楊培韜，張衛(wèi)明，俞能海

（中國(guó)科學(xué)技術(shù)大學(xué)中科院電磁空間信息重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230001）

基于圖像來(lái)源分類的最小化虛警隱寫(xiě)分析模型

楊培韜，張衛(wèi)明，俞能海

（中國(guó)科學(xué)技術(shù)大學(xué)中科院電磁空間信息重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230001）

在實(shí)真場(chǎng)景中，在載體失配（CSM,cover source mismatch）條件下降低虛警率是隱寫(xiě)分析的一個(gè)巨大挑戰(zhàn)，提出了一種新的模型來(lái)處理該問(wèn)題。該方法由來(lái)源分類器首先判斷圖像的來(lái)源，繼而利用相關(guān)來(lái)源圖像訓(xùn)練而成的隱寫(xiě)分類器判斷待測(cè)圖像是否為載密。在這個(gè)過(guò)程中，通過(guò)對(duì)模型參數(shù)的調(diào)節(jié)減小虛警率。實(shí)驗(yàn)結(jié)果表明，這種方法可以在較大準(zhǔn)確率的前提下最小化虛警率。

虛警率；失配；隱寫(xiě)分析；最小化虛警模型

1 引言

隱寫(xiě)術(shù)是信息隱藏的一個(gè)分支[1]，可以將隱私數(shù)據(jù)嵌入到數(shù)字載體中。由于隱寫(xiě)前的載體對(duì)象與隱寫(xiě)后的載密對(duì)象難以區(qū)分，從而可以掩蓋隱私數(shù)據(jù)的存在。正是因?yàn)檫@一特性，隱寫(xiě)術(shù)常常被極端分子用來(lái)從事犯罪活動(dòng)。因此，與隱寫(xiě)術(shù)相對(duì)的隱寫(xiě)分析技術(shù)的發(fā)展顯得格外重要。

隱寫(xiě)分析技術(shù)旨在檢測(cè)隱私數(shù)據(jù)的存在[2]，傳統(tǒng)的隱寫(xiě)分析模型是基于機(jī)器學(xué)習(xí)的理論設(shè)計(jì)的，將待測(cè)對(duì)象映射到某個(gè)特征空間，再通過(guò)二元分類器判斷待測(cè)對(duì)象是否為載密。然而應(yīng)用到真實(shí)場(chǎng)景中，傳統(tǒng)的隱寫(xiě)分析模型將面臨兩大挑戰(zhàn)，低虛警要求與失配現(xiàn)象。在真實(shí)場(chǎng)景中，載體對(duì)象的數(shù)量通常遠(yuǎn)遠(yuǎn)大于載密對(duì)象[3]。因此，傳統(tǒng)隱寫(xiě)分析模型使用的分類器虛警率必須非常低，否則被誤判為載密的載體對(duì)象會(huì)把系統(tǒng)淹沒(méi)。另一方面，F(xiàn)ridrich等[4]指出傳統(tǒng)隱寫(xiě)分析中訓(xùn)練集與測(cè)試集之間存在的各種失配，如訓(xùn)練集和測(cè)試集統(tǒng)計(jì)特征不一致導(dǎo)致的失配、嵌入率未知導(dǎo)致的失配、算法未知導(dǎo)致的失配等，會(huì)使傳統(tǒng)隱寫(xiě)分析的錯(cuò)誤率大幅提升。這種由失配導(dǎo)致的錯(cuò)誤率提升足以說(shuō)明傳統(tǒng)的隱寫(xiě)分析模型不適用于真實(shí)場(chǎng)景[5,6]。

目前，針對(duì)失配問(wèn)題提出的隱寫(xiě)分析方法如下：Lubenko等[7]認(rèn)為利用簡(jiǎn)單分類器可以提高失配情況下的分類效果；在此基礎(chǔ)上，Pasquet等[8]引入了聚類的方法，提升了隱寫(xiě)分析的判別效果；此外，針對(duì)隱寫(xiě)算法的失配，文獻(xiàn)[9,10]提出了基于遷移學(xué)習(xí)的隱寫(xiě)分析方法；針對(duì)量化表的失配，有基于特征映射變換的隱寫(xiě)分析方法。

