基于圖像分類的無載體信息隱藏方法

　　摘 要：為提高無載體信息隱藏的數據嵌入容量和通信效率，注意到半構造式無載體信息隱藏算法所具有的優勢，在仔細分析幾種社交平臺的用戶行為習慣后，提出了一種以社交平臺的行為習慣為構造原則的半構造式無載體信息隱藏算法. 該算法的具體思想通過構建小圖標庫中的圖標與秘密消息的一一映射關系，將小圖標按照一定的原則拼接，完成秘密消息的圖像表達，通過傳遞拼接好的圖片，實現秘密消息的傳遞. 為了提高小圖標的識別率和整個隱蔽通信系統的抗干擾能力，算法還引入了卷積神經網絡對圖標庫中的圖標進行訓練和分類，同時在訓練時特意引入經過多種攻擊方式處理過的小圖標作為干擾樣本. 實驗和仿真結果表明，該隱藏方法具備良好的抗攻擊能力，隱藏容量和通信效率得到了實質性的提高，可用于實際的隱蔽通信系統.

　　關鍵詞：深度學習;圖像分類;社交習慣;隱寫;無載體信息隱藏

　　《計算機科學與探索》是由中國電子科技集團公司主管、華北計算技術研究所主辦的國內外公開發行的計算機學報級高級學術期刊，中國計算機學會會刊。

　　信息隱藏是將秘密信息隱藏于載體信號中，并在需要時將秘密信息提取出來，以實現隱蔽通信和版權保護等目的[1].由于數字圖像冗余度大且使用廣泛，常被作為信息隱藏載體. 傳統的嵌入式信息隱藏方法是通過對載體數據的修改，將秘密消息嵌入載體中，這必然會導致含密載體與原始載體間存在一定的差異，難以抵抗隱寫分析檢測[2]. 為提高隱蔽通信的安全性，無載體信息隱藏[3]受到了廣泛關注.

　　“無載體”并不是指不需要載體，而是直接以秘密信息為驅動來“生成”或者“獲取”含密載體. 從本質上來說，基于圖像的無載體信息隱藏是一種圖像特征的編碼方法. 目前所見的無載體隱藏算法大多都存在數據嵌入容量不高的問題，離實用化還存在一定的距離.

　　為解決上述問題，本文提出了一種基于社交習慣的半構造式無載體信息隱藏算法[4]，其思路是通過挖掘人們的社交行為習慣，以社交行為習慣為構造原則，設計不同的拼接模板，從圖標庫中選取圖標，構造出一幅具有實際意義的圖像并在社交平臺中傳輸，達到隱蔽傳輸秘密消息的目的. 其中，小圖標庫是在利用深度學習的方法對小圖標進行訓練、分類和識別的基礎上所建立起來的. 具體來講，是利用卷積神經網絡(Convolutional neural network，CNN)[5]提取圖像特征并輸入到該模型中進行訓練，根據圖像的高維特征對小圖標進行識別和分類，考慮到傳輸過程中的圖像可能會被攻擊者攻擊，用于訓練的圖像數據集應含有各種干擾樣本. 干擾樣本來之于特殊處理過的圖像數據，包含有干擾樣本的訓練集可以保證訓練好的CNN網絡能夠在含密圖像遭受攻擊后也能對圖標內容進行正確分類，確保算法的魯棒性.

　　1 利用AlexNet進行遷移學習

　　1.1 深度卷積神經網絡 AlexNet 模型

　　卷積神經網絡具有低網絡模型復雜度，可減少權值數目等優點，被廣泛用于深度學習. 采用卷積神經網絡進行深度學習，將圖像直接輸入網絡，可以避免傳統算法中的數據重建和復雜的特征提取過程，能提高算法的運行效率. Krizhevsky等[6]提出的卷積神經網絡AlexNet在圖像分類和物體檢測方面的性能優于傳統方法，雖然GoogleNet[7]和VGG[8]的性能相比AlexNet 網絡性能更好，但其網絡復雜，訓練耗時. 綜合考慮訓練及識別效率等因素，本文選用AlexNet 網絡進行圖像識別與分類，其網絡相對簡單且易于訓練，可通過修改神經網絡中的某些參數提高網絡性能. 本文所采用的卷積神經網絡AlexNet網絡層次結構圖如圖 1所示.

