基于多特征融合和BiLSTM的语音隐写检测算法

针对传统互联网低比特率编解码器(internet Low Bit Rate Codec,iLBC)语音隐写主要集中在线性频谱频率系数矢量量化、码本搜索矢量量化或增益量化的单个阶段,难以应对多阶段下的联合隐写检测等问题,提出一种基于多特征融合和双向长短时记忆(Bi-Directional Long Short-Term Memory,BiLSTM)网络的iLBC语音隐写检测算法.通过分析隐写对不同阶段参数带来的影响,提取线性频谱频率系数矢量量化、码本搜索矢量量化和增益量化过程中的多种隐写特征,并分别输入到相应的BiLSTM检测网络,最后将各检测网络的结果进行融合,得到最终隐写检测结果 .实验表明,所提算法可以实现多阶段下的联合隐写检测,而且在语音时长较短时,仍能取得优异的检测结果,平均检测准确率达到了90%以上.

基于广义高斯分布的彩色图像空域隐写检测算法

揭示了彩色图像相邻像素差服从或2倍近似服从广义高斯分布,且均值为零的统计规律;指出了目前常用隐写作业模式—代替作业模式在图像隐写方面的本质弱点。同时,本文针对彩色图像的空域隐写提出了一种结合稳健性统计特性和易损性统计特性为一体的快速盲检测算法,该算法检测效率高,速度快,便于实用。

基于统计模型及SVM的低速率语音编码QIM隐写检测

QIM(Quantization Index Modulation,量化索引调制)隐写在标量或矢量量化时嵌入机密信息,可在语音压缩编码过程中进行高隐蔽性的信息隐藏,文中试图对该种隐写进行检测.文中发现该种隐写将导致压缩语音流中的音素分布特性发生改变,提出了音素向量空间模型和音素状态转移模型对音素分布特性进行了量化表示.基于所得量化特征并结合SVM(Support Vector Machine,支持向量机)构建了隐写检测器.针对典型的低速率语音编码标准G.729以及G.723.1的实验表明,文中方法性能远优于现有检测方法,实现了对QIM隐写的快速准确检测.

基于小波奇异性分析的扩频隐写检测算法

针对扩频隐写会破坏图像局部平稳性而使其产生高频奇异性的缺点,提出一种基于小波奇异性分析的扩频隐写检测算法。通过分析待测图像不同尺度下小波系数模极大值数量的变化情况,提取8维特征向量作为Fisher分类器的输入向量并对其进行训练。对测试样本的检测和攻击实验结果表明,该算法的平均检测率达到80%以上,能够检测出隐写的大致频带范围并实施有效的滤波攻击,为隐秘信息的进一步提取奠定了基础。

基于四元数多特征并行融合的JPEG隐写检测

针对串行特征融合方法易出现"维数灾难"以及并行复矢量特征融合方法只能融合两类特征的弱点,提出一种基于四元数多特征并行融合的JPEG隐写检测方法。方法利用四元数有4个分量能融合4种特征的性质,首先提取4种经典特征,然后用主成分分析(PCA)进行数据降维,去除冗余信息,最后将4种特征组合为四元数矢量,实现多特征的并行融合。实验结果表明,和传统特征融合方法相比,所提方法不仅有效提高了JPEG隐写图像检测率,而且具有较强的鲁棒性。

基于多目标决策的隐写检测评估

提出多目标隐写检测评估方法,分析隐写检测的应用领域,针对目前隐写检测指标过于粗略的问题,对隐写检测评估指标进行扩展和描述。结合隐写检测应用领域的不同需求,应用数学规划法对扩展的6个指标进行优选,包括正检测率、负检测率、虚警率、漏警率、检测速度、适用性。按照应用对各个评估指标的侧重,找出最适合于该应用领域的检测度量,使隐写检测评估更加客观和有效。

基于邻域相关性MC模型的空域隐写检测算法

空域隐写作为最常用的隐写方式之一,对其进行隐写分析具有较高的实用价值。空域隐写破坏了图像的邻域相关性,通过分析其在隐写前后发生的改变,能有效检测图像是否进行了隐写。如何对邻域相关性进行量化分析成为问题解决的关键。通过对图像邻域相关性进行MC建模,提出了一种有效的空域隐写检测算法。该算法在相关性MC模型的基础上提取出相关性量化矩阵,分析了其在隐写前后发生的变化,并提取出相应的检测特征。最后,以Fisher分类器作为检测分类器进行了检测实验。实验结果表明该算法能有效检测多种空域隐写算法,其平均检测率达到85%以上。与其它空域隐写检测算法相比该算法具有更好的适用性。

基于多特征的空域替换类图像隐写检测方法

提出一种基于多特征的空域替换类图像隐写检测方法。通过分析空域替换隐写原理,找出空域替换类隐写的共性,分别用位平面纹理相似性和位平面统计相关性以及位平面低比特位随机性来度量和刻画该类隐写对图像位平面间关系属性以及图像位平面属性的影响,由此构建针对空域替换类的隐写检测方法。实验结果表明该方法有效,并具有较高的检测准确性和较强的适应性。

一个基于TSVM的GIF图像通用隐写检测方法

直推式支持向量机(TSVM)是一种从标记样本出发,对特定的未标记样本进行识别和分类的技术.本文分析了将TSVM应用到图像通用隐写检测中的可行性,提出并实现了基于TSVM的GIF图像通用隐写检测方法.实验结果表明,针对不同的GIF图像隐写工具,本文方法在较少标记样本条件下引入大量未标记样本,得到接近监督学习的通用检测效果.从而提高了GIF图像通用隐写检测的实用性.

