一种基于深度学习的接收方否认隐写方法技术

本发明专利技术公开了一种基于深度学习的接收方否认隐写方法，涉及图像隐写技术领域，用于对通信双方之间传递的信息进行加密隐写，发送方将需要传递的信息发送至接收方，接收方接收到信息后，基于所接收的信息，收集预设数量的样本图像，构建样本图像集合，基于样本图像，训练并获得隐写网络模型，应用所获隐写网络模型，对待处理载体图像进行隐写，获得对应的含密图像，进一步从含密图像中提取秘密信息。通过本发明专利技术的技术方案，提供一种具有可否认性的图像隐写方案，允许接收方提交虚假秘密信息，可抵抗胁迫攻击，保护信息安全通信。保护信息安全通信。保护信息安全通信。

【技术实现步骤摘要】
一种基于深度学习的接收方否认隐写方法


[0001]本专利技术涉及图像隐写
，具体而言涉及一种基于深度学习的接收方否认隐写方法。

技术介绍

[0002]隐写是用于隐蔽通信的一种常见手段，可保护信息的安全通信。图像隐写是将秘密信息嵌入载体图像，生成与载体图像相似的含密图像，隐藏了秘密信息的存在，不易引起注意。随着深度学习及其在隐写领域应用的发展，涌现了众多基于深度神经网络的图像隐写方法，例如DeepStego、HiDDeN、SteganoGAN等，用深度神经网络嵌入和提取秘密信息。但该类方法始终面临着隐写分析的风险，易导致胁迫攻击：攻击者截获通信信息，用隐写分析工具检测出其中隐藏秘密信息，找到通信方(发送方或接收方)，胁迫他们提交出秘密信息。因此，现有隐写方法始终面临隐写分析的风险，秘密信息易被检测，从而导致胁迫攻击，隐蔽通信在信息安全方面依旧存在隐患。

