孫壽健，魏立線，劉 佳，蘇光偉

(武警工程大學(xué) 電子技術(shù)系 網(wǎng)絡(luò)與信息安全武警部隊(duì)重點(diǎn)實(shí)驗(yàn)室, 陜西 西安 710086)

?

一種基于權(quán)重融合的JPEG隱寫分析方法

孫壽健*，魏立線，劉 佳，蘇光偉

(武警工程大學(xué) 電子技術(shù)系 網(wǎng)絡(luò)與信息安全武警部隊(duì)重點(diǎn)實(shí)驗(yàn)室, 陜西 西安 710086)

針對(duì)JPEG圖像通用隱寫檢測(cè)中檢測(cè)效率低、訓(xùn)練時(shí)間長(zhǎng)的問題，提出一種基于集成分類器的新檢測(cè)方法。算法以CC-PEV為特征對(duì)圖像進(jìn)行描述并作為隱寫分析特征；然后，隨機(jī)構(gòu)造若干個(gè)特征子空間，用bootstrap方法構(gòu)造圖像訓(xùn)練子集，分別進(jìn)行訓(xùn)練得到數(shù)個(gè)基分類器；根據(jù)基分類器的分類結(jié)果賦予基分類器不同的權(quán)重，將基分類器的結(jié)果按照其權(quán)重進(jìn)行融合得到最終的結(jié)果。本文對(duì)該算法進(jìn)行了測(cè)試，對(duì)它的集成性、檢測(cè)準(zhǔn)確率和訓(xùn)練時(shí)間進(jìn)行分析。實(shí)驗(yàn)結(jié)果表明，相對(duì)于傳統(tǒng)的集成方法，本文方法用自舉方法構(gòu)造訓(xùn)練集、隨機(jī)方法構(gòu)造子特征空間、賦予基分類器不同權(quán)重進(jìn)行融合能夠顯著地提高算法準(zhǔn)確率。本文方法相對(duì)于SVM和傳統(tǒng)的集成分類方法，具有更高的檢測(cè)率，對(duì)于特征維數(shù)更大的圖像檢測(cè)，具有更好的拓展性和一般適用性。

隱寫分析；集成；分類器; 權(quán)重

1 引 言

隱寫分析[1-3](steganalysis)的目的是檢測(cè)隱秘載體中秘密信息的存在性，進(jìn)而估計(jì)出秘密信息的嵌入比率和嵌入位置，最終提取出秘密信息。其中，秘密信息檢測(cè)是嵌入比率估計(jì)和秘密信息提取的前提，也是當(dāng)前隱寫分析技術(shù)研究的熱點(diǎn)問題。它通常采用基于統(tǒng)計(jì)的方法，通過挖掘載體圖像和隱寫圖像間的統(tǒng)計(jì)差異構(gòu)造特征向量集，采用分類器進(jìn)行隱寫判別。因此，隱寫分析實(shí)質(zhì)上是多維特征空間的模式分類器，設(shè)計(jì)與特征空間相匹配的分類器對(duì)于提高算法的檢測(cè)效果具有十分重要的意義。

隱寫分析技術(shù)主要包括專用隱寫分析和通用隱寫分析兩大類[1-3]，一般來(lái)說(shuō)，專用隱寫分析只對(duì)特定的方法有效；通用隱寫分析對(duì)幾種隱寫方法都有效，甚至對(duì)新的未知方法也有效。專用隱寫方法主要有基于LSB的專用隱寫分析和基于JPEG域的專用隱寫分析。通用隱寫分析主要包括基于圖像質(zhì)量、基于統(tǒng)計(jì)矩和基于相鄰像素相關(guān)性的隱寫分析。本文提出方法屬于通用隱寫分析。

