一种基于自回归生成模型的可证安全隐写方法技术

本发明专利技术公开了一种基于自回归生成模型的可证安全隐写方法，刚方法采用拒绝采样来代替原始的随机采样，从而完成秘密消息的嵌入；同时为了隐写系统的安全性，利用自适应算术编码，根据PixelCNN得到的概率，对秘密消息进行编码，使得其符合像素原始分布，整个隐写在PixelCNN生成图像过程中同步完成，不需要额外采取其他信息编码方法。

A Provable Secure Steganography Method Based on Autoregressive Generation Model

The present invention discloses a provable secure steganography method based on Autoregressive generation model. The rigid method uses rejection sampling instead of random sampling to complete the embedding of secret messages. At the same time, in order to ensure the security of steganography system, the secret messages are encoded by adaptive arithmetic coding according to the probability obtained by PixelCNN, so that the secret messages conform to the original distribution of pixels. The steganography is completed synchronously in the process of PixelCNN image generation, and no additional information coding method is needed.

【技术实现步骤摘要】
一种基于自回归生成模型的可证安全隐写方法
本专利技术涉及信息隐藏
，尤其涉及一种基于自回归生成模型的可证安全隐写方法。
技术介绍
一、隐写术及隐写分析隐写术是一种隐蔽通信技术，其目的是将秘密消息嵌入到寄主载体(如图像)中，同时不引起窃听者的怀疑。过去的数十年时间里，研究人员提出了各种各样的隐写算法，包括最原始的LSB替换，以及各种自适应隐写算法。不同于早期的LSB算法，自适应隐写算法可以自动选择最合适的位置进行嵌入，其依据标准是最小化隐写前后的统计区分性。目前提出的自适应隐写算法包括HUGO，WOW，SUNIWARD，HILL，MiPOD等等。隐写术的对立面——隐写分析，也得到了很多学者的研究和关注，其目的在于检测寄主载体中是否存在隐秘消息。现有的算法包括SPAM，SRM，maxSRM，Xu-Net等等。二、图像生成模型随着机器学习和人工智能的发展，生成模型和合成数据越来越广泛，甚至有不少成熟的产品。微软推出一款人工智能画师；作为一款可以生成不同风格图片的APP，Prisma广受用户喜爱。为了使得生成的图像更加真实，各种各样的生成模型被提出并研究，其中最有名的包括变分自编码器(VAE)，生成式对抗网络(GAN)和自回归模型(NAME，RIDE，以及最新的PixelCNN系列)。其中PixelCNN系列作为自回归模型最新的成果，得到了大量学者的研究，提出了一系列变形，例如gatedPixelCNN，PixelCNN++等等。其核心思想如下公式：利用链式法则，将图像像素分布转化为条件概率分布的乘积，然后利用CNN去拟合条件概率分布。该系列模型生成图像的过程：从上到下，从左到右，依次生成整张图像，其中每个像素的生成，即利用随机采样，在对应的条件概率分布上进行采样：三、生成式隐写图像生成技术和生成模型的发展给隐写术带来了新的机遇。由于图像合成变得越来越普遍，在此过程中进行隐写术显然是一个很好的选择，即所谓的生成式隐写。不同于传统的隐写需要选取现有的载体图像然后利用隐写编码进行嵌入，生成式隐写可以直接生成包含了秘密消息的载密图像。生成式隐写的安全性保证，在于其对应生成模型的所生成的一般图像和载密图像之间的不可区分性。目前已经有许多关于生成式隐写方面的研究。Hayes等人提出一种基于对抗训练的方法，直接利用神经网络生成载密图像；Wu等人针对纹理图像合成，通过调整生成过程，选择非最佳图像块来进行纹理图像的生成式隐写；Zhou等人则提出无载体信息隐藏的概念，利用哈希将图像与消息序列一一对应，以此隐藏对应的消息序列。然而，目前的各种方案都存在各种各样的不足和缺陷，例如安全性不高，容量小或者是局限于特定的图像。
技术实现思路
本专利技术的目的是提供一种基于自回归生成模型的可证安全隐写方法，其具有较高的安全性能。本专利技术的目的是通过以下技术方案实现的：一种基于自回归生成模型的可证安全隐写方法，包括：秘密嵌入阶段：根据自回归生成模型得到的第1个像素值的分布，得到第1个像素值分布对应的码表；然后，结合得到的码表，并利用自适应算术编码的解码算法，将原始的秘密消息m编码，得到对应的新秘密消息M中排序为1的logL个比特；再将新的秘密消息中排序为1的logL个比特利用拒绝采样方式，嵌入到第1个像素值中，得到第1个新的像素值；对于自回归生成模型得到后续像素值的分布，采用上述方式得到相应的新的像素值，直到秘密消息全部嵌入完毕或者整张载密图像生成完毕；秘密提取阶段：接收方获得整张载密图像、每个像素值的分布及对应的码表，利用拒绝采样时所使用的映射F恢复出新的秘密消息M，然后，依据自适应算术编码的编码算法，从而恢复出最原始的秘密消息m。由上述本专利技术提供的技术方案可以看出，采用拒绝采样来代替原始的随机采样，从而完成秘密消息的嵌入；同时为了隐写系统的安全性，利用自适应算术编码，根据PixelCNN得到的概率，对秘密消息进行编码，使得其符合像素原始分布，整个隐写在PixelCNN生成图像过程中同步完成，不需要额外采取其他信息编码方法。附图说明为了更清楚地说明本专利技术实施例的技术方案，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专利技术的一些实施例，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为本专利技术实施例提供的原始PixelCNN生成正常图像的流程图；图2为本专利技术实施例提供的一种基于自回归生成模型的可证安全隐写方法中秘密嵌入阶段的流程图；图3为本专利技术实施例提供的在灰度图像集Frey进行的实验结果；图4为本专利技术实施例提供的彩色RGB图像集Anime进行的实验结果。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，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，都属于本专利技术的保护范围。本专利技术实施例提供一种基于自回归生成模型的可证安全隐写方法，该方法是基于自回归生成模型PixelCNN实现，原始PixelCNN生成正常图像的流程如图1所示，原始PixelCNN先对图像像素的条件概率分布进行建模，然后依据每个条件概率分布进行随机采样，从上到下，从前往后依次生成像素从而合成整张图像。本专利技术实施例提供的隐写方法则采用拒绝采样来代替原始的随机采样，从而完成秘密消息的嵌入；同时为了隐写系统的安全性，利用自适应算术编码，根据PixelCNN得到的概率，对秘密消息进行编码，使得其符合像素原始分布。整个隐写在PixelCNN生成图像过程中同步完成，不需要额外采取其他信息编码方法。本专利技术实施例提供的基于自回归生成模型的可证安全隐写方法主要包括如下两个阶段。一、秘密嵌入阶段。本专利技术实施例中，利用拒绝采样，将秘密消息隐写在生成的图片之间中。然而拒绝采样由秘密消息驱动，使得生成的载密图像和由随机采样得到的原始图像存在比较大的区分度，使得整个隐写系统安全性大大降低。因此本专利技术引入自适应算术编码，根据原始PixelCNN所建模得到的像素分布，以及对应的码表，利用秘密消息m编码成合适的新分布消息M，然后再调用拒绝采样进行隐写嵌入，从而完成安全性很高的隐写系统，同时该系统可从理论上证明其绝对安全性。由于需要将一个序列，按照给定的码表比例，编码成特定的新序列，因此需要引入算术编码。同时由于PixelCNN建模得到的每个像素的分布都不一样，因此码表在图像生成过程中一直在变化，所以需要使用自适应算术编码。结合拒绝采样和自适应算术编码，整个隐写方法的信息嵌入如图1所示，主要过程如下：1)根据自回归生成模型得到的第1个像素值的分布，得到第1个像素值分布对应的码表。所述第1个像素值x1的分布记为可以定义其码表为：：上式中，b取值为0到L-1的整数，L是给定的参数。对于每一子项p(FL(x1)＝b)，计算公式如下：2)结合得到的码表，并利用自适应算术编码的解码算法，将原始的秘密消息m编码，得到对应的新秘密消息M中排序为1的logL个比特，表示为：其中，M1为新秘密消息M中排序为1的logL个比特，AAD为自适应算术编码的解码算法。示例性的，L取值范围可以是2到255本文档来自技高网...