這些工作成果都是基于傳統(tǒng)的隱寫(xiě)分析方法，在一定程度上解決了失配隱寫(xiě)分析問(wèn)題。然而，這些方法都沒(méi)有考慮虛警率的要求。因此，針對(duì)這2個(gè)問(wèn)題設(shè)計(jì)一套新的隱寫(xiě)分析系統(tǒng)有巨大的實(shí)際意義[11]。

本文以圖像作為隱寫(xiě)分析的研究對(duì)象，以圖像的生成設(shè)備不同作為失配問(wèn)題的切入點(diǎn)，提出了最小化虛警模型（MFPM）。MFPM的檢測(cè)過(guò)程可以大致分為：1) 通過(guò)來(lái)源分類器判斷測(cè)試圖像的來(lái)源；2) 用該來(lái)源的圖像訓(xùn)練而成的隱寫(xiě)分類器判斷測(cè)試圖像是否為載密；3) 通過(guò)參數(shù)的調(diào)節(jié)實(shí)現(xiàn)模型的虛警最小化。

2 傳統(tǒng)隱寫(xiě)分析模型

一般而言，各種類型的數(shù)字媒體（如圖像、視頻、音頻等）均可作為隱寫(xiě)術(shù)、隱寫(xiě)分析的研究對(duì)象，本文僅以圖像為例，展示研究的效果。本文提出的模型依然適用于其他類型的數(shù)字媒體。

在檢測(cè)載密圖像過(guò)程中基于以下2個(gè)基本假設(shè)：

1) 使用的隱寫(xiě)算法已知；

2) 已知嵌入過(guò)程中的嵌入率。

傳統(tǒng)的隱寫(xiě)分析方法檢測(cè)流程描述如下。

1) 收集大量的載體圖像，形成載體集，用C表示?；谏鲜黾僭O(shè)，本文利用已知的隱寫(xiě)算法A(·)在固定的嵌入率下模擬隱私數(shù)據(jù)嵌入過(guò)程，從而生成載密圖像集S，這里S=A(C)。為了方便表述，本文將C和S統(tǒng)稱為訓(xùn)練集，用Tr表示。

2) 正如上文所述，隱寫(xiě)分析特征的提取操作用Fs(·)表示。通過(guò)將訓(xùn)練集的所有圖像映射到特征空間，得到Fs(C)和Fs(S)。再選擇合適的二元分類模型訓(xùn)練Fs(C)和Fs(S)，從而生成傳統(tǒng)的隱寫(xiě)分類器V。

3) 對(duì)于待測(cè)圖像x，首先計(jì)算Fs(x)，再利用V檢測(cè)Fs(x)，判斷x是否為載密。

3 最小化虛警模型

由于圖像在拍攝過(guò)程中，拍攝設(shè)備會(huì)在圖像中添加隨機(jī)噪聲和量化噪聲，這些噪聲會(huì)降低傳統(tǒng)隱寫(xiě)分析模型的檢測(cè)準(zhǔn)確性。因此，在最小化虛警模型中增加了對(duì)圖像來(lái)源判斷的處理。具體如下所述。

1) 與傳統(tǒng)隱寫(xiě)分析流程相同，首先收集大量的載體圖像。不同的是本文按照?qǐng)D像來(lái)源的不同將載體圖像分為若干個(gè)載體子集，記為Ci，i=1,2,…,N，其中，N表示載體子集的總數(shù)。載體子集中的圖像均來(lái)自相同型號(hào)的圖像采集設(shè)備。

2) 相似地，本文利用來(lái)源特征Ff(·)實(shí)現(xiàn)圖像的來(lái)源判斷。將所有載體子集中的圖像映射到特征空間得到Ff(Ci),i=1,2,…,N。由于N≥2，本文選擇多元分類模型訓(xùn)練Ff(Ci)，生成來(lái)源分類器Vf。

3) 同樣地，本文利用特征Fs(·)判斷待測(cè)圖像是否為載密。首先模擬生成載密子集Si(Si=A(Ci))，再分別將所有載體與載密子集中的圖像映射到特征空間中，生成Fs(Ci)和Fs(Si)，i=1,2,…,N。

