔的的内涵。用于版权保护的数字水印、数字签名等也被纳入到信息隐藏的范畴，本发明关注的是传统意义上的信息隐藏即隐写(steganography)在数字媒体上的应用，主要是以图像为载体的隐写。目前，当人们设计隐写算法时，通常启发式地从隐写分析的方面来考虑。例如，秘密消息应该嵌入到更安全的图像噪声和纹理区域中。在denis和burnaev(iclr2016openreview,2016)的工作中，使用dcgan(deepconvolutionalgenerativeadversarialnetworks，深度卷积生成对抗网络)来生成原图，并且利用单独的隐写分析网络来检测隐写的效果，该项工作是在对抗学习的框架下开展的，利用dcgan的判别网络与生成网络的对抗性质，使生成网络生成适合做隐写的图像载体，并且利用独立的隐写分析网络评估生成的图像载体是否可以做隐写。denis和burnaev(iclr2016openreview,2016)中提出的方法有一些局限性，实验表明其隐写方法不够安全。该文中的网络适用于嵌入相同的密钥，当使用随机密钥时，网络判别效果不佳。另外，其隐写分析网络的效果不明显。技术实现要素：本发明的目的在于提供一种基于生成对抗网络的安全隐写方法和装置，生成的载体图像在视觉上更接近真实图像，并且生成的速度更快，能够提高隐写的安全性。本发明首先生成载体图像，并且通过离线的方式将秘密信息嵌入载体图像，再将嵌入信息后的图像与生成的载体图像一起输入到隐写分析网络即gncnn(gaussian-neuronconvolutionalneuralnetwork，高斯-神经元卷积神经网络)网络中，该隐写分析网络对原载体图像和隐写图像进行分类判别。然后，再使用hugo(highlyundetectablestego，高度不可检测隐写图)算法，将信息嵌入到生成的载体图像中，再利用隐写分析网络进行判别。从而证明了本发明的方法不仅对固定密钥嵌入有效，也对随机密钥嵌入有效。本发明采用的技术方案如下：一种基于生成对抗网络的安全隐写方法，包括以下步骤：1)在生成对抗网络框架下，通过生成网络生成要嵌入信息的载体图像，通过判别网络对生成的载体图像的真假性进行判断；2)通过生成网络和判别网络的动态博弈过程，使得生成网络生成的载体图像接近真实图像；3)对生成网络生成的载体图像进行信息的嵌入。进一步地，所述生成对抗网络为wgan。进一步地，所述生成网络和判别网络的动态博弈过程包括：a)对于生成网络，使其产生的数据尽可能和真实数据一致，从而生成要嵌入信息的载体图像；b)判别网络区分生成的载体图像和真实图像，针对判别网络的预测结果，对梯度变化的方向进行改变；c)生成网络得到判别网络传回的梯度并更新参数，生成新的载体图像。进一步地，步骤3)中信息的嵌入过程包括使用固定密钥嵌入过程和使用随机密钥的嵌入过程。进一步地，所述使用固定密钥嵌入过程采用lsb方法进行嵌入；所述使用随机密钥的嵌入过程采用hugo方法进行嵌入。进一步地，利用隐写分析网络对输入的载体图像和隐写后的图像进行二分类，得到分类为原图和隐写图的准确率。进一步地，所述隐写分析网络为gncnn。进一步地，通过设置不同的种子值来比较在不同参数下，生成的载体图像经过信息嵌入后对隐写分析网络的欺骗性，从而提高信息嵌入的安全性。一种基于生成对抗网络的安全隐写装置，包括：生成网络单元，用于在生成对抗网络框架下，生成要嵌入信息的载体图像；判别网络单元，用于对生成的载体图像的真假性进行判断，并通过与生成网络单元的动态博弈过程，使得生成网络单元生成的载体图像接近真实图像；隐写单元，用于对生成网络单元生成的载体图像进行信息的嵌入。进一步地，还包括隐写分析网络单元，用于对输入的载体图像和隐写后的图像进行二分类，得到分类为原图和隐写图的准确率。