一种基于GAN的自适应嵌入数字标签信息隐藏方法与流程

一种基于gan的自适应嵌入数字标签信息隐藏方法
技术领域
1.本发明实施例涉及图像处理技术领域，尤其涉及一种基于gan的自适应嵌入数字标签信息隐藏方法。


背景技术：

2.随着信息技术的发展和大数据时代的到来，初始载体图像具有易复制和可修改的特性，因此，初始载体图像会面临着被攻击者恶意篡改的潜在威胁，并将进一步导致用户隐私或系统安全性面临更大的风险。


技术实现要素：

3.本发明实施例提供一种基于gan的自适应嵌入数字标签信息隐藏方法，以解决初始载体图像被攻击者恶意篡改的问题，能够提升安全性。
4.根据本发明的一方面，提供了一种基于gan的自适应嵌入数字标签信息隐藏方法，包括：
5.获取初始载体图像、目标密钥和初始数字标签信息；
6.对所述初始载体图像进行强化处理，得到强化图像；
7.根据所述强化图像确定修改概率图像；
8.根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像。
9.根据本发明的另一方面，提供了一种基于gan的自适应嵌入数字标签信息隐藏装置，该基于gan的自适应嵌入数字标签信息隐藏装置包括：
10.获取模块，用于获取初始载体图像、目标密钥和初始数字标签信息；
11.处理模块，用于对所述初始载体图像进行强化处理，得到强化图像；
12.确定模块，用于根据所述强化图像确定修改概率图像；
13.加密模块，用于根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像。
14.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
15.至少一个处理器；以及
16.与所述至少一个处理器通信连接的存储器；其中，
17.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于gan的自适应嵌入数字标签信息隐藏方法。
18.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于gan的自适应嵌入数字标签信息隐藏方法。
19.本发明实施例通过获取初始载体图像、目标密钥和初始数字标签信息；对所述初
始载体图像进行强化处理，得到强化图像；根据所述强化图像确定修改概率图像；根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像，解决了初始载体图像被攻击者恶意篡改的问题，能够提升安全性。
20.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
21.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
22.图1是本发明实施例中的一种基于gan的自适应嵌入数字标签信息隐藏方法的流程图；
23.图2是本发明实施例中的基于gan的自适应嵌入数字标签信息隐藏框架图；
24.图3是本发明实施例中的强化器模型框架图；
25.图4是本发明实施例中的隐藏分析器子模型框架图；
26.图5是本发明实施例中的生成器模型框架图；
27.图6是本发明实施例中的se层框架图；
28.图7是本发明实施例中的嵌入器模型框架图；
29.图8是本发明实施例中的提取器模型框架图；
30.图9是本发明实施例中的一种基于gan的自适应嵌入数字标签信息隐藏装置的结构示意图；
31.图10是本发明实施例中的一种电子设备的结构示意图。
具体实施方式
32.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
33.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
34.图1为本发明实施例提供的一种基于gan的自适应嵌入数字标签信息隐藏方法的流程图，本实施例可适用于基于gan的自适应嵌入数字标签信息隐藏的情况，该方法可以由
本发明实施例中的基于gan的自适应嵌入数字标签信息隐藏装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
35.s110，获取初始载体图像、目标密钥和初始数字标签信息。
36.其中，所述初始载体图像为待加密图像，所述目标密钥用于对初始载体图像进行加密，所述目标密钥还用于提取数字标签信息，所述目标密钥可以为预先设定，也可以为随机生成，本发明实施例对目标密钥的获取方式不进行限制。
37.其中，所述初始数字标签信息可以为预先设定，也可以为随机生成，本发明实施例对此不进行限制。
38.s120，对所述初始载体图像进行强化处理，得到强化图像。
