[发明专利]基于异构特征子空间迁移的JPEG图像失配隐写分析方法

权利要求书

1.基于异构特征子空间迁移的JPEG图像失配隐写分析方法，其特征在于，包括如下步骤：

步骤1，选取失配图像集，包括训练数据集和测试数据集，训练数据集即源领域数据集，测试数据集即目标领域数据集；

步骤2，针对失配图像集，利用低秩约束对域无关特征进行局部信息迁移；

步骤2中域无关特征迁移是通过寻找一个变换矩阵使得源领域和目标领域的数据迁移到特征子空间中，并保证源领域和目标领域的分布近似相等，其中变换矩阵的表达式如下：

其中，和分别表示源领域数据集X_s和目标领域数据集X_t的域无关特征，P^T表示变换矩阵的转置，Z表示低秩重构矩阵；

通过变换改写为，

其中，||Z||_*表示矩阵Z的核范数，核范数为矩阵奇异值之和，||Z||₁表示矩阵Z的L1范数，α指的是模型中的参数；

步骤3，在域相关特征的关联子空间中估计域相关特征权重；

步骤3中域相关特征权重g的估计函数为，

g＝g_msd+λg_ml (式13)

其中，n_t表示目标领域中的样本数目，n_s表示源领域中的样本数目，x_i和x_j分别表示目标样本空间和源样本空间中每一维度中的元素，n＝n_s+n_t，λ是一个平衡参数，β指的是模型中的参数；

步骤4，将域相关特征权重作为初始值建模域相关特征，并构建目标函数；

步骤4中目标函数的表达式如下，

其中Ω(P,Y,X_s)表示判别子空间学习函数，X_s和X_t分别表示源领域数据集和目标领域数据集，矩阵G取域相关特征权重的初始值，P^T表示变换矩阵的转置，Z表示低秩重构矩阵，Y是源领域样本的标签矩阵；

步骤5，求解目标函数以获取相关参数；

步骤6，重复步骤2-5，直到满足收敛条件，获得处理后的训练数据集和测试数据集；

步骤7，利用处理后的训练数据集训练SVM分类器，获得失配隐写分析模型；

步骤8，利用失配隐写分析模型对处理后的测试数据集进行特征分类，并获得该模型的准确率。

2.如权利要求1所述的基于异构特征子空间迁移的JPEG图像失配隐写分析方法，其特征在于：β通过网格调参法来取值。

3.如权利要求1所述的基于异构特征子空间迁移的JPEG图像失配隐写分析方法，其特征在于：步骤5的具体实现方式如下，

首先将目标函数公式17转化为：

为了求解式18，引入增广拉格朗日函数，其表达形式如下：

其中Y₁、Y₂和Y₃是拉格朗日乘子，θ＞0表示约束因子，利用不精确增广拉格朗日乘子法求解式19，该拉格朗日乘子法以坐标下降的方式对每一变量进行迭代求解，求解过程如下：

第一步求解P：

为了得到数值更稳定的解，将由式20求得的结果加上一个比较小的正数常量ξ，其表达形式如下：

其中H₁＝X_t-X_sZ，

第二步求解Z；

式22的解表达如下：

其中，和

第三步求解Z₁和Z₂；

第四步求解G；

依据放缩法，式26的解表达为：

其中f(x,c)＝sign max(|x|-c,0)；

第五步求解拉格朗日乘子和迭代步长γ；

通过以上步骤求解目标函数中的相关参数。

4.如权利要求1所述的基于异构特征子空间迁移的JPEG图像失配隐写分析方法，其特征在于：步骤6中的收敛条件为，

||P^TX_t-P^TX_sZ-G||_∞＜ε,||Z-Z₁||_∞＜ε，

||Z-Z₂||_∞＜ε

其中，ε表示每次迭代过程中的间隔，||·||_∞表示无穷范数；

第m次迭代过程中产生的间隔ε_m通过式29求解，其随迭代次数的增加而单调减小，

其中，Z_m,Z_1m和Z_2m分别表示第m次迭代过程中求解的Z,Z₁和Z₂。