CN113542525B - 基于mmd残差的隐写检测特征选取方法 - Google Patents

Abstract

本发明提供一种基于MMD残差的隐写检测特征选取方法。该方法包括：步骤1：将高维Rich Model隐写检测特征拆解为若干个Rich Model子模型特征向量；步骤2：针对每个Rich Model子模型特征向量，基于MMD残差的属性重要度的度量公式度量其各个特征分量的属性重要度值，并根据属性重要度值对各个特征分量进行降序排序；步骤3：针对每个Rich Model子模型特征向量，设置窗口大小S_pro，选取降序排序后向量中的前S_pro维特征分量作为当前Rich Model子模型特征向量的降维后的隐写检测特征；步骤4：将降维后的各个Rich Model子模型特征向量进行合并以作为最终的隐写检测特征。本发明能够高效地降低Rich Model隐写检测特征维数，并维持原有的检测性能。

Description

基于MMD残差的隐写检测特征选取方法

技术领域

本发明涉及隐写检测技术领域，尤其涉及一种基于MMD残差的隐写检测特征选取方法。

背景技术

自Fridrich等在2010年提出了以“失真函数设计+STC编码”为框架的HUGO隐写算法后，自适应隐写算法逐渐成为主流的图像隐写算法。这些算法令传统隐写检测特征的效果黯然失色。在与自适应隐写的对抗过程中，提取高维隐写检测特征成为检测自适应隐写的主要手段。在高维隐写检测特征中，尤以Rich Model结构的特征最为典型，基于此结构研究者们陆续提出了SRM、CCJRM、PHARM、PSRM、DCTR、GFR等隐写检测特征。这些高维特征的提出给隐写检测带来了新的挑战——庞大的计算和存储开销，如何有效降低特征维数成为摆在研究者们面前的研究方向。

面对挑战，研究者们已经提出了很多特征降维的方法。在文1(“G.R.Xuan,X.M.Zhu,P.Q.Chai,Z.P.Zhang,Y.Q.Shi,D.D.Fu.Feature selection based on theBhattacharyya distance.In Proc.the 18th International Conference on PatternRecognition,Hong Kong,China,Aug.20-24,2006,pp.1232-1235”)和文2(“L.D.Jennifer,J.Jaikishan.Feature selection for steganalysis using the Mahalanobisdistance.In Proc.the IS&T-SPIE Electronic Imaging Symposium on MediaForensics and Security II,San Jose,CA,USA,January 18-20,2010,SPIE 7541,pp.754104-1-754104-12”)中，研究者们分别基于Bhattacharyya距离和Mahalanobis距离提出了度量单维特征分量属性重要度的方法，选取载体图像特征和载密图像特征距离大的特征向量用于隐写检测，但降维效果不突出。在文3(“J.C.Lu,F.L.Liu,X.Y.Luo.“Selection of image features for steganalysis based on the fisher criterion,”Digital Investigation,vol.11,no.1,pp.57-66,2014.”)中，Lu等利用改进的Fisher准则来衡量特征向量的可分性，Fisher值最高的特征向量被认为最佳隐写检测特征；在文4(“Zhang Y,Liu F,Jia H,et al.Optimization of rich model based on fishercriterion for image steganalysis[C]//2018Tenth International Conference onAdvanced Computational Intelligence(ICACI).2018.”)中，研究者基于Rich Model的结构特点，在子模型中应用改进后的Fisher准则进行降维。

在上述特征降维方法中，研究者们提出了许多衡量单维特征分量属性重要度的方法(如文1至文3)，这些方法大部分是通过提出的公式将单个特征分量从整体中剥离出来进行度量，并未全面考虑该特征分量在整体特征中扮演的积极作用。

发明内容

针对传统的特征降维方法未全面考虑特征分量在整体特征中的积极作用的问题，本发明从反方向出发，考虑从整体特征向量可分性中去探究单维特征分量属性重要度，提出了一种基于MMD残差的隐写检测特征选取方法。