在文獻(xiàn)[4]中，F(xiàn)ridrich等人提出一種集成分類隱寫分析方法，將模式識(shí)別領(lǐng)域的集成分類器運(yùn)用到圖像通用隱寫分析中，實(shí)驗(yàn)證明，集成隱寫分析可以在計(jì)算時(shí)間和精確度上有很大的提升。但存在以下幾點(diǎn)可以改進(jìn)的地方：(1)沒有考慮基分類器之間的差異性，構(gòu)造基分類器的方法比較簡(jiǎn)單,可以優(yōu)化訓(xùn)練集的構(gòu)造方法和子特征空間的構(gòu)造方法；(2)集成分類策略很簡(jiǎn)單，賦予每個(gè)基分類器相同的權(quán)重?；谝陨蟽牲c(diǎn)，本文設(shè)計(jì)了新的集成隱寫分析算法，算法以CC-PEV為特征對(duì)圖像進(jìn)行描述并作為隱寫分析特征；然后，隨機(jī)構(gòu)造若干個(gè)特征子空間，用bootstrap方法構(gòu)造圖像訓(xùn)練子集，分別進(jìn)行訓(xùn)練得到數(shù)個(gè)基分類器；最后，根據(jù)基分類器的分類結(jié)果賦予基分類器不同的權(quán)重，最后將基分類器的結(jié)果按照其權(quán)重進(jìn)行融合得到最終的結(jié)果。實(shí)驗(yàn)結(jié)果表明，賦予基分類器權(quán)重能夠顯著地提高算法準(zhǔn)確率。

2 特征空間設(shè)計(jì)

校準(zhǔn)是攻擊F5隱寫算法時(shí)提出來(lái)的一個(gè)新概念。隨后，校準(zhǔn)成了JPEG通用盲隱寫分析中不可或缺的一個(gè)環(huán)節(jié)，實(shí)驗(yàn)證明，它可以有效提高隱寫分析的檢測(cè)率。Jan Kodovsky 等[5]對(duì)校準(zhǔn)的原因及步驟進(jìn)行研究。在本文算法中，采用PEV特征的校準(zhǔn)特征CC-PEV[5]，現(xiàn)有的實(shí)驗(yàn)結(jié)果表明，在特征空間中盡可能將不同類型的特征組合在一起可以有效提高檢測(cè)率，PEV特征是由幾種不同類型特征組合在一起的，PEV的特征類型和校準(zhǔn)過程如表1和圖1所示。

表1 PEV特征類型

圖1 PEV特征校準(zhǔn)過程示意圖Fig. 1 PEV characteristics of the calibration process schematic

3 集成分類器

3.1 基分類器

SVM分類器訓(xùn)練的復(fù)雜性，使得訓(xùn)練過程變得更長(zhǎng)，訓(xùn)練復(fù)雜性更高，同時(shí)，復(fù)雜的訓(xùn)練過程也限制了訓(xùn)練特征的維數(shù)。為了提高計(jì)算效率，減小特征維數(shù)限制，本方法采用Fisher線性分類器作為基分類器，F(xiàn)LD分類器可以不考慮特征維數(shù)限制，同時(shí)使得每輪的訓(xùn)練時(shí)間減少，使得訓(xùn)練時(shí)間大大減少。同時(shí)，隨著訓(xùn)練輪數(shù)的增加，最終的集成分類器的分類準(zhǔn)確度會(huì)越來(lái)越高。

3.2 基分類器權(quán)重計(jì)算方法

考慮到基分類器樣本和特征子空間的差異性，不同基分類器的對(duì)最終預(yù)測(cè)結(jié)果的影響比重也不同，所以本算法使用權(quán)重計(jì)算方法來(lái)平衡基分類器間的差異性[6]。例如，把N個(gè)樣本集對(duì)同一組特征重要性的判斷看作是N個(gè)裁判的判斷一樣，一般情況下可以采取多數(shù)投票法來(lái)決定最后的結(jié)果。然而基于不同裁判自身的差異性，他們對(duì)最終結(jié)果影響的比重各不相同，不是簡(jiǎn)單的等權(quán)重。所以，應(yīng)賦予不同基分類器不同的權(quán)重，與最終判定結(jié)果具有高度統(tǒng)一的基分類器應(yīng)賦予更高的權(quán)重，反之，應(yīng)賦予更低的權(quán)重。假設(shè)存在一個(gè)實(shí)例數(shù)為N的樣本集，有數(shù)據(jù)集產(chǎn)生的L棵決策樹，根據(jù)決策樹的預(yù)測(cè)結(jié)果可獲得一個(gè)N(L+2)的矩陣，矩陣的行代表要預(yù)測(cè)的實(shí)例，矩陣的前L列分別代表L棵決策樹，第L+1 列代表集成投票的結(jié)果，在前L列中超過半數(shù)的判定，確定為第L列的最終結(jié)果，第L+2 列代表樣本數(shù)據(jù)集的實(shí)例類標(biāo)號(hào)。則第i棵決策樹的判定可信度可通過式(1)計(jì)算：

AccEnsemble,

(1)

