信息隐写方法及信息检测方法及装置制造方法及图纸

本申请公开了一种信息隐写方法，通过将获取到的载体对象和待嵌入信息输入到目标隐写卷积神经网络模型中，获取目标残差对象；之后，再根据所述载体对象和所述目标残差对象，获得目标隐写对象。本申请通过引入逆隐写卷积神经网络模型，并将所述逆隐写卷积神经网络模型输出的逆载体对象作为样本对象用于训练获得所述目标隐写卷积神经网络；同时，在生成隐写对象中，先获取与所述载体对象和所述待嵌入信息对应的目标残差对象，再根据所述载体对象和所述目标残差对象获得最终的目标隐写对象，可以大大增加目标隐写对象中的嵌入信息的安全性。

【技术实现步骤摘要】
信息隐写方法及信息检测方法及装置
本申请涉及计算机
，具体涉及一种信息隐写方法、装置、电子设备和存储设备，本申请同时涉及一种信息检测方法、装置、电子设备和存储设备。
技术介绍
随着数字媒体技术以及互联网技术的发展，在信息传递或针对图像、视频等对象提供数字版权保护时，通过信息隐写方法来隐蔽的传输信息这一方式受到了人们越来越多的关注，所述信息隐写方法是指将待传递信息或数字版权信息等嵌入信息通过伪装的方式隐蔽的写入载体对象以获得对应的、包含所述嵌入信息的隐写对象的方法。近些年来，基于生成对抗网络的信息隐写方法被逐渐使用，所述基于生成对抗网络的信息隐写方法是指使用包括用于生成隐写对象的隐写卷积神经网络模型、用于区分输入对象是否包括嵌入信息的二元分类卷积神经网络模型，以及用于从隐写对象中提取嵌入信息的隐写信息提取卷积神经网络模型，其核心思想是采用对抗训练的策略，即使用所述隐写卷积神经网络模型的输入及输出对象作为所述二元分类卷积神经网络模型的输入对象，使用所述二元分类卷积神经网络模型来检查所述隐写卷积神经网络模型生成的隐写对象的隐蔽性，进而使所述两个卷积神经网络模型互相进行博弈，并在博弈的过程中使所述两个卷积神经网络模型的性能得到逐步改善，之后，使用性能稳定的所述隐写卷积神经网络模型来进行信息隐写。目前基于生成对抗网络的信息隐写方法虽然能够使获得的隐写对象中的嵌入信息的隐蔽性得到一定的提高，但仍具备一定的弊端。首先，其所使用的对抗信息并不够准确，上述方法中用于针对隐写卷积神经网络模型进行对抗训练的二元分类网络的输入数据是隐写卷积神经网络模型的输入和输出数据，即载体对象和对应的隐写对象，两者之间的相关性并不大；其次，上述方法中的隐写卷积神经网络模型结构相对简单，使用该隐写卷积神经网络模型获得的隐写对象中的嵌入信息容易被解析出来并被破坏。
技术实现思路
本申请提供一种信息隐写方法，以解决现有的基于生成对抗网络的信息隐写方法中的对抗信息不够准确，以及获得的隐写对象中的嵌入信息容易被破坏的问题。本申请提供一种信息隐写方法，包括：获取载体对象和待嵌入信息；将所述载体对象和所述待嵌入信息输入到目标隐写卷积神经网络模型中，获取目标残差对象，其中，所述目标隐写卷积神经网络模型是将逆隐写卷积神经网络模型输出的逆载体对象作为样本对象训练得到的模型，所述逆隐写卷积神经网络模型用于根据所述目标隐写卷积神经网络模型获得的隐写对象获得逆载体对象，所述逆载体对象是消除了嵌入信息的对象；根据所述载体对象和所述目标残差对象，获得嵌入所述待嵌入信息的目标隐写对象。可选的，所述目标隐写卷积神经网络模型为残差学习卷积神经网络模型；所述将所述载体对象和所述待嵌入信息输入到目标隐写卷积神经网络模型中，获取目标残差对象，包括：将所述载体对象和所述待嵌入信息输入到所述残差学习卷积神经网络模型中，获取所述目标残差对象。可选的，所述将所述载体对象和所述待嵌入信息输入到所述残差学习卷积神经网络模型中，获取所述目标残差对象，包括：对所述载体对象和所述待嵌入信息进行融合处理，获取对象融合信息；将所述对象融合信息输入到所述残差学习卷积神经网络模型中，获取所述目标残差对象。可选的，所述对所述载体对象和所述待嵌入信息进行融合处理，获取对象融合信息，包括：对所述待嵌入信息进行融合预处理，获取预处理待嵌入信息，其中，所述预处理待嵌入信息的空间尺寸与所述载体对象的空间尺寸一致；根据所述预处理待嵌入信息和所述载体对象，获取所述对象融合信息。可选的，所述对所述待嵌入信息进行融合预处理，获取预处理待嵌入信息，包括：根据所述载体对象的空间尺寸信息，对所述待嵌入信息进行复制处理，获取与所述载体对象的空间尺寸一致的预处理待嵌入信息。可选的，所述根据所述预处理待嵌入信息和所述载体对象，获取所述对象融合信息，包括：对所述预处理待嵌入信息和所述载体对象进行相加处理，获得所述对象融合信息。可选的，所述残差学习卷积神经网络模型包括至少一个残差块和一个全连接层，其中，所述全连接层的通道数与所述载体对象的通道数相同；所述将所述对象融合信息输入到所述残差学习卷积神经网络模型中，获取所述目标残差对象，包括：使用所述至少一个残差块对所述对象融合信息进行处理，获取待处理残差对象；使用所述全连接层对所述待处理残差对象进行处理，获取所述目标残差对象。可选的，所述根据所述载体对象和所述目标残差对象，获得嵌入所述待嵌入信息的目标隐写对象，包括：对所述载体对象和所述目标残差对象进行相加处理，获取所述目标隐写对象。可选的，所述目标隐写卷积神经网络模型，通过以下步骤获得：获取原始隐写卷积神经网络模型；将所述逆隐写卷积神经网络模型和所述原始隐写卷积神经网络模型进行对抗训练，使所述原始隐写卷积神经网络模型收敛，将收敛后的所述原始隐写卷积神经网络模型作为所述目标隐写卷积神经网络模型。可选的，所述将所述逆隐写卷积神经网络模型和所述原始隐写卷积神经网络模型进行对抗训练，使所述原始隐写卷积神经网络模型收敛，包括：获取第一判别卷积神经网络模型和第二判别卷积神经网络模型，其中，所述第一判别卷积神经网络模型用于判别接收的对象是否包括嵌入信息，所述第二判别卷积神经网络模型用于判别接收的对象是原始载体对象还是所述逆载体对象；将所述原始隐写卷积神经网络模型，所述逆隐写卷积神经网络模型，所述第一判别卷积神经网络模型和所述第二判别卷积神经网络模型进行对抗训练，使所述原始隐写卷积神经网络模型收敛。可选的，所述将所述原始隐写卷积神经网络模型，所述逆隐写卷积神经网络模型，所述第一判别卷积神经网络模型和所述第二判别卷积神经网络模型进行对抗训练，使所述原始隐写卷积神经网络模型收敛，包括：获取原始训练载体对象，并获取原始训练待嵌入信息；将所述原始训练载体对象和所述原始训练待嵌入信息输入到所述原始隐写卷积神经网络模型中，获取原始训练隐写对象；将所述原始训练隐写对象输入到所述逆隐写卷积神经网络模型中，获取逆训练载体对象；使用所述原始训练隐写对象和所述原始训练载体对象对所述第一判别卷积神经网络模型进行训练；使用所述原始训练载体对象和所述逆训练载体对象对所述第二判别卷积神经网络模型进行训练；在对上述卷积神经网络模型进行训练的过程中，使用上述卷积神经网络模型的损失函数调整所述卷积神经网络模型的参数，使所述原始隐写卷积神经网络模型收敛。可选的，所述将所述载体对象和所述待嵌入信息输入到目标隐写卷积神经网络模型中，获取目标残差对象，包括：对所述待嵌入信息进行加密处理，获取加密后的待嵌入信息；将所述载体对象和所述加密后的待嵌入信息输入到目标隐写卷积神经网络模型中，获取目标残差对象。本申请还提供一种信息隐写装置，包括：信息获取单元，用于获取载体对象和待嵌入信息；目本文档来自技高网...

