【技术实现步骤摘要】
本专利技术涉及音频隐写检测中一种基于证据推理的隐写检测方法,属于隐写检测领域。
技术介绍
伴随互联网的蓬勃发展,网络媒体以其信息丰富、传播及时、涵盖范围广、互动性强等特点,迅速成为信息传播的主流,成为人们日常获取信息和知识的主要通道,对社会政治经济文化生活的各个方面产生了广泛而深刻的影响。然而,随着网络媒体社会影响力的日益扩大,也出现了许多不良媒体内容,日益凸显出诸多问题。一方面,对网络媒体内容的监管比较薄弱,不少网络媒体在发布有益信息的同时,也发布了一些虚假甚至不良信息,造成网上信息污染严重;另一方面,网络媒体,尤其是音频、视频和图像等多媒体中含有大量冗余信息,极易被恐怖分子、商业间谍等不法分子利用作为载体传播隐秘信息、进行文化渗透,对国家和个人安全造成很大威胁。 为保证对互联网信息的监控、遏制隐写术的非法应用、打击恐怖主义、维护国家和社会的安全,如何对信息网络中的海量多媒体数据进行隐蔽信息的监测,及时阻断可能存在的非法信息通信已成为一个迫切需要解决的问题。隐写检测是针图像、视频和音频等多媒体数据,在对信息隐藏算法或隐藏的信息一无所知的情况下,仅仅是对可能携秘的载体进行检测或者预测,以判断载体中是否携带秘密信息。隐写检测技术作为隐写术的对立技术,可以有效防止隐写术的滥用,在信息对抗中具有重要意义,对于隐写检测技术的研究也一直是信息隐藏领域的研究热点。 ...
【技术保护点】
一种基于证据推理的隐写检测方法,其特征在于包括如下步骤:步骤一,构建有效证据特征集;步骤二,生成证据矩阵;步骤三,证据融合。
【技术特征摘要】
1.一种基于证据推理的隐写检测方法,其特征在于包括如下步骤:
步骤一,构建有效证据特征集;
步骤二,生成证据矩阵;
步骤三,证据融合。
2.根据权利要求1所述的一种基于证据推理的隐写检测方法,其特征在于
,在所述步骤一中:
(1)证据选择
A、所选取的证据支持对不同方面的决策;
B、所选择的证据可以对判决提供有效良好的支持;
优选证据特征集如下:
Set1 Markov特征的证据;
Set2 领域联合密度特征的证据;
Set3 多项式拟合差值特征的证据;
(2)构造BPA函数
通过改造后验概率SVM,得到BPA函数;
实现SVM后验概率的输出如下:
p ( y = 1 | f ) = 1 1 + exp ( Af + B ) - - - ( 1 ) ]]> 其中:A、B可以通过最小化已知训练数据和其决策值f的负的对数似然函数得到
:
min [ - ( Σ i t i log ( p i ) + ( 1 - t i ) log ( 1 - p i ) ) ] - - - ( 2 ) ]]> 其中: p i = 1 1 + exp ( Af i + B ) , t i = y i + 1 2 , ]]>yi为样本类标签;
然而,这种后验概率输出仅体现了绝对判别的概率,没有考虑SVM判别的不
确定性,因此,对以上输出进行改造;
判决的不确定性通常与检测样本、训练样本、分类器等因素有关,因此,
对以下因素不确定性进行描述:
根据SVM识别误差定义,设分类器不确定因子为usvm,得到SVM分类器的不
确定因子计算式:
u svm = E ( N sv ) N - 1 - - - ( 3 ) ]]> 其中:Nsv为支持向量的数量,N为训练样本的数量;
即使是同一种分类器中,由于训练样本的不同,所得到的分类规则也不相
同,所以,设训练样本不确定性因子为:
u train = 1 n Σ i = 1 n ( N ′ N ) - - - ( 4...
【专利技术属性】
技术研发人员:张登银,王奕权,孙斌,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。