茍沛東,張春玉,2,劉海倫,石倚菲
(1.西藏民族大學(xué) 信息工程學(xué)院,陜西咸陽,712082;2.西藏自治區(qū)光信息處理與可視化技術(shù)重點(diǎn)實(shí)驗(yàn)室,陜西咸陽,712082)
信息隱藏[1]作為一種有效的隱蔽通信方法,旨在利用載體的某些特征將秘密信息隱藏在載體中,例如文本、數(shù)字圖像和音視頻文件等,以進(jìn)行隱蔽通信。由于圖像是信息傳輸中最重要的媒介之一,因此圖像信息隱藏受到了廣泛的關(guān)注。傳統(tǒng)的信息隱藏主要側(cè)重于在數(shù)字圖像中嵌入消息,主要在空域[2~3]、頻域[4~5]和自適應(yīng)域[6~8]進(jìn)行嵌入,同時對該圖像保持最少的嵌入修改[9]。然而,隱寫分析技術(shù)[10~11]的主要目的就是通過修改痕跡檢測秘密信息的存在。所以,傳統(tǒng)的圖像隱寫術(shù)無法完全抵抗隱寫分析,因?yàn)槊孛苄畔⒌那度肫茐牧溯d體圖像的統(tǒng)計(jì)特性,這也使得隱寫分析具有可乘之機(jī)。
為了避免在載體上留下痕跡,而導(dǎo)致秘密信息被隱寫分析發(fā)現(xiàn),故無載體信息隱藏的技術(shù)應(yīng)運(yùn)而生[12~13]。與傳統(tǒng)的信息隱藏方法相比,無載體信息隱藏方法不改變載體,故而可以抵抗現(xiàn)有的所有隱寫分析工具,從而比傳統(tǒng)的信息隱藏方法具有更高的安全性。目前已有許多學(xué)者對無載體信息隱藏方法進(jìn)行了研究,當(dāng)前主要為映射/編碼式無載體信息隱藏和生成/構(gòu)造式無載體信息隱藏這兩類方法。其中映射式無載體方法也被稱為基于載體選擇的無載體信息隱藏,其通過建立秘密信息與載體間的映射關(guān)系來實(shí)現(xiàn)隱蔽通信。該類方法一般需要建設(shè)大型數(shù)據(jù)庫,存在映射方案覆蓋率低、易被隱寫分析獲取秘密信息等普遍問題。
近年來,隨著更加強(qiáng)大的算力的出現(xiàn),以及更加龐大的數(shù)據(jù)集的支持,人工智能的浪潮席卷了全世界,而深度學(xué)習(xí)正是引發(fā)這一浪潮因素之一。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種技術(shù),相對于較為傳統(tǒng)的機(jī)器學(xué)習(xí)方法,深度學(xué)習(xí)十分擅長發(fā)現(xiàn)高維數(shù)據(jù)之中的復(fù)雜結(jié)構(gòu),如今它已經(jīng)擁有了許多高效的模型,如卷積神經(jīng)網(wǎng)絡(luò)、生成對抗神經(jīng)網(wǎng)絡(luò)等。深度學(xué)習(xí)中優(yōu)秀的模型被研究者們廣泛地應(yīng)用在信息隱藏之中。傳統(tǒng)的信息隱藏算法一般都是算法設(shè)計(jì)者通過自身的領(lǐng)域知識來確定在載體圖像哪些具體位置嵌入秘密信息,需要較高的專業(yè)知識,并且需要手工設(shè)計(jì)高斯濾波器等。由于深度學(xué)習(xí)的強(qiáng)大的特征學(xué)習(xí)能力,可以通過大量樣本的訓(xùn)練擬合一些優(yōu)秀的特征提取器,并通過神經(jīng)網(wǎng)絡(luò)來辨別出載體圖像之中哪里適合嵌入秘密信息,擺脫了對算法實(shí)現(xiàn)者專業(yè)知識的需求。我們也可以將深度學(xué)習(xí)中訓(xùn)練生成的思想帶入到信息隱藏模型的訓(xùn)練中去,基于深度學(xué)習(xí)執(zhí)行秘密信息隱藏算法,來使信息隱藏具有更高的安全性。目前基于深度學(xué)習(xí)的信息隱藏算法已經(jīng)全面超過了傳統(tǒng)的基于領(lǐng)域知識的設(shè)計(jì)的算法,所以將深度學(xué)習(xí)應(yīng)用在信息隱藏算法之中是一個非常優(yōu)秀的方向,能夠很好地加速信息隱藏算法的發(fā)展。