本发明提供一种基于MMD残差的隐写检测特征选取方法，该方法包括：

步骤1：将高维Rich Model隐写检测特征拆解为若干个Rich Model子模型特征向量；

步骤2：针对每个Rich Model子模型特征向量，基于MMD残差的属性重要度的度量公式度量其各个特征分量的属性重要度值，并根据属性重要度值对各个特征分量进行降序排序；

步骤3：针对每个Rich Model子模型特征向量，设置窗口大小S_pro，选取降序排序后向量中的前S_pro维特征分量作为当前Rich Model子模型特征向量的降维后的隐写检测特征；

步骤4：将降维后的各个Rich Model子模型特征向量进行合并以作为最终的隐写检测特征。

进一步地，步骤2中，所述基于MMD残差的属性重要度的度量公式如公式(1)所示：

其中，DMMD(f_i)表示Rich Model子模型特征向量F中的特征分量f_i的属性重要度值，MMD(F)表示整个Rich Model子模型特征向量F的MMD值，

表示不包含特征分量f_i时的特征向量F的MMD值。

进一步地，步骤2中，按照公式(2)计算每个特征向量的MMD值：

其中，X和Y分别表示载体图像和载密图像的特征集样本，x_i表示第i幅载体图像提取得到的特征向量，y_i表示第i幅载密图像提取得到的特征向量，m和n分别表示载体图像和载密图像的数量。

进一步地，步骤3中，所述窗口大小S_pro的设置过程具体包括：

步骤A1：设置初始窗口大小S₁，然后按第一预设步长逐渐增大窗口大小得到S₂,S₃,…,S_i,…,S_m；

步骤A2：根据步骤A1中得到的窗口大小S₁,S₂,S₃,…,S_i,…,S_m选取排序后的特征分量进行隐写检测，得到相应的隐写检测正确率A₁,A₂,A₃,…,A_i,…,A_m以及原始特征隐写检测正确率A₀；

步骤A3：按A₁→A₂→…A_i…→A_m的顺序将选取后特征的隐写检测正确率依次与原始特征隐写检测正确率A₀进行比较，当A_i-A₀＞δ时，停止后续比较，δ为预设值；

步骤A4：以S_i为起始，S_i+1为终点，然后按照第二预设步长逐渐增大窗口大小并分别计算对应的选取后特征的隐写检测正确率，将其中隐写检测正确率最大时的窗口大小作为最佳窗口大小S_pro；第二预设步长的值小于第一预设步长的值。

本发明的有益效果：

本发明基于整体特征向量可分性的变化，提出了基于MMD残差的隐写检测特征选取方法，首先，基于MMD残差提出特征分量属性重要度的度量方法；其次，在Rich Model隐写检测特征的子模型内部度量各个特征分量并排序；然后，在各子模型内部以确定的最佳窗口大小选取特征向量；最后，将各子模型所选的特征向量组合用于最终的隐写检测。实验结果表明，本发明所提出的方法能够高效地降低Rich Model隐写检测特征维数，并维持原有的检测性能。

附图说明

图1为现有技术提供的Rich Model隐写检测特征的结构图；

图2为本发明实施例提供的基于MMD残差的隐写检测特征选取方法的流程示意图；

图3为本发明实施例提供的采用滑动窗口机制选择特征向量组的示意图；

图4为本发明实施例提供的在不同窗口大小下采用本发明方法选取的隐写检测特征的检测正确率结果示意图；

图5为本发明实施例提供的CCJRM特征在不同嵌入率下经过不同窗口选择后特征向量的检测效果图：(a)0.1嵌入率；(b)0.2嵌入率；(c)0.3嵌入率；(d)0.4嵌入率；(e)0.5嵌入率；

图6为本发明实施例提供的经过本发明方法与Ma的特征选取方法和Zhang的特征选取方法在不同嵌入率下的特征选取维数对比图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

