导读:本文包含了隐写与隐写分析论文开题报告文献综述及选题提纲参考文献，主要关键词:AbS-LPC,压缩语音,信息隐藏,隐写分析
隐写与隐写分析论文文献综述
李松斌,刘鹏,杨洁,晏黔东[1]（2019）在《一种低速率压缩语音通用隐写分析方法》一文中研究指出合成分析线性预测编码(AbS-LPC)广泛应用于多种低速率语音编码中,现有的AbS-LPC低速率压缩语音隐写检测方法针对特定类型的隐写方法而设计,泛化能力较弱。为此,本文提出了一种面向多类低速率压缩语音隐写的通用信息隐藏检测方法。由于AbS-LPC低速率压缩语音码流中的码元存在时空关联性,且所有AbS-LPC低速率压缩语音隐写方法本质上都是改变码元取值。因此,从码元的角度出发,基于贝叶斯推理实现多类低速率压缩语音隐写的通用隐写检测。实验结果证明本文方法具有很好的通用隐写检测效果。(本文来源于《网络新媒体技术》期刊2019年06期）
任魏翔,翟黎明,王丽娜,嘉炬[2]（2019）在《基于卷积神经网络的JPEG图像隐写分析参照图像生成方法》一文中研究指出基于深度学习的JPEG数字图像隐写分析模型检测能力已超越基于人工设计特征隐写分析模型,但检测能力仍存在提升空间.以进一步提升JPEG隐写分析模型的检测能力为目标,借助深度学习方法,为基于深度学习的JPEG隐写分析模型提供辅助信息,从数据输入角度,探索进一步提升隐写分析模型检测能力的途径.基于卷积神经网络,构建隐写分析参照图像生成模型,对待检测图像进行变换,从而获得对应参照图像.之后,将待检测图像与对应参照图像作为隐写分析模型的输入数据,进一步挖掘待检测图像中存在的隐写分析相关信息.为验证所提出算法的有效性,进行针对JPEG自适应隐写算法的对比实验.实验结果表明:所设计的参照图像生成模型能够提升现有基于深度学习的隐写分析模型检测能力,提升效果最多可达6个百分点.(本文来源于《计算机研究与发展》期刊2019年10期）
穆晓芳,邓红霞,李晓宾,赵鹏[3]（2019）在《基于人工蜂群算法的两阶段图像隐写分析算法》一文中研究指出为了提高图像隐写分析的检测准确率,提出了一种基于人工蜂群算法的两阶段图像隐写分析算法。第一阶段,设计了基于模糊理论的隐写模式检测算法,检测部分已知隐写算法的隐写内容;第二阶段,基于人工蜂群算法分析了含密图像的区域与密度双重特征,通过双重特征的分析检测未知隐写算法的嵌入内容。基于公开隐写图像数据集的实验结果表明,所提的两阶段隐写分析算法可获得较高的检测率,同时具有理想的计算效率。(本文来源于《计算机科学》期刊2019年06期）
刘小康,田晖,刘杰,卢璥[4]（2019）在《IP语音隐写及隐写分析研究》一文中研究指出随着IP语音(voice over IP,Vo IP)的快速发展,基于Vo IP的隐写及其隐写分析逐渐成为信息安全领域的研究热点。总结和分析了近年来的IP语音隐写和隐写分析相关研究,并探讨该领域未来的研究方向。IP语音隐写根据其隐藏信息位置不同,可分为基于协议的隐写及分析和基于语音载荷的隐写及分析。前者是利用IP语音中的各类协议为载体,将信息嵌入到协议头部中的某些字段或通过调制IP语音包的时序来实现;后者则是通过修改语音载荷实现信息隐藏,包括基于最低有效位(least significant bit,LSB)的隐写,基于量化索引调制(quantized index modulation,QIM)的隐写和基于语音变化域回声等隐写。从协议和语音载荷两方面对IP语音分析技术进行了分类介绍。前者可分为协议头分析、时间序列分析、编码调制分析3类。后者包括基于特点语音参数(如线性预测参数、固定码本参数、自适应码本参数和所有参数)的隐写分析和基于语音信号处理的隐写分析方法。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2019年03期）
