葉學(xué)義 郭文風(fēng) 曾懋勝 張珂紳 趙知?jiǎng)?/p>

(杭州電子科技大學(xué)通信工程學(xué)院 杭州 310018)

1 引 言

數(shù)字圖像隱寫(xiě)檢測(cè)阻止非法隱寫(xiě)通信活動(dòng)、保障通信安全[1]，是信息安全領(lǐng)域的重要研究方向，得到了廣泛的研究并且發(fā)展迅速，它通過(guò)對(duì)數(shù)字圖像進(jìn)行分析，從而判斷圖像是否嵌入了秘密信息。傳統(tǒng)圖像隱寫(xiě)檢測(cè)方法主要通過(guò)提取基于相鄰像素相關(guān)性的高階統(tǒng)計(jì)特征和訓(xùn)練分類器完成載體/載秘圖像的分類，如減法像素鄰接矩陣(Subtractive Pixel Adjacency Matrix， SPAM)[2]和空域富模型(Spatial Rich Model， SRM)[3]。但是這些方法所提取的檢測(cè)特征需要人工設(shè)計(jì)，特征提取耗費(fèi)極高，而且隨著隱寫(xiě)術(shù)的不斷發(fā)展[4–6]，人工設(shè)計(jì)隱寫(xiě)檢測(cè)特征的難度越來(lái)越大。

隨著深度學(xué)習(xí)的興起，研究者開(kāi)始將深度學(xué)習(xí)引入圖像隱寫(xiě)檢測(cè)[7]。2014年，Tan等人[8]從一堆自動(dòng)編碼器中使用無(wú)監(jiān)督學(xué)習(xí)來(lái)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks， CNN)。2015年Qian等人[9]提出了一個(gè)基于監(jiān)督的5層CNN模型Qian-Net進(jìn)行隱寫(xiě)檢測(cè)，其檢測(cè)準(zhǔn)確率與SRM[3]相似。2016年Xu等人[10]構(gòu)建了一個(gè)不同的5層CNN檢測(cè)模型Xu-Net，不同點(diǎn)在于Xu等人借鑒了其他應(yīng)用領(lǐng)域中取得成功的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)單元，如絕對(duì)值激活層(ABSolute activation layer， ABS)和批歸一化層(Batch Normalization， BN)。卷積層之后使用ABS層的目的是使模型學(xué)習(xí)殘差圖像的符號(hào)對(duì)稱性；BN層的使用則避免模型在訓(xùn)練過(guò)程中出現(xiàn)梯度消失問(wèn)題，且允許更大的學(xué)習(xí)率，大幅提高訓(xùn)練速度，實(shí)驗(yàn)結(jié)果表明，其模型的檢測(cè)準(zhǔn)確率稍優(yōu)于SRM[3]。2017年，Ye等人[11]設(shè)計(jì)了一個(gè)10層的CNN圖像隱寫(xiě)檢測(cè)模型Ye-Net，該模型首次在預(yù)處理層使用了SRM[3]中使用到的30個(gè)高通濾波器進(jìn)行濾波，有助于抑制圖像內(nèi)容和提取隱寫(xiě)信息；使用截?cái)嗑€性單元(Truncated linear unit， Trunc)作為第1個(gè)卷積層的激活函數(shù)，增加了模型的非線性因素，使模型可以擬合更復(fù)雜的特征，實(shí)驗(yàn)結(jié)果表明，其模型檢測(cè)準(zhǔn)確率遠(yuǎn)超于SRM[3]。Yedroudj等人[12]在2018年提出了一個(gè)新的5層CNN圖像隱寫(xiě)檢測(cè)模型Yedroudj-Net，其模型結(jié)合了Xu-Net[10]和Ye-Net[11]的優(yōu)點(diǎn)，取得了更好的檢測(cè)結(jié)果。同年，Zhang等人[13]提出了一個(gè)利用可分離卷積和空間金字塔池的CNN檢測(cè)模型Zhang-Net，明顯地提高了檢測(cè)準(zhǔn)確率。

