一种基于多特征融合和深度学习的隐写分析方法与流程

技术特征：
1.一种基于多特征融合和深度学习的隐写分析方法，通过使用repvgg 模块和 se模块构建网络模型，将srm、maxsrm、maxsrmd2三种特征提取方法获得的特征融合成固定大小的特征矩阵作为该隐写分析模型的输入，通过对关键参数的微调对该模型进行训练和测试，设置训练epoch为150，其特征在于：包括以下步骤：步骤1、制作预处理所需的数据集；步骤2、分别使用srm、maxsrm、maxsrmd2三种特征提取方法对步骤1生成的数据集进行特征提取；步骤3、对步骤2提取的三种特征进行融合获得固定大小的特征矩阵；步骤4、使用步骤3获得的数据对使用repvgg 模块和 se模块构建的模型进行训练和测试。2.如权利要求1所述的一种基于多特征融合和深度学习的隐写分析方法，其特征在于：具体步骤如下：步骤1、使用wow、s
‑
uniward、hugo、mipod四种隐写算法以及两种载荷payload=0.2bpp，payload=0.4bpp对原始的bossbase ver. 1.01.数据集进行隐写，获得八个不同的载密图像stego数据集，分别将不同的载密数据集与原始数据集cover组合获得八个不同的cover
‑
stego数据集；步骤2、三种特征的提取流程分别为滤波、截断量化、合并重排；首先使用30个高通滤波器和公式(1)对步骤1中的数据滤波得到残差图像，然后使用公式(2)对残差图像截断和量化，使用公式(3)(4)(5)分别得到三种提取方法在两个不同方向上的共生矩阵，再通过公式(6)，(7)对两个共生矩阵进行组合和重排得到特征向量，，；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)；
ꢀꢀꢀ
(5)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)；步骤3、将步骤2中提取的三个特征向量使用公式(8)进行特征融合得到最终的特征矩阵；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)；
步骤4、将步骤3中生成的特征矩阵作为模型的输入来训练sfrnet，从而使得训练好的模型可以更准确的识别载密图像和非载密图像，具体过程见公式(9)(10)：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)。

技术总结
本发明公开了一种基于多特征融合和深度学习的隐写分析方法，包括以下步骤：步骤(1)、制作预处理所需的数据集；步骤(2)、分别使用SRM、maxSRM、maxSRMd2三种特征提取方法对步骤(1)的数据集进行特征提取；步骤(3)、对步骤(2)提取的三种特征进行融合获得固定大小的特征矩阵；步骤(4)、步骤(3)的数据使用RepVGG模块和SE模块构建的模型进行训练和测试。本发明使用三种特征提取方法对图像提取特征并合成特征矩阵，使得该特征矩阵能够包含多种类型的特征，能够提高模型的通用性和鲁棒性，提高模型对不同隐写算法的学习性能，避免了隐写分析网络对图像大小的依赖性，大大提高的本发明的实用性。用性。


技术研发人员：徐洋 徐贵勇
受保护的技术使用者：贵州师范大学
技术研发日：2021.07.21
技术公布日：2021/10/26