对抗批隐写方法

本发明涉及对抗样本和隐写技术领域，尤其涉及一种对抗批隐写方法。

背景技术：

隐写术作为一种隐蔽通信技术，将消息隐藏在载体(如数字图像)中而不引起怀疑。基于stc隐写框架，目前的隐写术已经发展成熟，比如hill，uniward，uerd等。这些算法都是基于实验室环境，而在实际应用中，隐写者一般以多张图像为载体，因此，一些学者提出批隐写策略。

批隐写以一组图像为单位，在单张图像的隐写算法基础上，研究图像间的消息分配策略。ker等人在2012年首次提出四种批隐写策略，即平均策略，随机策略，最大贪心策略，最大随机策略。针对贪心策略，一些工作研究图像的安全容量。2017年，cogranne等人提出自适应条件下的四种批隐写策略，即imagemergingsender(ims),detectabilitylimitedsender(dels)anddistortionlimitedsender(dils)，其中ims算法表现最好。

隐写分析是隐写的对立面，目的在于检测图像中是否包含秘密消息。在实际应用中，隐写者通常面临单张图像的隐写分析以及批隐写分析。单张图像的隐写分析以单张图像为单位，通常使用监督学习的方法实现。池化隐写分析以一组图像为单位，通常使用无监督学习方法如层次聚类，局部异常因子检测(localoutlierfactor)。随着深度学习的发展，使用深度神经网络的隐写分析器可以获得很好的性能。在池化隐写分析中，深度神经网络通常被用作特征提取器。

深度神经网络使得隐写分析性能得以提高，但也具有一定的脆弱性。计算机视觉中的研究表明，通过向图像中添加设计好的对抗噪声，分类网络很容易被干扰。单张图像的隐写分析网络实际是一个二分类网络，因此通过引入对抗噪声，可以提高隐写算法的安全性。张逸为等人首次提出使用对抗噪声增强载体的隐写安全性。李等人提出将分为两部分，一部分嵌入对抗噪声，另一部分嵌入秘密消息。ma等人提出根据对抗噪声修改像素的隐写方向。tang等人提出的对抗隐写方法可以最小化调整失真的像素点的个数，并得到较好的效果。

上述方法都是针对单张图像隐写分析器，而实际中，能够抵抗池化隐写分析的批隐写方法具有重要的现实意义。由于池化隐写分析通常使用无监督学习方法，单张图像的对抗隐写算法并不能直接应用于批隐写。而且，池化隐写分析中没有一个直接可导的损失函数可以直接用于隐写。

因此，有必要研究一种对抗批隐写方法，以抵抗基于深度学习的池化隐写分析。

技术实现要素：

本发明的目的是提供一种对抗批隐写方法，可以抵抗基于深度学习的池化隐写分析。

本发明的目的是通过以下技术方案实现的：

一种对抗批隐写方法，包括：

利用隐写算法计算一批原始图像中每张原始图像每个像素点的失真，获得相应的失真图；

按照设定的可调整像素比例β，将一批原始图像中像素分为普通像素与可调整像素两部分；在对应的失真图中，普通像素对应的失真称为普通失真，可调整像素对应的失真称为可调整失真；

将待嵌入的秘密消息，分为两部分，将第一部分根据普通失真，嵌入到普通像素中，从而得到一批半载密图像；

爬取正常用户的一批图像，通过隐写分析网络各自提取正常用户的一批图像与一批半载密图像的隐写分析特征，并计算两批隐写分析特征之间的平均距离作为损失函数，基于损失得到一批半载密图像的梯度，进而修改可调整失真；

根据修改后的可调整失真将秘密消息的第二部分，嵌入到一批半载密图像的可调整像素中，得到对抗载密图像。

由上述本发明提供的技术方案可以看出，引入对抗样本(即后文中通过梯度修改可调失真后得到的图像)，使用损失函数关于图像的梯度调整失真函数，提高了隐写安全性；基于本发明得到的对抗载密图在抵抗基于深度学习的池化隐写分析中，表现优于现有的方法；同时，该方法也可以在一定程度上抵抗单张图像的隐写分析。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种对抗批隐写方法的示意图；

