Page 278 - 《软件学报》2021年第9期

2902 Journal of Software 软件学报 Vol.32, No.9, September 2021

significant improvement in detection performance at low embedding rates of 0.2 bpp, 0.1 bpp, and 0.05 bpp. A step-by-step transfer
learning method is also designed to further improve the steganalysis effect under low embedding rate conditions.
Key words: steganalysis; convolution neural network; low embedding rate; transfer learning

隐写的主要原理是将秘密信息隐藏在原始载体的不易被人感知的冗余信息中,从而达到通过载体传递秘
密信息而不被察觉的目的 [1−3] .隐写分析的主要目的是检测载体中是否隐藏了秘密信息,目前,常见的载体包括
[4]
[5]
[6]
图像、文本、音频、视频等多媒体信息 .随着隐写技术的不断进步,近几年提出的 WOW ,S-UNIWARD 和
[7]
HILL 等空域自适应隐写算法能够自动将秘密信息隐藏在图像纹理较为复杂的区域,使得图像能够保持很复
杂的统计特征.传统的空域隐写分析方法为了应对这些更复杂的隐写技术,需要将特征设计得更加复杂且维度
[8]
更高,如空间丰富模型 SRM .但是传统的空域隐写分析方法需要人为地设计特征,隐写分析的效果取决于特征
的设计.并且随着隐写算法的发展,特征的设计也变得越来越复杂和困难,同时,也极大地延长了训练时间.近几
年,随着深度学习的发展并不断在计算机视觉领域取得研究成果,研究人员也开始将深度学习的方法应用到了
[9]
空域隐写分析领域中,并取得了较好的研究成果 .
虽然目前已有很多基于卷积神经网络的隐写分析研究取得了一定的进展,但是这些研究都是在高嵌入率
的条件下进行检测,在低嵌入率的情况下进行检测的效果还有待进一步提高.特别是在 0.1bpp 甚至是 0.05bpp
这种低嵌入率下的检测效果,目前的隐写分析方法都很难正确地进行检测.因此,本文针对低嵌入率设计了一个
新的网络结构进行空域隐写分析,网络使用 SRM 滤波器进行预处理操作,并结合使用两个小尺寸卷积核和一个
大尺寸卷积核,使网络能够有效地捕获低嵌入率的隐写特征.网络中通过取消池化层,防止隐写特征信息的丢
失.网络的浅层使用 TanH 激活函数,深层使用 ReLU 激活函数,并通过批量归一化操作对网络性能进行进一步提
[6]
[7]
[5]
升.实验结果表明:本文设计的网络结构在对 WOW ,S-UNIWARD 和 HILL 这 3 种常见的空域内容自适应隐
写算法进行隐写分析时,检测效果与现有基于卷积神经网络的隐写分析方法相比取得了明显的提升.在对低嵌
入率(0.2bpp,0.1bpp 和 0.05bpp)进行检测时,本文提出的网络结构能够得到比较理想的检测效果.为了实现对低
嵌入率的检测效果进行进一步提升,本文还提出了一种逐步迁移(step by step)的迁移学习方法.
本文第 1 节首先介绍相关工作.第 2 节主要介绍本文设计的卷积神经网络结构,详细介绍了网络的预处理
层、卷积层、批量归一化和激活函数,并对模型特点进行了分析,最后通过迁移学习提高检测效果.第 3 节对实
验参数、实验设置和实验结果进行介绍.第 4 节对全文进行总结.
1 相关工作

目前,基于卷积神经网络的隐写分析方法,网络结构的设计以两个卷积层、三个卷积层或五个卷积层为主,
本文根据卷积层的深度分别对现有方法进行介绍.
1.1 两层卷积结构
Pibre 等人在文献[10]中针对使用相同密钥生成隐写图像这一场景,设计了 Pibre-Net.Pibre-Net 的预处理使
用单个 KV 核的高通滤波器层(HPF 层),网络结构中只有两个卷积层,且分别使用 7×7 和 5×5 的大尺寸卷积核.
Pibre-Net 中去掉了池化层,直接通过卷积层来减小特征图维度,避免池化操作造成隐写特征信息的丢失.在该场
[6]
景下,对 Bossbase 图像库进行 S-UNIWARD 嵌入率为 0.4bpp 的检测,Pibre-Net 的准确性相比 SRM 有了很大的
提升.基于 Pibre [10] 提出的场景,Salomon 等人 [11] 直接使用大尺寸卷积核设计了 Salomon-Net 网络结构,Salomon-
Net 的输入图像大小为 512×512,该网络只有两个卷积层:第 1 个卷积层作为全局过滤器输出一个特征图;第 2 个
[5]
卷积层使用了 509×509 的大尺寸卷积核,输出 64 个 2×2 大小的特征图.Salomon-Net 中对 WOW 和 HUGO [12]
分别进行了检测,实验结果显示:该模型不仅在 0.4bpp 嵌入率下能够取得很好的检测结果,而且在 0.1bpp 低嵌入
率下的检测效果也比较理想.
高培贤等人在文献[13]中设计了两层卷积层和两层全连接层的浅层网络结构 S-CNN,该结构同样使用高
通滤波器层(HPF 层)作为预处理操作.与 Xu-Net [14] 相比,S-CNN 减少了卷积的层数,同时,通过去除池化层来避