4) 訓(xùn)練Fs(Ci)和Fs(Si)，得到第i組隱寫(xiě)分類器Vi。循環(huán)此操作，最終生成N個(gè)隱寫(xiě)分類器。

以上為MFPM的訓(xùn)練過(guò)程，而其測(cè)試過(guò)程如圖1所示。

圖1 MFPM的測(cè)試過(guò)程

1) 對(duì)于待測(cè)圖像y，首先計(jì)算Ff(y)，通過(guò)Vf判斷y的圖像來(lái)源。這里不失一般性，本文假設(shè)y來(lái)自第k組圖像來(lái)源。

2) 計(jì)算Fs(y)。由于y來(lái)自第k組圖像，本文用Vk對(duì)y進(jìn)行載體載密判斷。Vk的輸出為

每次測(cè)試有且僅有一個(gè)隱寫(xiě)分類器Vk會(huì)對(duì)y進(jìn)行載體載密判斷。對(duì)于不響應(yīng)的隱寫(xiě)分類器，設(shè)置Vi=0，i=1,2,…,k?1,k+1,…,N。

3) 本文利用函數(shù)Fcs生成最終判決結(jié)果為

其中，ρi是調(diào)整參數(shù)，且0≤ρi≤1，R{p}為生成隨機(jī)數(shù)操作（以概率p生成1，以概率1?p生成0）。最終的結(jié)果滿足

其中，式(2)中的參數(shù)ρi(i=1,2,…,N)為最小化模型的虛警率。為了簡(jiǎn)化處理過(guò)程，假設(shè)本文可以準(zhǔn)確地識(shí)別未知圖像的來(lái)源。對(duì)于傳統(tǒng)隱寫(xiě)分析模型，Vi的檢錯(cuò)率PEi滿足

其中，PFPi與PFNi分別表示Vi的虛警率與漏警率。由于MFPM受到參數(shù)ρi的影響，此時(shí)Vi的檢錯(cuò)率iP為

其中，Pth是模型檢錯(cuò)率的上限。PFPi與PFNi可以通過(guò)實(shí)驗(yàn)得到，因此，式(6)只要給定模型檢錯(cuò)率的上限Pth，即可計(jì)算出使模型達(dá)到最小虛警的參數(shù)ρi(i=1,2,…,N)。

4 實(shí)施方法

4.1 實(shí)驗(yàn)對(duì)象選擇

本文以空域圖像為例驗(yàn)證上述方法。由手機(jī)、相機(jī)等設(shè)備直接拍攝的圖像為JPEG格式，所以本文在真實(shí)場(chǎng)景中用于隱寫(xiě)的空域圖像大多是由JPEG格式的圖像解壓縮得到的。因此，本文采用JPEG解壓縮空域圖像作為最小化虛警模型的實(shí)驗(yàn)對(duì)象。

4.2 來(lái)源分類方法選擇

由第3節(jié)可知，能否準(zhǔn)確判斷圖像的來(lái)源與整個(gè)最小化虛警模型的檢測(cè)準(zhǔn)確率的高低有著直接的關(guān)聯(lián)。本文選擇Fridrich等提出的PCE[12～15]（peak-to-correlation energy ratio）為Ff(·)。

類似于歸一化的相關(guān)系數(shù)，PCE通常被用來(lái)計(jì)算2個(gè)離散信號(hào)間的相似度。由于圖像與錯(cuò)誤來(lái)源計(jì)算得出的PCE遠(yuǎn)小于圖像與正確來(lái)源計(jì)算的PCE的值，因此，PCE通常用來(lái)判斷圖像的來(lái)源。本文先利用快速離散傅里葉變換計(jì)算圖像與來(lái)源間的互相關(guān)，再通過(guò)互相關(guān)計(jì)算PCE的值。

