基于异构特征子空间迁移的JPEG图像失配隐写分析方法技术

本发明专利技术涉及一种基于异构特征子空间迁移的JPEG图像失配隐写分析方法，本发明专利技术将不同领域的特征看作域无关和域相关特征子空间的组合，首先，提出一种低秩约束域无关特征迁移方法，利用不同领域间的局部数据特性来实现局部信息的迁移；其次，基于稀疏表示建模域相关特征以衡量领域变化对其产生的影响；最后，通过上述的步骤构造目标函数并通过不精确的增广拉格朗日乘数法进行求解。在域无关特征子空间上实现局部信息迁移的同时兼顾了域相关特征独有的全局信息，这样可以增加载体图像与载密图像之间的特征辨识度，有利于提高失配隐写分析的检测效果，对于失配隐写分析具有重要的意义。

JPEG image mismatch steganalysis method based on heterogeneous feature subspace migration

The present invention relates to a JPEG image mismatch steganalysis method based on heterogeneous feature subspace migration. The method regards different domain features as a combination of domain-independent and domain-related feature subspaces. Firstly, a low-rank constraint domain-independent feature migration method is proposed, which utilizes local data characteristics between different domains to realize local information migration; secondly, based on sparse representation construction. At last, the objective function is constructed through the above steps and solved by the imprecise augmented Lagrange multiplier method. Local information migration in domain-independent feature subspace is realized while taking into account the unique global information of domain-related features. This can increase the feature recognition between carrier image and carrier image, improve the detection effect of mismatch steganalysis, and has important significance for mismatch steganalysis.

【技术实现步骤摘要】
基于异构特征子空间迁移的JPEG图像失配隐写分析方法
本专利技术涉及多媒体安全和数字媒体处理
，特别涉及一种在训练集和测试集分布不一致的情况下判别JPEG图像是否经过秘密信息嵌入的失配隐写分析