其中：TreeConfidencei表示第i棵樹的可信度，Treeij表示第i棵樹對(duì)第j個(gè)實(shí)例的預(yù)測(cè)結(jié)果，Ensemblej表示對(duì)第j個(gè)實(shí)例的集成預(yù)測(cè)結(jié)果。AccEnsemble表示的是集成預(yù)測(cè)準(zhǔn)確率，即Ensemble與Original的一致性程度，I(Treeij=Ensemblej)是示性函數(shù)，用來(lái)表示單棵樹預(yù)測(cè)結(jié)果與集成結(jié)果是否相同。由于每棵樹的AccEnsemble都是相同的，TreeConfidencei與AccEnsemble相乘后所獲得排序結(jié)果是一樣的。之所以仍然需要加入這一影響因素，是為了縮小權(quán)重間的絕對(duì)差距，同時(shí)展現(xiàn)集成整體效果對(duì)于特征重要性度量的影響。

然后，根據(jù)計(jì)算出來(lái)的決策樹的可信度計(jì)算出決策樹的權(quán)重值，即基分類器的權(quán)重值。決策樹的權(quán)重值可以計(jì)算如下：

(2)

3.3 集成分類器

為了進(jìn)一步提高分類器分類精度，設(shè)計(jì)集成分類器來(lái)進(jìn)行隱寫判別。集成分類器主要包括集成分類器主要包括特征子空間構(gòu)造、基分類器訓(xùn)練和集成策略3個(gè)部分[7]，其基本思想是首先構(gòu)造原始特征空間的隨機(jī)特征子空間，然后構(gòu)造具有良好差異性的訓(xùn)練子集，并分別進(jìn)行訓(xùn)練得到基分類器，最后將基分類器的結(jié)果按照一定的集成策略進(jìn)行融合作為最終的分類結(jié)果。

結(jié)合CC-PEV特征的特點(diǎn)，本文按如下思路設(shè)計(jì)集成分類器：隨機(jī)產(chǎn)生L個(gè)具有較低維數(shù)的特征子空間[8],L為基分類器個(gè)數(shù)，為原始特征空間的維數(shù)且，利用bootstrap方法構(gòu)造圖像的訓(xùn)練樣本子集，分別按FLD線性分類器進(jìn)行訓(xùn)練得到基分類器，再將所有基分類器的分類結(jié)果按權(quán)重計(jì)算法進(jìn)行融合作為集成分類器的分類結(jié)果。具體步驟如算法1所示，其中，Ntrn為圖像訓(xùn)練集，Ntst為測(cè)試圖像集。

Step1分類器參數(shù)優(yōu)化。設(shè)置適合的基分類器個(gè)數(shù)L和特征子空間維數(shù)dsub;

(d)?y∈ytst，預(yù)測(cè)第l次結(jié)果：

(3)

Step3基分類器權(quán)值的訓(xùn)練。利用訓(xùn)練好的基分類器對(duì)新的訓(xùn)練集進(jìn)行訓(xùn)練，將多數(shù)投票的方法確定集成結(jié)果，按照公式(1)(2)對(duì)每個(gè)基分類器進(jìn)行權(quán)值的計(jì)算。

Step4 基分類器集成。利用權(quán)重計(jì)算法將L個(gè)基分類器的分類結(jié)果進(jìn)行融合，作為集成分類器最終的分類結(jié)果：

(4)

(5)

(6)

(7)

其中：SW是無(wú)類別分散矩陣，λ是使矩陣SW+λI為正數(shù)的穩(wěn)定參數(shù)，來(lái)避免SW有可能出現(xiàn)異常數(shù)值的問題。

3.4 分類器參數(shù)優(yōu)化

由于基分類器的泛化性很弱，分類效果不明顯，構(gòu)造檢測(cè)準(zhǔn)確度高、差異性大的集成分類器成為關(guān)鍵。而集成分類器的最重要的兩個(gè)參數(shù)L和dsub的設(shè)定成為關(guān)鍵。對(duì)此，本人利用1 000幅載體圖像ci(i=1,…,N)及其對(duì)應(yīng)的隱寫圖像si(i=1,…,N)作為測(cè)試樣本對(duì)參數(shù)L和dsub進(jìn)行優(yōu)化。在訓(xùn)練集的每個(gè)基分類器最終調(diào)整為使最終檢測(cè)錯(cuò)誤率PE最小[9]:

(8)