39.具体的，对所述初始载体图像进行强化处理，得到强化图像的方式可以为：将所述述初始载体图像输入强化器模型，得到强化图像。其中，所述强化器模型的生成方式可以为：获取目标样本集，其中，所述目标样本集包括：初始载体图像样本；随机生成噪声图像；根据初始载体图像样本和所述噪声图像生成含噪图像样本；将含噪图像样本输入隐藏分析器子模型，得到对抗梯度图像样本；根据所述对抗梯度图像样本和第一目标参数生成对抗噪声图像样本；根据所述抗噪声图像样本和初始载体图像样本生成强化图像样本；根据强化图像样本确定含密图像样本；将含密图像样本输入分析器网络，得到分析错误率；根据分析错误率对第一目标参数进行调整，直至分析错误率大于设定阈值，根据第一目标参数和所述隐藏分析器子模型生成强化器模型。
40.s130，根据所述强化图像确定修改概率图像。
41.具体的，根据强化图像确定修改概率图像的方式可以为：将所述强化图像输入生成器模型，得到修改概率图像。根据强化图像确定修改概率图像的方式还可以为：将所述强化图像输入se层，得到目标特征图像；将所述目标特征图像输入三组第一目标层，得到第一收缩图像，其中，所述第一目标层包括：conv-bn-leaky relu层和se层；将所述第一收缩图像输入四组conv-bn-leaky relu层，得到目标收缩特征图，其中，所述目标收缩特征图的通道数为预设数值，所述目标收缩特征图的大小为设定值；将所述目标收缩特征图输入七组第二目标层，得到第一扩展图像，其中，所述第二目标层包括：deconv-bn-leaky relu层和连接层；将所述第一扩展图像的修改概率值调整至预设数值，得到修改概率图像。
42.s140，根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像。
43.具体的，根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像的方式可以为：将所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息输入嵌入器模型，得到含密图像。根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像的方式还可以为：将初始数字标签信息样本和所述修改概率图像样本输入第一目标函数，得到修改图像样本；根据所述修改图像样本和所述强化图像确定含密图像样本；将所述含密图像样本输入分析器网络，得到分析错误率；根据所述分析错误率对第二目标参数进行调整，直至分析错误率大于设定阈值，根据所述第二目标参数和所述第一目标函数生成嵌入器模型；将所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息输入嵌入器模型，得到含密图像。
44.在一个具体的例子中，如图2所示，将所述初始载体图像输入强化器模型，得到强化图像，将强化图像输入生成器模型，得到修改概率图像；将强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息输入嵌入器模型，得到含密图像。
45.可选的，对所述初始载体图像进行强化处理，得到强化图像，包括：
46.获取目标样本集，其中，所述目标样本集包括：初始载体图像样本；
47.随机生成噪声图像；
48.根据初始载体图像样本和所述噪声图像生成含噪图像样本；
49.将含噪图像样本输入隐藏分析器子模型，得到对抗梯度图像样本；
50.根据所述对抗梯度图像样本和第一目标参数生成对抗噪声图像样本；
51.根据所述抗噪声图像样本和初始载体图像样本生成强化图像样本；
52.根据强化图像样本确定含密图像样本；
53.将含密图像样本输入分析器网络，得到分析错误率；
54.根据分析错误率对第一目标参数进行调整，直至分析错误率大于设定阈值，根据第一目标参数和所述隐藏分析器子模型生成强化器模型；
55.将所述初始载体图像输入所述强化器模型，得到强化图像。
56.具体的，如图3所示，所述强化器模型包含隐藏分析子模型。强化器模型有一个输入为初始载体图像i
co
，一个输出为强化图像i
str
，其整体框架内部为循环结构，不断生成能够干扰隐藏分析子模型分类结果的对抗样本，在不断循环叠加之中提升载体图像抗隐藏分析的能力。
57.初始载体图像i
co
输入强化器网络系统，同时系统会生成一个同样大小的随机噪声图，并将二者相叠加得到含噪图像，此过程模拟数字标签信息嵌入过程，接下来将其输入到经过预训练的隐藏分析子模型之中，得到对抗梯度图像，随后将其与epsilon系数相乘得到对抗噪声图像，将与初始载体图像i
co
相叠加便得到了第一次循环输出的强化图像，计算公式为：
58.i
str1
＝i
co
ε
·
η
ad1
；
59.其中，ε为epsilon系数，η
ad1
为对抗梯度图像。
60.不断循环此过程，不断生成强化图像，直至第n次循环生成i
strn