MMD：Maximum Mean Discrepancy，最大均值差异。

如图1所示，本发明实施例提供一种基于MMD残差的隐写检测特征选取方法，包括以下步骤：

S101：将高维Rich Model隐写检测特征拆解为若干个Rich Model子模型特征向量；

具体地，Rich Model隐写检测特征是目前主流的高维隐写检测特征，因其特征种类的多样性，具有良好的分类表现。Rich Model隐写检测特征沿用了传统特征提取所用的滤波器，同时还从不同的方向和角度设计了各类型的滤波器，从而能够得到各式各样的残差图像Residual Images。Rich Model结构中的各个子集是由各类灰度共生矩阵(Gray-level Co-occurrence Matrices)基于对称性合并后组成的，而灰度共生矩阵是通过统计各类残差图像的像素信息得到的。图1是Rich Model隐写检测特征的结构图。

S102：针对每个Rich Model子模型特征向量F，基于MMD残差的属性重要度的度量公式度量其各个特征分量的属性重要度值，并根据属性重要度值对各个特征分量进行降序排序，将降序排序后的Rich Model子模型特征向量记为

具体地，所述基于MMD残差的属性重要度的度量公式如公式(1)所示：

其中，DMMD(f_i)表示Rich Model子模型特征向量F中的特征分量f_i的属性重要度值，MMD(F)表示整个Rich Model子模型特征向量F的MMD值，

表示不包含特征分量f_i时的特征向量F的MMD值。

其中，按照公式(2)计算每个特征向量的MMD值：

其中，X和Y分别表示载体图像和载密图像的特征集样本，x_i表示第i幅载体图像提取得到的特征向量，y_i表示第i幅载密图像提取得到的特征向量，m和n分别表示载体图像和载密图像的数量。当MMD值越小时，表示隐写前后的特征分布越相似，分类效果越差，反之亦然。

本步骤通过比较特征向量可分性的变化差异来刻画某一特征分量的属性重要度，可以更全面地刻画单维特征分量的属性重要度。当DMMD(f_i)越大时，说明特征分量f_i对特征向量F的分类性能影响越大，意味着其在分类过程中的积极作用也越突出。

S103：针对每个Rich Model子模型特征向量F，设置窗口大小S_pro，选取降序排序后向量

中的前S_pro维特征分量作为当前Rich Model子模型特征向量F的降维后的隐写检测特征；

具体地，可以按照经验设置窗口大小S_pro；此外，作为另一种更优的可实施方式，所述窗口大小S_pro的设置过程具体包括：

步骤A1：设置初始窗口大小S₁，然后按第一预设步长逐渐增大窗口大小得到S₂,S₃,…,S_i,…,S_m；

步骤A2：根据步骤A1中得到的窗口大小S₁,S₂,S₃,…,S_i,…,S_m选取排序后的特征分量进行隐写检测，得到相应的隐写检测正确率A₁,A₂,A₃,…,A_i,…,A_m以及原始特征隐写检测正确率A₀；

步骤A3：按A₁→A₂→…A_i…→A_m的顺序将选取后特征的隐写检测正确率依次与原始特征隐写检测正确率A₀进行比较，当A_i-A₀＞δ时，停止后续比较，δ为预设值；

步骤A4：以S_i为起始，S_i+1为终点，然后按照第二预设步长逐渐增大窗口大小并分别计算对应的选取后特征的隐写检测正确率，将其中隐写检测正确率最大时的窗口大小作为最佳窗口大小S_pro；第二预设步长的值小于第一预设步长的值。

在实际应用中，特别地，将初始窗口大小S₁的值设置为10，将第一预设步长的值设置为10，将第二预设步长的值设置为1；将δ的值设置为-0.005。

S104：将降维后的各个Rich Model子模型特征向量进行合并以作为最终的隐写检测特征。

本发明实施例提供的基于MMD残差的隐写检测特征选取方法，主要是基于整体特征向量可分性的变化进行特征选取。首先，基于MMD残差提出特征分量属性重要度的度量公式；其次，在Rich Model隐写检测特征的子模型内部度量各个特征分量并排序；然后，在各子模型内部以固定窗口大小选取特征向量；最后，将各子模型所选的特征向量组合用于最终的隐写检测。实验结果表明，本发明所提供的方法能够高效地降低Rich Model隐写检测特征维数，并维持原有的检测性能。

