一种针对音频扩频隐写的隐写分析方法

摘要

本发明涉及信息隐藏检测技术领域，尤其涉及一种针对音频扩频隐写的隐写分析方法。本发明主要考察重复嵌入引起的信号在统计上的差异，在小波域中引入高斯混合模型对小波子带系数进行建模，计算信号与第一次隐写信号，第一次隐写信号与第二次隐写信号的统计距离作为特征值，最后采用支持向量机为分类器构造隐写分析算法。本发明性能稳健，检测正确率高，虚警率和漏检率低，而且该方法使用简单，时间复杂度低，可应用于隐秘信息检测领域，对防止非法的隐蔽通信具有重要的意义。

主权项

1.一种针对音频扩频隐写的隐写分析方法，其特征在于，包括特征值提取步骤、SVM训练模型的生成步骤、扩频隐写分析步骤，其中特征值提取步骤包括以下步骤：①设载体音频文件用X[i]表示，隐写音频用Y[i]表示，对隐写音频再进行扩频隐写，得到的第二次隐写音频用Z[i]表示，其中1≤i≤I，I为信号长度；对载体音频和隐写音频以及第二次隐写音频进行分帧处理，帧长为N，载体音频的帧信号用x_n[i]表示，隐写音频的帧信号用y_n[i]，第二次隐写音频的帧信号用z_n[i]表示，其中，1≤i≤N，②根据步骤①得到的帧信号，随机选择m帧进行分析，对每帧信号进行一级离散小波变换，然后提取第一级细节子带，其中载体信号的小波系数用DX_n[i]表示，隐写音频的小波系数用DY_n[i]表示，第二次隐写音频的小波系数用DZ_n[i]表示，其中1≤i≤CL，CL为小波子带的长度，1≤n≤m；③根据步骤②得到的帧信号的小波细节子带系数，分别采用高斯混合模型对其训练建模；通过最大期望值算法计算得到高斯混合模型的分量参数：均值，协方差，权重；④根据步骤③计算得到的混合高斯模型参数计算载体音频帧信号概率分布PD_x(n)与隐写音频帧信号概率分布PD_y(n)的距离，隐写音频帧信号概率分布PD_y(n)与第二次隐写音频帧信号概率分布PD_z(n)之间的距离，1≤n≤m。距离测量采用如下距离公式：$D_1\left(n\right)=-\log \left[\frac{2\underset{i,j}{\Sigma }{\pi }_x\left(i\right){\pi }_y\left(j\right)\sqrt{\frac{\left|{\left(V_1\right)}_{\mathrm{ij}}\right|}{e^{{\left(k_1\right)}_{\mathrm{ij}}}\left|{\Sigma }_x\left(i\right)\right|\left|{\Sigma }_y\left(j\right)\right|}}}{\underset{i,j}{\Sigma }{\pi }_x\left(i\right){\pi }_x\left(j\right)\sqrt{\frac{\left|{\left(V_1\right)}_{\mathrm{ij}}\right|}{e^{{\left(k_1\right)}_{\mathrm{ij}}}\left|{\Sigma }_x\left(i\right)\right|\left|{\Sigma }_x\left(j\right)\right|}}+\underset{i,j}{\Sigma }{\pi }_y\left(i\right){\pi }_y\left(j\right)\sqrt{\frac{\left|{\left(V_1\right)}_{\mathrm{ij}}\right|}{e^{{\left(k_1\right)}_{\mathrm{ij}}}\left|{\Sigma }_y\left(i\right)\right|\left|{\Sigma }_y\left(j\right)\right|}}}\right]$$D_2\left(n\right)=-\log \left[\frac{2\underset{i,j}{\Sigma }{\pi }_y\left(i\right){\pi }_z\left(j\right)\sqrt{\frac{\left|{\left(V_2\right)}_{\mathrm{ij}}\right|}{e^{{\left(k_2\right)}_{\mathrm{ij}}}\left|{\Sigma }_y\left(i\right)\right|\left|{\Sigma }_z\left(j\right)\right|}}}{\underset{i,j}{\Sigma }{\pi }_y\left(i\right){\pi }_y\left(j\right)\sqrt{\frac{\left|{\left(V_y\right)}_{\mathrm{ij}}\right|}{e^{{\left(k_y\right)}_{\mathrm{ij}}}\left|{\Sigma }_y\left(i\right)\right|\left|{\Sigma }_y\left(j\right)\right|}}+\underset{i,j}{\Sigma }{\pi }_z\left(i\right){\pi }_z\left(j\right)\sqrt{\frac{\left|{\left(V_2\right)}_{\mathrm{ij}}\right|}{e^{{\left(k_2\right)}_{\mathrm{ij}}}\left|{\Sigma }_z\left(i\right)\right|\left|{\Sigma }_z\left(j\right)\right|}}}\right]$     (V₁)_ij＝((∑_x(i))^-1+(∑_y(j))^-1)^-1其中，     (k₁)_ij＝(μ_x(i))^T(∑_x(i))^-1(μ_x(i)-μ_y(j))+(μ_y(j))^T(∑_y(j))^-1(μ_y(j)-μ_x(i))(V₂)_ij＝((∑_y(i))^-1+(∑_z(j))^-1)^-1(k₂)_ij＝(μ_y(i))^T(∑_y(i))^-1(μ_y(i)-μ_z(j))+(μ_z(j))^T(∑_z(j))^-1(μ_z(j)-μ_y(i))其中，n表示第n个特征值。i和j分别表示高斯混合模型的第i个和第j个分量；μ_x(i)，∑_x(i)，π_x(i)分别为载体音频第i个高斯分量的均值，协方差以及权重；μ_y(i)，∑_y(i)，π_y(i)分别为第一次隐写音频第i个高斯分量的均值，协方差以及权重；μ_z(i)，∑_z(i)，π_z(i)分别为第二次隐写音频第i个高斯分量的均值，协方差以及权重；⑤根据步骤④将计算得出距离值D₁(n)和D₂(n)，(1≤n≤m)作为支持向量机的特征值，用于分类器的训练。