一种基于轮廓自动生成的构造式信息隐藏方法技术

本发明专利技术公开了一种基于轮廓自动生成的构造式信息隐藏方法，具体为：将长度为L的秘密信息的二值序列S切分成n段长度均为l的二值序列；步骤2：构建目标轮廓图像；步骤3：构建轮廓

【技术实现步骤摘要】
一种基于轮廓自动生成的构造式信息隐藏方法


[0001]本专利技术属于信息安全领域。

技术介绍

[0002]长期以来，信息安全是人们密切关注的问题。基于密码学的传统做法对信息进行加密再传输，但加密后的信息是杂乱无序的，因此容易受到监测者的攻击。相较之下，隐写术是将秘密信息嵌入多媒体载体(如文本、图像、音频、视频等)中进行隐蔽通信的信息隐藏技术，其优点在于不容易引起监测者的怀疑，从而实现更高的安全性。隐写术在信息传输等领域具有重要的应用价值。
[0003]在前期的研究中，研究者们往往采用传统的载体修改式信息隐藏方法，设计一个合理的损失函数，按照一定规则对载体图像进行修改实现秘密信息的嵌入。为了减轻修改对图像质量造成的影响，研究者们提出了自适应图像隐写术，通过在纹理复杂区域嵌入秘密信息最小化图像失真。但是由于这类方法的本质是对载体图像进行修改，因此在含密图像中或多或少遗留下篡改痕迹，容易受到隐写分析器的侦测和攻击。为了从根本上解决这个问题，研究者们又提出了无载体信息隐藏的概念，“无载体”并不是指真的不需要载体，而是以秘密信息为驱动生成或获取含密图像。无载体信息隐藏主要包括两种方法：载体映射式信息隐藏和载体构造式信息隐藏。载体映射本质上是基于图像检索的信息隐藏方法，对于长度为l比特的秘密信息二值序列，一共有2
l
种可能的排列组合，则需要建立至少包含2
l
张载体图像的数据库。通过发掘载体图像本身的性质，构建秘密信息与载体图像之间的映射关系实现秘密信息的传输。但在实际应用中，数据库的存储容量是有限的，因此该方法存在隐藏容量较小的缺点。
[0004]最近几年，深度学习因为其高超的学习能力得到了空前的关注。Goodfellow等人提出GAN模型(Goodfellow I J,Pouget
‑
Abadie J,Mirza M,et al.Generative adversarial networks[J].arXiv preprint arXiv:1406.2661,2014.)，通过多次迭代的对抗训练生成较真实的图片。基于这一成果，研究者们尝试将深度学习与信息隐藏任务结合起来，指导构造式信息隐藏方法中含密图像的生成。Hu等人(Hu D,Wang L,Jiang W,et al.A novel image steganography method via deep convolutional generative adversarial networks[J].IEEE Access,2018,6:38303
‑
38314.)将秘密信息转换成低维噪声作为GAN的输入以生成含密图像，该方法能够较好地抵御隐写分析器的攻击，但现有的载体构造式信息隐藏方法主要存在以下几个技术难题：
[0005]1、现有的载体构造式信息隐藏方法利用GAN将秘密信息转换成含密图像，但由于GAN的本质不是一个可逆的马尔可夫模型，因此秘密信息提取困难。
[0006]2、现有的载体构造式信息隐藏方法为了避免模式坍塌，通常构造一张或一类图片与一比特秘密信息之间的映射关系，存在隐藏容量较小的弊端。