为了验证本发明所提出的方法的有效性，本发明还提供有以下有效性分析过程。

在分类器中，对单维特征分量的分类存在较大的误差，所以用单维特征分量的检测正确率去验证本发明所提的属性重要度度量方法明显是不可行的。为此，本发明将分别设置规模为50和100的窗口，并以1为步长对排序后的D维特征向量

进行选择，并用选择后的特征向量组获取各自的隐写检测正确率，具体的选择过程如图3所示。在选取特征向量组时，本发明采用的是滑动窗口机制，以固定的窗口大小和步长依次向后滑动，直至窗口的最后一格与子模型中最后一位特征分量重合时结束。

在嵌入率为0.5bpac的J-UNIWARD隐写算法下，以CCJRM特征中Ah_T3子模型为例，按照图3中的方法选取特征向量组进行检测，得到的结果如图4所示。图4中，深色的折线图表示在选择窗口大小为50维时不同特征向量组所取得的检测正确率，浅色的折线图表示在选择窗口大小为100维时不同特征向量组所取得的检测正确率。由图4中的检测正确率逐渐下降的趋势不难发现，由属性重要度高的特征分量组成的特征向量分类性能明显优于由属性重要度低的特征分量组成的特征向量，本发明提出用于衡量属性重要度的方法有效性得到了验证。

为了进一步验证本发明所提出的特征选取方法在Rich Model隐写检测特征中的有效性，本发明基于已有的典型隐写算法和相应的隐写检测特征，在JPEG域上进行对比实验。以下为具体的实验设置与实验对比结果。

(1)实验设置

本实验所选用的图像来源于BOSSbase-1.01图像库，尺寸为512×512。首先，选取10000幅灰度图像进行DCT变换，生成10000幅质量因子为75的JPEG载体图像集。其次，采用J-UNIWARD隐写算法，构建嵌入率分别为0.1,0.2,0.3,0.4和0.5的载密图像集。然后，针对生成的各个嵌入率的图像集提取CCJRM(文1)(22510维)隐写检测特征。最后，利用本发明提出选取方法选取已获取的隐写检测特征。综上，共有5组载密图像和1组载体图像，合计10000×6＝60000幅图像用于隐写检测实验。在实验过程中，本发明沿用集成分类器(参考文5：

J,Fridrich J,Holub V.Ensemble Classifiers for Steganalysis ofDigital Media[J].IEEE transactions on information forensics and security,2012.)的训练和测试的过程。每次从10000幅载体图像和10000幅载密图像中各随机选取5000幅图像的特征用于训练集成分类器的参数，剩下的各5000幅载体图像和载密图像的特征则用于测试性能。本发明评价测试性能的标准由错误率P_E表示，它由虚警率和漏检率组成。

其中，P_FA为虚警率，即将载体图像判断为载密图像的概率，P_MD为漏检率，即将载密图像判断为载体图像的概率。对于每组实验，重复执行上述过程10次，并将10次实验的最小全局平均错误率中值作为检测性能的衡量标准，其值越小则说明隐写检测的性能越好。

(2)隐写检测特征选取前后的对比实验

基于本发明提出的特征选取方法，本发明先验证该方法在Rich Model子模型当中的效果。该实验所使用的特征为0.5嵌入率下的CCJRM隐写检测特征(文1)中的子模型Ah_T3。实验结果如表1所示。

表1 本发明方法对CCJRM中Ah_T3子模型的约简效果

本实验对比了随机选取的特征与本发明方法选取后特征的检测效果，由以上结果可以看出，本发明的选取算法在不同的窗口大小下检测效果均高于随机选择的特征。此外，本发明还分别在不同嵌入率和不同窗口大小下进行了隐写检测实验。下面给出0.1嵌入率下的检测正确率和选择窗口大小，如表2所示。

表2 0.1嵌入率下的不同窗口大小的CCJRM的检测正确率

由表2中可以看出，本发明所提的特征选取方法在窗口大小为32时表现最佳，检测正确率为53.34％，相较于原始特征的检测正确率还有小幅度的提升。与此同时，特征选择后的特征维数可以降到3264维，大大减轻了计算开销。为更加直观地分析特征选择过程中检测性能和特征维数的关系，本发明还给出了不同窗口下的特征选取轨迹图。