技术实现思路

[0003]本专利技术的目的在于提供一种基于深度学习的接收方否认隐写方法，以解决现有技术中的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]一种基于深度学习的接收方否认隐写方法，用于对通信双方之间传递的信息进行加密隐写，发送方将需要传递的信息发送至接收方，接收方接收到信息后，基于所接收的信息，收集预设数量的样本图像，构建样本图像集合，根据以下步骤A至步骤E，训练并获得隐写网络模型，通过以下步骤F，应用隐写网络模型，对待处理载体图像进行隐写，获得对应的含密图像，进一步从含密图像中提取秘密信息：
[0006]步骤A、基于样本图像集合，将样本图像集合中的各个样本图像按照预设比例分为用于训练隐写网络模型的训练集、以及用于测试隐写网络模型的测试集，随后进入步骤B；
[0007]步骤B、分别针对训练集中的各个样本图像，随机生成二进制序列作为秘密信息，利用秘密信息对各个样本图像进行加密，获得其所对应的各个含密图像，随后进入步骤C；
[0008]步骤C、分别针对各个含密图像，以含密图像及其所对应的样本图像为基础，获得样本图像的预测标签和含密图像的预测标签，随后进入步骤D；
[0009]步骤D、以样本图像、样本图像对应的秘密信息为输入，以各个样本图像对应的含密图像为输出，以获得含密图像预测标签、以及样本图像预测标签分为训练目标，对隐写网络待训练模型进行训练，获得隐写网络模型，随后进入步骤E；
[0010]步骤E、针对测试集中的样本图像，应用隐写网络模型获得测试集中样本图像对应的含密图像，基于样本图像预测标签和含密图像预测标签，根据预设损失函数对隐写网络模型进行更新，
[0011]步骤F、针对待处理载体图像，应用隐写网络模型获得该待处理载体图像对应的含
密图像，进一步提取含密图像对应的秘密信息。
[0012]进一步地，前述的秘密信息包括虚假秘密信息和真实秘密信息。
[0013]进一步地，前述的步骤B中，基于样本图像和随机生成的秘密信息生成含密图像，具体为：随机从训练集对应的样本图像集合中，将其设置为RGB格式的颜色空间，将图像尺寸设置为预设尺寸，并将图像转换为预设数据类型，并进行归一化操作，最后存放到载体图像集合；对于两组秘密信息，分别使用二项式分布原理随机生成预设数量的二进制序列，分别存放至两个信息集合；
[0014]获取一个批量大小的训练数据，将其进行级联，得到104704维数据，该数据再经过一层全连接层，对全连接层输出的特征进行张量重塑、批归一化和ReLU激活函数操作，其后进行二维反卷积、批归一化、ReLU激活操作，重复三次，再对特征进行一次二维反卷积、tanh激活操作，最后生成含密图像，单张图像尺寸的与载体图像相同。
[0015]进一步地，前述的步骤D中，对隐写网络待训练模型进行训练，获得隐写网络模型，分为两个训练阶段；
[0016]第一阶段，给定载体图像和含密图像的正确标签，用二分类交叉熵损失约束，能够正确区分含密图像和载体图像这两类图像；两类图像各自经过一次二维卷积、LReLU激活操作，再经过三次二维卷积、批归一化、LReLU激活操作，最后经过一次变维、全连接、tanh激活操作，输出载体图像预测标签，即样本图像预测标签；
[0017]第二阶段，对于含密图像，给定载体图像的标签，依然用二分类交叉熵损失约束，同样地，经过一次二维卷积、LReLU激活操作，再经过三次二维卷积、批归一化、LReLU激活操作，最后经过一次变维、全连接、tanh激活操作，输出含密图像预测标签。
[0018]进一步地，前述的步骤F中，提取含密图像对应的秘密信息，包括提取真实秘密信息和提取虚假秘密信息；
[0019]提取真实秘密信息时，含密图像首先经过一次二维卷积、LReLU激活操作，再经过三次二维卷积、批归一化、LReLU激活操作，最后经过一次变维、全连接、tanh激活操作，提取出真实秘密信息；
[0020]提取虚假秘密信息时，含密图像首先经过一次二维卷积、LReLU激活操作，再经过三次二维卷积、批归一化、LReLU激活操作，最后经过一次变维、全连接、tanh激活操作，提取出虚假秘密信息。
[0021]进一步地，前述的真实秘密信息和虚假秘密信息的长度一致。
[0022]进一步地，前述的步骤D中，对隐写网络待训练模型进行训练，训练目标满足原始样本图像约束、原始秘密信息约束；
[0023]通过L2损失函数约束网络生成的含密图像相似于载体图像，通过L2损失函数约束从含密图像中提取出秘密信息与原始秘密信息相同，此约束为达到隐蔽通信的目的，将秘密信息从发送方准确地传输至接收方。
[0024]本专利技术所述一种基于深度学习的接收方否认隐写方法，采用以上技术方案与现有技术相比，本专利技术针对接收方受到胁迫攻击的场景，提出基于深度学习的接收方可否认隐写方案，允许接收方提交虚假秘密信息，可抵抗胁迫攻击，保护信息安全通信。
[0025]本专利技术针对接收方受到胁迫攻击的问题，赋予接收方可否认能力。在隐蔽通信受到胁迫攻击的场景下，接收方可用假解码器提取出虚假秘密信息，欺骗攻击者。因此本专利技术
提出的隐写方案具有可否认性，可保护信息安全通信。此外，所提出的可否认隐写方案对原始隐写网络效果影响较小。
附图说明
[0026]图1为本专利技术示例性实施例的一种可否认隐写网络模型的结构示意图；
[0027]图2为本专利技术示例性实施例的一种隐写网络模型对应的编码器结构示意图；
[0028]图3(a)为本专利技术示例性实施例的一种隐写网络模型对应的真解码器结构示意图；
[0029]图3(b)为本专利技术示例性实施例的一种隐写网络模型对应的假解码器结构示意图；
[0030]图4为本专利技术示例性实施例的一种隐写网络模型对应的判别器结构示意图；
[0031]图5为本专利技术示例性实施例的载体图像示意图；
[0032]图6为本专利技术示例性实施例的含密图像示意图。
具体实施方式
[0033]为了更了解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的接收方否认隐写方法，用于对通信双方之间传递的信息进行加密隐写，其特征在于，发送方将需要传递的信息发送至接收方，接收方接收到信息后，基于所接收的信息，收集预设数量的样本图像，构建样本图像集合，根据以下步骤A至步骤E，训练并获得隐写网络模型，通过以下步骤F，应用隐写网络模型，对待处理载体图像进行隐写，获得对应的含密图像，进一步从含密图像中提取秘密信息：步骤A、基于样本图像集合，将样本图像集合中的各个样本图像按照预设比例分为用于训练隐写网络模型的训练集、以及用于测试隐写网络模型的测试集，随后进入步骤B；步骤B、分别针对训练集中的各个样本图像，随机生成二进制序列作为秘密信息，利用秘密信息对各个样本图像进行加密，获得其所对应的各个含密图像，随后进入步骤C；步骤C、分别针对各个含密图像，以含密图像及其所对应的样本图像为基础，获得样本图像的预测标签和含密图像的预测标签，随后进入步骤D；步骤D、以样本图像、样本图像对应的秘密信息为输入，以各个样本图像对应的含密图像为输出，以获得含密图像预测标签、以及样本图像预测标签分为训练目标，对隐写网络待训练模型进行训练，获得隐写网络模型，随后进入步骤E；步骤E、针对测试集中的样本图像，应用隐写网络模型获得测试集中样本图像对应的含密图像，基于样本图像预测标签和含密图像预测标签，根据预设损失函数对隐写网络模型进行更新，步骤F、针对待处理载体图像，应用隐写网络模型获得该待处理载体图像对应的含密图像，进一步提取含密图像对应的秘密信息。2.根据权利要求1所述的一种基于深度学习的接收方否认隐写方法，其特征在于，所述秘密信息包括虚假秘密信息和真实秘密信息。3.根据权利要求2所述的一种基于深度学习的接收方否认隐写方法，其特征在于，所述步骤B中，基于样本图像和随机生成的秘密信息生成含密图像，具体为：随机从训练集对应的样本图像集合中，将其设置为RGB格式的颜色空间，将图像尺寸设置为预设尺寸，并将图像转换为预设数据类型，并进行归一化操作，最后存放到载体图像集合；对于两组秘密信息，分别使用二项式分布原理随机生成预设数量的二进制序列，分别存放至两个信息集合；获取一个批量大小的训练数据，将其进行级联，得到104704维数据，该数据再经过一层全连接层，对全连接层输...

【专利技术属性】
技术研发人员：夏志华，徐勇，葛苏龙，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：