，此时对其进行性能测试。性能测试过程为实际嵌入测试，将i
strn
作为载体图像进行数字标签信息隐藏，分别用k组随机生成的数字标签信息进行隐藏，并将含密图像输入到隐藏分析器之中，当分析错误率超过所设定的值e，则通过性能测试，否则需要再进行n次循环。若满足设定的性能测试结果，则将此时的强化图像i
strn
，作为强化器网络的输出i
str
。
61.可选的，将含噪图像样本输入隐藏分析器子模型，得到对抗梯度图像样本，包括：
62.将所述含噪图像样本输入残差层，得到第一残差特征图像样本；
63.将所述第一残差特征图像样本输入量化与截断层，得到第二残差特征图像样本；
64.将所述第二残差特征图像样本输入共生矩阵层，得到共生矩阵样本；
65.根据所述共生矩阵样本确定对抗梯度图像样本。
66.具体的，如图4所示，所述隐藏分析子模型包括：残差层、量化与截断层、共生矩阵层、conv-relu-bn层、最大池化层以及全连接层。
67.将含噪图像输入残差层，得到其残差特征图i
re1
，其计算公式如下：
[0068][0069]
其中，r
i,j
为残差特征图像中像素点的像素值，x
i,j
为含噪图像中像素点的像素值，n
i,j
为x
i,j
邻域的像素值，为基于n
i,j
预测的像素值，c为残差阶数，残差特征图能够反映出像素间相关性较弱的区域。
[0070]
接下来将i
re1
输入量化与截断层，得到更新的i
re2
，通过量化与截断层将i
re1
限定在较小的范围，这些区域更易作为隐藏的重点区域，以减少后续计算的负担，同时减少i
re1
的维度。最后将i
re2
输入共生矩阵层，生成特征共生矩阵m
co
，将特征以4阶联合分布的形式表现在共生矩阵之中。得到m
co
后，输入隐藏分类单元中，经过conv-relu-bn层、最大池化层和全连接层，得到对抗梯度图像。
[0071]
可选的，根据所述强化图像确定修改概率图像，包括：
[0072]
将所述强化图像输入se层，得到目标特征图像；
[0073]
将所述目标特征图像输入三组第一目标层，得到第一收缩图像，其中，所述第一目标层包括：conv-bn-leakyrelu层和se层；
[0074]
将所述第一收缩图像输入四组conv-bn-leakyrelu层，得到目标收缩特征图，其中，所述目标收缩特征图的通道数为预设数值，所述目标收缩特征图的大小为设定值；
[0075]
将所述目标收缩特征图输入七组第二目标层，得到第一扩展图像，其中，所述第二目标层包括：deconv-bn-leakyrelu层和连接层；
[0076]
将所述第一扩展图像的修改概率值调整至预设数值，得到修改概率图像。
[0077]
其中，所述预设数值可以为[0,0.5]之间的任一数值，本发明实施例对此不进行限制。
[0078]
具体的，具体的，如图5所示，将i
pr1
输入，首先进行挤压操作，即全局平均池化操作，该步骤将特征图进行挤压操作，16个通道每个通道输出一个均值实数，这样将全局特征整合到新的特征图上；接下来输入全连接层(后简称fc层)，它与relu层以及后续的fc层形成了一个参数化的门控机制，输出特征图仍为16通道，其目的是提取出特征图各个通道的相关性，学习每个通道的注意力因素；紧接着使用sigmoid激活函数对特征图进行激活，其作用是使得特征图具有足够的非线性；然后将输出的特征图i
se1
与输入该模块的i
pr1
相乘，得到同样大小的i
se2
，即将se模块的输出特征图看作是每个通道的重要性权重，将其加权到初始特征图上，对重要特征进行突出；最后再将加权后的特征图i
se2
与i
pr1
相加，得到该模块的输出i
pr2
。se层是对特征图进行权重调整，放大重要特征并减少不重要特征的影响，为生成器引入了注意力机制，将计算集中在重要特征之上。
[0079]
接下来再进行三组conv-bn-leakyrelu和三组se层计算，分别得到i
pr3-i
pr8
，其大小均如表1所示，再将其输入四组连续的conv-bn-leakyrelu，分别得到i
pr9-i
pr12
，其中特征图通道数扩展至256，特征图大小缩小为1
×
1，至此结束收缩阶段。收缩阶段实现了对i
pr1
的特征提取，通道数从1逐步改变为256，最大化减少了特征的丢失，并通过se层的注意力机制引入，突出了重要特征，为最终生成有效修改概率图提供了支持。
[0080]
在扩展网络之中，将i
pr12
输入deconv(反卷积层)-bn-leakyrelu，输出特征图i
pr13
，此时开始实现收缩网络提取的特征的扩展。紧接着为了防止在扩展的过程之中浅层特征的
丢失，引入连接层，将i
pr11
和i
pr13
进行特征通道维度上的连接，得到特征图i
pr14
，此时实现了收缩网络与扩展网络的特征共享，有利于保证特征的完整性。再经过六组deconv-bn-leakyrelu和连接运算，分别得到i