技术介绍
隐写术是将秘密信息以难以察觉的形式隐藏于数字媒体中以实现隐蔽通信。由于JPEG格式的图片应用非常广泛，所以JPEG图像的隐写术发展比较迅速。隐写分析是一种与隐写术相对抗的逆向检测技术，其目的是根据载体的统计特性判断其中是否存在隐蔽信息。目前，隐写分析方法大多是利用机器学习工具，通过对提取的特征数据进行训练得到检测模型，然后用该模型测试待检测的样本。采用这种思路进行隐写检测已经取得了很好的效果，但这种方法需要满足机器学习的前提假设，即训练数据(源领域)与测试数据(目标领域)服从相同的数据分布。使用传统机器学习进行隐写分析检测，在测试集和训练集同分布时，已经取得很好的效果。然而，在许多应用场景应用中，训练集和测试集往往服从不同的数据分布，这样会引起失配问题。失配问题归根结底是因为训练数据和测试数据统计特性和特征分布的不同而导致的，Fridrich等人[1]分析了产生失配的原因并对传统隐写分析中存在的各种失配因素进行了归类，如训练集和测试集嵌入率不同导致的失配、质量因子不同导致的失配、隐写算法未知导致的失配、载体内容不同导致的失配等，这些都会造成传统隐写分析正确率的大幅降低。目前，解决隐写分析失配问题的主要方法有采用简单分类器的方法[2]、融合训练的方法[1]以及基于迁移学习的方法[3-4]。现有的部分方法虽然在一定程度上解决了失配隐写分析问题，但也面临着一些不足之处。一方面，基于简单分类器和融合训练的方法往往受样本分布偏差的影响较大并且目标领域样本数量相对较少的时候分布估计容易产生偏差；另一方面，传统的基于特征迁移的失配隐写分析方法，拆分了源领域和目标领域样本原有的特征空间，仅选择部分域无关特征进行知识迁移，忽略了域相关特征具有的全局判别信息。相关参考文献如下：[1]J,SedighiV,FridrichJ.Studyofcoversourcemismatchinsteganalysisandwaystomitigateitsimpact[C]//MediaWatermarking,Security,andForensics2014.InternationalSocietyforOpticsandPhotonics,2014,9028:90280J.[2]LubenkoI,KerAD.Steganalysiswithmismatchedcovers:Dosimpleclassifiershelp？[C]//ProceedingsoftheonMultimediaandsecurity.ACM,2012:11-18.[3]KongX,FengC,LiM,etal.Iterativemulti-orderfeaturealignmentforJPEGmismatchedsteganalysis[J].Neurocomputing,2016,214:458-470.[4]YangY,KongX,FengC.Double-compressedJPEGimagessteganalysiswithtransferringfeature[J].MultimediaToolsandApplications,2018:1-13.
技术实现思路
本专利技术针对现有隐写分析方法在失配环境中检测率下降的问题，实现一种能够从失配数据集中迁移有效信息的失配隐写分析方法。为了便于描述所提出的失配隐写分析算法，首先对一些相关变量和概念进行统一说明。设D＝{(xn,yn)∈X×Y:1≤n≤N}表示领域中的一个样本，其中，X、Y分别表示领域样本的特征空间和标签空间。定义失配隐写分析中的源领域表示为目标领域表示为在失配隐写分析中，由于源领域样本和目标领域样本通常来源于相近的宏观领域，因此两类样本在特征分布上具有一定的相似性。但从微观数据分布角度分析，它们仍存在一定的差异性，特别表现在特征空间的构造上，这两类特征空间既存在随领域变化而不同的域相关特征，又存在不随领域变化而改变的域无关特征。具体的表现满足下述特性：领域间在实现部分域无关特征数据共享的同时，每个数据集仍保有自己的域相关特性。因而，本方法把不同领域的数据看作是域相关和域无关两个特征子空间的组合，即源领域数据集Xs和目标领域数据集Xt可分别表示为和其中，和分别表示为源领域和目标领域间的域相关特征，和表示领域间的域无关特征，原理示意图如图1所示。具体来说，源数据和目标数据被转换到公共特征空间，其中每个目标数据可以通过来自源领域的数据线性重建。我们对重建矩阵施加联合的低秩和稀疏约束，以便保存全局和局部的数据结构。在我们提出的方法中，低秩约束的设计确保了域无关特征空间的数据可以很好地共享，这有助于显著减少域分布的差异。此外，稀疏表示可以使来自不同领域的域相关特征数据更加交叠，这对于提高分类性能是有用的。因此，利用失配数据集中的有效信息来构造合适的隐写分析特征，并减少源领域和目标领域的分布差异，以提高失配隐写分析的检测率，对于失配隐写分析具有重要的意义。本专利技术将不同领域的特征看作域无关和域相关特征子空间的组合，基于低秩约束对域无关特征进行迁移，考虑领域变化与域相关特征之间的关联特性，并采用SVM分类器来训练失配隐写分析模型和测试图像样本。本专利技术的技术方案为一种基于异构特征子空间迁移的JPEG图像失配隐写分析方法，包括如下步骤：步骤1，选取失配图像集，包括训练数据集(源领域数据集)和测试数据集(目标领域数据集)；步骤2，针对失配图像集，利用低秩约束对域无关特征进行局部信息迁移；步骤3，在域相关特征的关联子空间中估计域相关特征权重；步骤4，将域相关特征权重作为初始值建模域相关特征，并构建目标函数；步骤5，求解目标函数以获取相关参数；步骤6，重复步骤2-5，直到满足收敛条件，获得处理后的训练数据集和测试数据集；步骤7，利用处理后的训练数据集训练SVM分类器，获得失配隐写分析模型；步骤8，利用失配隐写分析模型对处理后的测试数据集进行特征分类，并获得该模型的准确率。进一步的，步骤2中域无关特征迁移是通过寻找一个变换矩阵使得源领域和目标领域的数据迁移到特征子空间中，并保证源领域和目标领域的分布近似相等，其中变换矩阵的表达式如下：其中，和分别表示源领域数据集Xs和目标领域数据集Xt的域无关特征，PT表示变换矩阵的转置，Z表示低秩重构矩阵；通过变换改写为，其中，||Z||*表示矩阵Z的核范数，核范数为矩阵奇异值之和，||Z||1表示矩阵Z的L1范数，α指的是模型中的参数。进一步的，步骤3中域相关特征权重g的估计函数为，g＝gmsd+λgml(式13)其中，nt表示目标领域中的样本数目，ns表示源领域中的样本数目，xi和xj分别表示目标样本空间和源样本空间中每一维度中的元素，n＝ns+nt，λ是一个平衡参数，β指的是模型中的参数。进一步的，β通过网格调参法来取值。进一步的，步骤4中目标函数的表达式如下，其中，Ω(P,Y,Xs)表示判别子空间学习函数，Xs和Xt分别表示源领域数据集和目标领域数据本文档来自技高网...

