基于深度学习的隐写分析新方法研究

This project is aiming at image steganlaysis based on deap learning. Current steganlaysis technicques are mostly based on heuristic feature extraction and surpervised learning. These methods can achive good detection results on specific and limited testing samples. However, facing the big data era, surpervised learning based steganlysis methods can't meet their demands, unwell trained classifier usually fails on new samples and can not updated online. Our research is focus on steganalysis using deep learning. The steganlaysis feature will be extracted on image neighborhood structure. We also will design the deep learning algorithms and proper networks for classification. The authentication information will be used to increase the robustness and generality for detection.

本课题拟研究基于深度学习的结构化隐写分析新方法。现有的隐写方法都是以启发式的特征设计、浅层机器学习为主，得到有效隐写分析特征后，多采用监督学习的方法得到隐写分类检测结果。这类方法在特定训练样本库能够获得较好的检测性能。然而，面向当前互联网海量、多源、异质数据的隐写分析时，其检测性能将急剧下降。本课题旨在研究图像邻域相关性分析的基础上，通过深度学习的方式获取最优的隐写特征表达，并通过引入鉴别信息，设计多层次网络结构的深度学习算法，提高隐写分析算法在处理海量多源图像的准确性、鲁棒性和泛化性，以期满足信息安全领域的重大应用需求。

目前已报道的隐写术的使用主要是用于恐怖活动、犯罪等非法用途中，给网络和信息安全带来了极大威胁。因此及时的发现并阻断隐写术的使用称为迫切的需求。因此隐写分析技术作为隐写术的对抗技术正受到各国政府以及军事、科研机构的越来越高的重视。目前的隐写分析一般是看成二分类问题，隐写分析系统一般包括特征表达和分类两个模块。其中特征表达是隐写分析中的关键问题，其很大程度上决定了检测性能。传统的隐写分析方法中，特征提取主要依赖于人工设计，需要大量时间精力，并对人的经验提出了很高要求。虽然在人工特征提取方面取得了丰硕的成果，但是随着隐写术的不断发展，隐写分析仍面临严重挑战，人工设计特征也变得越来越困难。本研究工作围绕隐写分析中的重点和难点，主要研究基于深度学习的新型隐写分析方法。借助于深度学习模型，可以实现以数据驱动的形式自动的学习有效的隐写分析特征，并同时大大减少了人工设计的工作量。 本研究工作的主要贡献如下：.1)提出了一种基于深度学习的新型隐写分析模式。我们在代表性的深度学习方法CNN的基础上，根据隐写分析的特点进行设计调整，使得提出的模型可以更有效的捕捉与隐写分析相关的邻域相关性等统计特性，并自动的学到有效的隐写分析特征表达。我们的方法相对于传统基于人工设计特征的方法，将特征提取模块和分类模块整合到一个可训练的网络模型框架下，以数据驱动的形式自动的学习特征并实现分类，从而大大减少了对人的经验和时间的需求。并在此基础上我们通过模型融合等方法进一步提升了检测性能。.2)提出了一种基于辅助特征正则化约束的适应于隐写分析的增强CNN隐写分析模型。在之前提出的基于CNN模型的基础上，我们进一步的基于迁移学习的思想，提出利用传统共生矩阵特征的的全局统计特性作为先验信息，对CNN模型进行正则化约束，减少CNN模型在训练中的过拟合等问题，同时进一步提升模型检测性能。.基于以上研究，已发表学术论文13篇，申请发明专利3项，培养研究生5名。