基于图像语义的自然语言信息隐藏研究

The traditional information hiding schemes based on low-level coefficients in space domain and transform domain of images are quite mature and hard to break through. Actually, the rich semantic information contained in images can also be used for the information hiding. This project studies an information hiding mechanism which extracts and transforms high-level image semantic information into natural language under the control of secret messages. For the problem of image semantic information acquisition and representation, we propose an image semantic acquisition method based on regular network and selective search to obtain image semantics and a Bag-of-Word model to represent it. Then we focus on the problem of how to associate image semantics, natural language and secret message. We propose a multi-branch coding prediction model based on deep learning framework with attention mechanism. Furthermore, to solve the problem of low embedding capacity caused by few descriptive sentences for a single image, a multi sentence generation mechanism based on text semantic framework is proposed. This study makes use of image semantics and natural language semantics, combines the rule-based methods and the statistical method. It also takes advantage of coverless information hiding methods which do not need to modify the carrier. Through the research of this project, we strive to provide a new research idea for information hiding.

传统的利用图像空间域和变换域系数等低层图像信息进行秘密信息嵌入的信息隐藏技术已经相当成熟，难以突破。申请者认为图像中蕴含的丰富语义信息也可以灵活应用于隐藏算法。本课题拟研究一种在秘密信息驱动下将图像中的高层语义信息转化为自然语言的信息隐藏机制。项目首先研究图像语义信息的获取和表示问题，提出了一种基于规则网络和选择性搜索相结合的图像语义单元获取和词袋模型表征方法；继而研究图像、自然语言和秘密信息三者的相互关联问题，重点突破基于深度学习框架和注意力机制的多分支编码预测生成模型；在此基础上，针对图像描述句过少导致的隐藏容量不高的问题，提出一种基于篇章语义框架的多语句生成机制。本课题在数据层面融合了图像与文本，在方法层面结合了规则与统计，并具备无载体信息隐藏不修改载体数据的优势。通过本课题的开展，力求为信息隐藏领域提供一种新的方法创新和研究思路。

有别于传统的基于空间域和变换域的图像信息隐藏，本项目利用图像的语义域进行秘密信息的嵌入。本项目首先基于YOLO等深度学习模型，进行图像语义单元的发现和定位，并通过端对端的卷积神经网络和长短时记忆网络，获取图像语义的自然语言表示。在此基础上，本项目基于图像、自然语言和秘密信息三者的相互关联关系，研究了基于图像语义的载密自然语言生成模型。项目提出了两种秘密信息生成方法：基于输出概率分布的载密算法和基于同义词替换的载密算法。在此基础上，提出了一种全新的生成式文本隐写框架，采用生成对抗网络结合概率自适应隐藏算法生成载密文本，基于CNN的判别器计算reward信息指导生成器的训练。为了评价载密生成模型的质量和性能，项目还研究了图像隐写特征选择算法和自然语言隐写分析模型，为进一步提高隐写模型安全性打下了基础。本课题在数据层面融合了图像与文本，在方法层面结合了规则与统计，并具备无载体信息隐藏不修改载体数据的优势。本课题提出的隐写分析算法在能在不同数据集和数据不平衡的前提下获得较高的隐写分析识别率；提出的概率自适应隐藏算法和对抗学习架构有效地解决了嵌入偏差和曝光偏差。实验结果验证了所提出的文本隐写方法在统计分布一致性和抗隐写分析能力上都具有明显优势。