映射式無載體方法的經(jīng)典算法是2013 年M.Bilal 等提出的零隱藏的概念[14]。該框架嵌入秘密信息時并不依賴于修改載體數(shù)據(jù),而是建立秘密信息與載體之間的映射關(guān)系生成秘鑰,把秘鑰單獨(dú)傳送給接收方。ZHOU[15]等人提出了一種新的基于定位梯度直方圖哈希算法的無載體信息隱藏方法。ZHENG[16]等人提出一種基于魯棒圖像哈希的無載體隱寫方法。
隨著深度學(xué)習(xí)[17]的快速發(fā)展,基于深度學(xué)習(xí)的映射式無載體信息隱藏方法應(yīng)運(yùn)而生。王亞寧等[18]針對大多數(shù)無載體隱寫算法先定義映射規(guī)則,再在圖庫中匹配圖像的思路,反其道而行之,提出先給定圖庫,根據(jù)已有圖庫自動搜索無載體映射關(guān)系的思路,隱藏量、抗檢測能力、魯棒性方面性能都有所提高。Zhou 等人[19]在2019 年將FasterRCNN 與秘密信息相結(jié)合,通過檢測目標(biāo)類別構(gòu)建映射關(guān)系,建立對應(yīng)多級索引圖像庫以支持秘密信息傳輸,在傳輸準(zhǔn)確度、信息隱藏容量等方面具有較好效果。Zhou 等人[20]利用K-means 算法建立一個圖像數(shù)據(jù)庫,通過比較庫中圖像的HSV 特征來選擇部分重復(fù)圖像,而后利用圖像不同位置的復(fù)制部分來進(jìn)行信息隱藏。
2017 年,Girshick 關(guān)于提出了準(zhǔn)確度和運(yùn)行耗時表現(xiàn)均表現(xiàn)良好的FasterRCNN 算法。2019 年Zhou 提出基于FasterRCNN 的映射式無載體信息隱藏方案,算法基于FasterRCNN 來檢測和定位圖像中的目標(biāo),并利用目標(biāo)標(biāo)簽來表達(dá)秘密信息,與傳統(tǒng)的信息隱藏方法相比,在容量方面具有更高的性能,但研究的FasterRCNN 算法對目標(biāo)識別準(zhǔn)確率的具有局限性,需構(gòu)建大量圖像庫,算法應(yīng)用難度較高,且受攻擊后魯棒性具有一定限制。
基于上述方案,本文提出了基于YOLOX 算法的映射式無載體信息隱藏方法根據(jù)秘密信息的二進(jìn)制序列與檢測目標(biāo)間構(gòu)建映射關(guān)系庫;根據(jù)映射關(guān)系多級索引圖像庫,查找對應(yīng)圖像信息,若圖像庫中不包含所需信息,則可臨時構(gòu)建含密圖像以支持信息傳輸。與之前的工作相比,本文研究的算法的主要貢獻(xiàn)如下:
(1)本研究的映射式秘密信息傳輸具有較高的提取準(zhǔn)確率,與傳統(tǒng)的信息隱藏方法相比在受到攻擊時也能保證圖像的魯棒性。
(2)本文算法對比傳統(tǒng)算法提高了隱藏容量,且本文實(shí)現(xiàn)的方法為可擴(kuò)展隱藏方法,從而支持隱藏容量持續(xù)提升。
(3)本文的含密載體質(zhì)量高、更逼真,在進(jìn)行秘密信息隱藏時可保證第三方無法發(fā)現(xiàn),從而具有更高的安全性。
