一种基于语义特征的人脸生成式图像隐写术制造技术

本发明专利技术公开一种基于语义特征的人脸生成式图像隐写术，能够实现在人脸合成过程中嵌入二进制秘密信息得到一张载密人脸图像，并且能够成功地将秘密信息从载密人脸图像中恢复。包括：语义特征生成网络，负责将高斯噪声映射到人脸合成需要的语义特征域；奇偶特征差值嵌入算法，负责将秘密信息嵌入到生成的语义特征中；人脸合成网络，负责将载密语义特征与人脸图像融合；语义提取网络，负责将载密人脸图像中的语义信息提取出来；奇偶特征差值提取算法，负责将秘密信息从载密人脸图像的语义特征中提取出来。本发明专利技术通过构造基于语义特征的人脸生成式图像隐写术，为图像信息隐藏提供了新的嵌入位置，提升了生成式图像隐写的质量与鲁棒性。棒性。棒性。

【技术实现步骤摘要】
一种基于语义特征的人脸生成式图像隐写术


[0001]本专利技术属于图像处理领域，尤其涉及空间域图像信息隐藏和生成式图像隐写。

技术介绍

[0002]图像隐写术是一种利用图像作为载体传输秘密信息的隐蔽通信技术，同时随着即时通信与社交平台的飞速发展，图像作为其中主要的传输媒体而受到关注，为了使传输的个人信息更加隐蔽，因此图像隐写术成为了主流的研究方向。传统密码学是通过加密技术使秘密信息呈现一种混沌状态，使攻击者无法破解，但加密后的信息很容易被第三方发现和拦截。与密码学不同，隐写术在保护秘密信息的同时还需掩盖通信行为，使其不易引起攻击者的注意。因为隐写术的安全性高、欺骗性强的特性使其在互联网、军事、隐私保护领域具有广泛的应用，且该技术尤其适用公共信道。
[0003]根据嵌入位置的不同，传统图像隐写术的嵌入位置可分为空间域、变换域和JPEG域，代表性的算法有HOGU、WOW、S
‑
UNIWARD和HILL等。但传统的隐写术在嵌入过程中对载体的数据分布进行修改以嵌入信息，经修改后的载密图像会破坏原有的数据分布，使其易被隐写分析工具检测，所以传统的图像隐写算法在安全性和透明性上仍有不足。衡量图像隐写术性能的指标包含：(1)隐写安全性：使用现存的隐写检测技术无法检出载密图像；(2)隐写鲁棒性：在载密图像受到攻击时，秘密信息仍然能够正确提取；(3)隐写透明性：载密图像需要具有强伪装性，在传输过程中不易被第三方察觉；(4)嵌入容量：较小的嵌入容量需要多次嵌入才可完成传输任务，会大大增加被拦截的风险。现有的生成式图像隐写术包含两大类技术：(1)在生成图像与秘密信息间构建映射策略，如图像标签与秘密信息、图像纹理与秘密信息和输入噪声与秘密信息等；(2)采用合成的方式，在图像生成过程中嵌入秘密信息，如修改图像属性、风格迁移和纹理补全等。生成式隐写术避免了修改图像的统计分布，因此生成式隐写术具有较强抗检测能力，但现有的生成式隐写术仍存在部分问题，如隐写容量普遍较低、生成质量较差等。
[0004]图像的语义一般包含三层：(1)视觉层：该层次语义特征为底层语义，包含颜色、纹理和形状等特征；(2)对象层：该层次为中间层，包含该图像的属性特征；(3)概念层：该层次为高阶语义，为图像表达的抽象化概念。正是由于图像中包含丰富的语义特征，因此可以为隐写提供丰富的隐藏空间，同时在互联网中人脸图像传输的极为广泛，不易引起攻击者的警觉；人脸中的语义特征也十分丰富，如发色、肤色、妆容风格等，因此可以采用人脸作为隐写对象。随着计算能力与深度学习技术的提升，图像的生成质量达到了前所未有的优异效果。通过生成器与判别器的对抗性训练，网络可以在训练过程中逐步优化图像质量，其中DeepFake技术发展迅速，如StyleGAN和StarGAN v2等，可以生成一系列以假乱真的人脸图像，为高质量的人脸载密图像提供有力的技术支撑。