雖然基于深度學(xué)習(xí)的圖像隱寫(xiě)檢測(cè)已經(jīng)顯著提高了檢測(cè)準(zhǔn)確率，但是現(xiàn)有模型所提取檢測(cè)特征的表達(dá)能力仍然不能滿足應(yīng)用所需。為此本文構(gòu)建了一個(gè)基于多層感知卷積和通道加權(quán)的圖像隱寫(xiě)檢測(cè)模型。在預(yù)處理層，對(duì)濾波器內(nèi)核進(jìn)行改進(jìn)，使用SRM[3]中使用到的30個(gè)高通濾波器對(duì)預(yù)處理層進(jìn)行初始化，按照尺寸大小，分別擴(kuò)充為17個(gè) 3 ×3和13個(gè)5 ×5大小，優(yōu)化局部特征；在模型中使用多層感知卷積層來(lái)代替?zhèn)鹘y(tǒng)的卷積層，增加模型的抽象能力；為了使模型學(xué)習(xí)到更有利于檢測(cè)的特征，進(jìn)一步提高模型的檢測(cè)準(zhǔn)確率，在模型中加入通道加權(quán)模塊。將該模型與Xu-Net[10]， Yedroudj-Net[12]，Zhang-Net[13]進(jìn)行比較，在相同的實(shí)驗(yàn)條件下，小波加權(quán)( Wavelet Obtained Weights， WOW)[14]、空域-通用小波相對(duì)失真(Spatial-UNIversal WAvelet Relative Distortion， S-UNIWARD)[15]兩種不同隱寫(xiě)算法的不同嵌入率下的實(shí)驗(yàn)結(jié)果表明，本模型表現(xiàn)出更高的檢測(cè)準(zhǔn)確率。

2 基于CNN圖像隱寫(xiě)檢測(cè)的最近典型模型

2.1 Yedroudj-Net

圖1顯示了Yedroudj-Net[12]的整體架構(gòu)，其包含1個(gè)預(yù)處理層、5個(gè)卷積層以及1個(gè)由3個(gè)全連接層和1個(gè)Softmax[16]組成的輸出層，卷積層包含線性卷積層、批歸一化層(BN)、非線性激活層和平均池化層。

圖1 Yedroudj-Net[12]CNN架構(gòu)

基于數(shù)字圖像的信息隱寫(xiě)過(guò)程可以看作在載體圖像的高頻區(qū)域添加少量信息，為了提取多樣性的高頻信息，預(yù)處理層采用與Ye-Net[11]相同的處理方案，使用SRM[3]中的30個(gè)高通濾波器對(duì)輸入圖像進(jìn)行濾波。以往的研究證明[9]，這種預(yù)處理很大程度上抑制了圖像內(nèi)容，暴露出隱寫(xiě)信息，如果沒(méi)有這種預(yù)處理，模型很難收斂。鑒于ABS層和BN層在Xu-Net[10]模型中的良好表現(xiàn)，Yedroudj-Net[12]模型在搭建過(guò)程中同樣使用了ABS層和BN層。

2.2 現(xiàn)有問(wèn)題及分析

目前隱寫(xiě)算法的研究更趨向于將秘密信息嵌入載體圖像的細(xì)節(jié)，盡可能小地改動(dòng)載體圖像，這導(dǎo)致檢測(cè)模型必須提取更高階的圖像統(tǒng)計(jì)特性才能反映出載體圖像在隱寫(xiě)前后的差異。因此，對(duì)于圖像隱寫(xiě)檢測(cè)而言，檢測(cè)特征的表達(dá)對(duì)檢測(cè)結(jié)果至關(guān)重要，但是現(xiàn)有的模型還存在以下問(wèn)題：(1) 預(yù)處理層需要用SRM中30個(gè)高通濾波器進(jìn)行初始化，現(xiàn)有的處理方式是將其統(tǒng)一擴(kuò)充為5 ×5大小，則小尺寸的高通濾波器會(huì)被填充過(guò)多的0，抑制殘差圖像；(2) 卷積層的線性卷積運(yùn)算對(duì)高階特征的表達(dá)能力有限；(3) 卷積得到的所有特征圖以同等的權(quán)重輸入下一層，沒(méi)有考慮其主要性和次要性。

由此提出了基于多層感知卷積和通道加權(quán)的隱寫(xiě)檢測(cè)模型。首先在預(yù)處理層將30個(gè)高通濾波器按照尺寸大小，分別擴(kuò)充為17個(gè) 3×3 和 13個(gè)5 ×5大小，避免過(guò)度補(bǔ)零對(duì)殘差圖像的抑制；其次引入Lin等人[17]提出的多層感知卷積層(Multi-layer perceptual convolution layer， Mlpconv)，它將卷積核與多層感知器連接，利用多層神經(jīng)元的全連接彌補(bǔ)對(duì)高階特征的表達(dá)；最后采用擠壓激勵(lì)(Squeezeand-Excitation， SE)[18]模塊，實(shí)現(xiàn)根據(jù)全局信息對(duì)不同的特征圖通道分配不同的權(quán)重。