YOLOX 目標(biāo)檢測算法由ZhangGe 等人[21]于2021 提出的目標(biāo)檢測網(wǎng)絡(luò)模型,是目前YOLO 網(wǎng)絡(luò)系列速度最快,精度最高的檢測模型。YOLOX 目標(biāo)檢測網(wǎng)絡(luò)分為四部分組成,其分別為模型的輸入端,主干網(wǎng)絡(luò)Darket53,特征增強(qiáng)網(wǎng)絡(luò)以及模型預(yù)測端。
YOLOX 數(shù)據(jù)輸入部分采用強(qiáng)大的數(shù)據(jù)增強(qiáng)策略,將Mosica 以及Mixup 兩種數(shù)據(jù)增強(qiáng)策略相結(jié)合,能對數(shù)據(jù)進(jìn)行有效擴(kuò)充,防止模型的過擬合。Mosaic 數(shù)據(jù)增強(qiáng)策略已應(yīng)用在其他YOLO 系列模型當(dāng)中,是一種非常有效地提高樣本質(zhì)量的技巧。首先,從數(shù)據(jù)集中隨機(jī)抽取四張圖片,并對每張圖片進(jìn)行隨機(jī)翻轉(zhuǎn),裁剪,顏色擾動以及添加噪聲等操作,然后再對其進(jìn)行裁剪拼接,極大擴(kuò)充了目標(biāo)的背景,Mixup 數(shù)據(jù)增強(qiáng)方法則是首先從訓(xùn)練集中隨機(jī)選取兩張圖像,并采用線性插值的方法對像素值進(jìn)行疊加,擴(kuò)充了目標(biāo)的背景,將兩種數(shù)據(jù)增強(qiáng)方法結(jié)合,更加有利于小目標(biāo)的檢測。
模型的主干網(wǎng)絡(luò)則采取傳統(tǒng)YOLO 系列模型的Darknet53 作為特征提取網(wǎng)絡(luò)。在增強(qiáng)模塊中,采用空間金字塔結(jié)構(gòu)的FPN 網(wǎng)絡(luò)將高語義信息特征與低級特征相結(jié)合進(jìn)行多尺度訓(xùn)練,提高模型對小目標(biāo)的檢測能力。預(yù)測輸出網(wǎng)絡(luò)采用解耦頭對檢測目標(biāo)類別以及坐標(biāo)框的預(yù)測。傳統(tǒng)的網(wǎng)絡(luò)輸出階段,直接將目標(biāo)分類與回歸任務(wù)在同一特征圖上進(jìn)行,由于分類任務(wù)考慮樣本之間的特征差異,而回歸任務(wù)更加注重目標(biāo)的外形輪廓特征,因此會導(dǎo)致任務(wù)產(chǎn)生沖突。YOLOX 的解耦頭采用1×1 卷積將特征圖的通道數(shù)進(jìn)行調(diào)整,調(diào)整后特征圖連接兩個并行的分支,每個分支采用兩次3×3 的卷積用以分類和回歸任務(wù)。
YOLOX 采用Anchor-free 的檢測器對坐標(biāo)信息進(jìn)行預(yù)測。在回歸網(wǎng)絡(luò)中,每個預(yù)測點(diǎn)需要預(yù)測邊框的左上角坐標(biāo)(x,y)以及矩形框的寬度、高度;分類網(wǎng)絡(luò)需要對目標(biāo)的類別進(jìn)行預(yù)測;預(yù)測網(wǎng)絡(luò)需要對框選的目標(biāo)區(qū)域判斷是目標(biāo)區(qū)域還是背景區(qū)域,并采用目標(biāo)的中心點(diǎn)作為訓(xùn)練的正樣本。每個輸出特征圖上的點(diǎn)只預(yù)測一個預(yù)選框,將預(yù)測結(jié)果與原始的樣本進(jìn)行匹配來判斷是否為正樣本,需要采用合適的標(biāo)簽分配策略,YOLOX 采用simOTA 方法作為標(biāo)簽的匹配方式。