一种基于图像内容的最低有效位匹配隐写分析方法

将隐藏信息检测与图像内容分析相结合是当前提高图像隐写分析性能的一个新方向。与基于图像整体内容的检测方法不同,该文分析了最低有效位(Least Significant Bit LSB)匹配隐写对图像子区域统计特性的影响,提出一种新的联合判决检测方法。首先依据图像内容复杂度将整体图像分割为若干类子区域,其次采用两组不同的滤波器分类提取各子区域像素序列直方图频谱特征,之后用各类子区域特征分别训练Bayes分类器以获得其权重,最后对待测图像的每一个子区域进行分类检测,并将结果加权融合得到最终判决。实验结果表明,该方法对LSB匹配隐写的检测性能优于现有典型方法。

一种针对LSB匹配隐写的视频隐写分析方法

针对视频LSB匹配隐写,提出了一种基于区域相关性原理,通过构造区域相关性图直接提取载体或载密视频帧特征,应用中值滤波去除不同视频载体之间的特征差异,逐帧进行视频隐写分析的方法。实验结果表明,该算法能有效检测每帧均进行嵌入且嵌入率仅为p=0.1时的视频,而且在只对20%的视频帧进行混合嵌入的情况下,也能达到90.91%的正确检测率。

融合残差网络和极限梯度提升的音频隐写检测模型

针对目前音频隐写检测方法对基于校验网格编码(STC)的音频隐写检测准确较低的问题,考虑到卷积神经网络(CNN)在抽象特征提取上的优势,提出一种融合深度残差网络(DRN)和极限梯度提升(XGBoost)的音频隐写检测模型。首先,利用固定参数的高通滤波器(HPF)预处理输入的音频,并通过三个卷积层提取特征,其中第一个卷积层使用了截断线性单元(TLU)激活函数,使得模型适应低信噪比(SNR)下的隐写信号分布;其次,通过五个阶段的残差块和池化操作进一步提取抽象特征;最后,经过全连接层和Dropout层将提取的高维特征作为XGBoost模型的输入进行分类。分别对STC隐写和最低有效位匹配(LSBM)隐写进行检测,实验结果表明,所提出的模型在0.5 bps、0.2 bps、0.1 bps三种嵌入率下,即音频每个采样值平均修改的比特数分别为0.5、0.2、0.1时,对子校验矩阵高度为7的STC隐写的平均检测准确率分别为73.27%、70.16%、65.18%,对LSBM隐写的平均检测准确率分别为86.58%、76.08%、72.82%。相较于传统提取手工特征的隐写检测方法和深度学习隐写检测方法,所提模型对两种隐写算法的平均检测准确率均提高了10个百分点以上。