论文摘要
隐写是利用多媒体信息本身存在的冗余性以及人类感官对细微变化的不敏感性来实现隐蔽通信。隐写的发展,在为社会带来一种新的隐蔽通信手段的同时也带来了新的威胁,隐写检测技术由此应运而生。隐写检测分为专用检测和盲检测,本文主要讨论图像中隐藏信息的盲检测问题。图像隐写盲检测是一个模式识别过程,包括特征提取和分类器构造两个方面。由于高维的隐写特征可以捕捉更多利于检测隐写的信息,因此,为了对抗越来越复杂精巧的现代图像隐写技术,隐写盲检测算法使用了越来越高维的特征向量。而采用高维的隐写特征对分类器的构造是一项挑战：它不仅会增加分类器训练的复杂度,甚至会影响分类器的分类能力。针对上述特点,本文主要从以下三个方面对现有的隐写盲检测算法进行了改进：(1)基于核目标度量准则的高斯核函数优化方法。针对已有的高斯核函数优化方法,如交叉验证等在高维样本空间具有时间开销大的缺点。本文提出一种使用核目标度量准则来优化高斯核函数的新方法,可以在高维样本空间快速地为基于核方法的模式分类任务寻找到较优的高斯核函数。利用欧拉马克劳林公式和核可分离准则的局部和全局极值性质,证明了该准则具有一个确定的全局极小点。最后,通过使用基于牛顿的搜索算法可以简单地实现本文的优化方法。(2)基于特征选择的RSM改进算法。随机子空间方法(RSM)是一种可以对高维样本数据进行有效分类的集成学习方法。然而RSM是随机选择特征子集,无法保证选择出来的特征具有所必须的区分能力。因此,本文对经典RSM算法进行了改进,提出基于特征选择的RSM算法(FSRSM),利用序列前向选择(SFS)选取特征空间分类能力较高的特征,并将这部分特征固定下来。由于保留了分类能力较高的特征,可以从一定程度上提高每个特征子集的分类能力,从而提高集成分类的整体性能。(3)基于特征融合和FSRSM的隐写盲检测方法。传统的隐写盲检测主要采用较低维的单一特征集,由于特征提取的片面性,单一特征集难以全面地体现嵌入改动所引起的差异性。因此,本文将特征融合的思想引入到隐写检测中,对基于小波包和共生矩阵的两种经典低维隐写特征进行串行融合生成高维的融合隐写特征。最后,利用集成分类器代替单一分类器,使用本文提出的FSRSM集成学习算法对融合特征进行分类检测。本文前两个方法旨在提升分类器对高维隐写特征的分类性能：高斯核优化方法侧重于提升分类器的时间效率,FSRSM侧重于提升分类器的分类准确率。本文第三个方法则同时考虑了优化特征提取和提升分类器性能两方面的内容：先利用特征融合技术生成高维的融合隐写特征,然后,采用FSRSM集成学习算法对融合特征进行分类检测。