首先,獲取預(yù)選框和目標(biāo)框的坐標(biāo)信息以及類別信息,通過計(jì)算IOU 值得到與每個目標(biāo)框?qū)?yīng)10 個候選框,IOU是一種測量在特定數(shù)據(jù)集中檢測相應(yīng)物體準(zhǔn)確度的一個標(biāo)準(zhǔn),是算法檢測中最常用的指標(biāo),它不僅可以確定正樣本和負(fù)樣本,還可以用來獲得預(yù)測檢測框與真實(shí)檢測框之間的距離。其在數(shù)學(xué)上的表示為如下公式所示:一般約定IOU>0.5 時,認(rèn)為正確檢測。然后利用回歸損失以及分類損失計(jì)算代價(jià)函數(shù),利用代價(jià)值給每個目標(biāo)挑選候選框,最后再采用非最大抑制篩除重復(fù)的檢測框。
本研究實(shí)現(xiàn)了基于YOLOX 算法的映射式無載體信息隱藏方法,擴(kuò)展了無載體信息隱藏的多樣性,針對了傳統(tǒng)安全性差的問題進(jìn)行優(yōu)化提升,并在此基礎(chǔ)上進(jìn)一步提升了信息隱藏容量。本研究提出框架如圖1 所示,隱寫方式為無載體信息隱藏,不會在圖像中留下修改痕跡,利用YOLOX 算法檢測來自圖像庫的圖像的目標(biāo)標(biāo)簽。算法根據(jù)秘密信息的二進(jìn)制序列與檢測目標(biāo)之間構(gòu)建映射關(guān)系庫;根據(jù)映射關(guān)系多級索引圖像庫,查找對應(yīng)圖像信息,若圖像庫中不包含所需信息,則可自行構(gòu)建含密圖像以支持信息傳輸。發(fā)送端確認(rèn)發(fā)送秘密信息,將秘密信息對應(yīng)二進(jìn)制序列,然后根據(jù)映射關(guān)系索引圖像庫或構(gòu)建含密圖像進(jìn)行信息傳輸。接收方根據(jù)YOLOX 算法從隱寫圖像中檢測目標(biāo)區(qū)域并獲取其錨框中心點(diǎn)信息,然后根據(jù)映射關(guān)系庫將識別目標(biāo)信息轉(zhuǎn)換為二進(jìn)制序列,進(jìn)而轉(zhuǎn)化為秘密信息。
圖1 基于YOLOX 算法的映射式無載體信息隱藏方法
為了實(shí)現(xiàn)無載體信息隱藏,需要在秘密二進(jìn)制序列和原始圖像的特征之間建立映射關(guān)系庫。在本研究中,使用目標(biāo)標(biāo)簽來表示秘密消息,從而將秘密消息轉(zhuǎn)換為二進(jìn)制序列,并使用YOLOX 算法檢測目標(biāo)標(biāo)簽及錨框中心以建立映射關(guān)系庫。YOLOX 算法檢測到一組目標(biāo)標(biāo)簽。如果將目標(biāo)標(biāo)簽分為2n個類別,每個目標(biāo)可以表示n 位消息。構(gòu)建映射關(guān)系庫,表示為M。在此映射關(guān)系庫中,目標(biāo)標(biāo)簽分為25個類別。由于使用目標(biāo)標(biāo)簽來表示秘密消息,因此需要確定用于表示秘密信息的目標(biāo)標(biāo)簽的順序。本研究使用YOLOX 算法從圖像中檢測目標(biāo)及其標(biāo)簽。每個目標(biāo)錨框中心點(diǎn)表示為(x,y),其中x 和y 表示目標(biāo)錨框區(qū)域中心點(diǎn)的橫、縱坐標(biāo)。然后,根據(jù)目標(biāo)錨框區(qū)域中心點(diǎn)橫坐標(biāo)x 值對目標(biāo)從左至右進(jìn)行排序,若檢測橫坐標(biāo)相同,則根據(jù)縱坐標(biāo)y 值從上至下進(jìn)行排序,本研究圖像主動生成過程應(yīng)盡可能避免目標(biāo)錨框橫坐標(biāo)值相同,即應(yīng)盡量避免生成圖像時目標(biāo)物體出現(xiàn)錨點(diǎn)覆蓋。
