唐洪瓊 張英男 王澤宇

（中國(guó)人民武裝警察部隊(duì)工程大學(xué) 密碼工程學(xué)院，陜西 西安710000）

1 概述

信息隱藏技術(shù)是一種利用載體對(duì)象的冗余性，將秘密信息嵌入到載體對(duì)象得到載密對(duì)象的技術(shù)，是對(duì)傳統(tǒng)加密技術(shù)的重要補(bǔ)充，可以在公開(kāi)信到進(jìn)行秘密信息的傳遞而不引起第三方的懷疑和察覺(jué)，被廣泛用于隱蔽通信和版權(quán)保護(hù)等。但隱寫(xiě)技術(shù)容易被犯罪集團(tuán)和恐怖組織非法使用，對(duì)國(guó)家安全構(gòu)成嚴(yán)重的威脅。隱寫(xiě)分析技術(shù)作為信息隱藏技術(shù)的反制手段，是一種檢測(cè)載體對(duì)象是否存在隱寫(xiě)痕跡的技術(shù)，對(duì)監(jiān)管部門的有效監(jiān)管提供了一種技術(shù)手段，對(duì)網(wǎng)絡(luò)和信息安全起著至關(guān)重要的作用[1]。

2 視頻隱寫(xiě)與隱寫(xiě)分析技術(shù)

網(wǎng)絡(luò)中傳輸?shù)囊曨l一般是經(jīng)過(guò)壓縮后傳輸?shù)?，目前視頻隱寫(xiě)大多基于壓縮視頻進(jìn)行展開(kāi)。壓縮視頻可以為視頻隱寫(xiě)提供多種嵌入域：幀內(nèi)預(yù)測(cè)模式，幀間預(yù)測(cè)模式，量化參數(shù)，變換系數(shù)，運(yùn)動(dòng)矢量以及熵編碼等。豐富的嵌入域雖然給視頻隱寫(xiě)提供了充足的嵌入場(chǎng)景，但是給視頻隱寫(xiě)分析帶來(lái)了前所未有的挑戰(zhàn)，因此視頻隱寫(xiě)分析技術(shù)發(fā)展緩慢，而且目前的視頻隱寫(xiě)檢測(cè)特征僅針對(duì)單一嵌入域進(jìn)行構(gòu)造，尚缺乏能有效檢測(cè)多嵌入域隱寫(xiě)的檢測(cè)特征。相比于圖像隱寫(xiě)分析，視頻隱寫(xiě)分析更加復(fù)雜，缺乏理論性的指導(dǎo)，基于單一嵌入域的隱寫(xiě)分析方法在實(shí)際檢測(cè)中不具備較強(qiáng)的魯棒性，檢測(cè)結(jié)果不穩(wěn)定、不可靠[1]。

目前針對(duì)基于運(yùn)動(dòng)矢量的視頻隱寫(xiě)隱藏研究文獻(xiàn)最多，對(duì)應(yīng)的隱寫(xiě)分析方法也較多。本文研究將對(duì)這類隱寫(xiě)分析特征進(jìn)行融合，而后使用融合特征進(jìn)行集成分類器訓(xùn)練，最后根據(jù)子分類器結(jié)果進(jìn)行等權(quán)重多數(shù)投票綜合決策，提高隱寫(xiě)檢測(cè)的準(zhǔn)確率。

3 基于多特征融合的視頻隱寫(xiě)分析方法

3.1 原理框圖

如圖1 所示，給出了本文方法的原理框圖。主要包括特征提取、特征融合、特征分類以及分類決策四個(gè)部分。

3.2 特征提取與融合

本文使用兩種針對(duì)基于運(yùn)動(dòng)矢量的視頻隱寫(xiě)方法的隱寫(xiě)檢測(cè)特征。第一種是基于運(yùn)動(dòng)矢量局部最優(yōu)性判定的分析特征[2]，記作f1，能夠有效檢測(cè)基于運(yùn)動(dòng)矢量域的視頻隱寫(xiě)算法，但是也具有一定的局限性[1]。第二種是基于運(yùn)動(dòng)矢量相關(guān)性判定的分析特征[3]，記作f2，具有良好的敏感度和分析性能。本文將兩種特征f1和f2進(jìn)行拼接，融合成新的特征，記作x=[f1，f2]，特征維度表示為d。

圖1 本文方法的原理框圖

3.3 分類器訓(xùn)練與分類決策

如圖1 所示，集成分類器有L 個(gè)子分類器共同構(gòu)成，子分類器記作Bl，l=1，…，L，其輸出結(jié)果為0 或1，分別代表判定結(jié)果為正常視頻和隱寫(xiě)視頻。本文使用Fisher 分類器作為子分類器，F(xiàn)isher 分類器是一種線性分類判別器，具有較低的復(fù)雜度，其訓(xùn)練過(guò)程的最耗時(shí)的操作主要是類內(nèi)協(xié)方差矩陣的計(jì)算并求逆，另外，F(xiàn)isher 分類器具有不穩(wěn)定性，可以增加判別器的多樣性，提高集成分類器性能。Fisher 線性分類器的廣義特征向量υl可通過(guò)正負(fù)樣本類計(jì)算，如式（1）。