其中：PFA和PMD分別代表虛警率和誤報(bào)率。

在本算法中，由于前面基分類器使用的訓(xùn)練集是boostrap自舉方法得到的訓(xùn)練集，每個(gè)訓(xùn)練樣本都會(huì)收集大約0.37N的預(yù)測(cè)來(lái)檢測(cè)訓(xùn)練樣本的錯(cuò)誤率。把這些用于檢測(cè)的來(lái)源于訓(xùn)練集之外(outofbag)的樣本集得到的錯(cuò)誤預(yù)測(cè)稱為OOB錯(cuò)誤[4]。

(9)

由圖2可以看出：(1)隨著基分類器個(gè)數(shù)L的增加，錯(cuò)誤檢測(cè)率PE逐漸減小并趨于一個(gè)穩(wěn)定值，超過一定的個(gè)數(shù)后，錯(cuò)誤檢測(cè)率PE幾乎不再變化。這是因?yàn)橐婚_始隨著基分類器的個(gè)數(shù)增加，集成結(jié)果越來(lái)越準(zhǔn)確，錯(cuò)誤檢測(cè)率就隨之降低。當(dāng)基分類器到達(dá)一定數(shù)量時(shí)，基分類器之間差異的重復(fù)程度比較大，集成結(jié)果準(zhǔn)確率趨于穩(wěn)定。(2)當(dāng)dsub較小時(shí)，隨著子空間維數(shù)dsub的增大，錯(cuò)誤檢測(cè)率PE隨之顯著降低，dsub到達(dá)一定值后繼續(xù)增加，錯(cuò)誤檢測(cè)率PE反而隨之升高。這是因?yàn)閐sub較小時(shí)，特征間差異性不大，dsub變大可以有效提高特征差異性從而降低錯(cuò)誤檢測(cè)率，dsub到達(dá)一定數(shù)量繼續(xù)增加后，特征間的差異性有很多重復(fù)部分，反而降低了特征差異性，從而使錯(cuò)誤檢測(cè)率升高。

圖2 PE和基分類器個(gè)數(shù)L和子特征空間維數(shù)d的關(guān)系Fig.2 Relationship PE and the number of base classifiers L and sub d is the dimension of the feature space

(1)L的優(yōu)化

(10)

(2)dsub的優(yōu)化

根據(jù)上式可以求得優(yōu)化的L，然后根據(jù)得到的L和上面的關(guān)系式來(lái)求最佳的dsub。

(11)

本文取得到μ=5,ε=0.05得到最優(yōu)化的基分類器個(gè)數(shù)L=20，子特征空間維數(shù)dsub=210。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)準(zhǔn)備

為了驗(yàn)證本文算法的有效性和實(shí)驗(yàn)效果，從BossRank圖像庫(kù)選取1 000幅載體圖像、6 000幅隱寫圖像和幅混雜圖像進(jìn)行實(shí)驗(yàn)。其中，圖像大小均為512×384,質(zhì)量因子為80，隱寫圖像采用nsf5[10]、mb2[11]、Outguess[12]等3種隱寫算法進(jìn)行嵌入且每種算法為2 000幅(嵌入率分別為10%和50%)；混雜圖像包含500幅載體圖像和上述3種隱寫算法圖像各200幅(嵌入率分別為10%和50%)。為了衡量算法的性能和效率，本算法分別從集成性能、準(zhǔn)確率和訓(xùn)練時(shí)間3個(gè)方面來(lái)衡量算法。

4.2 集成分類器對(duì)檢測(cè)性能的影響

本方法中，使用多個(gè)基分類器集成作為最終的預(yù)測(cè)結(jié)果，其中所使用的基分類器為FLD線性分類器，下面來(lái)比較在這幾種隱寫圖像下的單個(gè)分類器和集成分類器下的檢測(cè)率。從表2中可以看出，集成分類器相對(duì)于單個(gè)分類器的檢測(cè)結(jié)果都有不同程度的提高，不同嵌入率的隱寫圖像，其檢測(cè)結(jié)果準(zhǔn)確率都能提高，這說(shuō)明，集成分類器能有效提高算法的性能。原因如下，相對(duì)于單個(gè)分類器，集成分類器通過構(gòu)造更多的差異性使預(yù)測(cè)結(jié)果更加準(zhǔn)確，同時(shí)使用權(quán)重賦值方法使得最終的融合結(jié)果體現(xiàn)不同基分類器對(duì)最終結(jié)果影響的大小不同，更具有準(zhǔn)確性。同時(shí)通過比較發(fā)現(xiàn)，相對(duì)于低嵌入率的隱寫圖像，高嵌入率的隱寫圖像的檢測(cè)率具有更大的提升幅度，這是由于高嵌入率的隱寫圖像和原始載體圖像的差異性更大，其所對(duì)應(yīng)的特征差異性更大，更容易被基分類器檢測(cè)出來(lái)，從而使集成分類器精度更高。