图5中(a)～(e)图为CCJRM特征分别在0.1,0.2,0.3,0.4和0.5嵌入率下经过不同窗口选择后特征向量的检测效果图，其中横轴代表特征维数，纵轴代表隐写检测的正确率，图中的实心圆表示经过特征选择后取得的最佳检测正确率。通过观察图表，可以分析出原始特征经本发明的方法选择后，能够有效降低原特征维数。与此同时，检测正确率并未出现明显的下滑，误差均在0.5％以内，在低嵌入率的情况下甚至提升了检测正确率。在分析图(a)和图(b)时，可以看到当选择窗口大小超过最佳位置后，隐写检测正确率出现了走低的现象，分析原因可能是因为排序靠后的特征分量在隐写检测中扮演了负面角色，大容量的选择窗口将它们囊括进来带来了负增长。

本发明还与Ma的特征选取方法(参考文6：Ma Y Y,Luo X Y,Li X L,etal.Selection of Rich Model Steganalysis Features Based on Decision Rough Setα-Positive Region Reduction[J].IEEE Transactions on Circuits&Systems forVideo Technology,2018:1-1.)和Zhang的特征选取方法(即文4)的进行了比较。在总体的检测效果差别不大的情况下，本发明所提出的方法特征降维效果更加显著，具体结果见图6。图6中不同的折线分别表示经过不同方法选取后的特征和原始特征在不同嵌入率下的特征维数，可以看出经过本发明方法选取后的特征维数更优。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (2)

1.基于MMD残差的隐写检测特征选取方法，其特征在于，包括：

步骤1：将高维Rich Model隐写检测特征拆解为若干个Rich Model子模型特征向量；

步骤2：针对每个Rich Model子模型特征向量，基于MMD残差的属性重要度的度量公式度量其各个特征分量的属性重要度值，并根据属性重要度值对各个特征分量进行降序排序；步骤2中，所述基于MMD残差的属性重要度的度量公式如公式(1)所示：

其中，DMMD(f_i)表示Rich Model子模型特征向量F中的特征分量f_i的属性重要度值，MMD(F)表示整个Rich Model子模型特征向量F的MMD值，

表示不包含特征分量f_i时的特征向量F的MMD值；

步骤3：针对每个Rich Model子模型特征向量，设置窗口大小S_pro，选取降序排序后向量中的前S_pro维特征分量作为当前Rich Model子模型特征向量的降维后的隐写检测特征；步骤3中，所述窗口大小S_pro的设置过程具体包括：

步骤A1：设置初始窗口大小S₁，然后按第一预设步长逐渐增大窗口大小得到S₂,S₃,…,S_i,…,S_m；

步骤A2：根据步骤A1中得到的窗口大小S₁,S₂,S₃,…,S_i,…,S_m选取排序后的特征分量进行隐写检测，得到相应的隐写检测正确率A₁,A₂,A₃,…,A_i,…,A_m以及原始特征隐写检测正确率A₀；

步骤A3：按A₁→A₂→…A_i…→A_m的顺序将选取后特征的隐写检测正确率依次与原始特征隐写检测正确率A₀进行比较，当A_i-A₀>δ时，停止后续比较，δ为预设值；

步骤A4：以S_i为起始，S_i+1为终点，然后按照第二预设步长逐渐增大窗口大小并分别计算对应的选取后特征的隐写检测正确率，将其中隐写检测正确率最大时的窗口大小作为最佳窗口大小S_pro；第二预设步长的值小于第一预设步长的值；

步骤4：将降维后的各个Rich Model子模型特征向量进行合并以作为最终的隐写检测特征。

2.根据权利要求1所述的方法，其特征在于，步骤2中，按照公式(2)计算每个特征向量的MMD值：

其中，X和Y分别表示载体图像和载密图像的特征集样本，x_i表示第i幅载体图像提取得到的特征向量，y_i表示第i幅载密图像提取得到的特征向量，m和n分别表示载体图像和载密图像的数量。

Images