甘霖[5]（2019）在《基于卷积神经网络的隐写分析技术研究》一文中研究指出随着隐写算法的不断发展进步,使得信息隐藏的安全性和隐蔽性越来越高,越来越多的隐写算法被应用于信息隐藏之中。然而,隐写算法除了用于版权认证、军事隐蔽通信等正当用途之外,也有可能被滥用于各种破坏社会稳定的非法活动中。隐写算法是一把双刃剑,需要合理使用。通用隐写分析技术,主要是利用图像中的某些特征变化结合监督学习,构建出基于特征的图像分类器,然后判定图像是否含有隐秘信息。然而传统的通用隐写分析技术正面临着图像特征越来越复杂,人工设计越来越困难这一问题。基于卷积神经网络的通用隐写分析技术正是为了解决此问题而生,也是目前隐写分析技术研究的热点和难点之一。本文主要研究基于卷积神经网络的通用隐写分析模型,利用了图像邻域像素相关性以及通道间相关性等特征,分别可检测灰度图变换域载密图像和彩色图变换域载密图像。本文主要的贡献如下:1)滤波器是卷积神经网络的重要组成部分,然而前人并没有给出如何选择滤波器。本文提出了帮助选择卷积神经网络滤波器的评判指标。卷积神经网络的隐写分析模型的性能很大程度上依赖于滤波器设计的好坏,该指标能够有助于筛选出合适的滤波器。实验结果表明,本文提出的滤波器评判指标能指导滤波器的选择,提升模型的性能。2)前人对于卷积神经网络与隐写分析结合的研究成果几乎都集中于灰度图空域,仅有的灰度图变换域隐写分析模型HCNN的结构较为复杂,包含了量化、截断的操作以及并行的子网络结构。基于此,本文提出了一个基于卷积神经网络的灰度图变换域隐写分析模型,称为JPEGCNN。本文在HCNN的基础上,优化了滤波器的设计,同时简化了模型结构。实验结果表明,JPEGCNN能较好地检测Jsteg、nsf5、MB1、MB2,J-UNIWARD等灰度图变换域隐写算法。相对于HCNN,JPEGCNN简化了结构,参数量下降为HCNN的二十分之一,同时依然能够保持检测精度不下降。3)现实中大部分场景使用的图像为彩色图像,然而针对彩色图像的基于卷积神经网络的隐写分析模型尚未有人研究。通过研究和设计不同的特征提取方式,将针对灰度图变换域的隐写分析模型JPEGCNN扩展到彩色图变换域,本文统称为COLOR-JPEGCNN。COLOR-JPEGCNN细分又可分为,基于RGB叁通道融合的RGBMERGE-JPEGCNN模型,基于RGB叁通道迭加的RGBADD-JPEGCNN模型和基于RGB叁通道间关系的CHANNEL-JPEGCNN模型。实验结果表明,COLOR-JPEGCNN能较好地检测Color-Jsteg、Color-nsf5,Color-MB 1,Color-MB2,Color-J-UNIWARD等彩色图变换域隐写算法。(本文来源于《北京邮电大学》期刊2019-06-10）
刘哲[6]（2019）在《结合数字取证的图像隐写分析方法研究》一文中研究指出在大数据时代,图像安全是当今数字图像处理研究中最为活跃的领域之一。隐写和隐写分析是信息隐藏中的热门技术,在实际生活中具有非常高的使用率。隐写的目的是将秘密消息与多媒介载体相结合,以创建隐秘载体。本论文主要针对图像载体进行隐写和隐写分析。除了原始消息之外,图像隐写还需要秘密密钥或秘密密码来改变图像的空域像素值或变换域的变换系数,将秘密信息隐藏在图像里。而隐写分析是针对隐写的攻击,通过检测隐写后图像特征的变化判断该图像是否隐藏秘密信息。隐写分析是一种经典的二分类方法,用来区分未载密cover图像和载密stego图像。然而,在现实世界中,cover图像可能已经被有意或无意地处理过,所以一些隐写分析器会将处理过的cover图像判断为stego图像,导致隐写分析中cover图像的误报率较高。近年来,大量研究表明,内容被篡改过的伪造图像,会被隐写分析方法误判为隐写图像,大大降低了隐写分析算法的准确性。在隐写分析算法中,篡改图像的前端检测越来越重要。图像篡改检测是一种典型的数字取证方法,包括复制-移动检测、拼接检测等。针对误判率较高的问题,本论文结合最新的复制-移动篡改检测方法,对传统隐写分析方法进行了改进。