3 基于多層感知卷積和通道加權(quán)的隱寫(xiě)檢測(cè)模型

3.1 模型結(jié)構(gòu)

如第2節(jié)所述，本文構(gòu)建了一個(gè)新的隱寫(xiě)檢測(cè)模型，整體架構(gòu)如圖2所示。

圖2 本文檢測(cè)模型

本模型由1個(gè)預(yù)處理層、2個(gè)多層感知卷積層(Mlpconv)、3個(gè)傳統(tǒng)卷積層、通道加權(quán)模塊SE[18]以及3層全連接層組成。

預(yù)處理層對(duì)輸入圖像進(jìn)行濾波，濾波器采用的是SRM[3]中用到的30個(gè)高通濾波器，濾波器的值在訓(xùn)練過(guò)程中固定不變。濾波得到的殘差圖像輸入多層感知卷積層，多層感知卷積層包含30個(gè)5×5大小的線性卷積核和1個(gè)多層感知器(MultiLayer Perceptron， MLP)，多層感知器由具有非線性激活函數(shù)的兩個(gè)完全連接的層組成，其中非線性激活函數(shù)選擇線性整流單元(Rectified Linear Unit， ReLU)，全連接層神經(jīng)元的個(gè)數(shù)與線性卷積核的個(gè)數(shù)保持一致。每層卷積層的線性卷積之后都使用BN層，ABS層僅在第1個(gè)卷積層之后被使用。與Yedroudj-Net[12]相似，本模型在Mlpconv中的線性卷積之后應(yīng)用Trunc激活函數(shù)，在傳統(tǒng)卷積層應(yīng)用ReLU激活函數(shù)。模型中第1層不做池化，2， 3， 4層使用平均池化，大小為5 ×5，步長(zhǎng)為2，最后一層使用全局平均池化。通道加權(quán)模塊SE[18]根據(jù)全局信息對(duì)不同通道特征圖分配不同的權(quán)重，特征圖完成權(quán)重重分配之后輸入到下一層，SE[18]具體實(shí)現(xiàn)細(xì)節(jié)如3.4節(jié)所示。

3.2 改進(jìn)預(yù)處理層

擴(kuò)充完后首先對(duì)所有高通濾波器進(jìn)行歸一化處理，使得濾波器中心元素的值為1，這樣每個(gè)濾波器的參數(shù)都分布于同一量級(jí)；然后將通過(guò)高通濾波器計(jì)算得到的兩部分殘差圖像堆疊到一起，進(jìn)行閾值T為3的截?cái)嗖僮鳎梢杂行б种茻o(wú)用的圖像內(nèi)容，防止模型對(duì)較大的值進(jìn)行建模，提高模型對(duì)特征的表達(dá)能力。

3.3 Mlpconv

圖3所示為傳統(tǒng)線性卷積層的示意圖，對(duì)于傳統(tǒng)的卷積層來(lái)說(shuō)，一般是通過(guò)一個(gè)單層線性濾波器對(duì)輸入進(jìn)行線性卷積運(yùn)算，然后接非線性激活函數(shù)，最終生成特征圖。以ReLU激活函數(shù)為例，傳統(tǒng)卷積層的特征圖的計(jì)算公式為

圖3 線性卷積層

眾所周知，CNN通過(guò)結(jié)合較低層的特征來(lái)生成高層特征，因此在將他們生成更高層次的特征之前，對(duì)每個(gè)局部感受野進(jìn)行更好的抽象是有益的。所以在本文構(gòu)建的模型的低層使用了如圖4所示的多層感知卷積層(Mlpconv)結(jié)構(gòu)來(lái)代替?zhèn)鹘y(tǒng)的卷積層。

圖4 Mlpconv層

Mlpconv相當(dāng)于在卷積層中包含了一個(gè)由多層感知器構(gòu)成的微型網(wǎng)絡(luò)，通過(guò)微型網(wǎng)絡(luò)對(duì)每個(gè)局部區(qū)域進(jìn)行更復(fù)雜的運(yùn)算，計(jì)算更抽象的特征。Mlpconv特征圖的計(jì)算公式為

3.4 通道加權(quán)

