具有强泛化能力的通用图像隐写检测技术研究

The researches in practical steganography detection technology play an important role in finding illegal covert communication behaviors and locking criminals. The existing steganography detection methods are mostly based on the assumptions that the testing samples have the same or approximately consistent data features with training samples. Thus, in practical steganography detection tasks, the unrealizable assumptions will lead to the poor detection performance. From three aspects containing efficiently extracting the steganographic features, promoting the feature expression ability, and constructing steganographic feature bases, this project focuses on studying how to design the general image steganography detection technology with strong generalization ability, which is the key issue to be solved in real applications. The detailed research includes: extracting steganographic features and enhancing their generalization ability based on deep network of DCT domain, reducing dimensionality of features based on feature subspace learning, promoting the feature expression ability based on triplet metric learning, and constructing steganographic feature bases based on hybrid dictionary learning. On these bases, this work design a new steganography detection method against novel steganography methods with unknown principles, and provides new theoretical basis and technical support for the further application of steganography detection technology.

实用隐写检测技术的研究，对发现非法隐蔽通信行为和锁定不法分子具有重要的意义。现有隐写检测技术大都假设待检测样本与训练样本具有相同或近似一致的数据特性，因此在实际隐写检测任务中往往会因假设条件无法满足而导致检测准确率偏低。本课题拟以隐写特征为研究对象，从隐写特征的有效提取、刻画能力提升、以及隐写特征基构造三方面，对如何增强通用图像隐写检测技术强泛化能力的这一关键问题展开研究。具体研究DCT域深度隐写特征的提取及泛化能力提升方法、基于特征子空间提取的隐写特征降维方法、基于三元组度量学习的隐写特征刻画能力提升方法、以及基于混合字典学习的隐写特征基构造方法，并在此基础上探索对未知机理隐写新方法的隐写检测问题。本课题有望在非对称先验信息情境下的隐写检测方面有所突破，为隐写检测技术的进一步实用化提供新的理论依据和技术支持。

实用隐写检测技术的研究，对发现非法隐蔽通信行为和锁定不法分子具有重要的意义。本项目对如何增强通用图像隐写检测技术强泛化能力的这一关键问题展开了研究。.项目组首先在BOSSbase v1.01图像库的基础上，结合样本多样性衡量指标的冗余样本剔除方案，构建了超过100,000幅图像的多样性隐写样本库；其次，构造了用于提取DCT域隐写特征的深度学习网络，从大规模样本库出发，逐层学习特征映射函数，简化任务难度，使得学习到的特征映射函数近似最优，进而直接得到DCT域的隐写特征；而后基于子空间学习的思想，采用提取隐写特征子空间的方法降低隐写特征维度，达到了去除噪声信息和冗余信息的目的；采用利用基于三元组的度量学习方法对原始隐写特征进行映射，增强隐写特征对载体样本与含密样本的刻画能力，以达到提升实际隐写检测性能的目的；此后，在探索各类字典学习方案的基础上，提出了基于混合字典学习的隐写特征基构造方案，并根据隐写特征基重构的编码系数，实现了对未知机理隐写新方法的隐写检测。本项目的研究工作和相关成果为提高隐写检测性能及解决未知机理隐写新方法等问题提供了有力的理论支撑和技术支持。.项目组在“International Journal of Computer Vision”“Pattern Recognition”、“IEEE Transactions on Circuits and Systems for Video Technology”、“IEEE Access”等国内外重要学术刊物上发表相关论文12篇，其中SCI收录8篇，包含中科院一区论文1篇、二区3篇、三区3篇，申请专利3项，培养博士研究生2名、硕士研究生7名，并实现了具有强泛化能力的通用图像隐写检测原型系统，同时与此次联合基金的合作单位——中国通用技术研究院进行了后续的深入合作，较为圆满地完成了此次联合基金的预期目标。