基于深度卷积神经网络的图像隐写分析研究
数字图像是现代隐写术的主要载体。互联网巨量的图像数据和种类繁多的图像隐写工具,使人们很容易对图像进行信息隐藏和传播。图像隐写不单单可用于保护私人隐秘通信等合法活动,也可能被用于掩盖商业间谍活动和传递恐怖袭击信息等非法活动。当图像隐写术被恶意使用时,将造成极其严重的社会危害。然而复杂的场景和巨量的数据导致目前图像隐写分析方面临着许多困难。实际的隐写分析场景需要对大量JPEG图像进行检测,而已有的JPEG隐写分析算法总是在统计特性单一的小规模数据库上进行测试的,很难保证不存在过拟合的情况。此外,现实世界中的图像数据大多都是彩色图像,而目前隐写分析研究人员对彩色图像给予的关注仍然较少。因此研究适用于实际场景的JPEG图像隐写分析算法和彩色图像隐写分析算法具有重要的理论意义和实用价值。深度学习随着数据的增加,往往能够获得更好的分类效果和更强的模型泛化能力,非常符合大数据时代下图像隐写分析的实际应用背景。本文主要研究基于深度卷积神经网络的图像隐写分析,主要研究成果如下:(1)提出了能拟合隐写分析富模型特征的预训练深度卷积神经网络。隐写分析背后的领域知识还无法得到深度学习更有效的利用,而JPEG图像隐写分析富模型与卷积神经网络结构存在一定的相似性。据此我们提出了具有拟合隐写分析富模型特征提取过程的预训练子网络框架。我们选取性能较好且计算复杂度低的JPEG域富模型DCTR(Discrete Cosine Transform Residual)特征作为拟合对象。DCTR特征提取过程包含多个子模块,我们根据这些子模块提出了具有类似功能的深度学习子网络,并对这些子网络进行了预训练。通过组合预训练好的子网络,使整体网络框架获得不输于DCTR特征的隐写分析性能。实验结果表明,所提出的预训练框架能够拟合DCTR特征提取过程中隐含的非线性映射。并且当该框架从DCTR特征近似的预训练状态进行继续训练调优时,整体网络框架能获得远超DCTR特征的检测性能。(2)提出了基于混合卷积神经网络的大规模JPEG图像隐写分析算法。真实场景下的JPEG图像隐写分析,其主要难点在于需检测来源复杂的大规模JPEG图像数据。已有的图像隐写分析算法总是在统计特性单一的小规模数据库上进行测试的,很难保证不存在过拟合的情况。我们采取更有效的结合深度学习与JPEG图像隐写分析领域知识的策略,提出了一种混合深度学习框架,将深度学习向解决大规模JPEG图像隐写分析问题推进一步。该框架包含两个主要部分,一是引入了频率域滤波核卷积层和多样化的量化截断层。第二是包含三个深层子网的复合卷积神经网络。我们提供了实验和理论上的证明,以支持所提出框架中使用频率域滤波核卷积层和量化截断层等结构的引入。在实验中,我们构造了从Image Net数据集提取的包含500万张原始图像的大规模JPEG图像集以验证模型在大数据环境下的性能。实验结果表明所提出的框架优于所有截至本工作前的隐写分析算法,并且能适应不断扩大数据规模和图像源不匹配等各种复杂场景下的隐写分析问题。同时所提出的框架具有可扩展性,可以将新提出的深度学习隐写分析网络作为子网合并进所提出框架中。(3)提出了基于深度卷积神经网络的真彩图像隐写分析算法。目前尚未有基于深度学习的彩色图像隐写分析解决方案。因此除了将深度学习应用于JPEG图像隐写分析,本文还首次提出彩色图像隐写分析的深度学习解决方案。我们提出了一种先分离后聚合,且具有宽结构的深度卷积网络WISERNet。通过理论证明,我们指出常规卷积结构中的加权和操作是一种”线性共谋攻击”,保留了较强的相关模式而削弱了不相关的噪声,这对于彩色图像隐写分析是不利的。并据此提出了逐通道卷积结构,作为WISERNet的先“分离”部分。在上层卷积网络中采用更宽的具有更多卷积核的常规卷积结构,以增强网络分类能力,这是WISERNet的后“聚合”部分。我们在实验中构建了使用不同解马赛克算法和下采样算法生成的多样化彩色图像数据集,以全方位验证WISERNet的实用性能。通过大量实验结果表明WISERNet特别适用于彩色图像隐写分析,相比已有的其他彩色图像隐写分析算法具有较大的优势。本文在图像隐写分析领域取得了一定的研究进展。展望未来,实际场景中的图像隐写分析仍有不少问题有待进一步研究。大力发展图像隐写分析技术,防止隐写技术被恶意使用,是我们的责任和使命。
- 作者：
- 曾吉申
- 学位授予单位：
- 深圳大学
- 授予学位：
- 博士
- 学位年度：
- 2020年
- 导师姓名：
- 黄继武
- 中图分类号：
- TP183；TP309.7
- 关键词：
- 隐写分析；深度学习框架；JPEG图像；彩色图像隐写分析；领域知识
-