構(gòu)建映射關(guān)系庫時應(yīng)考慮后續(xù)秘密信息傳輸?shù)膱D像載體的合理性進(jìn)行充分考慮,本研究采用了COCO2017 數(shù)據(jù)集的目標(biāo)標(biāo)簽,針對COCO2017 數(shù)據(jù)集包含81 種分類,本研究每個目標(biāo)物體映射為5bit 信息,為了降低含密圖像載體的不合理構(gòu)圖可能性,本研究映射遵循常見目標(biāo)單獨(dú)映射,不常見目標(biāo)合并映射的思路構(gòu)建映射關(guān)系庫,例如:person(人)單一屬性為一個分類,表示二進(jìn)制密碼段為00000;stop sign(停車標(biāo)志)、parking meter(停車計(jì)費(fèi)器)、fire hydrant(消防栓)三屬性為一個分類,表示二進(jìn)制密碼段為00111,表1 給出了對應(yīng)映射關(guān)系信息。
表1 映射關(guān)系庫
根據(jù)表1,每個目標(biāo)表示5 位消息。在秘密通信之前,將秘密消息轉(zhuǎn)換為N位二進(jìn)制字符串。如果N不能被5整除,在二進(jìn)制字符串的末尾添加幾個零,以確保位數(shù)可以被5 整除。同時,在二進(jìn)制序列最后添加一組5bit 用來表示補(bǔ)0的個數(shù),且為了更好的指示信息,構(gòu)建如下映射:00000 到00110 表示沒補(bǔ)0;00111到01100 表 示 補(bǔ)1 個0;01101 到10010 表 示 補(bǔ)2個0;10011 到11000 表示補(bǔ)3 個0;11001 到11111表示補(bǔ)4 個0。例如,實(shí)際有效消息為[11111 00000 00011 11],圖像表示的二進(jìn)制序列為[10111 00110 10111 11000 xxxxx],其中xxxxx 可 以 是10011 到11000 任意一個。
2.2.1 圖像庫多級索引
發(fā)送方需要的含密信息圖像載體可以通過在圖像庫中查找符合要求的已有圖像作為含密圖像,然后進(jìn)行秘密信息傳輸,但是,在大規(guī)模圖像數(shù)據(jù)庫中直接查找可以表示給定秘密信息的圖像是非常耗時的。因此,為了實(shí)現(xiàn)高效的無載體信息隱藏,本研究設(shè)計(jì)了一種多級索引結(jié)構(gòu)如圖2 所示。具體索引過程如下,采用YOLOX 算法對圖像數(shù)據(jù)庫的每個圖像中的目標(biāo)及標(biāo)簽進(jìn)行識別,并按目標(biāo)錨框區(qū)域中心點(diǎn)的橫坐標(biāo)升序進(jìn)行排序,然后根據(jù)映射關(guān)系庫將這些標(biāo)簽轉(zhuǎn)換為二進(jìn)制序列。之后,根據(jù)二進(jìn)制序列分級將圖像列表的ID 存儲在索引文件中。
圖2 多級索引結(jié)構(gòu)
2.2.2 構(gòu)建含密圖像