图2为本发明实施例提供的能攻击的一种池化隐写分析方法示意图；

图3为本发明实施例提供的基于hill失真的不同批隐写算法在不同嵌入率下，基于层次聚类的池化隐写分析的试验结果示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供一种对抗批隐写方法，图1示出了该方法的主要原理。该方法主要包括：

步骤1、利用隐写算法计算一批原始图像中每张原始图像每个像素点的失真，获得相应的失真图。

本发明实施例中，一批原始图像记为a＝{i1，i2，…，ib}^h×w，b为原始图像数目，h、w分别为原始图像的高度、宽度；将第k张原始图像ik中第i行第j列像素的失真值表示为ρk，i，j；其中，k＝1，2，…b，，i＝1，2，…，h，j＝1，2，…，w。

本发明实施例中，利用隐写算法计算图像失真的具体实现过程可参照常规技术来实现。

步骤2、按照设定的可调整像素比例β，将一批原始图像中像素分为普通像素与可调整像素两部分；在对应的失真图中，普通像素对应的失真称为普通失真，可调整像素对应的失真称为可调整失真。

本发明实施例中，采用ims消息分配策略，即先将所有图像拼接为一张图像，然后使用隐写算法根据隐写失真自动分配待嵌入的秘密消息。

本步骤的优选实施方式如下：

将一批原始图像及相应的失真图做向量化处理；具体来说：每一张原始图像按照像素拉伸为一个向量，再将所有原始图像拉伸得到的向量拼接在一起，作为长载体向量il；将长载体向量il中向量对应的像素按照设定的可调整像素比例β分为两部分，一部分为普通像素，另一部分为可调整像素。

类似的，所有失真图采用相应的方式被处理为一个长失真向量，长失真向量对应像素与长载体向量中的像素是关联的，因此，普通像素对应的失真称为普通失真，可调整像素对应的失真称为可调整失真。

步骤3、将待嵌入的秘密消息，分为两部分，将第一部分根据普通失真，嵌入到普通像素中，从而得到一批半载密图像。

将待嵌入的秘密消息分为两部分，第一部分m1和第二部分m2。

本发明实施例中，将秘密消息的第一部分m1根据普通失真，使用隐写编码算法(例如stc算法)嵌入到普通像素中，得到长半载秘向量zl，再将长半载秘向量zl恢复为原始图像的尺寸与数目，得到一批半载密图像z＝{z1，z1，…，zb}^h×w，b为原始图像数目，h、w分别为原始图像的高度、宽度。

本领域技术人员可以理解，本步骤的操作仅针对普通像素，可调整像素暂未进行处理，因此，操作后的图像称为半载密图像。

步骤4、爬取正常用户的一批图像，通过隐写分析网络各自提取正常用户的一批图像与一批半载密图像的隐写分析特征，并计算两批隐写分析特征之间的平均距离作为损失函数，基于损失得到一批半载密图像的梯度，进而修改可调整失真。

本步骤的优选实施方式如下：

爬取m正常用户的图像，记为w；每一正常用户爬取一批图像，记为u，一批图像中的图像数目为b，正常用户的数目为n；将每一正常用户的一批图像u，一批半载密图像z各自输入至参数为的隐写分析网络(图1中的特征提取网络为隐写分析网络中的一部分，具体为隐写分析网络去掉最后一层全连接层之后的网络)，提取出相应的隐写分析特征h(u)与h(z)；

采用下式公式计算损失函数：

将损失函数通过隐写分析网络反向传播得到每张半载密图像的梯度图，其中第k张半载密图像中第i行第j列像素的梯度记为

记第k张原始图像ik中第i行第j列像素为可调整像素，其对应的失真值记为ρk，i，j，包括：与第k张半载密图像中第i行第j列像素的梯度记为其中，原始图像与半载密图像的序号是对应的，即k张半载密图像是对第k张原始图像进行秘密消息嵌入后得到的；

