Page 285 - 《软件学报》2021年第9期

沈军 等:基于卷积神经网络的低嵌入率空域隐写分析 2909

步迁移(step by step)的方法,即:将 0.5bpp 的训练模型迁移至 0.4bpp 中进行训练,再将 0.4bpp 的训练模型迁移至
0.3bpp,以此类推,直至 0.05bpp.通过逐步迁移的方式,将最高嵌入率下的训练参数逐步迁移至低嵌入率下进行
微调,消除了噪声信息的强度差异.

3 实验结果与分析

3.1 数据集和实验平台
[5]
[6]
[7]
本文实验使用 WOW 、S-UNIWARD 和 HILL 这 3 种常见的空域自适应隐写算法,嵌入率分别为 0.5bpp,
0.4bpp,0.3bpp,0.2bpp,0.1bpp 和 0.05bpp.实验中使用的数据集为 BOSSbase V1.01 [27] ,该数据集包含 10 000 张分
辨率为 512×512 像素的灰度图像,图像格式为 pgm.将每张图像分割为 4 张 256×256 像素的灰度图像,这样得到
40 000 张图像.隐写图像集(stego)通过将载体图像集(cover)嵌入秘密信息得到.实验中,将 30 000 张图像用为训
练,其中训练集占 80%,验证集占 20%;剩下的 10 000 张图像作为测试集.所有的实验都是在 Windows 10 系统中
通过 Caffe1.0 [28] 深度学习框架实现.
3.2 参数设置
实验中,本文采用随机梯度下降算法(SGD)来训练卷积神经网络.学习率策略(lr_policy)为“step”,stepsize 为
50 000,gamma 为 0.1.基础学习率(base_lr)为 0.001,上一次更新的权重(momentum)为 0.9,权值衰减(weight_
decay)为 0.004.由于 GPU 显存的限制,训练阶段每一批次(batch size)设为 16.最大迭代次数(max_iter)为 200 000.
所有卷积层的初始化方法为“Xavier”,权重遵循均匀分布,并且保证每层输入和输出的方差保持一致 [29] .30 个
SRM 滤波器未被标准化.
3.3 实验结果

图 5 展示了 WOW 隐写算法在 0.1bpp 嵌入率下,测试集中一张图像的嵌密结果及其对应嵌入位置.图 5(a)
为隐藏信息之后的嵌密图像,图 5(b)为图 5(a)嵌密图像中秘密信息的嵌入位置,其中,白色点表示该位置像素值
的进行了+1 修改,黑色点表示该位置像素值进行了−1 修改.模型进行分类后输出的概率值结果分别为 Cover:
0.168572;Stego:0.831528.由于模型将图像判为嵌密图像的概率值更大,因此本文将图 5(a)最终的检测结果判定
为嵌密图像.

(a) 嵌密图像 (b) 秘密信息嵌入位置
Fig.5 WOW algorithm 0.1bpp embedded effect
图 5 WOW 算法 0.1bpp 嵌密效果图

为了验证模型特征提取的有效性,本文将网络部分层的特征图进行展示.图 6 展示了预处理层进行 SRM 高
通滤波核进行滤波处理后的部分噪声残差图.可以看出:不同的滤波核能够从不同的角度提取出携密图像纹理
区域和噪声区域的残差信息,并且同时减少了图像内容信息,极大地降低了训练阶段图像内容对隐写噪声特征
的学习的影响.图 7 展示了第 1 个卷积层输出的 32 个特征图,这些特征图中的信息依然主要集中在图像的纹理
和噪声区域中,说明卷积操作能够从这些秘密信息的主要嵌入区域中有效的提取特征.