大数据环境下图像隐写取证的理论框架及其关键技术研究

Detection of hidden messages in network images is of great importance to obtain military and public security intelligence, to fight terrorism and espionage, and therefore to assure national safety. After many years of research, universal blind detection techniques for image steganography have achieved fruitful research results. However, the existing blind detection algorithms are still difficult to obtain high detection accuracy when applied to the practical network environment, because the so-called “mismatch” problem often occurs due to the statistical complexity of network images, unknown embedding algorithms and secret payloads. Although many solutions have been proposed to try to solve this problem, but it is still a tough job to completely solve it radically and then limits the application of existing steganography forensics techniques in the practical network environment..In this project, we try to study the image steganography forensics from the point of view of the big data for images, and the image steganoraphy can be viewed as abnormal activities in a big data environment, so we can achieve the goal of the image steganography forensics using data mining and outlier detection techniques. By combining similar image retrieval, image clustering, abnormal detection and big data mining techniques for images, we try to establish a theoretical framework of image steganography forensics in a big data environment and study related key techniques. By doing this, we expect to promote the application of existing steganography forensics techniques to the practical network environment.

网络环境下的图像隐写取证对于获取军事和公共安全情报，打击恐怖和间谍犯罪活动，维护国家安全具有重要意义。经过多年的研究，针对图像隐写的通用盲取证技术已取得了丰硕研究成果。但应用于实际网络环境时，由于现有取证方法大多采用基于机器学习的分类器设计模式，而实际环境下被测图像统计特性复杂，且隐写算法、负载量未知，因而不可避免地会出现所谓的分类器“失配”问题。虽然近年来提出了很多针对“失配”问题的解决思路，但很难从根本上解决该问题，因而限制了隐写取证在实际网络环境下的应用。.本项目试图从图像大数据角度来考虑网络环境下的图像隐写取证问题，即把图像隐写看作是一种大数据环境下的异常行为，采用数据挖掘和异常检测的方法来实现图像隐写取证。结合相似图像检索、图像聚类、异常检测、图像大数据挖掘等相关技术，提出大数据环境下图像隐写取证的理论框架，并研究其中的关键技术，推动隐写取证技术从实验室走向实际网络环境下的应用。

为解决隐写取证在实际网络环境下出现的“失配”问题，本项目试图从图像大数据角度来考虑网络环境下的图像隐写取证问题，即把图像隐写看作是一种大数据环境下的异常行为，采用数据挖掘和异常检测的方法来实现图像隐写取证。本课题的目标是提出一种新的基于异常检测的图像隐写取证框架，并设计相应的图像大数据环境下基于异常检测的图像隐写取证算法。项目获得批准以来，课题组按照研究计划中确定的技术路线和研究方案开展研究，顺利完成了预期研究内容，取得了一系列研究成果。.本课题围绕网络环境下基于异常检测的图像隐写取证中的几个关键问题开展，取得了重要进展，主要包括：(a)提出了一种结合图像统计特性相似性检索的无监督异常检测框架，并结合具体实例对框架的有效性、与高维隐写特征的兼容性以及载体差异对其性能的影响进行了分析研究；(b)在以上提出的无监督异常检测框架指导下，分别针对几种常见场景，如不同的图像获取来源、不同的图像采样次数、不同的图像处理历史以及不同的JPEG图像固有统计特性等，分别设计了相应的图像隐写取证算法；(c)针对网络环境下小训练样本下的极不平衡隐写检测以及像素值差分隐写的取证方法等开展了研究和性能分析；(d)开展了基于深度学习的隐写取证方法研究，分别提出了一种结合富模型特征和卷积神经网络的JPEG图像隐写分析方法、一种基于深度学习的图像隐写负载定位方法和一种基于深度学习和特征映射的图像定量隐写分析方法。.项目研究期间，累计在本学科国际国内重要学术刊物和学术会议上发表学术论文26篇，其中SCI收录论文10篇、EI论文17篇。人才培养方面，依托该项目培养博士后1人、博士生1人、硕士生5人。