4.3 隱寫(xiě)分析方法選擇

本文采用的隱寫(xiě)算法（上文提到的A(·)）為非自適應(yīng)的隱寫(xiě)算法（LSB matching）。根據(jù)第2節(jié)的假設(shè)2)，本文的實(shí)驗(yàn)采用的嵌入率為0.05、0.1、0.2以及0.4 bit/pixel。另外，選用的隱寫(xiě)分類器為ensemble分類器（版本為2.0，默認(rèn)設(shè)置，下載地址為http∶//dde.binghamton.edu/download/ ensemble/）[16]。采用的隱寫(xiě)分析特征為34 671維度的SRM（spatial rich model）特征[17]。

SRM首先計(jì)算22個(gè)一階及三階殘差矩陣、12個(gè)二階殘差矩陣、2個(gè)SQUARE殘差矩陣、10個(gè)EDGE3× 3及EDGE5× 5殘差矩陣，共計(jì)22+22+ 12+2+10+10=78個(gè)殘差矩陣。分別計(jì)算上述殘差矩陣的四階馬爾可夫特征，范圍參數(shù)T=2，即每個(gè)殘差矩陣有(2T+1)4=625維。利用符號(hào)對(duì)稱性及方向?qū)ΨQ性降低殘差矩陣個(gè)數(shù)及特征維度。可將一階及三階殘差矩陣降至12個(gè)、二階殘差矩陣降至7個(gè)、SQUARE殘差矩陣降至2個(gè)、EDGE 3×3及EDGE 5×5殘差矩陣降至6個(gè)?？蓪?2個(gè)一階特征降至169維、其他33個(gè)特征降至325維，共計(jì)12× 169+33× 325= 12 753維。上述12 753維度特征采用步長(zhǎng)q=1進(jìn)行量化，若量化步長(zhǎng)按照式(7)確定，則可以得到2×(2×169+10×325)+3×(10×169+23×325)= 34 671維的SRM特征，其中，c為殘差矩陣階數(shù)。

5 實(shí)驗(yàn)分析

5.1 圖像庫(kù)準(zhǔn)備

由4.1節(jié)的論述，為了保證實(shí)驗(yàn)的準(zhǔn)確性，本文收集了由200多種不同型號(hào)的設(shè)備拍攝的70 000余張JPEG格式圖像。根據(jù)在實(shí)驗(yàn)中對(duì)各來(lái)源的圖像有數(shù)量和質(zhì)量（主要指的是圖像清晰度）上的要求，本文最終選擇了5種來(lái)源的13 601張圖像作為本文實(shí)驗(yàn)的原始圖像。這5種圖像分別來(lái)源于iPhone 4s、iPhone 5、Nikon D3100、Nikon D700和Sony TX1，依次記為iP4、iP5、NK3、NK7和ST。

通過(guò)軟件（imageMagick）將這些原始圖像解壓縮成24位TIFF格式的彩色圖像。為了進(jìn)一步增加實(shí)驗(yàn)圖像數(shù)量，本文將解壓得到的彩色圖像裁剪成1 024×1 024像素的圖像塊，再將各圖像塊采樣至512×512，最后將這些512×512的圖像塊轉(zhuǎn)化成PNG格式8位的灰度圖像。通過(guò)上述方法，本文共計(jì)得到41 556張灰度圖像，這些灰度圖像即為本文實(shí)驗(yàn)的圖像庫(kù)，具體參見(jiàn)表1。

表1 各圖像來(lái)源的圖像數(shù)量

5.2 失配現(xiàn)象驗(yàn)證

Fridrich等[4]已通過(guò)實(shí)驗(yàn)表明失配現(xiàn)象會(huì)對(duì)傳統(tǒng)隱寫(xiě)分析的結(jié)果造成不利影響，本文用表1中的圖像重現(xiàn)該實(shí)驗(yàn)。

本文將每個(gè)來(lái)源的圖像分為2個(gè)集合：由隨機(jī)選取的1 500張圖像組成的測(cè)試集和由剩下的圖像組成的訓(xùn)練集（合計(jì)得到了5個(gè)測(cè)試集與5個(gè)訓(xùn)練集）。在失配實(shí)驗(yàn)中，本文隨機(jī)選取一個(gè)訓(xùn)練集中4 000張圖像用來(lái)訓(xùn)練Vi，再利用Vi(i=1,2,…,5)依次檢測(cè)5個(gè)測(cè)試集中的圖像。表2和表3中總結(jié)了在0.1 bit/pixel和0.4 bit/pixel嵌入率下失配現(xiàn)象對(duì)傳統(tǒng)隱寫(xiě)分析模型的影響。表2和表3中的數(shù)值為隱寫(xiě)分類器檢測(cè)的錯(cuò)誤率。本文在表2和表3中用加粗的方式標(biāo)記了在訓(xùn)練集與測(cè)試集匹配情況下的測(cè)試結(jié)果。