【技术保护点】
1.一种信息隐写方法，其特征在于，包括：/n获取载体对象和待嵌入信息；/n将所述载体对象和所述待嵌入信息输入到目标隐写卷积神经网络模型中，获取目标残差对象，其中，所述目标隐写卷积神经网络模型是将逆隐写卷积神经网络模型输出的逆载体对象作为样本对象训练得到的模型，所述逆隐写卷积神经网络模型用于根据所述目标隐写卷积神经网络模型获得的隐写对象获得逆载体对象，所述逆载体对象是消除了嵌入信息的对象；/n根据所述载体对象和所述目标残差对象，获得嵌入所述待嵌入信息的目标隐写对象。/n

【技术特征摘要】
1.一种信息隐写方法，其特征在于，包括：
获取载体对象和待嵌入信息；
将所述载体对象和所述待嵌入信息输入到目标隐写卷积神经网络模型中，获取目标残差对象，其中，所述目标隐写卷积神经网络模型是将逆隐写卷积神经网络模型输出的逆载体对象作为样本对象训练得到的模型，所述逆隐写卷积神经网络模型用于根据所述目标隐写卷积神经网络模型获得的隐写对象获得逆载体对象，所述逆载体对象是消除了嵌入信息的对象；
根据所述载体对象和所述目标残差对象，获得嵌入所述待嵌入信息的目标隐写对象。


2.根据权利要求1所述的信息隐写方法，其特征在于，所述目标隐写卷积神经网络模型为残差学习卷积神经网络模型；
所述将所述载体对象和所述待嵌入信息输入到目标隐写卷积神经网络模型中，获取目标残差对象，包括：
将所述载体对象和所述待嵌入信息输入到所述残差学习卷积神经网络模型中，获取所述目标残差对象。