利用本发明的方法可以对经随机密钥嵌入的图像起作用，与现有技术相比具有以下优点：1、本发明对denis和burnaev(iclr2016openreview,2016)提出的方法进行了改进，解决了其工作中对使用随机密钥嵌入的图像进行隐写分析效果不明显的问题；2、本发明使用wgan(wassersteingenerativeadversarialnetworks，wasserstein生成对抗网络)来代替dcgan，并且利用wgan生成图像，生成的图像在视觉方面效果更好，更接近真实图像，而且训练时间减少，训练速度更快；3、判别网络通过与生成网络相互对抗，使生成的图像更有利于嵌入，提高了隐写图像嵌入的安全性；判别网络与隐写分析网络结构相似，但功能不同，该网络同生成网络对抗，使得生成的图像更真实，更适合做嵌入；4、本发明使用一个更复杂的隐写分析网络gncnn来评估生成的图像是否适合做隐写，采用的该隐写分析网络经过实验证明对隐写图像的隐写分析效果更好。附图说明图1是利用本发明方法进行图像隐写并进行判别的流程图。其中“数据预处理”是指对图片进行统一裁剪操作(比如进行centercropped操作，统一裁剪成64×64的大小)。图2是本发明方法中由生成网络生成的图像。图3是利用本发明方法进行图像隐写时嵌入方法的流程图，其中(a)图使用固定密钥嵌入方法，(b)图使用随机密钥嵌入方法。具体实施方式下面通过具体实施例和附图，对本发明做进一步详细说明。本发明提供的基于生成对抗网络的隐写方法，适用于使用随机密钥和相同的密钥进行嵌入，该方法的流程如图1所示，其主要步骤包括：首先由生成网络生成要嵌入信息的载体图像，由wgan的判别网络对生成的载体图像的真假性进行判断，并通过生成网络和判别网络的动态博弈过程，让生成网络的目标是尽量生成更接近真实图像的载体图像去欺骗判别网络，判别网络的目标是尽量把生成网络生成的载体图像和真实图像区分开。然后对生成网络生成的载体图像进行信息的嵌入(即隐写)，利用隐写分析网络对输入的图像(包含载体图像和隐写后的图像)进行二分类，得到分类为原图(即载体图像)和隐写图(即隐写后的图像)的准确率。其中，生成网络和判别网络的动态博弈过程是：1、对于生成网络，要让其产生的数据尽可能和真实数据一致，就是同样的数据分布，生成隐写的载体图像；2、判别网络学习区分生成的载体图像和真实图像，针对判别网络的预测结果，对梯度变化的方向进行改变，当判别网络认为生成网络的输出是真实数据和认为其输出是噪声数据的时候，判别网络的梯度更新方向就要进行改变；所述梯度更新方向是指目标函数的一阶导数的负方向；3、生成网络得到判别网络传回的梯度，更新参数，生成新的载体图像。由于使用了wgan，不会出现gan的梯度消失问题，网络可以持续更新。图2是生成网络生成的图像示例图。本发明方法嵌入信息的过程是离线进行的，与网络的训练过程分开。首先用lsb(leastsignificantbit，最低有效位)方法进行嵌入，通过隐写分析网络得到隐写分析结果后，再次利用hugo(highlyundetectablestego，高度不可检测隐写图)方法进行嵌入，并通过隐写分析网络进行隐写分析。在生成图像的过程中，通过设置不同的实验参数，比较不同参数下生成的图像对隐写分析网络欺骗的程度。上述嵌入信息的过程中，使用lsb和hugo两次嵌入的过程是分开进行的，lsb是采用的固定密钥嵌入方式，而hugo是采用随机密钥嵌入，这样就证明了本发明的方法不仅对固定密钥嵌入有效，也对随机密钥嵌入有效，更加证明了本发明的有效性。图3示意了采用lsb和hugo两种嵌入方法的总体流程，其中(a)图使用固定密钥嵌入方法，(b)图使用随机密钥嵌入方法。该方法中的隐写分析网络，采用了gncnn(gaussian-neuronconvolutionalneuralnetwork，高斯-神经元卷积神经网络)，参见“inis&t/spieelectronicimaging,pp.94090j–94090j.”。gncnn提出了一种通过深度学习模型来自动学习特征来进行隐写分析的新的方法，所提出的模型可以捕获对隐写分析有用的特征的复杂依赖关系。与现有的隐写分析机制相比，该模型可以使用几个卷积层自动学习特征表示。特征提取和分类的步骤在同一个体系结构下统一化，这意味着在特征提取的过程中，可以使用分类进行指导。