pr15-i
pr26
，其中deconv的参数和连接层所连接的层数均如表1所示。最后将其输入最后一组deconv-bn-leakyrelu运算，得到i
pr27
，为了保证尽量少的像素进行改动，故需运用最后一层relu-sigmoid-0.5将修改概率值调整至[0,0.5]，得到修改概率图i
pr
。通过扩展网络将提取出的特征逐步映射到修改概率图之中，最大程度上保证了特征不丢失。
[0081]
生成器模型通过收缩和扩展过程可以有效提取强化图像i
str
的特征并转化成i
pr
，为在嵌入器网络之中进行数字标签信息嵌入做好前期准备。
[0082]
在一个具体的例子中，如图5所示，所述生成器模型包括28层结构。将大小为1
×
256
×
256的强化图像输入conv-bn-leakyrelu层401处理，得到大小为16
×
128
×
128的特征图像ipr1，conv操作将通道数拓宽到16，有利于提取更多特征，下采样操作将其大小收缩到128
×
128，集中图像特征，接下来通过bn层防止梯度消失并加快训练，通过leakyrelu增加其非线性。接下来输入se层405，即squeezeandexcitation(挤压和激励)层，得到ipr2，接下来再进行三组conv-bn-leakyrelu401和se层405计算，分别得到ipr3-ipr8，再将其输入四组连续的conv-bn-leakyrelu401，分别得到ipr9-ipr12，其中ipr12的大小为256
×1×
1，此时由于已将特征图通道数扩展至256，特征图大小缩小为1
×
1，再取更大的通道数为网络带来的计算负担远大于其性能提升，故将最大通道数定为256，同时由于通道数不再扩大，也并不需要将se层408加入其中调整特征权重，至此结束收缩阶段。收缩阶段实现了对ipr1的特征提取，通道数从1逐步改变为256，最大化减少了特征的丢失，并通过se层405的注意力机制引入，突出了重要特征，为最终生成有效修改概率图提供了支持。
[0083]
将ipr12输入deconv-bn-leakyrelu403，输出大小为256
×2×
2的特征图ipr13，此时开始逐步实现收缩网络提取的特征的扩展。紧接着为了防止在扩展的过程之中浅层特征的丢失，引入连接层404，将ipr11和ipr13进行特征通道维度上的连接，得到大小为512
×2×
2的特征图ipr14，此时实现了收缩网络与扩展网络的特征共享，有利于保证特征的完整性。再经过六组deconv-bn-leakyrelu403和连接层404运算，分别得到ipr15-ipr26。最后将其输入最后一组deconv-bn-leakyrelu403运算，得到大小为1
×
256
×
256的ipr27，为了保证尽量少的像素进行改动，故需运用最后一层relu-sigmoid-0.5层402将修改概率值调整至[0，0.5]，得到大小为1
×
256
×
256的修改概率图ipr406。通过扩展网络将提取出的特征逐步映射到修改概率图之中，最大程度上保证了特征的不丢失。
[0084]
每层网络参数如表1所示：
[0085]
表1
[0086]
[0087]
[0088][0089]
可选的，将所述强化图像输入se层，得到目标特征图像，包括：
[0090]
对所述强化图像进行挤压，得到挤压图像；
[0091]
获取所述挤压图像对应的第一特征图像；
[0092]
对所述第一特征图像进行激活，得到激活后的第一特征图像；
[0093]
根据激活后的第一特征图像和所述强化图像确定第二特征图像；
[0094]
根据第二特征图像和强化图像确定目标特征图像。
[0095]
具体的，如图6所示，将强化图像输入gap层，得到挤压图像，将挤压图像输入fc层、relu层以及fc层，得到第一特征图像，基于sigmoid函数进行激活，得到激活后的第一特征图像ise1，根据激活后的第一特征图像ise1和所述强化图像确定第二特征图像ise2，根据ise2和强化图像确定目标特征图像ipr2。
[0096]
具体的，所述se(squeezeandexcitation)层：将ipr1输入，首先进行挤压操作，即全局平均池化操作，该步骤将特征图从16
×
128
×
128挤压到16
×1×
1，16个通道每个通道输出一个均值实数，这样将全局特征整合到了新的特征图上；接下来输入全连接层，它与relu层以及后续的全连接层形成了一个参数化的门控机制，输出特征图仍为16
×1×
1，其目的是提取出特征图各个通道的相关性，学习每个通道的注意力因素；紧接着使用sigmoid激活函数对特征图进行激活，其作用是使得特征图具有足够的非线性；然后将输出的大小为16
×1×
1的特征图ise1与输入该模块的ipr1501相乘，得到大小同样为16
×
128
×