通常在設(shè)計(jì)檢測(cè)模型時(shí)，會(huì)用到多個(gè)卷積核，盡可能地提取檢測(cè)所需要的特征，多個(gè)卷積核提取到的特征會(huì)包含主要特征，相應(yīng)地也會(huì)包含次要特征，每個(gè)特征圖通道對(duì)檢測(cè)結(jié)果的重要性并不完全相同。為此在模型中引入了通道加權(quán)的機(jī)制，對(duì)特征進(jìn)行重新校準(zhǔn)。SE[18]模塊利用全局信息對(duì)不同的特征圖通道分配不同的權(quán)重，在圖像分類比賽中表現(xiàn)出顯著的性能，通過(guò)在每層卷積層后構(gòu)建SE模塊[18]來(lái)完成通道加權(quán)的過(guò)程，如圖5所示。

圖5 SE模塊結(jié)構(gòu)圖

卷積得到的特征圖U首先通過(guò)擠壓(Squeeze)操作，U的維度為H×W×C，C為卷積得到的特征圖通道數(shù)。Squeeze操作通過(guò)對(duì)特征圖使用全局平均池化得到輸出為 1×1×C的特征圖通道統(tǒng)計(jì)數(shù)據(jù)，采用全局平均池化是為了聚集全局信息，使得來(lái)自網(wǎng)絡(luò)的全接收域的信息被它的所有層使用。計(jì)算公式為

4 實(shí)驗(yàn)及分析

4.1 實(shí)驗(yàn)設(shè)置及數(shù)據(jù)集

所有實(shí)驗(yàn)均采用深度學(xué)習(xí)框架 PyTorch，在Linux操作系統(tǒng)下實(shí)現(xiàn)，圖形處理器(Graphics Processing Unit， GPU)采用英偉達(dá)(NVIDIA，GTX1080)。選用數(shù)據(jù)庫(kù)為BOSSBase v1.0[19]，其包含10000張大小為512×512的灰度圖像，由于GPU顯存限制，使用MATLAB將所有圖片重采樣為大小為2 56×256的圖像。

實(shí)驗(yàn)使用了兩種典型的自適應(yīng)隱寫(xiě)算法小波加權(quán)(Wavelet Obtained Weights， WOW)[14]和空域-通用小波相對(duì)失真(Spatial-UNIversal WAvelet Relative Distortion， S-UNIWARD)[15]對(duì)載體圖像進(jìn)行秘密信息嵌入，由此得到10000對(duì)載體/載秘?cái)?shù)據(jù)集，然后將10000對(duì)圖像劃分為兩組，5000對(duì)圖像分配給訓(xùn)練集，5000對(duì)分配給測(cè)試集，在5000對(duì)訓(xùn)練集中選擇4000對(duì)進(jìn)行訓(xùn)練，剩下的1000對(duì)留作驗(yàn)證，測(cè)試集在訓(xùn)練階段保持不變。

實(shí)驗(yàn)中采用小批量隨機(jī)梯度下降算法，權(quán)重衰減率設(shè)為0.0001，動(dòng)量設(shè)置為0.95，所有層使用澤維爾 (Xavier)[20]方法初始化，訓(xùn)練中每一批次大小設(shè)置為16，學(xué)習(xí)率初始化為0.01，最大訓(xùn)練迭代數(shù)為300。實(shí)驗(yàn)中對(duì)比檢測(cè)模型的數(shù)據(jù)直接來(lái)自對(duì)應(yīng)的參考文獻(xiàn)。

4.2 預(yù)處理層改進(jìn)前后對(duì)比

對(duì)于隱寫(xiě)檢測(cè)模型來(lái)說(shuō)，特征提取模塊的輸入是預(yù)處理層所提取的殘差圖像，因此預(yù)處理層所提取的殘差圖像對(duì)于模型的檢測(cè)結(jié)果至關(guān)重要。為了說(shuō)明在3.2節(jié)所提對(duì)預(yù)處理層的改進(jìn)對(duì)模型檢測(cè)準(zhǔn)確率的影響，用所提改進(jìn)方案對(duì)Yedroudj-Net[12]預(yù)處理層進(jìn)行修改，其他部分不變，與Yedroudj-Net[12]進(jìn)行對(duì)比實(shí)驗(yàn)。在0.2 bpp和0.4 bpp兩種嵌入率下，兩種檢測(cè)模型對(duì)WOW[14]和S-UNIWARD[15]兩種隱寫(xiě)算法的檢測(cè)準(zhǔn)確率如表1所示。

從表1可以看出，按照3.2節(jié)提出的方案修改了預(yù)處理層之后Yedroudj-Net[12]相較原本的Yedroudj-Net[12]在兩種隱寫(xiě)算法的兩種不同的嵌入率下，檢測(cè)準(zhǔn)確率都有所提升，最高提升5.51%。由此可見(jiàn)，改進(jìn)后的預(yù)處理層所提取的殘差圖像對(duì)模型的檢測(cè)準(zhǔn)確率有很大的影響，更加有利于隱寫(xiě)檢測(cè)。