表2 單個(gè)分類器和集成分類器的檢測(cè)結(jié)果

Tab.2Detectionresultsofsingleclassifierandensembleclassifier

SteganograpicEmbeddingSingleclassifierEnsembleclassifieralgorithmrate/%results/%results/%nsf5105074.281.775.587.6mb2105075.382.886.489.1Outguess105074.580.174.286.7

4.3 不同方法檢測(cè)準(zhǔn)確率比較

為了進(jìn)一步評(píng)價(jià)本算法的性能，將本文方法同支持向量機(jī)SVM[10]和文獻(xiàn)[4]所用方法相比較:SVM先將訓(xùn)練集中的圖像特征進(jìn)行訓(xùn)練找出最優(yōu)分類面，然后對(duì)待檢測(cè)圖像進(jìn)行隱寫類別判定；文獻(xiàn)[4]所用方法為集成分類方法，訓(xùn)練多個(gè)基分類器，最后用簡(jiǎn)單的多數(shù)投票法來(lái)判定圖像類別。3種方法的檢測(cè)結(jié)果如表3所示。

表3 三種分類方法的檢測(cè)結(jié)果

從表3可以看出，本文算法比其他兩種方法的檢測(cè)準(zhǔn)確率都要高。具體來(lái)講，相對(duì)于SVM分類器[13]，本文方法明顯優(yōu)于前者，這是因?yàn)楸疚姆诸惼鞒浞挚紤]到特征子空間的差異性和基分類器間的差異性，隨機(jī)構(gòu)造特征子空間，使用自舉方法選取訓(xùn)練樣本，保證了樣本和特征的一般性，采用集成方法更精確的預(yù)測(cè)待測(cè)樣本的類別；相對(duì)于文獻(xiàn)[4]所用方法，本文方法的準(zhǔn)確率有小幅度的提升，主要是由于在基分類器融合過程中，文獻(xiàn)[4]只是用很簡(jiǎn)單的多數(shù)投票法，沒有考慮到不同基分類器對(duì)最終結(jié)果影響的不同，而本文所用方法為權(quán)重賦值法，即給不同的基分類器賦予不同的權(quán)值，從而得到更準(zhǔn)確的分類結(jié)果。

4.4 不同方法訓(xùn)練時(shí)間比較

訓(xùn)練時(shí)間是衡量算法性能的又一指標(biāo)，一個(gè)好的算法在兼顧準(zhǔn)確率的同時(shí)，能夠使訓(xùn)練時(shí)間盡量減到最小，統(tǒng)計(jì)不同方法在不同大小訓(xùn)練集下的訓(xùn)練時(shí)間，對(duì)比結(jié)果如表4所示。

表4 三種方法的訓(xùn)練時(shí)間

由表4可以看出，相對(duì)于SVM分類器，本文所用方法能夠大大縮減訓(xùn)練時(shí)間，訓(xùn)練效率得到明顯提升。這是因?yàn)楸疚乃梅椒ǖ幕诸惼飨鄬?duì)簡(jiǎn)單，訓(xùn)練單個(gè)基分類器時(shí)間較短，從而使所用時(shí)間大大減少。相對(duì)于文獻(xiàn)[4]所用方法，本文所用方法的集成策略相對(duì)要復(fù)雜，所以訓(xùn)練時(shí)間會(huì)比文獻(xiàn)[4]略微增加，但通過表3可知，在幾乎同樣的訓(xùn)練時(shí)間里，本文檢測(cè)正確率要高一些。

5 結(jié) 論

圖像通用隱寫分析往往存在特征空間維數(shù)高、訓(xùn)練檢測(cè)復(fù)雜的問題，通過分析隱寫分析算法訓(xùn)練中基分類器之間的差異性，提出采用權(quán)重融合的集成策略用于集成隱寫分析中，結(jié)果表明，用自舉方法構(gòu)造訓(xùn)練集、隨機(jī)方法構(gòu)造子特征空間、賦予基分類器不同權(quán)重進(jìn)行融合能夠顯著地提高算法準(zhǔn)確率，實(shí)驗(yàn)驗(yàn)證了本文算法的有效性，比之前的方法具有更高的檢測(cè)準(zhǔn)確率。本文中的基分類器可以換成分類性能更好的分類器，這樣集合的結(jié)果會(huì)更準(zhǔn)確些，也是下一步的研究方向。

