基于人工免疫系统隐写检测技术研究

论文摘要

隐写检测是遏制隐写术滥用,确保国家、军队信息安全,维护社会安定的重要技术手段。面对复杂繁多的网络数字媒体,隐写检测对检测的准确性、智能化需求日益增高。人工免疫系统内在免疫识别、免疫学习等机制可借鉴于隐写检测中,使检测器具有自组织、自学习等智能特性。本文旨在设计一种新型有效、通用、智能的基于人工免疫系统隐写检测方法,主要成果及创新点总结如下:1.提出基于人工免疫系统隐写检测基本思想和总体框架;通过分析隐写检测与人工免疫系统内在共性,对基于人工免疫系统隐写检测进行整体设计,将研究内容划分为分类特征提取和隐写检测器设计两部分。2.提取一种有效、通用的R-Farid高阶统计量相对特征;通过理论分析、改进Farid高阶统计量线性预测模型中相关性区域不一致缺陷,提出R-Farid高阶统计量模型,增强特征有效性;结合机理分析及实验仿真,提出再嵌入操作合理性准则及再嵌入随机性信息基本假设,提高特征可区分性和通用性;综合模型及准则,提取R-Farid高阶统计量相对变化量作为基于人工免疫系统隐写检测分类特征。3.设计及实现基于人工免疫系统隐写检测器;紧密结合人工免疫系统相关仿生机理及R-Farid高阶统计量相对特征,分析、设计及形式化描述其隐写检测基本流程;以此,引入可变半径和空间覆盖率统计估计及融合技术,设计、实现检测器生成算法和其检测及动态优化更新算法;实验结果显示,该检测器不但能智能优化成熟,提高检测率,优于FLD、SVM等传统分类器,还可有效检测划分为非连续性界限的特征空间,具有检测未知隐写术能力。最后,总结本文工作,并对基于人工免疫系统隐写检测下一步研究方向进行展望。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 基于AIS隐写检测概述
• 1.3 国内外研究现状
• 1.4 本文组织结构
• 第二章 基于人工免疫系统隐写检测技术
• 2.1 隐写检测技术分析
• 2.1.1 隐写检测研究现状
• 2.1.2 隐写检测主要问题
• 2.2 人工免疫系统技术分析
• 2.2.1 人工免疫系统基本概念
• 2.2.2 人工免疫系统仿生机理
• 2.2.2.1 免疫识别
• 2.2.2.2 免疫学习
• 2.2.2.3 免疫记忆
• 2.2.2.4 克隆选择
• 2.2.3 人工免疫系统特性分析
• 2.3 基于AIS隐写检测基本思想
• 2.4 基于AIS隐写检测总体框架
• 2.5 本章小结
• 第三章 隐写检测分类特征提取
• 3.1 Farid高阶统计量模型分析
• 3.2 Farid线性预测模型相关性分析
• 3.2.1 离散Haar小波分解特性
• 3.2.2 Farid线性预测模型相关性区域
• 3.3 R-Farid高阶统计量模型
• 3.3.1 R-Farid线性预测模型相关性区域
• 3.3.2 R-Farid线性预测模型
• 3.3.3 R-Farid高阶统计量特征提取
• 3.4 R-Farid高阶统计量相对特征
• 3.4.1 再嵌入操作对邻域相关系数影响分析
• 3.4.2 再嵌入操作准则理论分析
• 3.4.3 再嵌入随机性信息基本假设
• 3.4.4 R-Farid高阶统计量相对特征提取
• 3.5 实验仿真分析
• 3.6 本章小结
• 第四章 基于人工免疫系统隐写检测器设计
• 4.1 基于AIS隐写检测基本流程
• 4.2 基于AIS隐写检测主要步骤设计及描述
• 4.2.1 元素对应关系
• 4.2.2 隐写检测
• 4.2.2.1 基本模型
• 4.2.2.2 基于分类特征的基本模型
• 4.2.3 检测器生成
• 4.2.4 检测器动态优化更新
• 4.2.4.1 检测器记忆更新
• 4.2.4.2 检测器克隆进化
• 4.3 基于AIS隐写检测基本流程形式化描述
• 4.4 基于AIS隐写检测器相关算法设计
• 4.4.1 检测器生成算法
• 4.4.2 检测器检测及动态优化更新算法
• 4.5 实验仿真及分析
• 4.5.1 实验数据
• 4.5.2 实验方法
• 4.5.3 参数配置
• 4.5.4 实验仿真分析
• 4.5.4.1 检测器初始产生
• 4.5.4.2 检测准确率对比
• 4.5.4.3 交叉检测测试
• 4.6 基于AIS隐写检测器优缺点
• 4.6.1 优点
• 4.6.2 缺点
• 4.7 本章小结
• 第五章 总结与展望
• 5.1 工作总结
• 5.2 工作展望
• 参考文献
• 附录
• 附1 F（R|-）相关性质证明
• 附2 R-Farid高阶统计量相对特征统计分布图
• 作者简历 攻读硕士学位期间完成的主要工作
• 致谢