修改可调整失真的方式如下：

其中，α为设定的调整系数。

本领域技术人员可以理解，隐写是通过对图像的像素值+1或-1实现，+1和-1操作对图像造成的失真是不同的，文中与分别表示对像素进行+1隐写与-1隐写后的失真。

步骤5、根据修改后的可调整失真将秘密消息的第二部分，嵌入到一批半载密图像的可调整像素中，得到对抗载密图像。

本步骤的优选实施方式如下：

将一批半载密图像做向量化处理，得到长载体向量zl(当然，在步骤3中也可以预先保留一个长半载秘向量zl的副本，以便此阶段直接调用)；根据修改后的可调整失真将秘密消息的第二部分，使用隐写编码算法嵌入到长载体向量zl中的可调整像素中m2，得到完整的载密向量sl；

将完整的载密向量sl恢复为原始图像的尺寸与数目，得到一批对抗载密图像s＝{s1，s1，…，sb}^h×w，b为原始图像数目，h、w分别为原始图像的高度、宽度。

本发明实施例中，通过启发式的搜索，找到最优的可调整像素比例β。

基于上述方式得到对抗载密图像s＝{s1，s1，…，sb}^h×w后，可以输入到参数为的隐写分析网络，得到隐写分析特征h(s)，再按照与前文相同的方式计算与正常用户的图像在特征域中平均距离作为损失函数；之后，返回步骤2并调整β的大小，对所述的一批原始图像进行新一轮的处理，并利用得到新的对抗载密图像计算损失函数；重复多次，直至损失函数不再下降时对应的β即为最优的可调整像素比例β，相应的对抗载密图像即为最优对抗载密图像。

为了说明本发明实施例上述方案的性能，将对抗载密图像进行基于深度学习的池化隐写分析，以验证抵抗性能。

基于深度学习的池化隐写分析的原理如图2所示，图2的算法为隐写者检测算法，具体来说，对所有用户提取隐写分析特征，然后计算两两用户的距离，然后使用层次聚类或者局部异常因子的方法检测出隐写者。其中：1)层次聚类通过聚类的方法将所有用户(n个正常用户和1个发送隐写图像的用户)分成两类，其中一类仅包含一个或者几个用户，将其看作是异常用户，也就是隐写者，如果隐写者在异常类里，则表明被检测出来，因此不安全，否则说明其安全；通过重复实验，统计被检测出来的可能性，从而得到检测准确性。2)局部异常因子检测通过计算每个用户的离群因子(相当于一个指标)，然后根据离群因子对用户降序排序，将排在前5的用户看作是异常的。如果异常用户排在前5，说明其被检测出来，因此不安全，否则说明其是安全的；通过重复实验，统计被检测出来的可能性，从而得到检测准确性。

实验中，基于hill(图像空域隐写算法)失真的不同批隐写算法在不同嵌入率下，基于层次聚类的池化隐写分析的试验结果如图3所示；表1为基于hill失真的不同批隐写算法在不同嵌入率下，基于局部异常因子的池化隐写分析的试验结果；表2为基于hill失真的不同批隐写算法在不同嵌入率下，单张图像隐写分析的试验结果。

表1基于hill失真的不同批隐写算法在不同嵌入率下，基于局部异常因子的池化隐写分析的试验结果

表2基于hill失真的不同批隐写算法在不同嵌入率下，单张图像隐写分析的试验结果

表1～2的算法对应中文名称如下：

hill-even：基于hill失真的平均策略非对抗批隐写

hill-adv-emb：基于hill失真的单张图像对抗隐写

hill-eas：基于hill失真的平均策略对抗批隐写

hill-ims：基于hill失真的ims策略非对抗批隐写

hill-imas：基于hill失真的ims策略对抗批隐写(本发明方法)

通过以上验证实验的结果表明，本发明得到的对抗载密图在抵抗基于深度学习的池化隐写分析中，表现优于现有的方法；同时，该方法也可以在一定程度上抵抗单张图像的隐写分析。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。