[1] 張軍, 熊楓, 張丹. 圖像隱寫分析技術(shù)綜述 [J]. 計(jì)算機(jī)工程, 2013, 39(4): 165-168, 172. Zhang J, Xiong F, Zhang D. Overview on image steganalysis technology [J].ComputerEngineering, 2013, 39(4): 165-168, 172. (in Chinese)

[2] 王朔中, 張新鵬, 張衛(wèi)明. 以數(shù)字圖像為載體的隱寫分析研究進(jìn)展 [J]. 計(jì)算機(jī)學(xué)報(bào), 2009, 32(7): 1247-1263. Wang S Z, Zhang X P, Zhang W M. Recent advances in image-based steganalysis research [J].ChineseJournalofComputers, 2009, 32(7): 1247-1263. (in Chinese)

[3] 韓曉東. JPEG 圖像隱寫分析技術(shù)研究 [D]. 鄭州: 解放軍信息工程大學(xué), 2009. Han X D. Research on steganlysis for JPEG images [D]. Zhengzhou: PLA Information Engineering University, 2009. (in Chinese)

[4] Kodovsky J,Fridrich J, Holub V. Ensemble classifiers for steganalysis of digital media [J].IEEETransactionsonInformationForensicsandSecurity, 2012, 7(2): 432-444.

[6] 尹華. 面向高位和不平衡數(shù)據(jù)分類的集成學(xué)習(xí)研究 [D]. 武漢:武漢大學(xué), 2012. Yin H. Research of ensemble learning for high-dimensional and imbalanced data classification [D]. Wuhan：Wuhan University, 2012. (in Chinese)

[9] 李開達(dá). 隱藏信息檢測(cè)綜合評(píng)估及融合技術(shù)研究 [D]. 鄭州: 解放軍信息工程大學(xué), 2012. Li K D.Research on comprehensive evaluation and fusion of steganalysis techniques [D]. Zhengzhou: PLA Information Engineering University, 2012. (in Chinese)

[10] Westfeld A.F5—a steganographic algorithm [M]. Springer Berlin Heidelberg, 2001: 289-302.

[11] Ullerich C, Westfeld A.Weaknesses of MB2 [M]. Springer Berlin Heidelberg, 2008: 127-142.

[12] Fridrich J, Goljan M, Hogea D. Attacking the outguess [C].ProceedingsoftheACMWorkshoponMultimediaandSecurity, 2002.

[13] 徐茂. 基于SVM的JPEG圖像隱寫分析研究[D].長(zhǎng)沙: 湖南大學(xué), 2012. Xu M.Steganalysis for JPEG Image Based on SVM [D].Changsha: Hunan University, 2012. (in Chinese)

A rights-based re-integration method for JPEG steganalysis

SUN Shou-jian*, WEI Li-xian, LIU Jia，SU Guang-wei

(KeyLaboratoryofNetworkandInformationSecurityUndertheChineseArmedPoliceForce，ElectronicDepartment,EngineeringCollegeofArmedPoliceForce,Xi'an710086,China)

Aiming at the problem of the high dimension features and complicated training in image universal steganalysis technology, this paper proposes a steganalysis method based on ensemble classifier. The method designs a ensemble classifier which combines the difference of base classifier and weighted fusion. Specifically, the algorithm uses CC-PEV as steganalysis features. Then, the method randomly structures several feature subspace, uses the bootstrap method to construct image training subsets, and train them to get a number of base classifiers. Finally, every base classifier is given weight that different from each other according to the classification result and then the final forecast is got after the combination of classification results with their respective weight. The experimental results show that using ensemble classifier for training and giving base classifiers with different weights fusion could effectively improve the accuracy of the algorithm.

steganalysis; integration; classifier; weights

2014-04-02；

2014-05-22.

國(guó)家自然基金(No.61379152)

1007-2780(2015)02-0326-07

TP309

A

10.3788/YJYXS20153002.0326

孫壽健(1990-)，男，山東德州人，碩士研究生，主要從事圖像信息隱藏方面的研究。E-mail：ssj1990220@163.com 魏立線(1966-),男，陜西戶縣人，碩士研究生，教授，主要從事信息安全的研究。 劉佳(1982-)，男，河南汝州人，博士，講師，主要從事信息安全的研究。 蘇光偉(1984-)，男，山東淄博人，碩士研究生，主要從事信息安全的研究。

*通信聯(lián)系人，E-mail：ssj1990220@163.com