据库中搜 索与待检测样本\最相似的K个负样本
[0037] 所述步骤S3中，搜索与相似的K个负样本的过程为：计算xt与每个负样本 Ci的距离，然后按照距离大小对所有负样本进行升序排序，选取前K个负样本。在计算距离 时，可以根据样本表达所使用的特征，使用不同的距离度量方式。
[0038] 在本实施例中，使用欧式距离作为距离的度量。
[0039] 步骤S4,对所述步骤S3中得到K个负样本中的每个负样本ck，在其对应的M个正 样本4,…，彳中寻找距离xt最近的正样本，与ck组成一对，总共可得到K对正负样本对， 构成xt的专属局部训练集BK(xt);
[0040] 由于待测样本所使用的信息隐藏算法和嵌入率不可能预先知道，本发明构造 BK(xt)的方法，能够最大可能的找到使用相似算法、相似嵌入率的样本，提高了针对性，减少 了噪声样本的影响。针对Xt构造的训练集BK(xt)相对较小，类内变化也较小，容易学到复 杂度低而精确度高的局部分类器。
[0041] 步骤S5,依据步骤S4中得到的局部训练集及正、负样本的配对关系，对分类器进 行训练学习，获得最优分类器Lt。
[0042] 在本实施例中，训练最优线性分类器，其训练过程即寻找最优线性判别函数的过 程，以采用Fisher判别准则为例，其学习过程是最大化如下目标函数，如式（2)、（3)、（4)所 示：
[0044]SB= (u「u2) (u「u2)t ⑶
[0046] 其中&为第j类样本的集合，h为其样本均值，SjPS￥分别为类间和类内散布矩 阵。该优化的实质是寻找投影方向a，使得投影后两类样本尽可能分得开些，同时同类样本 内部尽量密集。为了充分利用正负样本成对这一先验信息，本发明对上述优化目标进行了 修改，使得成对的样本在映射后尽量分得开些，修改后的优化目标如式（5)、（6)、（7)所示：
[0049] (Ci，Si)GBK(xt)，i= 1，2,…，K(7)
[0050] SP为反映正负样本对分离程度的矩阵。
[0051] 该修改将投影后正负样本对的距离| |aTCi-aTSi| |2加入到优化目标函数中，从而 迫使投影后正负样本尽量分得开。在本发明一实施例中，K的取值为200。
[0052] 步骤S6 :使用所述步骤S5得到的最优分类器Lt对待检测样本x,进行判别分类， 得到xt是否经过信息隐藏的检测结果；
[0053] 步骤S7 :重复步骤S3-S6,直到对所有待检测样本完成检测。
[0054] 由于BK(xt)是由&的近邻样本构成，是一个局部的、相对较小训练集，本发明在局 部训练集BK(xt)上进行训练优化，得到局部分类器Lt并用它只对xt进行分类判别，因此是 一种基于局部学习的信息隐藏检测方法。
[0055] 本发明通过选择与待检测样本相似的样本，训练局部分类器，在一定程度上克服 了当前信息隐藏检测中训练全局分类器导致获得的分类器复杂，泛化性能差这一不足。使 用本发明得到的局部分类器复杂度较低，去除了无关样本的不良影响，针对性更强，从而提 高了信息隐藏检测的正确率。除了构建局部训练集，本发明还提出利用正负样本成对这一 先验信息对线性判别函数进行优化，提高了检测效果。本发明不需要提前知道待检测样本 所使用的信息隐藏算法及嵌入率，可以与多种信息隐藏检测特征提取算法相结合，具有较 高的通用性，可应用于各种基于模式识别的信息隐藏检测系统中。
[0056] 以上所述，仅为本发明中的【具体实施方式】，但本发明的保护范围并不局限于此，任 何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在 本发明的包含范围之内，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。
【主权项】
1. 一种基于局部学习的信息隐藏检测方法，其特征在于，该方法包括以下步骤： 步骤S1，构建训练样本数据库：获取原始图像或视频作为负样本，对每个负样本进行 多种方法的信息隐藏并对应生成多个正样本，所有正负样本的合集构成训练样本数据库； 步骤S2,对每个样本提取可用于信息隐藏检测的且对于正负样本有区分能力的特征， 并将所述特征用向量形式表示作为每个样本的表达； 步骤S3,对于一个待检测样本，通过近邻搜索算法在训练样本数据库中搜索与待检测 样本最相似的K个负样本； 步骤S4,对所述步骤S3中得到每个负样本匹配对应的多个正样本，然后所述的正样本 中选择距离待检测样本最近的正样本，与对应负样本配对，获得K对正负样本对，构成局部 训练集； 步骤S5,依据步骤S4中得到的局部训练集及正、负样本的配对关系，对分类器进行训 练学习，获得最优分类器； 步骤S6 :使用所述步骤S5中得到的最优分类器对待检测样本进行判别分类，得到所述 待检测样本是否经过信息隐藏的检测结果； 步骤S7 :重复步骤S3-S6,直到对所有待检测样本完成检测。2. 根据权利要求1所述的一种基于局部学习的信息隐藏检测方法，其特征在于，步骤 S5中所述对分类器进行训练学习是针对每个待检测样本构建局部训练集，在局部训练集上 学习最优分类器。3. 根据权利要求2所述的一种基于局部学习的信息隐藏检测方法，其特征在于，步骤 S3中所述K个负样本的选取方法为：对于任意一个待检测样本xt，计算11与训练样本数据 库中每个负样本的距离，然后按照距离大小对所有负样本进行升序排序，前K个负样本即 为所选负样本。4. 根据权利要求3所述的一种基于局部学习的信息隐藏检测方法，其特征在于，步骤 S5中对分类器进行训练学习过程中，在优化目标函数时加入正负样本成对这一约束，使成 对的样本在投影后尽量分得开些。5. 根据权利要求4所述的一种基于局部学习的信息隐藏检测方法，其特征在于，所述 优化目标函数具体为寻找投影方向α。6. 根据权利要求5所述的一种基于局部学习的信息隐藏检测方法，其特征在于，步骤5 中对分类器进行训练学习的过程为最大化如下目标函数：(c" Si) e Bk (xt)，i = 1，2,…，L 其中Xj为第j类样本的集合，Uj为其样本均值，Sw为类内散布矩阵；S p为反映正负样 本对分离程度的矩阵；BK (xt)是由K对近邻正负样本对构成的局部训练集，（c i，Si)为 一对正负样本。7.根据权利要求6所述的一种基于局部学习的信息隐藏检测方法，其特征在于，K的取 值为200。
【专利摘要】本发明公开了一种基于局部学习的信息隐藏检测方法，该方法包括：构建包含正负样本的训练样本数据库；对任一待检测样本，在样本数据库中搜索与其最相似的K个正负样本对，构成局部训练集；在局部训练集上，进行分类器的训练学习，在学习过程中，加入正负样本成对这一约束，使用优化算法获得最优分类器；用得到的分类器对待检测样本进行判别分类，得到所述待检测样本是否经过信息隐藏的检测结果。本发明充分利用局部学习能够较好地克服类内变化大、降低噪声影响以及较少需要先验知识等优势，提高了信息隐藏检测的效果，可应用于基于模式识别的信息隐藏检测算法分析系统中。
【IPC分类】G06K9/62, G06K9/66
【公开号】CN104899606
【申请号】CN201510338406
【发明人】谭铁牛, 董晶, 王伟, 许锡锴
【申请人】中国科学院自动化研究所
【公开日】2015年9月9日
【申请日】2015年6月17日