通過(guò)表2和表3，可以看出如下特點(diǎn)。

1) 表2和表3中的檢錯(cuò)率明顯大于文獻(xiàn)[12,18,19]中的數(shù)值，這是由于本文采用的圖像庫(kù)是由JPEG圖像解壓縮得到的（存在量化因素），并且本文采用imageMagick軟件而非Matlab對(duì)圖像進(jìn)行格式轉(zhuǎn)換。

表2 嵌入率在0.1 bit/pixel條件下的檢錯(cuò)率

表3 嵌入率在0.4 bit/pixel條件下的檢錯(cuò)率

2) 盡管圖像不一致，還是清晰展示了失配現(xiàn)象造成的影響：失配情況下的檢錯(cuò)率遠(yuǎn)遠(yuǎn)大于匹配情況下的數(shù)值，并且對(duì)于同一圖像來(lái)源而言，隨著嵌入率的提高，失配現(xiàn)象造成的影響逐步提高。另外，在同一嵌入率下，失配現(xiàn)象對(duì)不同的訓(xùn)練集圖像造成的影響完全不同。

5.3 圖像來(lái)源測(cè)試

按照5.2節(jié)中提到的方法，本文將圖像集分成5個(gè)測(cè)試集與5個(gè)訓(xùn)練集。利用訓(xùn)練集中的全部圖像訓(xùn)練Vf，并用Vf判斷5個(gè)測(cè)試集中全部圖像的來(lái)源，測(cè)試結(jié)果如圖2所示。來(lái)源分類器的平均檢測(cè)正確率為87.04%，甚至部分圖像來(lái)源（如NK3、ST）的檢測(cè)準(zhǔn)確率近乎100%。

圖2 來(lái)源分類器的檢測(cè)結(jié)果

5.4 綜合實(shí)驗(yàn)

為了更好地說(shuō)明實(shí)驗(yàn)結(jié)果，首先用5.1節(jié)的數(shù)據(jù)庫(kù)進(jìn)行傳統(tǒng)隱寫(xiě)分析實(shí)驗(yàn)?？紤]到圖像的數(shù)量過(guò)大（共計(jì)41 556張），本文在每個(gè)圖像來(lái)源中隨機(jī)選擇了1 500張（共計(jì)7 500張）。與第2節(jié)描述的方法相同，本文從中隨機(jī)選擇4 000張圖像作為訓(xùn)練集，剩下的3 500張圖像作為測(cè)試集，利用SRM特征進(jìn)行傳統(tǒng)隱寫(xiě)分析檢測(cè)。

另一方面，按照5.2節(jié)的方法將所有的圖像分成5個(gè)訓(xùn)練集與5個(gè)測(cè)試集。在根據(jù)第3節(jié)所描述的方法獲得Vf和Vi（i=1,2,…,5）。最后按照第3節(jié)描述的測(cè)試流程測(cè)試5個(gè)測(cè)試集中的7 500張圖像。這里本文先設(shè)置ρi=1，i=1,2,…,N。

圖3所示為傳統(tǒng)隱寫(xiě)分析模型與最小化虛警模型的檢測(cè)結(jié)果，可以看出MFPM的檢錯(cuò)率始終低于傳統(tǒng)隱寫(xiě)分析模型。所以，MFPM在失配情況下有利于提升隱寫(xiě)分析的檢測(cè)效果，但改進(jìn)并不明顯。不過(guò)，本文提出MFPM模型的重點(diǎn)在于控制虛警率。

圖3 2種模型的測(cè)試結(jié)果比較

5.5 參數(shù)調(diào)節(jié)

