《特徵向量變化可控的安全隱寫研究》是依託深圳大學，由李斌擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：特徵向量變化可控的安全隱寫研究
- 項目類別：青年科學基金項目
- 項目負責人：李斌
- 依託單位：深圳大學
項目摘要,結題摘要,
項目摘要
隱寫是信息隱藏的一個分支，其核心問題是保證安全性，即抵禦隱寫分析的檢測。許多數字圖像隱寫方法從保持單幅圖像特徵向量不變的角度來考慮這個問題，但在對抗使用高維特徵向量的監督學習型隱寫分析時，遇到一定的困難和局限性。本項目將從令監督學習型隱寫分析分類器失效的視角展開研究。擬採用群智慧型最佳化算法對圖像進行修改，使個體圖像特徵向量變化可控，從而使批量圖像特徵向量的機率分布保持不變，進而達到使監督學習型隱寫分析分類器失效的目標。項目將討論建立圖像特徵向量的分布模型，擬設計分別適用於空域未壓縮圖像和JPEG壓縮圖像的隱寫方法，利用多種性能優異的監督學習型隱寫分析算法來檢驗新方法的性能，並將探討新方法的安全嵌入容量與圖像尺寸等屬性之間的關係。本項目的研究方法有望建立抗監督學習型隱寫分析的隱寫新模式，成果可套用於安全隱蔽通信領域。
結題摘要
隱寫的目標是提高安全性以抵抗隱寫分析的檢測。項目以圖像特徵向量變化可控作為切入點，通過研究圖像特徵向量的分布模型，使用群智慧型最佳化，以及使用最小化嵌入失真等手段，設計高安全性的圖像隱寫方法。項目的主要研究成果包括：（1）將模糊相對熵和Vague集相似度量引入隱寫系統的安全性評價中，可以量化由於隱寫導致的載體改變；（2）將群智慧型最佳化方法引入隱寫過程，用以指導對圖像的修改方式，從而使得圖像的特徵向量可控；（3）提出一種新的包含兩個步驟的失真函式設計方案，使用了一種較好的代價函式，減小了數據嵌入操作對圖像的影響，設計了當前抵抗Rich model隱寫分析時安全性最佳的隱寫方法，在0.4比特每像素的嵌入率下使Rich model隱寫分析檢測錯誤率達24%（Hugo為14%）；研究了影響安全隱寫容量的因素，推導了代價值分布與嵌入改變率之間的隱函式關係；（4）研究了針對自適應隱寫的特徵提取問題及高保真的可逆信息隱藏方法。項目組發表學術論文19篇，其中被SCI收錄論文8篇，EI收錄論文18篇。獲得專利授權1項，申請專利1項。培養博士研究生1人，碩士生4人(含2人在讀)。
