一种基于多层感知卷积和通道加权的图像隐写检测方法

1.本发明属于信息安全技术领域，特别涉及一种基于多层感知卷积和通道加权的图像隐写检测方法。


背景技术：

2.数字图像隐写检测阻止非法隐写通信活动，保障通信安全，是信息安全领域的重要研究方向，得到了广泛的研究并且发展迅速。它通过对获取到的数字图像进行分析，从而判断图像是否嵌入了秘密信息，即被看成一个二分类问题，目的是区分载体图像和载秘图像。
3.传统的图像隐写检测方法主要是通过提取基于相邻像素之间的相关性的高阶统计特征和训练分类器来完成载体图像和载秘图像的分类，典型的如文献[fridrich j,kodovsky j.rich models for steganalysis of digital images[j].ieee transactions on information forensics and security,2012,7(3):868
‑
882]中的srm算法，其中srm算法使用到的滤波器被引用至今。但是这些方法所提取的检测特征需要人工设计，特征提取耗费极高，而且随着隐写术的不断发展，人工设计隐写检测特征的难度越来越大。
[0004]
随着深度学习的兴起，研究者们开始将深度学习引入图像隐写检测，特别是卷积神经网络的应用，通过训练由多个卷积层搭建而成的网络模型，可以自动挖掘与隐写检测相关的临近像素相关性信息，完成特征学习和分类。虽然基于深度学习的图像隐写检测已经显著提高了检测转确率，但是现有检测模型采用的线性卷积层，都是采用线性滤波器与输入进行卷积运算，然后接非线性激活函数增加模型非线性表达能力，这种线性卷积层对高阶的特征的表达能力有限；且现有的模型将卷积得到的特征图以同等的权重输入到下一层，没有考虑其主要性和次要性，为不同的卷积通道分配不同的权重，检测准确率仍然不能满足应用所需。针对以上问题，提出了基于多层感知卷积和通道加权的图像隐写检测方法，来提高检测准确率。


