[发明专利]一种基于语义特征的人脸生成式图像隐写术

权利要求书

1.一种基于语义特征的人脸生成式图像隐写术，其特征在于，包括：

A、生成载密语义特征：人脸语义特征生成网络由全连接网络实现，该网络负责由高斯噪声生成人脸语义特征S＝{S₁,S₂,...S_n}，将秘密信息s＝{s₁,s₂,...s_m}采用采用奇偶特征差值算法嵌入生成的语义特征，并得到载密语义特征S′＝{S′₁,S′₂,...S′_n}；

B、生成载密图像：人脸生成模型采用StarGAN v2网络实现，负责将嵌入秘密信息的语义特征S′＝{S′₁,S′₂，...S′_n}输入人脸合成模型中得到载密人脸图像；

C、提取秘密信息：语义提取网络由卷积神经网络实现，负责提取载密人脸图像中的语义特征S″＝{S″₁,S″₂,...S″_n}，采用奇偶特征差值算法从语义特征中恢复秘密信息；

D、提取网络鲁棒训练：通过图像变换载密数据集对提取网络进行训练，提升特征提取模型的鲁棒性。

2.根据权利要求1所述的一种基于语义特征的人脸生成式图像隐写术，其特征在于，步骤A进一步包括以下步骤：

A1、首先将高斯噪声向量z＝{z₁,z₂,...z_k}输入人脸语义特征生成网络，并得到映射后的人脸语义特征向量S＝{S₁,S₂,...S_n}；

A2、根据语义特征向量S，将秘密信息s＝{s₁,s₂,...s_m}采用奇偶特征差值算法生成修改矩阵：

其中S为生成的特征矩阵，S′为嵌入秘密信息后的特征矩阵，s为二进制秘密信息，M为秘密信息对应的修改矩阵，β为控制参数，ε为扰动参数；

A3、根据修改矩阵M_s与生成人脸语义特征矩阵S融合得到载密语义特征矩阵S′：

其中，为修改后奇偶位置特征值。

3.根据权利要求1所述的一种基于语义特征的人脸生成式图像隐写术，其特征在于，步骤B进一步包括以下步骤：

B1、从数据集中随机选取一张人脸图像，将选择的人脸图像输入StarGAN v2人脸合成网络中的编码器，得到编码后的源人脸图像；

B2、将编码后的源人脸图像与嵌入秘密信息的语义特征进行融合，得到融合后的人脸语义特征：

其中：σ()与μ()分别为方差与均值函数，E()为编码器网络，S′_sf为融合后的语义特征；

B3、将融合后的人脸特征输入StarGAN v2人脸合成网络中的解码器，采用上采样将融合特征S′_sf还原到RGB图像，得到一张载密人脸图像Img_stego：

Img_stego＝G(Img_cover,S_ef)＝D(S′_sf)

其中，G()为人脸合成网络，D()为解码器网络。

4.根据权利要求1所述的一种基于语义特征的人脸生成式图像隐写术，其特征在于，步骤C进一步包括以下步骤：

C1、将步骤B生成的载密人脸图像输入到语义提取网络；

C2、语义提取网络通过残差模块提取并输出载密图像的语义特征S″；

C3、根据提取的语义特征矩阵S″，采用奇偶特征差值算法遍历整个特征矩阵并输出秘密信息：

其中，s′_k是提取后的秘密信息。

5.根据权利要求1所述的一种基于语义特征的人脸生成式图像隐写术，其特征在于，步骤D进一步包括以下步骤：

D1、使用多种不同的图像处理算法对载密人脸图像进行处理，如Rotation、Gaussiannoise、Salt and pepper noise、Speckle noise等攻击；

D2、将攻击后的载密图像与正常样本混合，构建一个新的鲁棒性数据集；

D3、采用制作的数据集对语义提取网络进行鲁棒性训练，训练过程中采用如下的损失函数：

其中S′为生成过程中采用的语义特征矩阵，S″为提取载密图像后的语义特征矩阵，m与n为特征矩阵的维度。