特征向量变化可控的安全隐写研究

隐写是信息隐藏的一个分支，其核心问题是保证安全性，即抵御隐写分析的检测。许多数字图像隐写方法从"保持单幅图像特征向量不变"的角度来考虑这个问题，但在对抗使用高维特征向量的监督学习型隐写分析时，遇到一定的困难和局限性。本项目将从令监督学习型隐写分析分类器失效的视角展开研究。拟采用群智能优化算法对图像进行修改，使个体图像特征向量变化可控，从而使批量图像特征向量的概率分布保持不变，进而达到使监督学习型隐写分析分类器失效的目标。项目将讨论建立图像特征向量的分布模型，拟设计分别适用于空域未压缩图像和JPEG压缩图像的隐写方法，利用多种性能优异的监督学习型隐写分析算法来检验新方法的性能，并将探讨新方法的安全嵌入容量与图像尺寸等属性之间的关系。本项目的研究方法有望建立抗监督学习型隐写分析的隐写新模式，成果可应用于安全隐蔽通信领域。

隐写的目标是提高安全性以抵抗隐写分析的检测。项目以图像特征向量变化可控作为切入点，通过研究图像特征向量的分布模型，使用群智能优化，以及使用最小化嵌入失真等手段，设计高安全性的图像隐写方法。项目的主要研究成果包括：（1）将模糊相对熵和Vague集相似度量引入隐写系统的安全性评价中，可以量化由于隐写导致的载体改变；（2）将群智能优化方法引入隐写过程，用以指导对图像的修改方式，从而使得图像的特征向量可控；（3）提出一种新的包含两个步骤的失真函数设计方案，使用了一种较好的代价函数，减小了数据嵌入操作对图像的影响，设计了当前抵抗Rich model隐写分析时安全性最佳的隐写方法，在0.4比特每像素的嵌入率下使Rich model隐写分析检测错误率达24%（Hugo为14%）；研究了影响安全隐写容量的因素，推导了代价值分布与嵌入改变率之间的隐函数关系；（4）研究了针对自适应隐写的特征提取问题及高保真的可逆信息隐藏方法。项目组发表学术论文19篇，其中被SCI收录论文8篇，EI收录论文18篇。获得专利授权1项，申请专利1项。培养博士研究生1人，硕士生4人(含2人在读)。