技术实现要素：

[0005]
本发明的目的是针对现有检测方法所用线性卷积层对高阶特征表达能力不够强，现有的模型将卷积得到的特征图输入到下一层时没有考虑其主要性和次要性，检测准确率不能满足应用所需的问题，提出了一种基于多层感知卷积的图像隐写检测方法，本发明方法基于多层感知卷积和通道加权，以期能通过多层感知卷积层提取更高阶的图像特征；通过通道加权机制选择性的强调主要特征，抑制不必要的特征，进一步提高图像隐写检测方法的准确率。
[0006]
本发明为达到上诉发明目的，采用了如下技术方案：
[0007]
一种基于多层感知卷积和通道加权的图像隐写检测方法，包括以下步骤：
[0008]
步骤1、构建图像隐写检测模型：
[0009]
所述的图像隐写检测模型包括预处理模块、特征提取模块、通道加权模块、分类模块；
[0010]
所述的预处理模块使用高通滤波器对输入图像进行滤波，以获取残差图像，将残差图像传输给特征提取模块。
[0011]
所述特征提取模块对残差图像进行特征提取，以获取检测所需要的特征并传输给分类模块。
[0012]
所述通道加权模块通道加权模块应用在每层卷积的非线性激活函数之后，实现根据全局信息对不同通道特征图分配不同的权重，特征图完成权重重分配之后得到新的特征图再输入到下一层卷积层。
[0013]
所述分类模块由全连接层和softmax函数组成，将图像隐写分析特征映射为分类概率向量，根据分类概率向量判定该图像是否为载秘图像。
[0014]
步骤2、准备数据集：
[0015]
对图像数据库中的图像进行压缩得到载体图像；利用隐写算法对载体图像进行隐写信息嵌入，得到载秘图像；将载体图像和载秘图像按一定的比例划分为训练集和测试集；
[0016]
步骤3：隐写检测模型的训练：
[0017]
根据反向传播算法，通过训练集对构建的基于多层感知卷积的隐写检测模型进行训练，以获得训练好的隐写检测模型；
[0018]
步骤4：利用训练好的隐写检测模型对测试集的图像进行隐写检测。
[0019]
进一步地，步骤1中所述图像隐写检测模型的预处理模块由包含30个卷积核的卷积层组成，其中卷积层中的30个卷积核，使用srm中的30个滤波器对其进行初始化，用于提取图像残差，并对其进行扩充处理；30个滤波器尺寸被扩充为13个3
×
3和17个5
×
5大小，并进行归一化的处理；对提取到的残差图像进行阈值为t1的截断处理。
[0020]
进一步的，步骤1中所述图像隐写检测模型的特征提取模块由两层多层感知卷积层和三层传统卷积层依次连接而成，其中所述传统卷积层采用一层线性卷积层，所述多层感知卷积层包括一层线性卷积层层和一个多层感知器,多层感知器由具有非线性激活函数的两个完全连接的层组成，多层感知器对线性卷积核计算得到的数据进行再抽象，提高模型的抽象能力；对于激活函数的选择，在前两层多层感知卷积层中的线性卷积之后应用tlu激活函数，后三层传统卷积层则应用relu激活函数；在第一层不做池化，二、三、四层做平均池化，最后一层做全局平均池化。
[0021]
进一步的，步骤1中所述图像隐写检测模型的通道加权模块包括全局平均池化层、具有瓶颈结构的两层全连接层以及缩放层：其中，全局平均池化层执行特征图压缩，全连接层进行非线性变换，缩放层完成权重重分配；所述通道加权模块被应用在每层卷积层非线性激活函数之后，对卷积得到的特征图执行特征重新校准，实现了把重要的特征增强，不重要的特征减弱，从而让网络提取的特征指向性更强，增强网络的表达能力。
[0022]
所述通道加权模块包括以下三种操作：
[0023]
首先，特征提取模块中卷积得到特征图u的维度为h
×
w
×
c，c为卷积得到的特征图通道数，根据公式(5)对卷积得到的特征图u进行平均池化运算，完成特征图压缩：
[0024][0025]
其次，将平均池化得到的结果输入两层具有瓶颈结构的全连接层，即具有缩减率r的降维层、relu和返回到转换输出u的通道维度的升维层。在本实施例中，当输入特征图通道维度分别为30、32、64、128时，参数缩减率r相对应的设置为15、16、32、64。计算过程如式(6)所示：
[0026]
s＝σ(g(z,w))＝σ(w2δ(w1z))
ꢀꢀ
(6)
[0027]
其中δ表示relu激活函数，σ表示sigmoid激活函数。输出为每个通道调制权重的集合。
[0028]
最后，将这些权重与原先的特征图u相乘，对特征图进行重新校准，完成通道加权的过程，计算公式如式(7)所示：
[0029][0030]
其中输出得到新的特征图被直接输入到网络的后续层。
[0031]
所述分类模块包含三层全连接层，三层全连接层所包含的单元数分别为256、1024、2。每两层全连接层之间根据式(8)进行运算：
[0032][0033]
其中，表示第l层全连接层的第i输入单元，表示连接第l层全连接层的第i输入单元和第j输入单元的权重，表示第l层全连接层的第j输入单元的偏置；这里每一个单元均与前一层的所有单元连接，其中第一层与卷积层的最后一层相连，最后一层与输出层相连，每层的输出作为下一次的输入；f(x)为激活函数，所述全连接层元素的激活函数为relu函数；最后一层全连接层中元素的激活函数为softmax函数，如式(9)所示：
[0034][0035]
其中i＝1,2表示分类类别。
[0036]
进一步的，所述的图像数据库包括bossbase v1.0和bows2。
[0037]
本发明有益效果如下：
[0038]
本发明公布了一种基于多层感知卷积的图像隐写检测算法。本发明在模型的前两层使用多层感知卷积层代替传统的线性卷积层，提高模型对高阶特征的抽象能力，从而提高检测准确率；同时为了使模型选择性的强调主要特征，在模型中加入通道加权模块，利用全局信息对不同的特征图通道分配不同的权重，对卷积得到的特征图进行重校准，进一步提高检测准确率。
附图说明
[0039]
图1为本发明的方法流程图。
[0040]
图2为本发明中的隐写检测模型的整体框架图。
[0041]
图3为本发明的隐写检测模型中通道加权模块的结构图。
具体实施方式
[0042]
下面结合附图和实施例对本发明进一步说明。
[0043]