128的ise2，即将se模块的输出特征图看作是每个通道的重要性权重，将其加权到初始特征图上，对重要特征进行突出；最后再将加权后的特征图ise2与ipr1相加，得到该模块的输出ipr2，其大小为16
×
128
×
128。se层是对特征图进行权重调整，放大重要特征并减少不重要特征的影响，为生成器引入了注意力机制，将计算集中在重要特征之上，简化了训练过程，有利于提高训练效率。
[0097]
可选的，根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像，包括：
[0098]
将初始数字标签信息样本和所述修改概率图像样本输入第一目标函数，得到修改图像样本；
[0099]
根据所述修改图像样本和所述强化图像确定含密图像样本；
[0100]
将所述含密图像样本输入分析器网络，得到分析错误率；
[0101]
根据所述分析错误率对第二目标参数进行调整，直至分析错误率大于设定阈值，根据所述第二目标参数和所述第一目标函数生成嵌入器模型；
[0102]
将所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息输入嵌入器模型，得到含密图像。
[0103]
其中，所述第一目标函数如下所示：
[0104][0105][0106]
其中，i
da
为初始数字标签信息，tanh为双曲正切函数，β为第二目标参数，i
mo
为修改图像，i
pr
为修改概率图像，i
da
为数字标签信息图像。
[0107]
具体的，如图7所示，在训练嵌入器模型时，由“np.random.rand”函数，随机生成符合(0，1)之间均匀分布的初始数字标签信息d
or
，通过训练能够得到系统在数字标签信息图像随机生成的情况下的最好性能。在实际传输阶段，则需要使用者输入需要传输的数字标签信息，经网络编码进行数字标签信息嵌入。
[0108]
将数字标签信息图像i
da
和修改概率图像i
pr
一同输入第一目标函数，得修改图像i
mo
，最后将得到的修改图像i
mo
叠加于输入的强化图像i
str
之上得到大小为d
×w×
h的含密图像，即对强化图像i
str
进行了像素级的修改，实现了训练阶段数字标签信息的嵌入。
[0109]
可选的，将所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息输入嵌入器模型，得到含密图像，包括：
[0110]
将所述初始数字标签信息输入格式转换层，得到数字标签信息向量；
[0111]
将所述数字标签信息向量、所述强化图像、所述修改概率图像以及所述目标密钥输入编码器，得到含密图像。
[0112]
具体的，如图7所示，在训练完成之后，进入实际嵌入阶段，首先将格式为text文本的初始数字标签信息d
or
输入格式转换层，实现由文本text到字节byte再到比特bits的转换，生成二进制数字标签信息向量v
da
。嵌入器网络选择运用stc编码器对数字标签信息进行嵌入，首先将i
pr
经如下公式计算得到失真代价图像i
cos
：
[0113][0114]
随后与共享秘钥k、v
da
以及i
str
一同输入stc编码器进行数字标签信息嵌入，进而得到含密图像i
ste
，至此便完成了数字标签信息的实际嵌入过程。又由于实际传输过程需要实现数字标签信息嵌入和提取这样的完整的端到端过程，故选择运用stc编码器对数字标签信息进行嵌入，将修改概率图、共享密钥、二进制数字标签信息向量以及强化图像一同输入stc编码器进行数字标签信息嵌入，进而得到含密图像，至此完成数字标签信息的实际嵌入过程。
[0115]
可选的，在根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像之后，还包括：
[0116]
根据所述含密图像和所述目标密钥确定目标数字标签信息。
[0117]
可选的，根据所述含密图像和所述目标密钥确定目标数字标签信息，包括：
[0118]
将所述含密图像和所述目标密钥输入解码器，得到数字标签信息向量；
[0119]
将所述数字标签信息向量输入格式转换层，得到目标数字标签信息。
[0120]
具体的，所述提取器模型包含stc解码器和格式转换层；将含密图像i
ste
和共享秘钥k共同输入stc解码器，通过解码器提取数字标签信息，得到数字标签信息向量v’da
，接下
里将其输入格式转换层，将v’da
中的bits数据转换为byte，再转换为text，最终得到提取数字标签信息d
ex
。
[0121]
可选的，在根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像之后，还包括：
[0122]
根据所述含密图像和所述强化图像确定分析错误率。
[0123]
具体的，根据所述含密图像和所述强化图像确定分析错误率的方式可以为：将所述含密图像和所述强化图像输入分析器模型，得到分析错误率。