表1 Yedroudj-Net[12]修改預(yù)處理層前后準(zhǔn)確率(%)

4.3 Mlpconv對(duì)檢測(cè)準(zhǔn)確率的提升

為了說(shuō)明Mlpconv對(duì)檢測(cè)準(zhǔn)確率的影響，本節(jié)實(shí)驗(yàn)首先對(duì)Mlpconv的抽象能力進(jìn)行了分析，然后研究了Mlpconv的層數(shù)對(duì)檢測(cè)結(jié)果的影響，最后與3種比較著名的檢測(cè)模型進(jìn)行了對(duì)比，分別是Xu-Net[10]， Yedroudj-Net[12]以及Zhang-Net[13]。

4.3.1 特征圖可視化

特征圖可以很好地描述特征提取過(guò)程，為了比較Mlpconv與傳統(tǒng)卷積層的特征抽象能力，將經(jīng)過(guò)第1層傳統(tǒng)卷積層后的特征圖與經(jīng)過(guò)第1層Mlpconv之后的特征圖進(jìn)行了可視化處理。隱寫(xiě)檢測(cè)模型都是使用S-UNIWARD[15]進(jìn)行訓(xùn)練，嵌入率為0.4 bpp。選取數(shù)據(jù)集中任意一張載秘圖像，模型所提取部分特征圖對(duì)比如圖6所示。其中圖6(a)為載秘圖像，圖6(b)為經(jīng)過(guò)第1層傳統(tǒng)卷積層后所提取的部分特征圖，圖6(c)為經(jīng)過(guò)第1層Mlpconv之后提取的部分特征圖。實(shí)驗(yàn)結(jié)果表明，Mlpconv生成的特征圖保留了較少的圖像內(nèi)容信息，并保持了較高的信噪比，在隱寫(xiě)檢測(cè)模型中使用Mlpconv能提取出具有較強(qiáng)表達(dá)能力的特征。

圖6 模型所提取部分特征圖

4.3.2 Mlpconv層數(shù)對(duì)檢測(cè)準(zhǔn)確率的影響

使用Mlpconv代替?zhèn)鹘y(tǒng)的卷積層可以顯著提高檢測(cè)準(zhǔn)確率，但過(guò)多地使用Mlpconv會(huì)帶來(lái)參數(shù)量的增加，增大計(jì)算開(kāi)銷(xiāo)。為了合理使用Mlpconv，搭建性能良好的圖像隱寫(xiě)檢測(cè)模型，本節(jié)實(shí)驗(yàn)探究了Mlpconv層數(shù)對(duì)檢測(cè)準(zhǔn)確率的影響，分別使用1層Mlpconv、2層Mlpconv和3層Mlpconv替換傳統(tǒng)的卷積層時(shí)，在S-UNIWARD[15]隱寫(xiě)算法的0.1 bpp，0.2 bpp， 0.3 bpp以及0.4 bpp 4個(gè)不同的嵌入率的情況下做了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 不同Mlpconv層數(shù)實(shí)驗(yàn)結(jié)果圖

實(shí)驗(yàn)結(jié)果表明，增加Mlpconv的層數(shù)并不能給模型帶來(lái)檢測(cè)準(zhǔn)確率上的持續(xù)提升。當(dāng)用2層Mlpconv代替?zhèn)鹘y(tǒng)的卷積層時(shí)，檢測(cè)準(zhǔn)確率最高，3層Mlpconv僅在0.4 bpp的嵌入率下表現(xiàn)較好，檢測(cè)準(zhǔn)確率為87.79%，相比較2層Mlpconv的準(zhǔn)確率提升0.13%，并且當(dāng)Mlpconv為3層時(shí)，模型所需學(xué)習(xí)的參數(shù)量相較于2層Mlpconv增長(zhǎng)了0.6%。綜合考慮，選擇了使用2層Mlpconv代替?zhèn)鹘y(tǒng)的卷積層來(lái)搭建隱寫(xiě)檢測(cè)模型，以達(dá)到良好的檢測(cè)準(zhǔn)確率。

4.3.3 不同方法的對(duì)比

在0.2 bpp， 0.4 bpp兩種嵌入率下，Xu-Net[10]，Yedroudj-Net[12]， Zhang-Net[13]以及本文模型對(duì)WOW[14]和S-UNIWARD[15]兩種隱寫(xiě)算法檢測(cè)準(zhǔn)確率如表2所示。