3.根据权利要求2所述的信息隐写方法，其特征在于，所述将所述载体对象和所述待嵌入信息输入到所述残差学习卷积神经网络模型中，获取所述目标残差对象，包括：
对所述载体对象和所述待嵌入信息进行融合处理，获取对象融合信息；
将所述对象融合信息输入到所述残差学习卷积神经网络模型中，获取所述目标残差对象。


4.根据权利要求3所述的信息隐写方法，其特征在于，所述对所述载体对象和所述待嵌入信息进行融合处理，获取对象融合信息，包括：
对所述待嵌入信息进行融合预处理，获取预处理待嵌入信息，其中，所述预处理待嵌入信息的空间尺寸与所述载体对象的空间尺寸一致；
根据所述预处理待嵌入信息和所述载体对象，获取所述对象融合信息。


5.根据权利要求4所述的信息隐写方法，其特征在于，所述对所述待嵌入信息进行融合预处理，获取预处理待嵌入信息，包括：
根据所述载体对象的空间尺寸信息，对所述待嵌入信息进行复制处理，获取与所述载体对象的空间尺寸一致的预处理待嵌入信息。


6.根据权利要求4所述的信息隐写方法，其特征在于，所述根据所述预处理待嵌入信息和所述载体对象，获取所述对象融合信息，包括：
对所述预处理待嵌入信息和所述载体对象进行相加处理，获得所述对象融合信息。


7.根据权利要求3所述的信息隐写方法，其特征在于，所述残差学习卷积神经网络模型包括至少一个残差块和一个全连接层，其中，所述全连接层的通道数与所述载体对象的通道数相同；
所述将所述对象融合信息输入到所述残差学习卷积神经网络模型中，获取所述目标残差对象，包括：
使用所述至少一个残差块对所述对象融合信息进行处理，获取待处理残差对象；
使用所述全连接层对所述待处理残差对象进行处理，获取所述目标残差对象。


8.根据权利要求1所述的信息隐写方法，其特征在于，所述根据所述载体对象和所述目标残差对象，获得嵌入所述待嵌入信息的目标隐写对象，包括：
对所述载体对象和所述目标残差对象进行相加处理，获取所述目标隐写对象。


9.根据权利要求1所述的信息隐写方法，其特征在于，所述目标隐写卷积神经网络模型，通过以下步骤获得：
获取原始隐写卷积神经网络模型；
将所述逆隐写卷积神经网络模型和所述原始隐写卷积神经网络模型进行对抗训练，使所述原始隐写卷积神经网络模型收敛，将收敛后的所述原始隐写卷积神经网络模型作为所述目标隐写卷积神经网络模型。


10.根据权利要求1所述的信息隐写方法，其特征在于，所述将所述逆隐写卷积神经网络模型和所述原始隐写卷积神经网络模型进行对抗训练，使所述原始隐写卷积神经网络模型收敛，包括：
获取第一判别卷积神经网络模型和第二判别卷积神经网络模型，其中，所述第一判别卷积神经网络模型用于判别接收的对象是否包括嵌入信息，所述第二判别卷积神经网络模型用于判别接收的对象是原始载体对象还是所述逆载体对象；
将所述原始隐写卷积神经网络模型，所述逆隐写卷积神经网络模型，所述第一判别卷积神经网络模型和所述第二判别卷积神经网络模型进行对抗训练，使所述原始隐写卷积神经网络模型收敛。


11.根据权利要求10所述的信息隐写方法，其特征在于，所述将所述原始隐写卷积神经网络模型，所述逆隐写卷积神经网络模型，所述第一判别卷积神经网络模型和所述第二判别卷积神经网络模型进行对抗训练，使所述原始隐写卷积神经网络模型收敛，包括：
获取原始训练载体对象，并获取原始训练待嵌入信息；
将所述原始训练载体对象和所述原始训练待嵌入信息输入到所述原始隐写卷积神经网络模型中，获取原始训练隐写对象；
将所述原始训练隐写对象输入到所述逆隐写卷积神经网络模型中，获取逆训练载体对象；
使用所述原始训练隐写对象和所述原始训练载体对象对所述第一判别卷积神经网络模型进行训练；
使用所述原始训练载体对象和所述逆训练载体对象对所述第二判别卷积神经网络模型进行训练；
在对上述卷积神经网络模型进行训练的过程中，使用上述卷积神经网络模型的损失函数调整所述卷积神经网络模型的参数，使所述原始隐写卷积神经网络模型收敛。


12.根据权利要求1所述的信息隐写方法，其特征在于，所述将所述载体对象和所述待嵌入信息输入到目标隐写卷积神经网络模型中，获取目标残差对象，包括：
对所述待嵌入信息进行加密处理，获取加密后的待嵌入信息；
将所述载体对象和所述加密后的待嵌入信息输入到目标隐写卷积神经网络模型中，获取目标残差对象。


13.一种信息检测方法，其特征在于，包括：
获取被隐写入嵌入...

【专利技术属性】
技术研发人员：刘永亮，石武祯，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY