论文部分内容阅读
随着互联网以及信息技术的不断发展,政府、企业以及个人越来越依赖图像、视频等数字媒体来进行消息的获取和传递,而隐写术可以将某些秘密信息隐藏于正常载体之中进行传输,从而掩盖秘密信息的存在。JPEG图像是目前网络上最常见的图像格式,也是信息传输过程中应用最为广泛的数字媒体。因此JEPG图像隐写分析在维护国家安全,保护商业机密以及个人隐私等方面具有重要的战略意义。本文围绕JPEG图像隐写分析问题进行研究,为面向JEPG图像自适应隐写的分析检测提供更有效的方法。目前,传统的隐写分析方法大多依赖于人工设计的特征,而随着自适应隐写方法的应用,隐写分析的特征越来越复杂,其维度也越来越高,导致人工设计的难度日益增加。深度学习近年来在诸多模式识别领域里取得了巨大的成功,并逐渐应用在了图像隐写分析领域。但在已有的基于CNN的隐写分析结构中,网络结构大多单一,未能突破CNN结构本身所带来的尺度相对单一的限制。而且,当前基于深度学习的隐写分析模型基本都是CNN结构,很少有复杂的混合网络模型,没有将不同的神经网络的优势结合起来应用到隐写分析研究中。针对上述问题,本文展开以下方面研究:首先,由于残差网络能够通过加深网络层数来提取更加高维的特征,并行子网结构则丰富了特征的多样化,本文设计了两种不同的针对JPEG域图像自适应隐写方法的残差结构和并行子网结构相结合的复合网络结构RCR-CNN和RC-CNN。我们所提出的这两种复合网络增加了新的残差结构和并行子网结构,相较于以往较为单一的CNN隐写分析模型,能够提取到更加丰富多样的高维抽象特征;其次,提出了基于LSTM和CNN的混合网络模型,该网络模型设计有两种不同的结构(C-LSTM-1和C-LSTM-5)。C-LSTM模型将CNN网络和LSTM网络结合起来,其中LSTM选取双向LSTM结构。混合网络模型利用CNN来提取特征,然后将提取的特征输入到LSTM层进行优化,使得原始特征中对隐写分析更有效的部分被重点记忆,而不利于隐写分析的部分则被忽略;最后本文通过实验证实了RCR-CNN和RC-CNN这两种复合网络模型的有效性;通过对比实验分析验证了基于LSTM和CNN的混合网络模型的可行性和有效性,并对RCR-CNN网络进行改进,进一步证实了加入LSTM结构后的网络对于隐写算法的检测更有效。