基于小波包与自适应预测器的音频隐写分析方法

提出一种基于小波包与自适应预测器的音频隐写分析方法,主要用于检测加性噪声模型.利用加性噪声对音频高频部分比低频部分影响显著的特点,对音频信号进行小波包分解;然后利用最小均方(LMS)自适应预测器对高频小波包系数进行预测,选取预测误差的统计量作为统计特征;最后采用支持向量机分类.实验证明,对于常用的加性噪声隐写方法,即使在嵌入强度或嵌入率较低的情况下,也能达到较高的分类准确率.

基于核主元统计的音频隐写分析

选取隐写前后音频载体信号小波分解第二级细节分量进行分帧,利用核主元分析原理提取每帧的不重要核主元,进行形态学变换后,以其相邻两帧汉明距离的奇数阶中心矩作为特征向量,用支持向量机分类,隐写分析全局检测率可超过95%。

基于Hide4PGP二次嵌入的音频隐写分析

针对隐写软件Hide4PGP隐写自相关性进行研究,以隐写一次与未隐写音频和隐写一次与隐写两次音频梯度能量的变化量,和将上述音频样本三级小波分解后,各级小波域细节分量线性预测误差的统计量(均值、方差、偏度和峰度)的变化量为特征向量,用支持向量机作分类器进行音频隐写分析。实验表明,这组特征可以有效地检测出经隐写软件Hide4PGP隐写的音频文件。在保持有效的检测率前提下,降低了特征维数,缩短了SVM分类时间,是对H.Farid所提特征的改进。

基于混合扰动机制集成分类器的通用音频隐写分析

针对目前通用隐写分析中集成分类器泛化能力不强、检测率不够高的问题,提出一种基于混合扰动机制的集成支持向量机音频隐写分析算法。算法提取帧内音频质量测度、音频二阶差分频谱特性、改进Markov特征、小波域特征等对音频进行描述形成原始特征空间,利用特征相关性进行降维生成优化特征空间,减小计算复杂度,再利用独立成分分析法与核函数参数的随机生成同时进行特征与模型的双重扰动,生成具有差异性的个体分类器,最后利用人工鱼群算法对个体分类器的结果进行加权融合。实验表明,该算法能够提高集成分类器的泛化能力与检测率,相对于常用的OC-SVM与集成分类器算法,拥有更好的检测效果。

基于注意力机制的音频隐写分析模型

现有的基于深度学习的音频隐写分析方法在分类模块中,对输入数据给予同样的注意力和处理,未能考虑到如何利用特征提取模块的特征表征对于隐写分析的重要程度进行优化分类效果的计算资源分配。基于此背景,提出一种基于注意力机制的音频隐写分析算法,通过对深度学习网络中特征表征学习中获得的目标音频的高层表征作为分类模块的输入,利用注意力机制原理用于学习对载体音频和载密音频间的最具区分度的特征,通过让模型更加关注这部分特征,赋予更能表征载体音频与载密音频特征区别的特征更多的注意力。经过实验验证了方法能有效提高音频隐写分析准确率,对基于深度学习的音频隐写算法有较好的提升效果。

基于功率倒谱统计特征的音频回声隐写分析方法

提出了一种基于功率倒谱统计特征的音频回声隐写分析方法.首先对音频信号进行分段和加窗,然后对加窗后的音频信号段求平均功率倒谱,利用回声隐藏信号的平均功率倒谱能够在回声延迟处产生峰值这一特点,对平均功率倒谱求差分方差和平坦度作为统计特征,采用支持向量机进行分类.该隐写分析方法不仅能够对最基本的单回声核进行检测,还适用于改进的回声核.实验证明,本方法的效果令人满意,在衰减系数较低的情况下也能达到较高的分类准确率,且无论嵌入段长如何,都能较为准确地检测.

基于主元统计的音频隐写分析

论文利用主元分析原理,分别从时域、小波域、频域几方面来提取音频载体隐写前后的不重要主元,进行形态学变换后,以其相邻两列汉明距离的奇数阶中心矩作为特征向量,用支持向量机分类,隐写分析分类准确率可超过95%。

基于独立分量统计的音频隐写分析

论文利用独立分量分析原理,分别提取隐写前后音频载体的独立分量,进行形态学变换后,以其相邻两列汉明距离的奇数阶中心矩作为特征向量,用支持向量机分类,隐写分析全局检测率可超过93%。

基于特征融合的加权SVM音频隐写分析算法

针对隐写分析中特征维数过高的问题,提出一种特征加权支持向量机音频隐写分析算法。利用特征相关性对原始特征进行优化选择,利用增益比率法计算特征权重,提出了改进特征加权支持向量机。与常用的C-SVM进行的对比实验表明,该方法能够有效提高检测率,降低时间复杂度。

基于回声隐藏的VDSC隐写分析算法

基于回声隐藏改变自然语言倒谱分布这一特点,提出了一种新的针对回声隐藏的隐写分析算法。该算法无需估计隐写分段大小,通过构造倒谱和差分方差统计量VDSC(variants of difference of sum of cepstrum)来反映隐写对自然语音音频的影响,从而判定该文件是否为回声隐藏文件。实验结果显示,该算法正确率为88%。