一种基于隐写网络的秘密图像传输方法技术

本发明专利技术涉及一种基于隐写网络的秘密图像传输方法，属于图像隐写的提取网络模型参数置乱技术领域。该方法利用卷积神经网络作为秘密图像的隐写网络模型中的提取网络模型，并对提取网络模型进行训练，利用非对称加密算法对训练后的提取网络模型中的卷积层参数进行置乱加密，将加密后的提取网络模型及载密图像发送至接收方，并将非对称加密算法的控制参数发送给接收方，根据接收到的控制参数重构该非对称加密算法，利用重构的该非对称加密算法对接收到的提取网络模型进行解密，根据秘密后的提取网络模型得到解密后的秘密图像。该方法的提取网络模型不易泄露，也提高了秘密图像传输时的安全性。安全性。安全性。

【技术实现步骤摘要】
一种基于隐写网络的秘密图像传输方法


[0001]本专利技术涉及一种基于隐写网络的秘密图像传输方法，属于图像隐写的提取网络模型参数置乱


技术介绍

[0002]目前基于深度网络的隐写术主要包括两大类，一类是基于生成式对抗网络(Generative Adversarial Networks，GAN)的图像隐写术，另一类是基于深度卷积神经网络(Deep Convolutional Neural Network，DCNN)的图像隐写术。早期的深度隐写术与传统隐写术一样也只是隐藏秘密比特信息，但随着深度学习技术的发展，以及计算机算力的不断提升，现在的深度隐写术的隐写容量越来越大，从最初的藏比特，到后来的藏图像，再到现在的一张载体图像隐藏多幅秘密图像，大容量的信息隐藏已经成为现在深度图像隐写领域的一个研究热点。早期研究中，不管是基于GAN的隐写模型，还是基于CNN的隐写模型，都是通过深度网络结构中的卷积层进行特征提取和融合。因此对于神经网络的保护，尤其是对于卷积层的保护就显得尤为重要。
[0003]现有技术中，有研究人员提出用于深度模型保护的方法，即在目标深度模型的后面加入一个特殊的、与深度模型任务无关的水印模块，使得在深度模型的输出中嵌入一个统一的、不可见的水印，深度模型的拥有者可以通过该水印进行模型的版权保护，该方法虽然对深度模型版权起到了一定的保护作用，但是该方法无法防止深度模型的泄漏。有研究人员提出一种基于复数神经网络的隐私保护方法，该方法将提取到的浅层实数特征转化为复数特征，并且通过将其旋转一定的角度进行加密，这样即使攻击者知道神经网络的内部参数也无法恢复出输入数据，该方法虽然实现的对输入数据的保护，但是其需要对原始的深度模型进行修改，并且其计算量加大，为原始深度模型的两倍。