本论文提出的方法首先对全部图像进行篡改检测,然后利用Convolutional Neural Networks(CNN)模型将检测得到的未篡改图像进行隐写分析。主要工作如下:1.在图像篡改检测研究中,本论文对图像进行Scale-Invariant Feature Transform(SIFT)特征提取、特征点匹配、聚类,检测并剔除篡改图像,保留未篡改图像。2.本论文将第1步中的剩余未篡改图像作为CNN模型的输入,采用5×5卷积核对输入图像进行无填充高通滤波预处理,接着依次通过卷积层和全连接层,最后分别得到cover和stego图像的判定结果,实现图像的隐写判决。实验表明,本论文提出的方法有效地提升了未经篡改检测的传统隐写分析的准确性。(本文来源于《山东师范大学》期刊2019-06-10）
孙宁[7]（2019）在《最小化失真隐写及隐写分析研究》一文中研究指出隐写术与隐写分析研究是信息安全领域的重要课题。隐写术能从信息的根源上解决信息安全问题,隐写分析则是对隐写术进行攻击,能够阻止非法信息的传播,它们在维护国家安全和社会稳定方面具有重要作用。近年来,基于“失真函数+隐写编码”的最小化失真隐写成为研究热点,能够有效地增强信息的抗检测性;隐写分析技术主要以传统的机器学习和深度学习方式为主,而机器学习方式以空域富模型为代表,具有较高的隐写检测性能。本文在研究前人成果的基础上提出改进,主要研究工作如下:1.针对现有最小化失真隐写术在隐写过程中未能完全避开平滑区域和径直边缘区域的问题,本文建立一个基于多元高斯载体模型的图像纹理复杂度检测模型来定位图像的复杂纹理区域,然后启发式定义失真函数,提出一种新的空域自适应隐写方法。首先,假设隐写分析者能完全估计图像像素纹理复杂度,利用似然比检验估计载体图像各像素的纹理复杂度,并与嵌入适应度关联。然后,使用均值滤波器对它进行滤波处理,生成嵌入失真值。最后,采用STC编码完成秘密信息的嵌入。2.针对空域富模型隐写分析中特征维度高、冗余性强、特征提取时间较长等问题,本文进行了一系列的特征选择操作,探究了以下4种不同的模型组合方式:单一量化因子组合方式、单一滤波核种类组合方式、混合筛选组合方式、皮尔森相关系数组合方式,并且加入了特征预处理手段。通过可视化实验表明:本文提出的隐写方法能将嵌入修改的位置更加聚集在纹理丰富的区域。并且,通过统计隐写分析实验表明:本文方法在抵抗空域富模型隐写分析及其变体隐写分析方面,具有更好的抗检测性。另外,由本文的4种新特征组合对两种着名的隐写术检测实验可得:混合筛选组合方式和皮尔森相关系数组合方式可以与降维前的隐写分析性能保持稳定,但是具有更高的性能维度比。(本文来源于《重庆邮电大学》期刊2019-06-08）
赵俊峰[8]（2019）在《抗CNN隐写分析的信息隐藏方法研究》一文中研究指出随着互联网的发展,网络安全成为了目前关注的焦点,保证信息在信道上的隐蔽传输变得更为重要。相比于传统的图像加密技术,使用数字图像隐写方法可将秘密信息以不可感知的形式嵌入到图像中。但隐写不是绝对安全的,使用隐写分析方法可检测出图像内是否有含密信息,最终导致隐写失败。通过GPU的加速可快速训练深层神经网络,因此基于CNN的隐写分析方法可在较短时间内准确的检测出大量图像是否含密。对隐写产生了巨大的挑战。在图像分类中,对抗性样本技术可在图像上加以细微的扰动,使之分类错误。因此,将对抗性样本技术移植到抗隐写分析上,即在隐写图像上加以微小的改动,使CNN将其识别为未隐写,即可保证隐写图像的安全。在本文的工作中,首先调研了数字图像隐写及数字图像隐写分析的发展现状,接下来详细说明了数字图像隐写相关概念,并给出基于CNN隐写分析的框架。由框架可知,若使用CNN进行隐写分析,需对图像进行预处理,才能显现出隐写图像的特征图。然后使用CNN进行模型训练即可。为保护隐写图像的安全,本文提出了一种基于局部嵌入的抗隐写分析方法,将抗隐写分析的增强型特征与未修改的感知特征融合,增加CNN隐写分析模型的识别错误率。