　　不計輸入層，該模型共8大層，25小層結構，前5層是卷積層，接著3層為全連接層[5]，全連接的結果通過Softmax分類器[9]產生1 000個分類輸出. 在前5層中，每一層都包含有卷積子層[5]，縮寫為 Conv1 到 Conv5，每一個卷積操作后緊跟的是激活函數reLu處理. 采用reLu激活函數[10]的作用是使學習周期大大縮短，提高運算速度和效率. Norm1和Norm2表示歸一化操作. 最后是池化操作，相比平均池化，該神經網絡采用的最大池化(max pooling)[11]可以讓特征參數減少，使更多的紋理特征信息保留下來. Dropout[6]操作是在兩個全連接層中，其作用是為了防止訓練樣本較少的時候模型過擬合，最后通過 Softmax 分類器產生多維分類輸出.

　　1.2 AlexNet結構的修改

　　由于受時間和設備的計算能力所限，考慮到主要是做模型驗證，因此本文在建立圖標庫時只選擇了32種小圖標. 為獲得較好的分類性能，共享AlexNet的模型訓練參數，達到遷移學習的目的[12]， 本文改造了部分網絡結構：首先凍結AlexNet的前7大層，即前23小層，去掉Layer8并在后面加上自己的網絡輸出層. 本文在新的Layer8中先加一層輸出為64的全連接層，然后接一層relu激活層精簡特征參數，再接一層全連接層(Fullconnection)并接上一層softmax分類器和一層分類輸出層(Output)共輸出32個類別，改造后的網絡結構如圖2所示.

　　2 信息隱藏算法

　　由于受時間和具體計算設備的計算能力所限，為兼顧隱藏容量、誤碼率、魯棒性以及拼接圖像內容的合理性等要求，同時，本文旨在驗證算法的可行性，因此，圖標庫只構建了32種小圖標，每一個圖標的類別標簽對應一段5 bit的二進制序列.

　　2.1 題目規則的設計

　　為了避免被第三方懷疑，在社交網絡上傳播的含密載體應當符合人們的社交習慣. 為此，利用數據挖掘的方法，對社交平臺上的各種數據進行挖掘并進行數據分析以尋求使用較為廣泛的大眾行為習慣，按照這種行為習慣設計圖片的拼接原則和思考題的題目規則. 以將圖片處理成一些有趣味性的智力題目為例，目前設計了5種規則拼接生成含密載體圖像，如：“算價格”，“分類別”，“編故事”，“找最長”和“找相同”.

　　2.2 隱藏算法

　　隱藏秘密信息的流程示意圖如圖3所示，其具體的實現步驟如下：

　　步驟 1 輸入一段秘密信息S(信息內容可以是中文漢字，英文單詞，二進制或者是十進制數，也可以選擇生成一段80 bit長度的隨機二進制序列，輸入類型K用2 bit二進制數表示)，將待隱藏的信息轉換為二進制序列E，根據O的長度判斷需要X張圖片將秘密隱藏完全表達. 將X分為若干段，每段計算其長度L作為標志位一，每張圖像的順序序號N作為標志位二，接著選擇相應的輸入類型K作為標志位三，這樣最多可構成一個13 bit的二進制序列作為標志位.

　　步驟 2 將標志位加在含密序列E的前端，得到最終的含密二進制序列C. 對C進行分段，每5位為一段，每一段根據二進制序列與自建圖像庫中32種物體標簽的映射關系進行查詢，映射為相應的類別標簽并獲得相應的物體圖像，按從左至右、從上往下的順序將這些子圖像拼接起來.

　　步驟 3 拼接圖像的大小根據E的長度L相應有2×2、3×3、4×4、5×5、6×6共5種模板. 在每個模板能表達的位數區間內，不足區間上限的補隨機數至區間上限值.

　　步驟 4 對圖片內容的題目描述類型目前設計了5種：“算價格”，“分類別”，“編故事”，“找最長”和“找相同”，其中“找相同”只有拼接圖片為6×6形式的時候才可能出現，因為圖像數據庫中一共只有32種不同的類別，而6×6的拼接圖片中36張圖片必然有相同的類別. 可以自行指定4種題目類型之一，也可以設置為隨機選擇.