從表2的實(shí)驗(yàn)結(jié)果可以看出，針對(duì)WOW[14]隱寫(xiě)算法，0.2 bpp和0.4 bbp嵌入率下，本文模型檢測(cè)準(zhǔn)確率與Yedroudj-Net[12]相比較提升8.52%和3.69%，與性能表現(xiàn)較好的Zhang-Net[13]相比，準(zhǔn)確率提升4.02%和1.39%；隱寫(xiě)算法為S-UNIWARD[15]時(shí)，兩種嵌入率下，所提模型與Yedroudj-Net[12]相比，準(zhǔn)確率提升13.64%和10.46%，與Zhang-Net[13]相比，準(zhǔn)確率提升5.44%和2.96%。實(shí)驗(yàn)結(jié)果表明，本模型在兩種隱寫(xiě)算法不同嵌入率下，檢測(cè)準(zhǔn)確率均高于另外3種模型，這主要得益于Mlpconv的引入，在模型的前兩層使用Mlpconv代替?zhèn)鹘y(tǒng)的卷積層，可以顯著提升模型的檢測(cè)準(zhǔn)確率。

表2 本文模型與其他模型的對(duì)比結(jié)果(%)

4.4 通道加權(quán)對(duì)檢測(cè)準(zhǔn)確率的提升

該模型中加入了通道加權(quán)機(jī)制，通過(guò)SE模塊使模型執(zhí)行特征重校準(zhǔn)。為了驗(yàn)證通道加權(quán)的有效性，將原本的模型與加入SE模塊之后的模型進(jìn)行了對(duì)比試驗(yàn)，其中SE模塊涉及到一個(gè)縮減率r的參數(shù)設(shè)置，在不同的縮減率r下進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)表明根據(jù)第1層全連接層的輸入通道數(shù)對(duì)r進(jìn)行調(diào)整，保證輸出通道數(shù)縮減到2時(shí)模型檢測(cè)準(zhǔn)確率表現(xiàn)最好，即當(dāng)輸入通道分別為30， 32， 64， 128時(shí)，參數(shù)縮減率r相對(duì)應(yīng)地設(shè)置為15， 16， 32， 64時(shí)可以在準(zhǔn)確率和復(fù)雜性之間實(shí)現(xiàn)良好的平衡。在WOW[14]和S-UNIWARD[15]兩種隱寫(xiě)算法的0.2 bpp， 0.4 bpp兩種嵌入率下，所提模型進(jìn)行通道加權(quán)前后的對(duì)比實(shí)驗(yàn)結(jié)果如表3所示。

從表3可以看出，所提模型在加入通道加權(quán)的機(jī)制后，相較通道加權(quán)之前，在不同隱寫(xiě)算法的不同嵌入率下，檢測(cè)準(zhǔn)確率可提升0.44%～0.71%。因此，在已經(jīng)設(shè)計(jì)好的模型中加入所提通道加權(quán)機(jī)制，可以進(jìn)一步提升隱寫(xiě)檢測(cè)模型的檢測(cè)準(zhǔn)確率。

表3 通道加權(quán)前后模型的檢測(cè)準(zhǔn)確率(%)

5 結(jié) 論

基于多層感知卷積和通道加權(quán)的圖像隱寫(xiě)檢測(cè)模型，首先在預(yù)處理層中改進(jìn)卷積核的擴(kuò)充尺寸，將30個(gè)高通濾波器按照尺寸大小，分別擴(kuò)充為17個(gè)3×3和 13個(gè)5 ×5大小，避免出現(xiàn)因填充過(guò)多的0而抑制殘差圖像；其次使用多層感知卷積層代替?zhèn)鹘y(tǒng)的線性卷積層，增強(qiáng)模型對(duì)高階特征的表達(dá)能力，提高檢測(cè)準(zhǔn)確率；最后在模型中加入通道加權(quán)的模塊，對(duì)不同的卷積通道賦予不同的權(quán)重，使模型選擇性地強(qiáng)調(diào)對(duì)檢測(cè)結(jié)果更有利的信息特征，進(jìn)一步提高模型的檢測(cè)準(zhǔn)確率。通過(guò)在不同隱寫(xiě)算法、不同嵌入率下進(jìn)行的實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的CNN檢測(cè)模型相比，本文模型在檢測(cè)準(zhǔn)確率上有明顯的提高。