[0124]
可选的，根据所述含密图像和所述强化图像确定分析错误率，包括：
[0125]
根据所述含密图像和所述强化图像确定第一连接图像；
[0126]
将所述第一连接图像输入预处理卷积层，得到第一残差图像；
[0127]
将所述第一残差图像输入conv-abs-bntanh层，得到第二残差图像；
[0128]
将所述第二残差图像输入池化层，得到第一残差特征图像；
[0129]
将所述第一残差特征图像输入四组第三目标层，得到第二残差特征图像，其中，所述第三目标层包括：conv-bn-tanh层和池化层；
[0130]
将所述第二残差特征图像输入conv-bn-relu层和池化层，得到第三残差特征图像；
[0131]
将所述第三残差特征图像输入分类层，得到分析错误率。
[0132]
具体的，分析器模型由15层串联组成。分析器网络完成网络之中攻击者的角色，对传输到公共信道中的i
str
和i
ste
两种图像进行隐藏分析判断，通过提取256个通道的特征值进行分类判断。
[0133]
分析器网络拥有两个输入，强化图像i
str
和含密图像i
ste
，拥有一个输出，分析类别t
ste
，网络具体参数如表2所示：
[0134]
表2
[0135][0136][0137]
分析器模型首先将两个输入i
str
和i
ste
进行连接，得到维度更大的i
ste1
，并将其输入预处理卷积层。预处理卷积层分别提取i
ste1
中水平一阶残差、垂直一阶残差、水平二阶残差、垂直二阶残差、square3
×
3残差和square5
×
5残差图像，其具体数值如表3所示：
[0138]
表3
[0139][0140]
现将其连接为卷积核，对i
ste1
进行卷积计算，将其通道数拓展为6，得到6种残差图像组成的i
ste2
，有利于后续对图像特征的进一步提取。接下来将预处理后的i
ste2
输入第一层conv-abs-bntanh，运用卷积计算继续拓宽图像通道数到8，又由于预处理中提取出的是六种残差图像，故其具有对称性，运用abs操作能够取非负值，有效简化分析网络的计算负担，bn计算归一化同样起到提高效率的作用，同时能够有效防止局部最优解的情况出现，而tanh激活函数使得残差图像i
ste2
更具非线性，有利于提取特征，并最终得到i
ste3
。再将其引入步长为2的平均池化层，将第一层提取的特征整合到每个通道上，并缩小图像尺寸，得到特征图i
ste4
。紧接着对i
ste4
运用四个conv-bn-tanh和averagepooling组合运算，分别得到i
ste5-i
ste12
，将通道数逐步增加，将图像逐步缩小，最大程度上保证所提取特征的完整性。在最后一组运算之中，选择relu作为激活函数，进行conv-bn-relu和averagepooling组合运算，得到i
ste13
和i
ste14
，平均池化运算将256个特征值收缩到了256个通道上，也为最后的分类层做好了准备。分类层由全连接层和softmax层组成，全连接层将所得到的256个通道的特征值，分别乘以对应的权重再相加，得到含有2个节点值的特征图i
ste15
，最后运用softmax层将其转换为和为1的两个特征值，代表分析类别t
ste
，即代表分析器网络对所输入图像i
ste
分属于含有数字标签信息与不含数字标签信息两类的概率的预测。
[0141]
在一个具体的例子中，如图8所示，对强化图像和含密图像进行连接操作805，得到维度更大的iste1，基于大小为6
×5×
5的卷积核801对iste1进行卷积计算，将其通道数拓展为6，得到6种残差图像组成的iste2，有利于后续对图像特征的进一步提取。接下来将预处理后的iste2输入第一层conv-abs-bntanh803，运用卷积计算继续拓宽图像通道数到8，又由于预处理中提取出的是六种残差图像，故其具有对称性，运用abs操作能够取非负值，有效简化分析网络的计算负担，bn计算归一化同样起到提高效率的作用，同时能够有效防
止局部最优解的情况出现，而tanh激活函数使得残差图像iste2更具非线性，有利于提取特征，并最终得到iste3。再将其引入步长为2的平均池化层gap806，将第一层提取的特征整合到每个通道上，并缩小图像尺寸，得到大小为8
×
128
×
128的特征图iste4。紧接着对iste4运用四个conv-bn-tanh802和gap806组合运算，分别得到iste5-iste12，将通道数逐步增加到128，将图像逐步缩小到16
×