技术实现思路

[0005]本专利技术提出一种基于语义特征的人脸生成式图像隐写算法，通过奇偶特征差值算
法将秘密信息嵌入到语义特征矩阵中，采用人脸合成技术最终将嵌入秘密信息的语义特征合成指定语义的人脸图像。
[0006]本专利技术提供一种基于语义特征的人脸生成式图像隐写方法，包括以下步骤：
[0007]1)通过全连接神经网络将输入噪声z映射到人脸语义特征空间S＝{S1,S2,...S
n
}，采用奇偶特征差值算法将秘密信息s嵌入到生成的人脸语义特征矩阵中S
′
＝{S
′1,S
′2,...S
′
n
}；
[0008]2)将嵌入秘密信息的特征矩阵S
′
输入人脸合成网络StarGANv2，利用AdaIN函数融合原始人脸图像特征与嵌入秘密信息的语义特征，最终采用反卷积生成指定语义的载密人脸图像(Stego)；
[0009]3)通过语义提取网络对合成的载密人脸图像的语义特征进行提取，将提取的特征矩阵采用奇偶特征差值算法提取已嵌入的秘密信息s
′
；
[0010]4)在语义提取网络训练过程中添加不同图像攻击后的载密图像，使训练的模型更具有鲁棒性。
[0011]进一步地，秘密信息嵌入语义特征过程中的奇偶特征差值算法包括：
[0012]a)根据生成的语义特征向量S＝{S1,S2,...S
n
}，将秘密信息s＝{s1,s2,...s
m
}采用奇偶特征差值算法生成修改矩阵：
[0013][0014][0015][0016][0017]其中S为生成的语义特征矩阵，S
′
为嵌入秘密信息后的语义特征矩阵，s为二进制秘密信息，M为秘密信息对应的修改矩阵，β为控制参数，ε为扰动参数；
[0018]b)根据修改矩阵M
s
与生成人脸语义特征矩阵S融合得到载密语义特征矩阵S
′
：
[0019][0020]其中，为修改后奇偶位置特征值。
[0021]进一步地，所述人脸合成网络采用载密语义特征矩阵合成载密人脸图像的过程包括：
[0022]a)秘密信息嵌入语义特征矩阵的过程可以表达为：
[0023]S
ef
＝f(S
features
,s
sm
)
[0024]其中S
ef
为嵌入秘密信息后的语义特征，S
features
为生成的人脸语义特征，s
sm
为秘密信息，f()为奇偶特征差值算法；
[0025]b)使用AdaIN函数对原始图像的特征与载密语义特征进行融合：
[0026][0027]其中：σ()与μ()分别为方差与均值函数，E()为编码器网络，S
′
sf
为融合后的语义特征；
[0028]c)使用反卷积网络对融合后的特征进行上采样生成指定语义的人脸图像Img
stego
：
[0029]Img
stego
＝G(Img
cover
,S
ef
)＝D(S
′
sf
)
[0030]其中G()为人脸合成过程，D()为反卷积网络。
[0031]进一步地，所述从提取的语义特征中提取秘密信息的过程包括：
[0032]a)将输出的载密人脸图像输入语义提取网络，通过残差模块提取该图像的语义特征；
[0033]b)根据提取的语义特征矩阵S
″
，采用奇偶特征差值算法遍历整个特征矩阵并输出秘密信息s
′
：
[0034][0035]其中，s
′
k
是提取后的秘密信息。
[0036]进一步地，所述鲁棒性语义提取网络训练过程包括：
[0037]a)使用不同的图像攻击算法对正常载密人脸图像进行攻击，如Rotation、Gaussian n本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于语义特征的人脸生成式图像隐写术，其特征在于，包括：A、生成载密语义特征：人脸语义特征生成网络由全连接网络实现，该网络负责由高斯噪声生成人脸语义特征S＝{S1,S2,...S
n
}，将秘密信息s＝{s1,s2,...s
m
}采用采用奇偶特征差值算法嵌入生成的语义特征，并得到载密语义特征S
′
＝{S
′1,S
′2,...S
′
n
}；B、生成载密图像：人脸生成模型采用StarGAN v2网络实现，负责将嵌入秘密信息的语义特征S
′
＝{S
′1,S
′2，...S
′
n
}输入人脸合成模型中得到载密人脸图像；C、提取秘密信息：语义提取网络由卷积神经网络实现，负责提取载密人脸图像中的语义特征S
″
＝{S
″1,S
″2,...S
″
n
}，采用奇偶特征差值算法从语义特征中恢复秘密信息；D、提取网络鲁棒训练：通过图像变换载密数据集对提取网络进行训练，提升特征提取模型的鲁棒性。2.根据权利要求1所述的一种基于语义特征的人脸生成式图像隐写术，其特征在于，步骤A进一步包括以下步骤：A1、首先将高斯噪声向量z＝{z1,z2,...z
k
}输入人脸语义特征生成网络，并得到映射后的人脸语义特征向量S＝{S1,S2,...S
n
}；A2、根据语义特征向量S，将秘密信息s＝{s1,s2,...s
m
}采用奇偶特征差值算法生成修改矩阵：改矩阵：改矩阵：改矩阵：其中S为生成的特征矩阵，S
′
为嵌入秘密信息后的特征矩阵，s为二进制秘密信息，M为秘密信息对应的修改矩阵，β为控制参数，ε为扰动参数；A3、根据修改矩阵M
s
与生成人脸语义特征矩阵S融合得到载密语义特征矩阵S
′
：
其中，为修改后奇偶位置特征值。3.根据权利要求1所述的一种基于语...

【专利技术属性】
技术研发人员：孙佑强，张茹，刘建毅，唐球，
申请(专利权)人：中国电子信息产业集团有限公司第六研究所，
类型：发明
国别省市：