【技术保护点】
1.基于异构特征子空间迁移的JPEG图像失配隐写分析方法，其特征在于，包括如下步骤：步骤1，选取失配图像集，包括训练数据集(源领域数据集)和测试数据集(目标领域数据集)；步骤2，针对失配图像集，利用低秩约束对域无关特征进行局部信息迁移；步骤3，在域相关特征的关联子空间中估计域相关特征权重；步骤4，将域相关特征权重作为初始值建模域相关特征，并构建目标函数；步骤5，求解目标函数以获取相关参数；步骤6，重复步骤2‑5，直到满足收敛条件，获得处理后的训练数据集和测试数据集；步骤7，利用处理后的训练数据集训练SVM分类器，获得失配隐写分析模型；步骤8，利用失配隐写分析模型对处理后的测试数据集进行特征分类，并获得该模型的准确率。

【技术特征摘要】
1.基于异构特征子空间迁移的JPEG图像失配隐写分析方法，其特征在于，包括如下步骤：步骤1，选取失配图像集，包括训练数据集(源领域数据集)和测试数据集(目标领域数据集)；步骤2，针对失配图像集，利用低秩约束对域无关特征进行局部信息迁移；步骤3，在域相关特征的关联子空间中估计域相关特征权重；步骤4，将域相关特征权重作为初始值建模域相关特征，并构建目标函数；步骤5，求解目标函数以获取相关参数；步骤6，重复步骤2-5，直到满足收敛条件，获得处理后的训练数据集和测试数据集；步骤7，利用处理后的训练数据集训练SVM分类器，获得失配隐写分析模型；步骤8，利用失配隐写分析模型对处理后的测试数据集进行特征分类，并获得该模型的准确率。2.如权利要求1所述的基于异构特征子空间迁移的JPEG图像失配隐写分析方法，其特征在于：步骤2中域无关特征迁移是通过寻找一个变换矩阵使得源领域和目标领域的数据迁移到特征子空间中，并保证源领域和目标领域的分布近似相等，其中变换矩阵的表达式如下：其中，和分别表示源领域数据集Xs和目标领域数据集Xt的域无关特征，PT表示变换矩阵的转置，Z表示低秩重构矩阵；通过变换改写为，其中，||Z||*表示矩阵Z的核范数，核范数为矩阵奇异值之和，||Z||1表示矩阵Z的L1范数，α指的是模型中的参数。3.如权利要求2所述的基于异构特征子空间迁移的JPEG图像失配隐写分析方法，其特征在于：步骤3中域相关特征权重g的估计函数为，g＝gmsd+λgml(式13)其中，nt表示目标领域中的样本数目，ns表示源领域中的样本数目，xi和xj分别表示目标样本空间和源样本空间中每一维度中的元素，n＝ns+nt，λ是一个平衡参数，β指的是模型中的参数。4.如权利要求3所述的基于异构特征子空...

【专利技术属性】
技术研发人员：王丽娜，嘉炬，任魏翔，翟黎明，徐一波，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42