基于W2ID准则的RichModel隐写检测特征选取方法

数字隐写是信息安全领域一个重要分支,其通过将秘密信息嵌入到数字图像、声音、视频等文件中并通过公开信道(如:Email邮箱、微博推文和即时通信等)进行传递,从而实现信息的隐蔽通信.图像自适应隐写是近年来数字隐写技术的研究热点,而Rich Model特征是检测图像自适应隐写的一大类主流高维特征,这类高维特征在实现对图像自适应隐写较高检测正确率的同时,带来了高额的计算开销和和存储开销,并使得隐写检测中的分类器训练变得极为困难.为此,本文提出了一种基于加权类间距离和类内距离差异准则(W2ID准则)的图像Rich Model隐写检测特征选取方法(记为W2ID-α方法).首先,在对Fisher-based方法这一隐写检测特征经典选取方法进行原理分析的基础上,指出该方法可能存在误删有用特征分量、保留冗余和冲突特征分量的不足;然后,通过将"类内距离差异"原则引入到隐写检测特征分量的可分性度量,提出了基于类间距离和类内距离差异的特征可分性度量准则(简记为2ID准则),给出了类内距离差异的一个相关性质;同时,为了合理体现"类间距离"的重要性,本文提出了基于频数统计加权法的权重分配算法,为该准则分配合理权重,使得对特征分量可分性的度量结果相比传统的Fisher准则更为准确;最后,依据W2ID准则的度量结果,基于决策粗糙集α-正域约简方法约简隐写检测特征分量,并在约简特征分量过程中,将每次处理一个特征分量改进为每次处理一组特征分量,以提升决策粗糙集α-正域约简的效率.提出的W2ID-α方法因无需设置可分性下限,避免了阈值设置不准确可能造成去除有用特征分量的问题,从而消除了现有Steganalysis-α隐写检测特征选取方法依赖经验参数的问题.基于数字隐写领域通用的BOSSbase-1.01图像库10 000幅原始图像和基于经典SI-UNIWARD隐写方法生成的多组隐写图像,针对从这些图像组每幅图像中提取的35263维J+SRM特征和17000维GFR特征(两类典型的图像Rich Model隐写检测特征),进行了一系列特征选取实验,结果表明:本文提出的W2ID-α方法能够在大幅降低Rich Model隐写检测特征维数的同时,基于选取后特征的隐写检测提高了对隐写图像的检测正确率,与Fisher-based、Steganalysis-α和PCA-based等现有典型特征选取方法相比具有显著优势,如对嵌入率=0.1的SI-UNIWARD隐写图像,基于提出的W2ID-α方法将J+SRM特征从35 263维降到2723维的同时,还提高了 3.63%的检测正确率.