其中μ、μ 為正樣本類和負(fù)樣本類的均值，SW為類內(nèi)散度矩陣，I 為單位矩陣，λ 為穩(wěn)定參數(shù)，可避免實(shí)際計(jì)算中的數(shù)值不穩(wěn)定。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)設(shè)置

本文實(shí)驗(yàn)使用34 段352×288 的視頻，以壓縮率為1000 Kb/s 進(jìn)行壓縮得到正常壓縮視頻。實(shí)現(xiàn)文獻(xiàn)[5]的隱寫(xiě)算法，并以嵌入率為0.2 對(duì)視頻隱寫(xiě)得到隱寫(xiě)視頻。得到正常視頻和隱寫(xiě)視頻后，使用文獻(xiàn)[2]和文獻(xiàn)[3]的隱寫(xiě)特征提取器，對(duì)正常視頻和隱寫(xiě)視頻提取特征f1和f2。對(duì)特征f1和f2按前文的融合方法進(jìn)行融合，得到本文的融合特征。最后，在Matlab 下對(duì)樣本進(jìn)行訓(xùn)練和測(cè)試，訓(xùn)練和測(cè)試樣本各占50%。

4.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

視頻隱寫(xiě)檢測(cè)本質(zhì)上是屬于二分類檢測(cè)問(wèn)題，因此本文使用檢測(cè)錯(cuò)誤率TL進(jìn)行衡量，定義如式（3）：

其中，PFA、PMD分別代表虛警率和漏檢率。每個(gè)子分類器的判別閾值PE取值為使得（3）式取值最小的閾值。

為了對(duì)模型訓(xùn)練過(guò)程進(jìn)行定性評(píng)價(jià)，本文對(duì)訓(xùn)練過(guò)程中的預(yù)測(cè)誤差進(jìn)行了無(wú)偏估計(jì)，使用“袋外數(shù)據(jù)（out-of-bag）”估計(jì)，定義為式（4）：

其中，n 代表子分類器數(shù)量，M為訓(xùn)練集大小。

除此之外，使用檢測(cè)模型的接受者操作特征（ROC）曲線來(lái)定性衡量其檢測(cè)能力，ROC 曲線下方面積（AUC）用來(lái)定量衡量其檢測(cè)能力。

4.3 實(shí)驗(yàn)結(jié)果對(duì)比分析

根據(jù)特征f1、f2和本文的融合特征x 進(jìn)行檢測(cè)模型訓(xùn)練的結(jié)果如圖1 所示，可以看出，在訓(xùn)練過(guò)程中，隨著子分類器數(shù)量的增加，相比于單一特征訓(xùn)練，本文融合特征的預(yù)測(cè)誤差收斂值更小。相同子分類器下，本文方法誤差更小。

圖2 模型訓(xùn)練

在測(cè)試集上進(jìn)行檢測(cè)模型的測(cè)試，得到如圖2 所示的ROC曲線，結(jié)果表明，本文方法相比于文獻(xiàn)[2]和文獻(xiàn)[3]，ROC 曲線偏離隨機(jī)猜測(cè)曲線（對(duì)角的虛線）程度更大，因此，本文使用融合特征訓(xùn)練的模型，其檢測(cè)效果好于任何單一特征訓(xùn)練的檢測(cè)模型。

圖3 檢測(cè)模型ROC 曲線

表1 給出了三種檢測(cè)方法的相關(guān)實(shí)驗(yàn)結(jié)果，雖然融合特征的維度高于單一特征，但其子分類器使用的特征維度卻并未增加，反而明顯降低，因此，模型訓(xùn)練時(shí)間更短，盡管子分類器數(shù)量有所增加。AUC 和PE對(duì)比結(jié)果表明，使用融合特征進(jìn)行檢測(cè)模型訓(xùn)練，相比于單一特征訓(xùn)練的檢測(cè)模型，檢測(cè)效果有明顯的提升，本文方法具有明顯改進(jìn)。

表1 檢測(cè)模型實(shí)驗(yàn)結(jié)果

5 結(jié)論

本文提出的基于多特征融合的視頻隱寫(xiě)分析方法，實(shí)驗(yàn)結(jié)果表明，相比于單一特征訓(xùn)練的檢測(cè)模型，準(zhǔn)確率有明顯提升，模型訓(xùn)練更快。本文提供了一種有效解決隱寫(xiě)檢測(cè)準(zhǔn)確率不高現(xiàn)狀的思路，對(duì)視頻隱寫(xiě)分析具有一定的參考價(jià)值。后續(xù)的，我們將嘗試將不同嵌入域的多種特征融合以得到一種通用性的視頻隱寫(xiě)檢測(cè)方法。