基于聚类与TSVM融合的图像通用隐写检测算法.pdfVIP

基于聚类与TSVM融合的图像通用隐写检测算法奉 方昕1钟尚平 l福州大学数学与计算机科学学院，福建福州350108 2福建省超级计算中心，福建福州350108 摘要：基于直推式支持向量机(TSV~D的图像通用隐写检测的主要缺陷是需要预先设置待训练的未 标记样本中的正负样本数，和已标记的样，本彳艮少时性能下降，为此本文提出聚类与TSVM融合的算法。 该算法通过聚类估计总体训练样本的正负样本比例，按这个比例扩充已标记样本，最后用TSVM进行 训练。实验结果表明，本文方法比TSVM具有较好的检测正确率。当训练集中有标记样本和无标记样 本中的正负样本比例不同时，本文方法比TSVM具有更好的时间效率。在与监督学习算法SVM的比 较中，本文方法的检测效果接近于SVM。 关键词：通用隐写检测聚类TSVM融合正负样本比例 1引 言 图像通用隐写检测技术是在分析隐写信息对载体图像产生影响的基础上，找出对隐写敏感的特征向量， 通过学习训练建立模型，从而实现对未知图像进行隐写检测。也就是说，通用隐写检测技术实际上就是一 个模式识别问题，它根据图像是否嵌入隐蔽信息，将图像分为嵌入信息前和嵌入信息后两类川。 目前基于学习的通用图像隐写检测技术大多采用传统的监督学习法，只依赖于标记的训练图像样本集， 忽略了未标记样本图像的作用。随着网络信息技术的飞速发展，要获取大量的图像样本已变得相当容易， 但这些图像样本往往是未分类、无标记的，如果要对这些大量的图像样本进行分类标记，需要耗费大量的 人力物力，影响效率。因此，在有标记样本较少时，如何利用大量的未标记样本来改善学习性能已成为当 前机器学习研究中最受关注的问题之一12J。半监督学习是利用未标记样本进行学习的主流技术，近年来国 内外开展了大量研究，取得了很多研究成果。半监督学习算法是在传统的监督学习方法中结合未标记样本 进行学习的算法，在一定程度上提高了学习算法的性能。现有的半监督学习算法有： Vector EM饵xpection—Ma)(imization)‘j。，协同训练(Co．Training)14J，TSVM(TraIlsductiveSupponMachines)o川。 目前基于半监督学习的图像通用隐写检测主要有文献【6】，文献【71和文献【81。文献【6】分析了将TSVM 应用到图像通用隐写检测中的可行性，提出并实现了基于TSVM的GIF图像通用隐写检测方法。针对不同 的GIF图像隐写工具，文献【6】在较少标记样本条件下引入大量未标记样本，得到接近监督学习的通用检测 效果。文献【71首次提出了运用半监督学习中的EM算法来进行分类器的设计，该方法利用大量未标记样本 辅助少量有标记样本进行分类器的学习。在缺少大量标记样本的情况下，文献【7】的方法能得到较好的分类 性能。文献【8】通过三类DCT域统计特征和多超球面oC．SVM算法构建三种独立的密写分析方法，并以 Tri-仃aining学习方式迭代地对未标记图像样本进行标记，来扩充原训练样本集，进而利用大量未标记属性 的图像样本提高隐密分析算法的泛化能力。目前将TSVM应用于图像通用隐写检测的成果只有文献【6】。 ‘基金资助：国家自然科学基金；福建省青年人才基金项目(2006F3076)． 作者简介：方昕(1985一)，男，在读硕士，研究方向为网络与信息安全；钟尚平(1969一)，男，博士，副教授，研究方向为网络信 息安全． §12 过筮型I堇莶生座旦进壁：三QQ2 但基于TSVM的图像通用隐写检测存在一个缺陷【9】：在算法执行之前必须指定待训练的无标签样本中 的正标签样本数N，而在一般情况下N值是很难做出比较准确的估计，一旦错误估计会导致分类器性能急 剧下降。本文引入聚类与TSVM融合的算法克服了这一缺陷。 2相关算法介绍 2．1直推式支持向量机(TSVM) 支持向景机SVM是监督学习的方法。它是在两类样本间寻找一个分类面，通过使两类样本与分类面 间最小距离之和最大化得到最优超平面，这个最优超-甲面就是样本的判决平面，即样本