基于MMD残差的隐写检测特征选取方法技术

本发明专利技术提供一种基于MMD残差的隐写检测特征选取方法。该方法包括：步骤1：将高维Rich Model隐写检测特征拆解为若干个Rich Model子模型特征向量；步骤2：针对每个Rich Model子模型特征向量，基于MMD残差的属性重要度的度量公式度量其各个特征分量的属性重要度值，并根据属性重要度值对各个特征分量进行降序排序；步骤3：针对每个Rich Model子模型特征向量，设置窗口大小S

【技术实现步骤摘要】
基于MMD残差的隐写检测特征选取方法


[0001]本专利技术涉及隐写检测
，尤其涉及一种基于MMD残差的隐写检测特征选取方法。

技术介绍

[0002]自Fridrich等在2010年提出了以“失真函数设计+STC编码”为框架的HUGO隐写算法后，自适应隐写算法逐渐成为主流的图像隐写算法。这些算法令传统隐写检测特征的效果黯然失色。在与自适应隐写的对抗过程中，提取高维隐写检测特征成为检测自适应隐写的主要手段。在高维隐写检测特征中，尤以Rich Model结构的特征最为典型，基于此结构研究者们陆续提出了SRM、CCJRM、PHARM、PSRM、DCTR、GFR等隐写检测特征。这些高维特征的提出给隐写检测带来了新的挑战——庞大的计算和存储开销，如何有效降低特征维数成为摆在研究者们面前的研究方向。
[0003]面对挑战，研究者们已经提出了很多特征降维的方法。在文1(“G.R.Xuan,X.M.Zhu,P.Q.Chai,Z.P.Zhang,Y.Q.Shi,D.D.Fu.Feature selection based on the Bhattacharyya distance.In Proc.the 18th International Conference on Pattern Recognition,Hong Kong,China,Aug.20
‑
24,2006,pp.1232
‑
1235”)和文2(“L.D.Jennifer,J.Jaikishan.Feature selection for steganalysis using the Mahalanobis distance.In Proc.the IS&T
‑
SPIE Electronic Imaging Symposium on Media Forensics and Security II,San Jose,CA,USA,January 18
‑
20,2010,SPIE 7541,pp.754104
‑1‑
754104
‑
12”)中，研究者们分别基于Bhattacharyya距离和Mahalanobis距离提出了度量单维特征分量属性重要度的方法，选取载体图像特征和载密图像特征距离大的特征向量用于隐写检测，但降维效果不突出。在文3(“J.C.Lu,F.L.Liu,X.Y.Luo.“Selection of image features for steganalysis based on the fisher criterion,”Digital Investigation,vol.11,no.1,pp.57
‑
66,2014.”)中，Lu等利用改进的Fisher准则来衡量特征向量的可分性，Fisher值最高的特征向量被认为最佳隐写检测特征；在文4(“Zhang Y,Liu F,Jia H,et al.Optimization of rich model based on fisher criterion for image steganalysis[C]//2018Tenth International Conference on Advanced Computational Intelligence(ICACI).2018.”)中，研究者基于Rich Model的结构特点，在子模型中应用改进后的Fisher准则进行降维。
[0004]在上述特征降维方法中，研究者们提出了许多衡量单维特征分量属性重要度的方法(如文1至文3)，这些方法大部分是通过提出的公式将单个特征分量从整体中剥离出来进行度量，并未全面考虑该特征分量在整体特征中扮演的积极作用。

技术实现思路

[0005]针对传统的特征降维方法未全面考虑特征分量在整体特征中的积极作用的问题，本专利技术从反方向出发，考虑从整体特征向量可分性中去探究单维特征分量属性重要度，提
出了一种基于MMD残差的隐写检测特征选取方法。
[0006]本专利技术提供一种基于MMD残差的隐写检测特征选取方法，该方法包括：
[0007]步骤1：将高维Rich Model隐写检测特征拆解为若干个Rich Model子模型特征向量；
[0008]步骤2：针对每个Rich Model子模型特征向量，基于MMD残差的属性重要度的度量公式度量其各个特征分量的属性重要度值，并根据属性重要度值对各个特征分量进行降序排序；
[0009]步骤3：针对每个Rich Model子模型特征向量，设置窗口大小S
pro
，选取降序排序后向量中的前S
pro
维特征分量作为当前Rich Model子模型特征向量的降维后的隐写检测特征；
[0010]步骤4：将降维后的各个Rich Model子模型特征向量进行合并以作为最终的隐写检测特征。
[0011]进一步地，步骤2中，所述基于MMD残差的属性重要度的度量公式如公式(1)所示：
[0012][0013]其中，DMMD(f
i
)表示Rich Model子模型特征向量F中的特征分量f
i
的属性重要度值，MMD(F)表示整个Rich Model子模型特征向量F的MMD值，表示不包含特征分量f
i
时的特征向量F的MMD值。
[0014]进一步地，步骤2中，按照公式(2)计算每个特征向量的MMD值：
[0015][0016]其中，X和Y分别表示载体图像和载密图像的特征集样本，x
i
表示第i幅载体图像提取得到的特征向量，y
i
表示第i幅载密图像提取得到的特征向量，m和n分别表示载体图像和载密图像的数量。
[0017]进一步地，步骤3中，所述窗口大小S
pro
的设置过程具体包括：
[0018]步骤A1：设置初始窗口大小S1，然后按第一预设步长逐渐增大窗口大小得到S2,S3,
…
,S
i
,
…
,S
m
；
[0019]步骤A2：根据步骤A1中得到的窗口大小S1,S2,S3,
…
,S
i
,
…
,S
m
选取排序后的特征分量进行隐写检测，得到相应的隐写检测正确率A1,A2,A3,
…
,A
i
,
…
,A
m
以及原始特征隐写检测正确率A0；
[0020]步骤A3：按A1→
A2→…
A
i
…→
A
m
的顺序将选取后特征的隐写检测正确率依次与原始特征隐写检测正确率A0进行比较，当A
i
‑
A0＞δ时，停止后续比较，δ为预设值；
[0021]步骤A4：以S
i<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于MMD残差的隐写检测特征选取方法，其特征在于，包括：步骤1：将高维Rich Model隐写检测特征拆解为若干个Rich Model子模型特征向量；步骤2：针对每个Rich Model子模型特征向量，基于MMD残差的属性重要度的度量公式度量其各个特征分量的属性重要度值，并根据属性重要度值对各个特征分量进行降序排序；步骤3：针对每个Rich Model子模型特征向量，设置窗口大小S
pro
，选取降序排序后向量中的前S
pro
维特征分量作为当前Rich Model子模型特征向量的降维后的隐写检测特征；步骤4：将降维后的各个Rich Model子模型特征向量进行合并以作为最终的隐写检测特征。2.根据权利要求1所述的方法，其特征在于，步骤2中，所述基于MMD残差的属性重要度的度量公式如公式(1)所示：其中，DMMD(f
i
)表示Rich Model子模型特征向量F中的特征分量f
i
的属性重要度值，MMD(F)表示整个Rich Model子模型特征向量F的MMD值，表示不包含特征分量f
i
时的特征向量F的MMD值。3.根据权利要求2所述的方法，其特征在于，步骤2中，按照公式(2)计算每个特征向量的MMD值：其中，X和Y分别表示载体图像和载密图像的特征集样本，x
i
表示第i幅载体图像提取得到的特征向量，y
i
表示第i幅载密图像提取得到的特征向量，m和n分别表示载体图像和载密图像的数量...

【专利技术属性】
技术研发人员：刘粉林，金顺浩，杨春芳，马媛媛，刘媛，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：