【技术保护点】
1.一种基于自回归生成模型的可证安全隐写方法，其特征在于，包括：秘密嵌入阶段：根据自回归生成模型得到的第1个像素值的分布，得到第1个像素值分布对应的码表；然后，结合得到的码表，并利用自适应算术编码的解码算法，将原始的秘密消息m编码，得到对应的新秘密消息M中排序为1的logL个比特；再将新的秘密消息中排序为1的logL个比特利用拒绝采样方式，嵌入到第1个像素值中，得到第1个新的像素值；对于自回归生成模型得到后续像素值的分布，采用上述方式得到相应的新的像素值，直到秘密消息全部嵌入完毕或者整张载密图像生成完毕；秘密提取阶段：接收方获得整张载密图像、每个像素值的分布及对应的码表，利用拒绝采样时所使用的映射F恢复出新的秘密消息M，然后，依据自适应算术编码的编码算法，从而恢复出最原始的秘密消息m。

【技术特征摘要】
1.一种基于自回归生成模型的可证安全隐写方法，其特征在于，包括：秘密嵌入阶段：根据自回归生成模型得到的第1个像素值的分布，得到第1个像素值分布对应的码表；然后，结合得到的码表，并利用自适应算术编码的解码算法，将原始的秘密消息m编码，得到对应的新秘密消息M中排序为1的logL个比特；再将新的秘密消息中排序为1的logL个比特利用拒绝采样方式，嵌入到第1个像素值中，得到第1个新的像素值；对于自回归生成模型得到后续像素值的分布，采用上述方式得到相应的新的像素值，直到秘密消息全部嵌入完毕或者整张载密图像生成完毕；秘密提取阶段：接收方获得整张载密图像、每个像素值的分布及对应的码表，利用拒绝采样时所使用的映射F恢复出新的秘密消息M，然后，依据自适应算术编码的编码算法，从而恢复出最原始的秘密消息m。2.根据权利要求1所述的一种基于自回归生成模型的可证安全隐写方法，其特征在于，所述第1个像素值x1的分布记为其码表为：上式中，b取值为0到L-1的整数，L是给定的参数；对于每一子项p(FL(x1)＝b)，计算公式如下：3.根据权利要求2所述的一种基于自回归生成模型的可证安全隐写方法，其特征在于，利用自适应算术编码的解码算法，将原始的秘密消息m编码，得到对应的新秘密消息M中排序为1的logL个比特表示为：其中，M1为新秘密消息M中...

【专利技术属性】
技术研发人员：张卫明，杨宽，陈可江，俞能海，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34