实例1基于生成对抗网络的安全隐写方法以celeba人脸数据集为例：1)在wgan(wassersteingenerativeadversarialnetworks，wasserstein生成对抗网络)框架下，将噪声信号z输入到生成网络g，由生成网络g生成载体图像i；2)判别网络d与生成网络g相互博弈，使得g生成的载体图像i更接近真实图像；3)判别网络d对g生成的载体图像i进行判别分析，得到判断为真图和假图的概率；4)将生成的载体图像i离线嵌入信息，首先使用lsb固定密钥嵌入，得到隐写后的图像i’，将i和i’同时输入到隐写分析网络s，判断是原图还是隐写图的概率；5)然后使用hugo随机嵌入，得到隐写后的图像i”，将i和i”同时输入到隐写分析网络s，判断是原图还是隐写图的概率；6)在dcgan(deepconvolutionalgenerativeadversarialnetworks，深度卷积生成对抗网络)框架下，重复进行1)～5)的步骤，经过隐写分析网络对原图和隐写图的分类，得到一个概率；7)比较在两种方法下的概率，得到的分类准确率如表1所示：表1.在真实图像上训练隐写分析网络得到的分类准确率图像类型本发明方法sgans原图0.870.92生成的图像0.720.90表1中，sgans是对比的方法，此方法利用dcgan来实现；“生成的图像”是指生成网络生成的载体图像。该实验是在原图和生成的载体图像上分别做隐写，然后进行隐写分析，得到分类准确率。在经过多次训练测试后，本发明提出的方法在对生成图像的分类准确率更低，即不容易把生成的图片和真实图片区分开，从而安全性较对比的方法更高。实例2基于生成对抗网络的安全隐写方法以celeba人脸数据集为例，在本次实验中，通过设置不同的种子值，来比较在不同参数下，生成的图像经过信息的嵌入后对隐写分析网络的欺骗性。所述种子值是指在随机数一定的情况下，控制实验的可重复性，在本发明中体现为控制生成的图像的随机性。1)在wgan框架下，将噪声信号z输入到生成网络g，由生成网络g生成载体图像i；2)判别网络d与生成网络g相互博弈，生成更接近真实图像的载体图像i；3)判别网络d对生成的载体图像i进行判别分析，得到判断为真图和假图的概率；4)使用相同的种子值，对生成的载体图像i，首先使用lsb方法嵌入信息，得到隐写后的图像i’，将i和i’同时输入到隐写分析网络s，判断是原图还是隐写图的概率；5)然后使用hugo随机嵌入，得到隐写后的图像i”，将i和i”同时输入到隐写分析网络s，判断是原图还是隐写图的概率；6)使用随机生成的种子值，对生成的载体图像i嵌入信息后，得到隐写后的图像t，将i和t同时输入到隐写分析网络s，判断是原图还是隐写图的概率；7)使用随机生成的种子值，并且在训练的过程中对wgan进行微调，调整其学习率以及momentum系数等，对生成图像嵌入信息后，得到隐写后的图像m，将i和m同时输入到隐写分析网络s，判断是原图还是隐写图的概率；8)比较在三种实验设置下的分类准确率，如表2所示：表2.在不同的实验设置下，隐写分析网络在生成图像上训练得到的分类准确率实验条件分类准确率4)0.876)0.727)0.71表2中，4)、6)、7)分别表示步骤4)、6)、7)中的实验设置。实验结果表明，在生成图像的过程中，通过设置不同的种子值，能够得到更低的分类准确率，即可欺骗隐写分析网络，以此证明本发明方法生成的图像更适合做隐写，安全性更高。实例3基于生成对抗网络的安全隐写装置该基于生成对抗网络的安全隐写装置包括：生成网络单元，用于在生成对抗网络框架下，生成要嵌入信息的载体图像；判别网络单元，用于对生成的载体图像的真假性进行判断，并通过与生成网络单元的动态博弈过程，使得生成网络单元生成的载体图像接近真实图像；隐写单元，用于对生成网络单元生成的载体图像进行信息的嵌入。进一步地，该装置还包括隐写分析网络单元，用于对输入的载体图像和隐写后的图像进行二分类，得到分类为原图和隐写图的准确率。本发明是在wgan(wasserstein生成对抗网络)框架下进行的。针对生成图像的视觉质量，生成网络和判别网络可以用其他生成图像质量高、生成速率快的生成对抗网络替代；针对隐写方法，本发明进行了固定密钥嵌入和随机密钥嵌入的实验，通过两种方法的实验结果，体现了本发明所提出隐写方法的有效性，同时也可以采用其他自适应隐写术来进行实验；针对隐写分析方法，本发明优选使用gncnn网络，有较高的隐写分析检测率。以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。当前第1页12当前第1页12