在進(jìn)行秘密信息傳輸時,若在圖像庫中搜索載體圖像作為含密圖像的方法不能滿足用戶需求,用戶可在緊急需求時,通過部分可獲取的真實(shí)場景目標(biāo)物自行構(gòu)建含密圖像以支持使用。此時選取映射關(guān)系庫中定義的日常常見目標(biāo)為含密映射目標(biāo),這樣可以簡單進(jìn)行含密圖像構(gòu)建。根據(jù)可獲取的映射庫中構(gòu)建的目標(biāo),結(jié)合秘密信息將目標(biāo)按對應(yīng)序列進(jìn)行排序映射,并利用拍照等方式完成構(gòu)建,然后通過YOLOX 模型進(jìn)行檢測。臨時構(gòu)建含密圖像的方式也可以降低圖像庫構(gòu)建復(fù)雜度,支持高效完成圖像構(gòu)建及傳輸。表2 中給出了拍照生成圖像中目標(biāo)對應(yīng)的秘密信息示意。
表2 拍照生成圖像中目標(biāo)對應(yīng)秘密信息示意圖
本研究方法利用圖像的目標(biāo)標(biāo)簽來表示和傳輸二進(jìn)制序列。如圖3 所示,信息隱藏過程旨在找到可以表示秘密消息的原始圖像。
圖3 信息隱藏過程
隱藏步驟如下:
(1)本研究在所提出的方法中,為了提高安全性,不同的用戶會采用不同的映射關(guān)系庫,同一個用戶在不同的時間也會采用不同的映射關(guān)系以支持秘密信息傳輸。在信息隱藏之前,我們需要確定當(dāng)前秘密通信的映射關(guān)系庫M,M定義如下:
其中M 是初始映射關(guān)系庫,R(ID)及R(T)是隨機(jī)函數(shù),ID是用戶身份,T是時間間隔。
(2)將秘密消息轉(zhuǎn)換為二進(jìn)制字符串。假設(shè)機(jī)密信息的總長度為n 位,每個目標(biāo)表示N 位二進(jìn)制。如果N 不能被n 整除,我們在二進(jìn)制串后面補(bǔ)零,直到秘密信息的長度可以被n 整除。同時,在二進(jìn)制串最后增加N 位二進(jìn)制數(shù)表示補(bǔ)零的個數(shù),在本研究中N 表示為5。秘密信息被劃分為m 個二進(jìn)制信息段,其中段的數(shù)量m 由下述公式確定。因此,秘密消息可以表示為B={B1,B2,B3,...,Bm}。
(3)根據(jù)映射M 得到對應(yīng)目標(biāo)O ={O1,O2,O3,...,Om}的目標(biāo)集。
(4)通過索引圖像庫或含密圖像構(gòu)建,根據(jù)不同用戶在不同時間拍攝出的圖像不同,實(shí)現(xiàn)不同的隱寫圖像來隱藏和傳輸相同的秘密消息。
最后獲取隱寫圖像,用于隱藏傳輸秘密圖像。
在本研究方法中,與發(fā)送方的信息隱藏過程相比,接收方的信息提取過程相對簡單。如圖4 所示,信息提取過程的步驟如下:
圖4 信息提取過程
(1)接收方從傳輸信道接收隱寫圖像。
(2)接收方使用YOLOX 算法檢測隱寫圖像中的對象O ={O1,O2,O3,...,Om}及其標(biāo)簽,然后根據(jù)這些對象區(qū)域中心點(diǎn)橫坐標(biāo)值按升序?qū)λ鼈冞M(jìn)行排序。
(3)接受方根據(jù)上文建設(shè)的映射關(guān)系庫M 獲取相應(yīng)的二進(jìn)制序列B={B1,B2,B3,...,Bm}。
(4)將所有段連接起來形成秘密二進(jìn)制序列,并刪除二進(jìn)制序列前面的前n 位和二進(jìn)制序列末尾的數(shù)字0。然后,將二進(jìn)制機(jī)密序列轉(zhuǎn)換為秘密信息。