第3節(jié)提到，本文可以通過(guò)參數(shù)（ρi）的調(diào)節(jié)控制檢測(cè)結(jié)果的虛警率。本文重做5.4節(jié)的實(shí)驗(yàn)，此次聚焦于2種模型的虛警率，實(shí)驗(yàn)結(jié)果如圖4所示。

由于在式(6)中存在檢錯(cuò)率上限Pth，因此MFPM中的準(zhǔn)確率存在上限。另外可以發(fā)現(xiàn)，MFPM的虛警率呈線性增加，而傳統(tǒng)隱寫(xiě)分析模型的虛警率呈指數(shù)增加。這導(dǎo)致當(dāng)準(zhǔn)確率較大時(shí)，MFPM的虛警率遠(yuǎn)小于傳統(tǒng)隱寫(xiě)分析模型。MFPM是針對(duì)真實(shí)場(chǎng)景設(shè)計(jì)的隱寫(xiě)分析模型，而在真實(shí)場(chǎng)景中，本文盡可能準(zhǔn)確地識(shí)別載密對(duì)象。因此，MFPM的高準(zhǔn)確率、低虛警率特性正是真實(shí)場(chǎng)景的隱寫(xiě)分析所需要的[20]。

圖4 2種模型的虛警率比較

6 結(jié)束語(yǔ)

本文以圖像來(lái)源不同造成的失配現(xiàn)象為切入點(diǎn)，提出了最小化虛警模型。與傳統(tǒng)隱寫(xiě)分析模型相比，MFPM可以通過(guò)對(duì)參數(shù)的調(diào)整降低虛警率。本文在參數(shù)計(jì)算的過(guò)程中假設(shè)來(lái)源分類的結(jié)果是準(zhǔn)確無(wú)誤的，而根據(jù)5.3節(jié)的實(shí)驗(yàn)結(jié)果可知，盡管來(lái)源分類的準(zhǔn)確率很高，但依然存在誤判。因此，在接下來(lái)的工作中，本文在參數(shù)調(diào)整的過(guò)程中充分考慮來(lái)源分類的誤判造成的影響。

另一方面，本文所提出的最小化虛警模型是一個(gè)一般性的模型。僅以解壓縮的JPEG圖像為例驗(yàn)證MFPM的可行性，當(dāng)然MPFM也適用于其他的失配場(chǎng)景以及其他類型的載體。

[1]GOLJAN M,FRIDRICH J,CHEN M.Sensor noise camera identification:countering counter-forensics[C]//SPIE Media Forensics and Security II.2010:75410S.

[2]FRIDRICH J.Steganography in digital media:principles,algorithms,and applications[M].Cambridge University Press,2009.

[3]PEVNY T,KER A D.Towards dependable steganalysis[C]//SPIE Media Watermarking,Security,and Forensics.2015:94090I.

[4]KODOVSKY J,SEDIGHI V,FRIDRICH J.Study of cover source mismatch in steganalysis and ways to mitigate its impact[C]// SPIE Media Watermarking,Security,and Forensics.2014:90280J.

[5]BARNI M,CANCELLI G,ESPOSITO A.Forensics aided steganalysis of heterogeneous images[C]//IEEE Conference Acoustics Speech and Signal Process,2010:1690-1693.

[6]CANCELLI G,DOERR G,BARNI M.A comparative study of ±1 steganalyzers[C]//IEEE Multimedia Signal Process.Workshop,2008:791-794.

[7]LUBENKO I,KER A D.Steganalysis with mismatched cover:do simple classifiers help[C]//ACM Workshop on Multimedia and Security.2012:11-18.

[8]PASQUET J,BRINGAY S,CHAUMONT M.Steganalysis with cover-source mismatch and a small learning database[C]//22nd European Signal Processing Conference (EUSIPCO).IEEE,2014:2425-2429.

[9]LI X,KONG X,WANG B.Generalized transfer component analysis for mismatched JPEG steganalysis[C]//In IEEE International Conference on Image Processing,2013:4432-4436.

[10]ZENG L,KONG X,LI M.JPEG quantization table mismatched steganalysis via robust discriminative feature transformation[C]//In SPIE/ IS&T Electronic Imaging.International Society for Optics and Photonics,2015:94090U.