技术实现思路

[0007]专利技术目的：为了解决上述现有技术存在的问题，本专利技术提供了一种基于轮廓自动生成的构造式信息隐藏方法。
[0008]技术方案：本专利技术提供了一种基于轮廓自动生成的构造式信息隐藏方法，具体包括如下步骤：
[0009]步骤1：将长度为L的秘密信息的二值序列S切分成n段长度均为l的二值序列；
[0010]步骤2：构建目标轮廓图像：预设空白图像，采用密钥key对n段二值序列中第1段二值序列s
’1进行初始化，从而获取目标轮廓图像的起始轮廓点在空白图像中的位置w1；
[0011]将第j个轮廓点在空白图像中的位置w
j
输入到LSTM网络中，根据LSTM网络的输出以及n段二值序列中第j+1段二值序列s
’
j+1
，计算第j+1个轮廓点在空白图像中的位置w
j+1
；j＝1,2,
…
n
‑
1；
[0012]步骤3：构建轮廓
‑
图像可逆变换模型，所述轮廓
‑
图像可逆变换模型包括相互连接的生成模型和提取模型，生成模型和提取模型均采用U
‑
Net网络；对轮廓
‑
图像可逆变换模型进行训练；
[0013]步骤4：将目标轮廓图像输入至训练好的轮廓
‑
图像可逆变换模型中，生成模型根据目标轮廓图像生成含密图像，所述提取模型用于提取含密图像的轮廓，以实现将秘密信息的二值序列隐藏在提取模型提取的轮廓中。
[0014]进一步的，所述步骤2计算第j+1个轮廓点在空白图像中的位置w
j+1
具体为：
[0015]步骤2.1：将第j个轮廓点在空白图像中的位置w
j
输入到LSTM网络中，LSTM网络输出第j+1个轮廓点在空白图像中的所有候选位置，以及该所有候选位置的被选择概率，将该所有候选位置按照被选择概率由大到小排列，选择前2
l
个候选位置建立候选池；
[0016]步骤2.2：将二值序列s
’
j+1
转换成十进制，得到数值O
j+1
，选择候选池中的第O
j+1
个位置作为第j+1个轮廓点在空白图像中的位置。
[0017]进一步的，所述步骤3中对轮廓
‑
图像可逆变换模型进行迭代训练时在轮廓
‑
图像可逆变换模型中引入判别模型，在对轮廓
‑
图像可逆变换模型进行一次迭代训练时，采用互相博弈的方式分别对生成模型、判别模型和提取模型进行单独训练，具体为：
[0018]预设用于训练的轮廓图像和真实图像，首先对生成模型进行训练时，判别模型和提取模型的参数固定不变，将用于训练的轮廓图像输入至生成模型中，并将生成模型生成的结果传送至判别模型中；判别模型读取真实图像，并根据真实图像判断生成模型生成的结果是否为真，若为真则生成模型的网络参数不变；否则采用梯度下降算法重新设置生成模型的网络参数，并将该重新设置的网络参数作为下次迭代训练时生成模型的网络参数；判别模型还将生成模型生成的结果传送至提取模型中，提取模型从生成模型生成的结果中提取轮廓；
[0019]然后对判别模型进行训练时，生成模型和提取模型的参数固定不变，判别模型根据真实图像判断生成模型生成的结果是否为真，若为真则采用梯度下降算法重新设置判别模型的网络参数，并将该重新设置的网络参数作为下次迭代训练时判别模型的网络参数，否则判别模型的网络参数不变；判别模型还将生成模型生成的结果传送至提取模型中，提取模型从生成模型生成的结果中提取轮廓；
[0020]最后对提取模型进行训练时，生成模型和判别模型的参数固定不变，提取模型从
生成模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轮廓自动生成的构造式信息隐藏方法，其特征在于，具体包括如下步骤：步骤1：将长度为L的秘密信息的二值序列S切分成n段长度均为l的二值序列；步骤2：构建目标轮廓图像：预设空白图像，采用密钥key对n段二值序列中第1段二值序列s
’1进行初始化，从而获取目标轮廓图像的起始轮廓点在空白图像中的位置w1；将第j个轮廓点在空白图像中的位置w
j
输入到LSTM网络中，根据LSTM网络的输出以及n段二值序列中第j+1段二值序列s
’
j+1
，计算第j+1个轮廓点在空白图像中的位置w
j+1
；j＝1，2，...n
‑
1；步骤3：构建轮廓
‑
图像可逆变换模型，所述轮廓
‑
图像可逆变换模型包括相互连接的生成模型和提取模型，生成模型和提取模型均采用U
‑
Net网络；对轮廓
‑
图像可逆变换模型进行训练；步骤4：将目标轮廓图像输入至训练好的轮廓
‑
图像可逆变换模型中，生成模型根据目标轮廓图像生成含密图像，所述提取模型用于提取含密图像的轮廓，以实现将秘密信息的二值序列隐藏在提取模型提取的轮廓中。2.根据权利要求1所述的一种基于轮廓自动生成的构造式信息隐藏方法，其特征在于，所述步骤2计算第j+1个轮廓点在空白图像中的位置w
j+1
具体为：步骤2.1：将第j个轮廓点在空白图像中的位置w
j
输入到LSTM网络中，LSTM网络输出第j+1个轮廓点在空白图像中的所有候选位置，以及该所有候选位置的被选择概率，将该所有候选位置按照被选择概率由大到小排列，选择前2
l
个候选位置建立候选池；步骤2.2：将二值序列s
’
j+1
转换成十进制，得到数值O
j+1
，选择候选池中的第O
j+1
个位置作为第j+1个轮廓点在空白图像中的位置。3.根据权利要求1所述的一种基于轮廓自动生成的构造式信息隐藏方...

【专利技术属性】
技术研发人员：周志立，朱剑宇，王美民，吉千凡，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：