本研究基于python3.8、pytorch1.2.0 以及torchvis ion0.4.0 的軟件平臺進(jìn)行實(shí)驗(yàn)。首先對YOLOX 檢測圖像載體的識別準(zhǔn)確率進(jìn)行實(shí)驗(yàn)分析。模型對圖像中目標(biāo)檢測的結(jié)果通常有4 種情況:TP(True Positive),表示目標(biāo)正確檢測出的目標(biāo)數(shù)量;FP(False Positive),表示把錯誤目標(biāo)當(dāng)成正確目標(biāo)檢測出的數(shù)量;FN(False Negative),表示目標(biāo)存在,但系統(tǒng)未將其檢測出的目標(biāo)數(shù)量;TN(True Negative),表示目標(biāo)缺失,但系統(tǒng)將其檢測為目標(biāo)的數(shù)量。
針對這四種情況,目標(biāo)檢測算法模型通常用以下幾個評價(jià)指標(biāo)來評價(jià)模型優(yōu)劣:
精確率P(Precision):指分類正確的組件正常狀態(tài)個數(shù)占模型判定為正常狀態(tài)的樣本個數(shù)的比例,公式如下:
(2)召回率R(Recall):指分類正確的組件正常狀態(tài)個數(shù)占所有樣本中正常狀態(tài)個數(shù)的比例,公式如下:
(3)平均精準(zhǔn)度AP(Average Precision):以精確率P為縱軸,召回率R 為橫軸構(gòu)建PR 曲線并做平滑處理,對不同召回率對應(yīng)的精確率求平均,即PR 曲線下的面積,公式如下:
對比YOLOv3 以及Faster RCNN 算法的實(shí)驗(yàn)結(jié)果如下表3。實(shí)驗(yàn)證明本研究算法具有較高的識別準(zhǔn)確度,可以保證在圖像構(gòu)建過程中,更容易建立圖像以支持圖像庫建立,方便用于后續(xù)傳輸。
表3 檢測準(zhǔn)確率
本研究實(shí)驗(yàn)在接收端利用YOLOX 進(jìn)行圖片的秘密信息檢測提取,不同圖像的提取結(jié)果如表4 所示,根據(jù)下表可以看出本研究算法可以準(zhǔn)確進(jìn)行目標(biāo)分類檢測以及錨框中心點(diǎn)識別,根據(jù)對應(yīng)檢測識別信息,可將目標(biāo)信息準(zhǔn)確轉(zhuǎn)換成二進(jìn)制序列段,并根據(jù)信息構(gòu)建方案準(zhǔn)確執(zhí)行對應(yīng)信息轉(zhuǎn)換,輸出為準(zhǔn)確的有效秘密信息字段。
表4 秘密信息檢測提取結(jié)果
images/BZ_117_320_384_676_622.pngchair chair bed laptop(131,250)(281,246)(319,304)(368,303)00101 00101 00110 01010 00101001 010011images/BZ_117_350_634_646_1019.pngbanana apple chair book bottle(282,1001)(338,1094)(547,1621)(658,1068)(877,861)11001 01100 00101 11101 00110 1100101100 0010111101
秘密信息提取準(zhǔn)確率由字符級別解碼的正確率CA(Character-level decoding Accuracy)表示,計(jì)算公式如下:
其中,公式中n 表示所有參與解碼圖片的數(shù)目,SN 為圖片的序號,M 表示發(fā)送方嵌入的消息,M′表示接收方解碼出的消息。如果M 與M′相等,則f(M, M′)返回1,否則返回 0。
本研究對比了文獻(xiàn)[22] 及文獻(xiàn)[23]的傳統(tǒng)秘密信息傳輸算法,準(zhǔn)確率CA 如表5 所示,從表格中可以看出本研究算法具有較高提取準(zhǔn)確率。