该方法首先选取图像的部分像素,使用对抗性样本的生成方法修改图像的梯度,同时增加嵌入率,以保证嵌入秘密信息的数量。余下部分的像素不进行修改,保留其未隐写的感知特征。为更好的体现工作内容,本文提出了一种抗CNN隐写分析的安全测试平台,平台包含隐写分析与抗隐写分析两个子模块。为更好的将其移植到平台中,在平台的整体结构上使用前后端分离的方式,并使用了当前流行的Vue.js+Django进行开发。在隐写分析模块中,将当前具有代表性的3个CNN隐写分析模型模块化,实现了深度学习工程化。在抗隐写分析模块中,将本文提出的抗CNN隐写方案和通用框架相结合,将其集成到测试平台中。最后对整个平台进行了功能测试和仿真测试。在仿真测试中,首先仿真了3种CNN隐写分析方法,其性能达到了预期的效果。然后将本文提出的两种局部嵌入策略与通用抗隐写分析框架对抗测试平台中的3个CNN隐写分析模型,并将其实验结果进行性能对比。结果表明,选择恰当的局部嵌入策略可提升原有方法的性能,进而实现保护隐写图像的安全性。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
谢国梁[9]（2019）在《机器学习在隐写术与隐写分析中的应用》一文中研究指出“机器学习”是实现人工智能的一种途径,它的目的是让计算机自动地从数据中学习规律,甚至是利用学习到的规律对未知数据进行预测。将机器学习应用于隐写术和隐写分析,能够促进隐写术和隐写分析的发展。例如:将机器学习中的“降维与稀疏学习”应用于隐写术中,可以利用压缩感知技术保护隐秘信息;另一方面,也可以利用压缩感知来提取特征信息,用于隐写分析。又如在监督学习中,我们利用生成的载体数据和含密数据来训练隐写分析的分类器,包括支持向量机、神经网络和集成分类器等。在非监督学习中,也能够根据提取的特征来自动地聚类载体图像和含密图像,实现自动分类的效果。目前对隐写术的研究主要在于两点:一是如何提高嵌入的信息容量而不影响原始载体的视听觉效果;二是如何提高隐写术自身的安全性,以保证隐秘信号不被发现。与之对应的,隐写分析的主要研究在于:如何能够在未知隐写算法的情况下,通过空域或频域特征来判断未知载体为含密载体或正常载体。本文主要从以上两个方向进行研究,论文的主要工作及创新内容如下:1.针对一般空域隐写术中,只对载体图像进行处理,而不对隐秘信息进行处理,且嵌入容量不高问题;本文提出了一种基于压缩感知和随机嵌入的空域隐写算法。算法使用压缩感知技术对原始隐秘图像进行降维加密,以这种方式提高原始图像的嵌入率;同时在k个LSB的位平面中,随机选择嵌入的位置,进行隐秘信息的嵌入;本文算法不会破坏载体的视觉效果,在与其他算法对比时,同一嵌入量能够带来较高的PSNR值;在与8DPVD算法对比时,本文算法具有更好的抗隐写分析性能。2.针对以往空域隐写分析需要提取比较多的特征进行训练分类器的问题,本文提出了一种基于分块压缩感知的隐写信号检测与恢复方法。使用压缩感知在隐写分析的作用主要有:提升分类时的正确率以及减少特征提取的数目。首先,用方向提升小波对图像做稀疏表示;然后使用归一化的高斯分布模型生成块压缩感知测量矩阵,这个测量矩阵可以用来感知方向提升小波系数。接着,我们用感知到的特征残差来重建原始秘密信号。算法与其他几种传统的空域分析方法比较,证明了本方法不仅具备分析空域隐写术的能力,而且能够在含密图像中恢复出原始信号。(本文来源于《广东技术师范大学》期刊2019-06-01）