技术实现思路

[0004]本专利技术的目的是提供一种基于隐写网络的秘密图像传输方法，用以解决现有技术隐写模型易泄露导致的秘密图像传输时安全性差的问题。
[0005]为实现上述目的，本专利技术的方案包括：
[0006]本专利技术的一种基于隐写网络的秘密图像传输方法，包括以下步骤：
[0007]1)利用卷积神经网络作为秘密图像的隐写网络模型中的提取网络模型，并对提取网络模型进行训练；
[0008]2)利用非对称加密算法对训练后的提取网络模型中的卷积层参数进行置乱加密，将加密后的提取网络模型及载密图像发送至接收方，并将非对称加密算法的控制参数发送给接收方，所述控制参数为根据发送方私钥形成的公钥；
[0009]3)利用接收到的控制参数重构该非对称加密算法，利用重构的该非对称加密算法对接收到的提取网络模型进行解密，根据解密后的提取网络模型对载密图像进行处理，以得到相应的秘密图像。
[0010]有益效果：本专利技术中的基于隐写网络的秘密图像传输方法，首先秘密图像的隐写网络模型中的提取网络模型采用卷积神经网络，再利用非对称加密算法对训练后的提取网络模型中的卷积层参数进行置乱加密，通过对隐写网络模型中的提取网络模型中的卷积层参数进行置乱加密，实现了秘密图像以及提取网络模型在传输过程中的安全性。将加密后的提取网络模型及载密图像发送至接收方，并将非对称加密算法的控制参数发送给接收方，利用接收的控制参数对接收到的提取网络模型进行解密，最终得到解密后的秘密图像，该方法使接收方的计算量较少，得到解密后的秘密图像视觉效果较好。利用非对称加密算法，对训练后的提取网络模型进行置乱加密，并且在传输过程中，即使攻击者截获了传输的加密后的提取网络模型，并得到了发送方发送的公钥，也无法进行解密，只有接收方的私钥结合发送方发送的公钥才能恢复出正确的模型，秘密图像在传输过程中提高了安全性，保护了提取网络模型不会被攻击。
[0011]进一步地，所述非对称加密算法采用椭圆曲线加密算法。
[0012]有益效果：本专利技术的非对称加密算法采用的是椭圆曲线加密算法，该加密算法的秘钥长度较短，且安全性能高，解密速度较快。
[0013]进一步地，在对提取网络模型中的卷积层参数进行置乱加密时所用到的秘钥为秘钥交换阶段确定的秘密基点，秘密基点的确定过程为：
[0014]收发双方协商确定一条椭圆曲线和椭圆曲线上一点，收发双方各自确定一随机数为私钥，根据椭圆曲线上确定的点与自身的私钥计算出公钥，将自身的公钥发送对方；接收到对方发送的公钥，分别乘以自身的私钥得到秘密基点。
[0015]有益效果：本专利技术的提取网络模型中的卷积层参数进行置乱加密时，所用到的秘钥为秘钥交换阶段确定的秘密基点，秘密基点根据自身的私钥及对方公钥确定，首先收发双方协商确定一条椭圆曲线和椭圆曲线上一点，双方再各自确定一随机数为私钥，通过椭圆曲线上确定的点与自身的私钥计算出公钥，并将公钥发送至对方，第三方即使知道公钥，但无法反推私钥的值，进而提高了提取网络模型的安全性。
[0016]进一步地，所述秘密基点为abG或a
×
bGmod(n)，式中a、b为分别为收发双方的私钥，G为椭圆曲线上的点，n为伽罗瓦域的特征数。
[0017]有益效果：本专利技术中的秘密基点可以根据收发双方的私钥值的大小进行选择，当a
×
b>n时，秘密基点选择为a
×
bGmod(n)，减少了接收方的计算量。
[0018]进一步地，在进行置乱过程中，利用秘密基点和椭圆曲线确定N个点的坐标位置，对N个点的坐标位置以设定顺序进行搜索，得到该N个点的排列顺序，将该N个点的排列顺序作为一个序列，利用该序列对提取网络模型中的卷积层的位置进行置乱，得到置乱后的提取网络模型。
[0019]进一步地，所述提取网络模型采用StegoPNet隐写网络的提取模型，该提取模型包括有上采样模块、金字塔池化模块和下采样模块。
[0020]有益效果：本专利技术中的提取网络模型采用StegoPNet隐写网络的提取模型，该隐写模型的提取模型拥有足够的卷积层便于进行置乱加密，并且该提取网络模型具有较少的参数和FLOPs(floating point operations，浮点运算数)，可以提高传输效率并节省接收方的计算资源。
[0021]进一步地，在进行置乱过程中，采用提取网络模型中的下采样模块中的卷积层和/
或上采样模块中的卷积层进行置乱加密。
[0022]有益效果：本专利技术采用提取网络模型中的下采样模块中的卷积层和/或上采样模块中的卷积层进行置乱加密，提取网络模型中的下采样模块中的卷积层和上采样模块的卷积层具有多层，为置乱过程提高了足够的参数。
[0023]进一步地：在进行置乱过程中，对同一卷积层的卷积核的位置参数进行置乱，卷积核内部参数保持不变。
[0024]有益效果：在进行置乱过程中，对同一卷积层的卷积核的位置参数进行置乱，卷积核内部参数保持不变，保证了接收方在收到置乱后的提取网络模型后，能够无损的恢复提取网络模型。
[0025]进一步地，对提取网络模型中的卷积层进行置乱包括对单一卷积层进行置乱加密、对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐写网络的秘密图像传输方法，其特征在于，包括以下步骤：1)利用卷积神经网络作为秘密图像的隐写网络模型中的提取网络模型，并对提取网络模型进行训练；2)利用非对称加密算法对训练后的提取网络模型中的卷积层参数进行置乱加密，将加密后的提取网络模型及载密图像发送至接收方，并将非对称加密算法的控制参数发送给接收方，所述控制参数为根据发送方私钥形成的公钥；3)利用接收到的控制参数重构该非对称加密算法，利用重构的该非对称加密算法对接收到的提取网络模型进行解密，根据解密后的提取网络模型对载密图像进行处理，以得到相应的秘密图像。2.根据权利要求1所述的基于隐写网络的秘密图像传输方法，其特征在于，所述非对称加密算法采用椭圆曲线加密算法。3.根据权利要求2所述的基于隐写网络的秘密图像传输方法，其特征在于，在对提取网络模型中的卷积层参数进行置乱加密时所用到的秘钥为秘钥交换阶段确定的秘密基点，秘密基点的确定过程为：收发双方协商确定一条椭圆曲线和椭圆曲线上一点，收发双方各自确定一随机数为私钥，根据椭圆曲线上确定的点与自身的私钥计算出公钥，将自身的公钥发送对方；接收到对方发送的公钥，分别乘以自身的私钥得到秘密基点。4.根据权利要求3所述的基于隐写网络的秘密图像传输方法，其特征在于，所述秘密基点为abG或a
×
bGmod(n)，式中a、b为分别为收发双方的私钥...

【专利技术属性】
技术研发人员：段新涛，李壮，张锦航，邵志强，张永强，
申请(专利权)人：河南师范大学，
类型：发明
国别省市：