表5 秘密信息提取準(zhǔn)確率對比
本研究利用了高斯噪聲、椒鹽噪聲以及斑點(diǎn)噪聲的不同攻擊強(qiáng)度參數(shù)值對含密圖像進(jìn)行攻擊,在不同參數(shù)時,攻擊結(jié)果示意表6 所示,可以看出,本研究算法具有較好的魯棒性及安全性。
表6 秘密信息攻擊結(jié)果示意
本研究選取了100 張樣本數(shù)據(jù)進(jìn)行攻擊實(shí)驗(yàn),其秘密物體數(shù)目為500,秘密信息提取準(zhǔn)確率如表7 所示。其中高斯噪聲選取參數(shù)為σ(0.005)、椒鹽噪聲選取參數(shù)為σ(0.005)、斑點(diǎn)噪聲選取參數(shù)為σ(0.01)。與FasterRCNN 文獻(xiàn)對比,可以看出本研究算法具有更好的魯棒性。此外,本研究方法選擇目標(biāo)分類執(zhí)行映射。攻擊者若僅得到了含密圖像,由于其無法判斷圖像目標(biāo)分類與秘密信息間的映射關(guān)系,故而無法確定秘密信息。若某次傳輸過程中,攻擊方得知了部分特征與秘密消息的對應(yīng)關(guān)系,那么下次傳輸時也僅需適當(dāng)?shù)男薷膶?yīng)映射關(guān)系便可保證安全。因此,本研究方法在無法得知含密圖像與秘密消息之間的映射關(guān)系時,可以很好的抵抗唯密文攻擊以及已知明文攻擊,具有較高的安全性。
表7 秘密信息提取準(zhǔn)確率對比
表8 隱藏容量分析
本研究算法隱寫容量由圖像中目標(biāo)數(shù)量決定,所提出的信息隱藏系統(tǒng)使用圖像的對象標(biāo)簽來傳輸二進(jìn)制比特序列。在實(shí)驗(yàn)中,每個目標(biāo)代表5 位信息。因此,每個隱寫圖像的隱藏容量取決于它包含的對象的數(shù)量。假設(shè)隱寫圖像中包含的目標(biāo)的數(shù)量為O。本方法的隱藏容量隨著O 的增加而增加。然而,隨著O 的增加,能夠表示秘密信息的圖像將更加難以識別。表格8 體現(xiàn)了隨著O 增加,YOLOX 檢測準(zhǔn)確率對比分析如下,隨著隱寫圖像中使用的目標(biāo)數(shù)目增加,表示秘密信息數(shù)量也隨之增加,但由于YOLOX 算法性能限,獲取對應(yīng)圖像復(fù)雜度升高,其中O 數(shù)量在5 左右較容易獲取對應(yīng)圖像,對應(yīng)秘密信息隱寫容量為25bit,故為建議選取數(shù)目,算法通過分析可知,秘密信息傳輸數(shù)量隨圖像中目數(shù)目增加,因此與之前的方法相比,所提出的方法的隱藏容量更高。
本文研究實(shí)現(xiàn)了基于YOLOX 的映射式無載體信息隱藏方法,通過實(shí)驗(yàn)對比傳統(tǒng)算法的信息提取準(zhǔn)確率、噪聲攻擊結(jié)果分析以及隱寫容量對比,表明本文的基于YOLOX 的映射式無載體信息隱藏方法性能良好。本研究算法由于圖像庫中目標(biāo)均經(jīng)過YOLOX 識別,臨時構(gòu)建圖片也經(jīng)過檢測后進(jìn)行傳輸,所以接收方對秘密信息的提取具有較高的準(zhǔn)確率。本研究算法抵抗高斯噪聲、椒鹽噪聲以及斑點(diǎn)噪聲的攻擊時均具有較好的魯棒性,通過分析也可知本研究算法安全性更高。此外,算法在25bit 秘密信息的隱藏容量時具有較好效果,且容量隨著目標(biāo)數(shù)量增長仍可有進(jìn)一步的提升,故基于YOLOX 的映射式無載體信息隱藏方法具有良好性能。