张震[10]（2019）在《基于深度学习的图像隐写分析算法研究》一文中研究指出当今时代信息技术飞速发展,使得信息交流更加方便,与此同时,人们更加注重信息能否安全的传递到接收方。隐写技术是保证信息传输安全的一种有效方法,它在载体中嵌入秘密信息,然后通过公共信道无损失的传输,使得秘密信息不易被察觉,确保秘密信息可以安全的传输到接收方。然而这种技术也会被别有用心的人利用,威胁到社会的安全和稳定。在这样的背景下,隐写分析技术就显得尤为重要,顾名思义,隐写分析技术主要用来分析在公共信道传输的载体是否包含隐秘信息,它与隐写技术相互对抗。当前,隐写分析技术要解决的问题,可以看成二分类的问题,即区分载体是否包含隐秘信息。隐写分析技术大体可分为两类,传统的隐写分析技术和基于深度学习的隐写分析技术。传统的隐写分析技术,首先提取图像的不同维度的特征,然后进行分类,但是这种方法过于依赖设计者的经验,存在一定的局限性。本文主要研究基于深度学习的隐写分析,针对的载体类型为数字图像,论文的主要内容包括:(1)基于导向性多滤波核深度学习网络的隐写分析研究。这个工作分析了富模型的隐写分析方法中的滤波核,并结合了隐写的相关知识,在深度学习网络的预处理层中,使用了导向性多滤波核处理,这样既保留了预处理层增大信噪比的作用,又能为网络参数的学习起到一定的导向性作用,提出了一个解决隐写分析问题的深度学习网络结构,提升网络的检测性能。实验结果显示,经过导向性滤波核预处理的深度学习网络可以有方向性的去学习图像的特征,在嵌入率较高的情况下,检测的准确率要高于富模型的方法,并且检测的准确率相比于已有的一些深度学习隐写分析方法有所提高。(2)基于增强差异传递的隐写分析深度学习框架研究。这个工作应用了 RseNet网络的快速连接方式和DenesNet网络的稠密连接思想,考虑将网络中产生的特征图进行复用,使得特征的传递更加丰富,从而影响网络参数的学习。通过将前一层或者前几层卷积之后的残差,连接到后面几层中进行复用,提出了一个增强差异传递隐写分析深度学习新框架,进一步提升网络分类的准确性。实验结果表明,经过对网络加入增强差异传递的操作,确实对提高分类准确性有所帮助。(本文来源于《北京交通大学》期刊2019-05-31）
隐写与隐写分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于深度学习的JPEG数字图像隐写分析模型检测能力已超越基于人工设计特征隐写分析模型,但检测能力仍存在提升空间.以进一步提升JPEG隐写分析模型的检测能力为目标,借助深度学习方法,为基于深度学习的JPEG隐写分析模型提供辅助信息,从数据输入角度,探索进一步提升隐写分析模型检测能力的途径.基于卷积神经网络,构建隐写分析参照图像生成模型,对待检测图像进行变换,从而获得对应参照图像.之后,将待检测图像与对应参照图像作为隐写分析模型的输入数据,进一步挖掘待检测图像中存在的隐写分析相关信息.为验证所提出算法的有效性,进行针对JPEG自适应隐写算法的对比实验.实验结果表明:所设计的参照图像生成模型能够提升现有基于深度学习的隐写分析模型检测能力,提升效果最多可达6个百分点.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
隐写与隐写分析论文参考文献
[1].李松斌,刘鹏,杨洁,晏黔东.一种低速率压缩语音通用隐写分析方法[J].网络新媒体技术.2019
[2].任魏翔,翟黎明,王丽娜,嘉炬.基于卷积神经网络的JPEG图像隐写分析参照图像生成方法[J].计算机研究与发展.2019
[3].穆晓芳,邓红霞,李晓宾,赵鹏.基于人工蜂群算法的两阶段图像隐写分析算法[J].计算机科学.2019
[4].刘小康,田晖,刘杰,卢璥.IP语音隐写及隐写分析研究[J].重庆邮电大学学报(自然科学版).2019
[5].甘霖.基于卷积神经网络的隐写分析技术研究[D].北京邮电大学.2019
[6].刘哲.结合数字取证的图像隐写分析方法研究[D].山东师范大学.2019
[7].孙宁.最小化失真隐写及隐写分析研究[D].重庆邮电大学.2019
[8].赵俊峰.抗CNN隐写分析的信息隐藏方法研究[D].哈尔滨工业大学.2019
[9].谢国梁.机器学习在隐写术与隐写分析中的应用[D].广东技术师范大学.2019
[10].张震.基于深度学习的图像隐写分析算法研究[D].北京交通大学.2019