语音隐藏分析方法研究

论文摘要

随着信息隐藏技术在网络和数字通信方面不断发展与应用,其被非法利用的危险性也相应增加。信息隐藏分析可用于网络信息的监控、分析甚至破解等,以保护网络的安全及社会的稳定。本文针对基于数字语音信息的隐藏分析作了研究,其主要内容和创新点如下:分析了信息隐藏前后语音质量统计上的变化,给出了两种语音信息隐藏盲检测方法:基于多元线性回归分类器的检测法和基于支持向量机的检测法。两者都是通过方差分析度量不同质量评估参数的可分性,选择能反映藏有信息的数字语音和未藏信息的数字语音在统计上差异的质量评估参数,用于训练学习分类器的建模和检测。前者采用多元线性回归分类器模型,后者采用支持向量机模型。实验结果表明,两种方法可以有效检测目前常见的变换域信息隐藏方法,如DFT域、DCT频、DWT域等,检测正确率均较高,使用支持向量分类器的检测效果更好。在研究质量评估参数之间相关性的基础上,提出了一种基于组合质量评估参数的语音隐藏盲检测方法。通过多维特征选取法,选择能较好区分藏有信息的数字语音和未藏信息的数字语音在统计上差异的组合参数,建立质量评估参数的支持向量机分类模型并进行检测。与不经组合特征选取的同类方法相比,提高了正确检测率,也降低了运算量。在较深入细致地研究回声隐藏方法基础上,提出了一种基于统计特征的检测策略。通过对原始语音样本和藏密语音样本复倒谱偏度和峰度的学习和训练,分别得到偏度和峰度阈值,并将其用于回声隐藏的盲检测。实验结果表明,该方法能够有效地检测出经典回声核、双极性回声核、双向回声核、双极性双向回声核等四种回声隐藏方法,运算简便,且检测率较高。设计并完成了相应的盲检测系统,进行了实验验证,取得了良好的实验结果。

论文目录

• 摘要
• Abstract
• 目录
• 图表索引
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 信息隐藏技术的研究发展状况
• 1.3 隐藏分析技术的研究发展状况
• 1.4 本文的研究内容和创新之处
• 第二章 统计特征分析方法
• 2.1 方差分析
• 2.1.1 单因素等重复试验的方差分析
• 2.1.2 单因素不等重复试验的方差分析
• 2.2 多维特征选取
• 2.3 小结
• 第三章 分类器研究
• 3.1 线性回归分类器
• 3.1.1 多元线性回归模型
• 3.1.2 最小二乘估计法
• 3.2 基于统计学习理论的SVM
• 3.2.1 线性支持向量分类机
• 3.2.2 非线性支持向量分类机
• 3.3 小结
• 第四章 语音特征参数选择
• 4.1 语音质量评估参数
• 4.1.1 主观评估方法
• 4.1.2 客观评估方法
• 4.1.3 客观评估方法性能比较
• 4.2 单个质量评估参数的选取
• 4.2.1 时域参数
• 4.2.2 频域参数
• 4.2.3 变换域参数
• 4.3 组合质量评估参数的选取
• 4.4 实验结果
• 4.4.1 单个质量评估参数方差分析的实验结果
• 4.4.2 多维特征选取的实验结果
• 4.5 小结
• 第五章 检测方法研究
• 5.1 特征向量的选择
• 5.2 线性回归法
• 5.2.1 建模
• 5.2.2 检测
• 5.3 支持向量机法
• 5.3.1 建模
• 5.3.2 检测
• 5.4 实验结果
• 5.4.1 线性回归法检测结果
• 5.4.2 支持向量机法检测结果
• 5.5 小结
• 第六章 基于质量评估参数的语音隐藏分析
• 6.1 系统概述
• 6.2 基于线性回归的语音隐藏分析
• 6.3 基于支持向量机的语音隐藏分析
• 6.4 基于组合特征参数的语音隐藏分析
• 6.5 实验结果
• 6.5.1 基于线性回归的语音隐藏检测结果
• 6.5.2 基于支持向量机的语音隐藏检测结果
• 6.5.3 基于组合特征参数的语音隐藏检测结果
• 6.6 小结
• 第七章 回声隐藏分析
• 7.1 回声隐藏原理分析
• 7.1.1 听觉掩蔽效应
• 7.1.2 回声隐藏的数学模型
• 7.1.3 回声核的比较
• 7.2 基于统计特征的回声隐藏检测
• 7.2.1回声隐藏对语音复倒谱的影响
• 7.2.2 基于统计特征的检测策略
• 7.3 实验结果
• 7.3.1 训练
• 7.3.2 检测
• 7.3.3 改进峰度检测
• 7.4 小结
• 第八章 结论与展望
• 参考文献
• 致谢
• 在读期间发表的学术论文与取得的研究成果