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<sub>n</sub>[i]表示,隐写音频的帧信号用y<sub>n</sub>[i],第二次隐写音频的帧信号用z<sub>n</sub>[i]表示,其中,1≤i≤N,<img file="FDA0000027981410000011.GIF" wi="295" he="61" />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<img file="FDA0000027981410000012.GIF" wi="302" he="61" />载体信号的小波系数用DX<sub>n</sub>[i]表示,隐写音频的小波系数用DY<sub>n</sub>[i]表示,第二次隐写音频的小波系数用DZ<sub>n</sub>[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<sub>x</sub>(n)与隐写音频帧信号概率分布PD<sub>y</sub>(n)的距离,隐写音频帧信号概率分布PD<sub>y</sub>(n)与第二次隐写音频帧信号概率分布PD<sub>z</sub>(n)之间的距离,1≤n≤m。距离测量采用如下距离公式:<maths num="0001"><![CDATA[<math><mrow><msub><mi>D</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>=</mo><mo>-</mo><mi>log</mi><mo>[</mo><mfrac><mrow><mn>2</mn><munder><mi>Σ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></munder><msub><mi>π</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><msub><mi>π</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><msqrt><mfrac><mrow><mo>|</mo><msub><mrow><mo>(</mo><msub><mi>V</mi><mn>1</mn></msub><mo>)</mo></mrow><mi>ij</mi></msub><mo>|</mo></mrow><mrow><msup><mi>e</mi><msub><mrow><mo>(</mo><msub><mi>k</mi><mn>1</mn></msub><mo>)</mo></mrow><mi>ij</mi></msub></msup><mo>|</mo><msub><mi>Σ</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><mo>|</mo><msub><mi>Σ</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><mo>|</mo></mrow></mfrac></msqrt></mrow><mrow><munder><mi>Σ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></munder><msub><mi>π</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><msub><mi>π</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><msqrt><mfrac><mrow><mo>|</mo><msub><mrow><mo>(</mo><msub><mi>V</mi><mn>1</mn></msub><mo>)</mo></mrow><mi>ij</mi></msub><mo>|</mo></mrow><mrow><msup><mi>e</mi><msub><mrow><mo>(</mo><msub><mi>k</mi><mn>1</mn></msub><mo>)</mo></mrow><mi>ij</mi></msub></msup><mo>|</mo><msub><mi>Σ</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><mo>|</mo><msub><mi>Σ</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><mo>|</mo></mrow></mfrac></msqrt><mo>+</mo><munder><mi>Σ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></munder><msub><mi>π</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><msub><mi>π</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><msqrt><mfrac><mrow><mo>|</mo><msub><mrow><mo>(</mo><msub><mi>V</mi><mn>1</mn></msub><mo>)</mo></mrow><mi>ij</mi></msub><mo>|</mo></mrow><mrow><msup><mi>e</mi><msub><mrow><mo>(</mo><msub><mi>k</mi><mn>1</mn></msub><mo>)</mo></mrow><mi>ij</mi></msub></msup><mo>|</mo><msub><mi>Σ</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><mo>|</mo><msub><mi>Σ</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><mo>|</mo></mrow></mfrac></msqrt></mrow></mfrac><mo>]</mo></mrow></math>]]></maths><maths num="0002"><![CDATA[<math><mrow><msub><mi>D</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>=</mo><mo>-</mo><mi>log</mi><mo>[</mo><mfrac><mrow><mn>2</mn><munder><mi>Σ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></munder><msub><mi>π</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><msub><mi>π</mi><mi>z</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><msqrt><mfrac><mrow><mo>|</mo><msub><mrow><mo>(</mo><msub><mi>V</mi><mn>2</mn></msub><mo>)</mo></mrow><mi>ij</mi></msub><mo>|</mo></mrow><mrow><msup><mi>e</mi><msub><mrow><mo>(</mo><msub><mi>k</mi><mn>2</mn></msub><mo>)</mo></mrow><mi>ij</mi></msub></msup><mo>|</mo><msub><mi>Σ</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><mo>|</mo><msub><mi>Σ</mi><mi>z</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><mo>|</mo></mrow></mfrac></msqrt></mrow><mrow><munder><mi>Σ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></munder><msub><mi>π</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><msub><mi>π</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><msqrt><mfrac><mrow><mo>|</mo><msub><mrow><mo>(</mo><msub><mi>V</mi><mi>y</mi></msub><mo>)</mo></mrow><mi>ij</mi></msub><mo>|</mo></mrow><mrow><msup><mi>e</mi><msub><mrow><mo>(</mo><msub><mi>k</mi><mi>y</mi></msub><mo>)</mo></mrow><mi>ij</mi></msub></msup><mo>|</mo><msub><mi>Σ</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><mo>|</mo><msub><mi>Σ</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><mo>|</mo></mrow></mfrac></msqrt><mo>+</mo><munder><mi>Σ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></munder><msub><mi>π</mi><mi>z</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><msub><mi>π</mi><mi>z</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><msqrt><mfrac><mrow><mo>|</mo><msub><mrow><mo>(</mo><msub><mi>V</mi><mn>2</mn></msub><mo>)</mo></mrow><mi>ij</mi></msub><mo>|</mo></mrow><mrow><msup><mi>e</mi><msub><mrow><mo>(</mo><msub><mi>k</mi><mn>2</mn></msub><mo>)</mo></mrow><mi>ij</mi></msub></msup><mo>|</mo><msub><mi>Σ</mi><mi>z</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mo>|</mo><mo>|</mo><msub><mi>Σ</mi><mi>z</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><mo>|</mo></mrow></mfrac></msqrt></mrow></mfrac><mo>]</mo></mrow></math>]]></maths> (V<sub>1</sub>)<sub>ij</sub>=((∑<sub>x</sub>(i))<sup>-1</sup>+(∑<sub>y</sub>(j))<sup>-1</sup>)<sup>-1</sup>其中, (k<sub>1</sub>)<sub>ij</sub>=(μ<sub>x</sub>(i))<sup>T</sup>(∑<sub>x</sub>(i))<sup>-1</sup>(μ<sub>x</sub>(i)-μ<sub>y</sub>(j))+(μ<sub>y</sub>(j))<sup>T</sup>(∑<sub>y</sub>(j))<sup>-1</sup>(μ<sub>y</sub>(j)-μ<sub>x</sub>(i))(V<sub>2</sub>)<sub>ij</sub>=((∑<sub>y</sub>(i))<sup>-1</sup>+(∑<sub>z</sub>(j))<sup>-1</sup>)<sup>-1</sup>(k<sub>2</sub>)<sub>ij</sub>=(μ<sub>y</sub>(i))<sup>T</sup>(∑<sub>y</sub>(i))<sup>-1</sup>(μ<sub>y</sub>(i)-μ<sub>z</sub>(j))+(μ<sub>z</sub>(j))<sup>T</sup>(∑<sub>z</sub>(j))<sup>-1</sup>(μ<sub>z</sub>(j)-μ<sub>y</sub>(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<sub>x</sub>(i),∑<sub>x</sub>(i),π<sub>x</sub>(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<sub>y</sub>(i),∑<sub>y</sub>(i),π<sub>y</sub>(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<sub>z</sub>(i),∑<sub>z</sub>(i),π<sub>z</sub>(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D<sub>1</sub>(n)和D<sub>2</sub>(n),(1≤n≤m)作为支持向量机的特征值,用于分类器的训练。 |