如图1所示，一种基于多层感知卷积和通道加权的图像隐写检测方法，包括如下步骤：
[0044]
步骤1、构建基于多层感知卷积和通道加权的图像隐写检测模型，包括预处理模块、特征提取模块、通道加权模块、分类模块；具体的构建方法和模型的参数配置如下所示：
[0045]
所述的预处理模块使用高通滤波器对输入图像进行滤波，以获取残差图像，将残差图像传输给特征提取模块。其目的是抑制图像内容的影响，暴漏出隐写信息。对于预处理模块中的卷积层，使用srm中的30个滤波器对其进行初始化，并对其进行扩充处理：将“edge5
×
5”、“square5
×
5”及“三阶”共13个滤波器扩充为5
×
5大小，而“一阶”、“二阶”、“edge3
×
3”及“square3
×
3”共17个滤波器扩充为3
×
3大小；扩充后的滤波器进行归一化的处理；本实施例仅给出其中一个滤波器的扩充过程，一个二阶滤波器的扩充过程如下式(1)所示：
[0046][0047]
对滤波之后的残差图像进行阈值为t1的截断操作，可以有效的抑制无用的图像内容，防止网络对较大的值进行建模，提高网络对特征的表达能力，设定t1＝3。
[0048]
所述的特征提取模块由依次连接的两层多层感知卷积层和三层传统卷积层所构成；所述多层感知卷积层相当于在卷积层中包含了多层感知器，多层感知器由具有relu激活函数的两个完全连接的层组成，当输入为多个特征图的时候，多层感知器也等效于具有多个1
×
1卷积核的卷积层，如图2所示，所述每个多层感知卷积层包含一层5
×
5卷积核的卷积层和两层1
×
1卷积核的卷积层，卷积核数量都设置为30个；所述三层传统卷积层卷积核大小均设置为3
×
3，卷积核数量分别为32、64、128；对于激活函数的选择，前两层多层感知卷积层中5
×
5的线性卷积之后激活函数为tlu(即truncated linear unit,线性截断单元)，后三层传统卷积层应用relu激活函数；tlu和relu函数计算公式如下：
[0049][0050]
其中t>0为截断阈值。本实施例设定第一层中截断阈值t2＝3，第二层中截断阈值t3＝2。
[0051]
进一步的所述卷积层操作方式如下：
[0052]
传统卷积层的特征图的计算公式为式(3)所示：
[0053][0054]
其中f(x)为激活函数，(i,j)表示特征图中的像素索引，x
i,j
表示卷积窗口中以位置(i,j)为中心的图片块，k则表示特征图的通道索引。
[0055]
多层感知卷积层相当于在传统线性卷积中加入多层感知器，多层感知器的计算公式如式(4)所示：
[0056][0057][0058][0059]
进一步的，在所述卷积层包括的操作中，对所述卷积层对应的池化窗口进行平均池化操作，得到该卷积层的输出；其中第一层多层感知卷积层后不做池化，二、三、四层平均池化层大小为5
×
5，步长为2，最后一层传统卷积层使用全局平均池化。
[0060]
所述的通道加权模块如图3所示，被应用在每层卷积的非线性激活函数之后，所述通道加权模块包括全局平均池化层，具有瓶颈结构的两层全连接层以及缩放层；采用全局平均池化的原因是为了聚集全局信息，使得来自网络的全局接收域的信息被它的所有层使用；全连接层的目的是通过全连接层对输入进行非线性变化，在网络训练的过程中动态的学习各个通道间的非线性相互作用，然后将输入映射为每个通道调制权重的集合。
[0061]
所述通道加权模块包括以下三种操作：
[0062]
首先，特征提取模块中的卷积操作得到特征图u的维度为h
×
w
×
c，c为卷积得到的特征图通道数，根据公式(5)对卷积得到的特征图u进行平均池化运算，完成特征图压缩：
[0063][0064]
其次，将平均池化得到的结果输入两层具有瓶颈结构的全连接层，即具有缩减率r的降维层、relu和返回到转换输出u的通道维度的升维层。在本实施例中，当输入特征图通道维度分别为30、32、64、128时，参数缩减率r相对应的设置为15、16、32、64。计算过程如式(6)所示：
[0065]
s＝σ(g(z,w))＝σ(w2δ(w1z))
ꢀꢀ
(6)
[0066]
其中δ表示relu激活函数，σ表示sigmoid激活函数。输出为每个通道调制权重的集合。
[0067]
最后，将这些权重与原先的特征图u相乘，对特征图进行重新校准，完成通道加权的过程，计算公式如式(7)所示：
[0068][0069]
其中输出得到新的特征图被直接输入到网络的后续层。
[0070]
所述分类模块包含三层全连接层，三层全连接层所包含的单元数分别为256、1024、2。每两层全连接层之间根据式(8)进行运算：
[0071][0072]
其中，表示第l层全连接层的第i输入单元，表示连接第l层全连接层的第i输入单元和第j输入单元的权重，表示第l层全连接层的第j输入单元的偏置；这里每一个单元均与前一层的所有单元连接，其中第一层与卷积层的最后一层相连，最后一层与输出层相连，每层的输出作为下一次的输入；f(x)为激活函数，所述全连接层元素的激活函数为relu函数；最后一层全连接层中元素的激活函数为softmax函数，如式(9)所示：
[0073][0074]
其中i＝1,2表示分类类别。
[0075]
步骤2、准备实验所需数据集：
[0076]
本实施例中所选图像数据库为bossbase v1.0，其包含10000张大小为512
×
512的灰度图像将所有图片重采样为大小为256
×
256的图像；使用隐写算法对压缩后的图片进行隐写信息嵌入，得到同等数量的载秘图像；将载体/载秘图像对按照1：1的比例随机划分为训练集和测试集，于是训练集和测试集都包含5000对载体/载秘图像对。
[0077]
步骤3：图像隐写检测模型的训练：根据反向传播算法通过最小化式(10)所示函数，在步骤2获得的训练集中对步骤1构建的图像隐写检测模型进行有监督的学习训练，以获得训练好的图像隐写检测模型：
[0078]
l＝
‑
logz
i
ꢀꢀ
(10)
[0079]
其中，i＝1,2。
[0080]
步骤4：利用步骤3训练好的图像隐写检测模型对测试集的图像进行隐写检测，计算出分类概率，从而判断该图像输入图像时载体图像还是载秘图像。