[11]KER A D,BAS P,FRIDRICH J.Moving steganography and steganalysis from the laboratory into the real world[C]//The 1st ACM Workshop on Information Hiding and Multimedia Security,2013:45-58.

[12]FRIDRICH J,GOLJAN M.Determining approximate age of digital images using sensor defects[C]//SPIE Media Watermarking,Security,and Forensics III,2011:788006.

[13]GOLJAN M,FRIDRICH J,FILLER T.Managing a large database of camera fingerprints[C]//SPIE Media Forensics and Security II,2010:754108.

[14]GOLJAN M,FRIDRICH J,CHEN M.Defending against fingerprint-copy attack in sensor-based camera identification[J].In IEEE Transactions on Information Security and Forensics.2010,6(1):227-236.

[15]GOLJAN M,FRIDRICH J.Sensor-fingerprint based identification of images corrected for lens distortion[C]//SPIE Media Watermarking,Security,and Forensics.2012:83030H.

[16]KODOVSKY J,FRIDRICH J,HOLUB V.Ensemble classifiers for steganalysis of digital media[J].In IEEE Transaction on Information Forensics and Security,2012,7(2):432-444.

[17]FRIDRICH J,KODOVSKY J.Rich models for steganalysis of digital images[J].In IEEE Transactions on Information Forensics and Security,2012,7(3):868-882.

[18]COGRANNE R,ZITZMANN C,RETRAINT F.Statistical detection of LSB matching using hypothesis testing theory[C]//The 14th International Conference on Information Hiding.2013:46-62.

[19]DENEMARK T,FRIDRICH J.Detection of content adaptive LSB matching:a game theory approach[C]//SPIE Media Watermarking,Security,and Forensics.2014:902804.

[20]李鳳華,殷麗華,吳巍,等.天地一體化信息網(wǎng)絡(luò)安全保障技術(shù)研究進(jìn)展及發(fā)展趨勢(shì)[J].通信學(xué)報(bào),2016,37(11):156-166.LI F H,YIN L H,WU W,et al.Research status and development trends of security assurance for space-ground integration information network[J].Journal on Communications,2016,37(11):156-166.

楊培韜（1991-），男，安徽安慶人，中國(guó)科學(xué)技術(shù)大學(xué)碩士生，主要研究方向?yàn)殡[寫(xiě)分析。

張衛(wèi)明（1976-），男，河北保定人，博士，中國(guó)科學(xué)技術(shù)大學(xué)副教授，主要研究方向?yàn)樾畔㈦[藏、密碼學(xué)。

俞能海（1964-），男，安徽無(wú)為人，博士，中國(guó)科學(xué)技術(shù)大學(xué)教授，主要研究方向?yàn)橐曨l處理與多媒體通信、無(wú)線通信中的信號(hào)處理與分析、信息隱藏與信息安全。

Reducing false positives of steganalysis via classification of image-acquiring sources

YANG Pei-tao,ZHANG Wei-ming,YU Neng-hai
(CAS Key Laboratory of Electromagnetic Space Information,University of Science and Technology of China,Hefei 230001,China)

In the real world,reducing false positive rates in the case of cover source mismatch (CSM) was a big challenge for steganalysis.A novel model was proposed to solve the problem.The proposed method determines the image-acquiring source firstly by a source detector and then detecting the steg images in each source with a steganalyzer trained for this source.The false positive rate was reduced by solving a parameter model.The experimental results show that this novel method can reach lower false positive rates for larger true positive rates.

false positive,mismatch,steganalysis,minimum false positive model

s:The National Natural Science Foundation of China (No.61572452,No.61502007,No.U1636201),The China Postdoctoral Science Foundation (No.2015M582015),The Strategic Priority Research Program of the Chinese Academy of Sciences (No.XDA06030601)

TN309

A

10.11959/j.issn.1000-436x.2016282

2016-08-12；

2016-11-08

張衛(wèi)明，zhangwm@ustc.edu.cn

資助項(xiàng)目（No.61572452,No.61502007,No.U1636201）；中國(guó)博士后科學(xué)基金資助項(xiàng)目（No.2015M582015）；中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)專項(xiàng)基金資助項(xiàng)目（No.XDA06030601）