[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

说明书

本发明涉及一种基于异构特征子空间迁移的JPEG图像失配隐写分析方法，本发明将不同领域的特征看作域无关和域相关特征子空间的组合，首先，提出一种低秩约束域无关特征迁移方法，利用不同领域间的局部数据特性来实现局部信息的迁移；其次，基于稀疏表示建模域相关特征以衡量领域变化对其产生的影响；最后，通过上述的步骤构造目标函数并通过不精确的增广拉格朗日乘数法进行求解。在域无关特征子空间上实现局部信息迁移的同时兼顾了域相关特征独有的全局信息，这样可以增加载体图像与载密图像之间的特征辨识度，有利于提高失配隐写分析的检测效果，对于失配隐写分析具有重要的意义。

技术领域

本发明涉及多媒体安全和数字媒体处理技术领域，特别涉及一种在训练集和测试集分布不一致的情况下判别JPEG图像是否经过秘密信息嵌入的失配隐写分析技术领域。

背景技术

隐写术是将秘密信息以难以察觉的形式隐藏于数字媒体中以实现隐蔽通信。由于JPEG格式的图片应用非常广泛，所以JPEG图像的隐写术发展比较迅速。隐写分析是一种与隐写术相对抗的逆向检测技术，其目的是根据载体的统计特性判断其中是否存在隐蔽信息。

目前，隐写分析方法大多是利用机器学习工具，通过对提取的特征数据进行训练得到检测模型，然后用该模型测试待检测的样本。采用这种思路进行隐写检测已经取得了很好的效果，但这种方法需要满足机器学习的前提假设，即训练数据(源领域)与测试数据(目标领域)服从相同的数据分布。使用传统机器学习进行隐写分析检测，在测试集和训练集同分布时，已经取得很好的效果。然而，在许多应用场景应用中，训练集和测试集往往服从不同的数据分布，这样会引起失配问题。

失配问题归根结底是因为训练数据和测试数据统计特性和特征分布的不同而导致的，Fridrich等人^[1]分析了产生失配的原因并对传统隐写分析中存在的各种失配因素进行了归类，如训练集和测试集嵌入率不同导致的失配、质量因子不同导致的失配、隐写算法未知导致的失配、载体内容不同导致的失配等，这些都会造成传统隐写分析正确率的大幅降低。

目前，解决隐写分析失配问题的主要方法有采用简单分类器的方法^[2]、融合训练的方法^[1]以及基于迁移学习的方法^[3-4]。现有的部分方法虽然在一定程度上解决了失配隐写分析问题，但也面临着一些不足之处。一方面，基于简单分类器和融合训练的方法往往受样本分布偏差的影响较大并且目标领域样本数量相对较少的时候分布估计容易产生偏差；另一方面，传统的基于特征迁移的失配隐写分析方法，拆分了源领域和目标领域样本原有的特征空间，仅选择部分域无关特征进行知识迁移，忽略了域相关特征具有的全局判别信息。

相关参考文献如下：

[1]J,Sedighi V,Fridrich J.Study of cover source mismatch insteganalysis and ways to mitigate its impact[C]//Media Watermarking,Security,and Forensics 2014.International Society for Optics and Photonics,2014,9028:90280J.

[2]Lubenko I,Ker A D.Steganalysis with mismatched covers:Do simpleclassifiers help？[C]//Proceedings of the on Multimedia and security.ACM,2012:11-18.

[3]Kong X,Feng C,Li M,et al.Iterative multi-order feature alignmentfor JPEG mismatched steganalysis[J].Neurocomputing,2016,214:458-470.