基于多层感知卷积和通道加权的图像隐写检测

针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限,以及各通道特征图没有区分的问题,该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积,增强隐写检测模型对高阶特征的表达能力;同时引入通道加权模块,实现根据全局信息对每个卷积通道赋予不同的权重,增强有用特征并抑制无用特征,增强模型提取检测特征的质量。实验结果表明,该检测模型针对不同典型隐写算法及不同嵌入率,相比Xu-Net,Yedroudj-Net,Zhang-Net均有更高的检测准确率,与最优的Zhu-Net相比,准确率提高1.95%~6.15%。

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.

隐写检测技术在公安情报分析中的应用

信息隐藏技术一直以来被恐怖分子、邪教组织所青睐,他们利用信息隐藏技术在网络中秘密传播非法信息,危及国家安全,因此有必要发展信息隐藏检测技术,阻止通过这种方式进行非法活动。

采用Hilbert扫描序列短重码统计的盲隐写检测方法

在LSB行扫描序列中,基于短重码间距统计的隐写检测方法对LSB匹配等隐写技术具有良好的盲检测性能。然而此方法只能利用相邻码元的相关性,影响检测性能。理论证明了短重码间距统计量的检测能力与重码累积成功概率、短重码维数有关,并提出采用Hilbert扫描序列以提高重码累积成功概率比率来提升检测性能的盲隐写检测方法。该方法在图像LSB Hilbert扫描序列中,基于码元相同短重码统计量的分布特征,通过Poisson分布显著性检验检测隐写信息,可充分利用Hilbert曲线良好的局部相关保持特性,不仅利用了相邻码元的相关性,还利用了局部区域码元的相关性。理论分析和实验结果表明了本文方法在有效控制虚警率的前提下,具有较好的隐写检测性能。

基于SVM的通用隐写检测算法设计与实现

通用隐写检测是隐写分析技术研究的重点。针对加性噪声隐写模型,以BMP图像为研究对象,进行通用隐写检测算法研究与设计,在此基础上,给出了算法设计与实现的流程和其性能的有效性验证。实验结果表明该算法具有较好的检测精度、较低的虚惊率和漏警率。

基于双边转移概率矩阵的JPEG图像隐写检测

针对当前基于JPEG图像的典型隐写算法,基于离散余弦变换(DCT)域分块内及分块间相邻系数之间的相关性进行分析,通过将相邻三个系数的中间位置的系数作为条件,统计两边系数的条件分布概率矩阵,将提取的所得矩阵作为隐写检测敏感特征,提出了一种基于DCT系数双边转移概率分布的JPEG图像隐写检测算法。实验结果表明,在不同嵌入率下,该算法的检测性能均优于已有检测算法。

基于二阶差分Markov特征的LSB匹配隐写检测

针对安全性较高的最不重要位(LSB)匹配隐写算法,通过计算待检测图像像素水平和垂直方向的二阶差分,得到二阶差分矩阵并将其作为敏感特征提取源,提取差分矩阵的二阶Markov转移概率矩阵作为特征,提出了一种隐写检测算法。实验结果表明:与基于一阶差分Markov转移概率矩阵的算法相比,该算法在保证检测较高正确率的情况下,在很大程度上提高了算法的检测速度,增强了算法的性能和实用性。

基于改进AdaBoostSVM的JPEG图像多特征融合隐写检测方法

传统的JPEG图像盲隐写检测算法主要是通过单个或是两个特征集融合的方式来设计。而对于多个特征集,如何从这些特征集中选取一个较优的组合进行融合,目前尚处于研究阶段。本文提出一种基于改进AdaBoostSVM的多特征融合隐写检测方法,并通过设计多个实验来验证算法的性能。通过实验比较,在JPEG图像隐写多特征融合盲检测中,该方法能够在有限的计算复杂度下得到一个融合效果较优的特征组合。

基于改进逻辑回归分类算法的LSB匹配隐写检测

常见的采用高斯核支持向量机(Gaussian support vector machine,G-SVM)分类算法构建分类器的隐写检测方法对最低比特位(Least significant bit,LSB)匹配隐写算法均存在训练时间过长的问题。针对这一问题,提出一种改进逻辑回归分类算法,即L曲线截断正则化迭代重加权最小二乘(L-curve truncated-regularized iteratively re-weighted least squares,LTR-IRLS)算法。该算法采用L曲线法来确定适合于隐写特征的Tikhonov正则算法的近似最优参数,并通过实验寻找出符合隐写特征的截断牛顿算法收敛参数,从而提高了检测准确率;采用重加权最小二乘法计算最大似然估计,并通过截断牛顿法避免计算最小二乘中的海森矩阵,降低了计算量。理论分析与实验结果证明,针对LSB匹配隐写检测,LTR-IRLS分类算法在保证检测准确率优于G-SVM分类算法的情况下,极大地降低了训练时间,从而提高了检测速度。

基于直方图统计分类隐写检测算法设计

为了提高隐写检测算法的检测性能,提出基于直方图统计分类的隐写检测算法。通过对图片信息的直方图特征参数的提取,使用构建基于人工神经网络的分类模式,实现对嵌入隐写信息的图片准确判定。详细分析基于直方图统计分类隐写算法的设计原理和过程,最后构建实验测试环境。测试结果表明,该隐写检测算法的检测成功率和误检率均优于Ezsteg0检测工具。

一种通用隐写检测特征提取系统设计与实现

有效分类特征的提取是通用隐写检测的关键。以BMP灰度图像为研究对象，对其分类特征敏感性和可分性进行研究，在此基础上，给出一种通用隐写检测下的特征提取系统设计与实现的方法。该方法操作简单方便、性能可靠。