16，最大程度上保证了所提取特征的完整性。在最后一组运算之中，选择了relu作为激活函数，这是由于在深层次的卷积神经网络之中，采用不同的激活函数更能使深层次的特征具有非线性，也丰富了整个分析网络的激活函数类型，进行conv-bn-relu804和gap806组合运算，得到iste13和iste14，gap806将256个特征值收缩到了256个通道上，也为最后的分类层做好了准备。分类层由全连接层和softmax层组成，全连接层将所得到的256个通道的特征值，分别乘以对应的权重再相加，得到含有2个节点值的特征图iste15，最后运用softmax层将其转换为和为1的两个特征值，代表分析类别，即代表分析器网络对所输入含密图像分属于含有数字标签信息与不含数字标签信息两类的概率的预测。
[0142]
本实施例的技术方案，通过获取初始载体图像、目标密钥和初始数字标签信息；对所述初始载体图像进行强化处理，得到强化图像；根据所述强化图像确定修改概率图像；根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像，解决了初始载体图像被攻击者恶意篡改的问题，能够提升安全性。
[0143]
图9为本发明实施例提供的一种基于gan的自适应嵌入数字标签信息隐藏装置的结构示意图。本实施例可适用于加密的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供基于gan的自适应嵌入数字标签信息隐藏功能的设备中，如图9所示，所述基于gan的自适应嵌入数字标签信息隐藏装置具体包括：获取模块210、处理模块220、确定模块230和加密模块240。
[0144]
其中，获取模块，用于获取初始载体图像、目标密钥和初始数字标签信息；
[0145]
处理模块，用于对所述初始载体图像进行强化处理，得到强化图像；
[0146]
确定模块，用于根据所述强化图像确定修改概率图像；
[0147]
加密模块，用于根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像。
[0148]
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
[0149]
本实施例的技术方案，获取初始载体图像、目标密钥和初始数字标签信息；对所述初始载体图像进行强化处理，得到强化图像；根据所述强化图像确定修改概率图像；根据所述强化图像、所述修改概率图像、所述目标密钥以及所述初始数字标签信息确定含密图像，解决了初始载体图像被攻击者恶意篡改的问题，能够提升安全性。
[0150]
图10示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0151]
如图10所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom12以及ram13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0152]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0153]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于gan的自适应嵌入数字标签信息隐藏方法。
[0154]
在一些实施例中，基于gan的自适应嵌入数字标签信息隐藏方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram13并由处理器11执行时，可以执行上文描述的基于gan的自适应嵌入数字标签信息隐藏方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于gan的自适应嵌入数字标签信息隐藏方法。
[0155]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0156]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0157]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质
可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0158]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0159]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0160]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0161]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0162]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。