【摘 要】
：
近年来,随着人工智能、大数据技术的快速发展,多媒体内容安全问题备受关注。为了保护这些重要的多媒体信息,信息安全技术成为研究的热点。传统加密算法通过将重要信息转化为不可读的密文来保障其安全,但这容易引起恶意攻击者的注意。而隐写术则是利用特定的方式将重要信息嵌入各种数字媒体中,它能够较好地保持载体的可读性,与加密算法相比具有更高的隐蔽性,目前已经广泛应用在版权保护、数字认证以及产品溯源等领域。但是传统
论文部分内容阅读
近年来,随着人工智能、大数据技术的快速发展,多媒体内容安全问题备受关注。为了保护这些重要的多媒体信息,信息安全技术成为研究的热点。传统加密算法通过将重要信息转化为不可读的密文来保障其安全,但这容易引起恶意攻击者的注意。而隐写术则是利用特定的方式将重要信息嵌入各种数字媒体中,它能够较好地保持载体的可读性,与加密算法相比具有更高的隐蔽性,目前已经广泛应用在版权保护、数字认证以及产品溯源等领域。但是传统的隐写术对载体的修改是不可逆的,某些对载体完整性要求很高的领域无法接受这种永久性失真,如医学、军事以及司法取证等。为了解决这个问题,可逆隐写术应运而生。可逆隐写是一种特殊的隐写技术,它能够在秘密信息提取完毕后将原始载体完整恢复,不产生任何失真。经过十几年的发展,可逆隐写技术在图像领域已经取得了很大的进展,但在音频领域还存在嵌密容量小、隐写失真大等问题。本文以采样值排序为基础,在提升嵌密容量与降低隐写失真之间寻求平衡,研究和探索出适用于音频载体的可逆隐写算法。具体的研究内容包括以下两个方面:（1）提出一种基于采样值排序的音频可逆隐写算法。现有的音频可逆隐写算法大多是在差值扩展方法基础上通过各种改进得来的,普遍存在失真较大的问题。为了降低隐写带来的失真,本文通过对采样值排序机理进行研究,设计了最优预测采样值的计算方法。在计算采样块复杂度时,除了利用与采样块相邻的采样值,还将采样块内恒定不变的采样值纳入采样块复杂度的计算中,提高了采样块复杂度的准确性。首先将音频采样值序列按照一定大小进行分块,对块内的采样值按照从小到大排序;然后计算出采样块的复杂度,按照复杂度大小将采样块分为平滑块与复杂块。对于平滑块,通过最优预测采样值对其它采样值进行预测,然后将密信嵌入预测误差中;对于复杂块,直接跳过,不对其进行嵌密操作。与基于差值扩展、预测误差扩展的算法相比,当密信长度为50,000bits时,SNR值分别提高了46.025d B、6.452d B,ODG值分别提高了0.479、0.006;当密信长度为100,000bits时,SNR值分别提高了47.822d B、7.161d B,ODG值分别提高了0.595、0.001。（2）提出一种基于双采样值预测机制的音频可逆隐写算法。在采样值排序算法中,仅利用了采样值之间的相关性来生成预测误差。实验表明,生成的预测误差之间也存在高度相关性。为提升预测性能,本文对预测误差之间的关系展开了研究,设计出一种全新的双采样值预测机制。在对采样块内部采样值进行排序后,首先固定处于中间位置的两个采样值,利用这两个采样值对其余采样值进行预测;在计算预测误差时,根据上一个预测误差的大小来判断下一次预测时是否能够在之前的基础上多减去一,这样使得生成的预测误差更小,提升了预测性能;然后将得到的预测误差每两个组成一对,作为嵌密对象;最后通过预先设计好的二维映射机制将多位二进制密信嵌入一对预测误差中。实验结果表明,与其他五种算法相比,SNR值和ODG值分别最高提升了42.631d B、0.92;与IPVO算法、LPVO算法以及SVO算法相比,提出的算法在嵌密容量上分别提高了131%、46%、81%。
其他文献
随着车辆工业和世界经济的快速发展,汽车的数量不断增加,各种交通事故也越来越多。据统计,约五分之一的事故是由驾驶员在驾驶车辆中存在接电话、与乘客说话等分心驾驶行为导致的。交通安全问题已经成为全球关注的焦点,如何快速、准确地检测出驾驶员的分心行为,避免分心驾驶引发的交通事故是研究人员面临的一大难题。近年来,卷积神经网络（Convolutional Neural Network,CNN）凭借其突出的特征
传统索引方式一般是一种通用的数据结构,不特别针对数据分布和特征设计或优化其索引方式,随着数据空间维度或数据量的增加,可能会导致存储消耗大且查询效率急剧下降。相较于传统的索引结构,学习型索引可通过学习数据的分布与特征来优化索引,进而可提升索引的查询效率和空间效率。由于多维数据一般无法直接给出确定顺序,当对查询数据有顺序要求时,则无法直接使用学习型模型学习数据的分布,因此学习型多维索引根据对查询数据是
一直以来,僵尸企业是我国经济发展中的巨大隐患。为此我国各地实施了一系列处置僵尸企业的决策,其中首要任务是对僵尸企业识别和分类。目前,已有的大量研究是在传统僵尸企业识别方法（如FN-CHK）上进行改进,但普遍存在如下问题:数据分析不全面,基于单一特征进行分析,识别过程中掺杂过多主观性。鉴于此,本文结合近年来热门的集成学习分类模型对企业数据进行自动和全面的挖掘分析,并设计僵尸企业识别方案,进而实现僵尸
异常检测识别数据集中显著区别于其它正常模式的数据,广泛应用于欺诈检测、入侵检测、数据分析等领域。现实世界中数据间存在复杂的结构关系构成了复杂网络,在数学形式上表示为图。当前面向复杂网络异常检测的需求日益增加,特别是对网络安全至关重要,其中属性网络异常检测由于其越来越多地用于建模各种复杂系统而引起广泛关注。现有的绝大数方法都是单独考虑网络结构或属性信息来检测异常,忽略了网络中节点的结构和属性的融合信
目标检测被认为是计算机视觉中最具挑战性的任务之一,因为它需要同时对图像中的物体进行定位和分类。目前,得益于标注完好的大规模数据集,监督学习下的目标检测已经取得了卓越的检测精度。然而上述的检测模型无法很好的迁移到新的图像样本中,即无法检测新的类别。但是人类可以凭借对物体的自然语言描述轻松的识别出之前从未见过的物体。基于这一点,研究人员提出了零样本识别这一研究课题并涌现了诸多相关工作。一种主流的方法是
干细胞作为一种同时具有自我复制与多向分化潜能的原始细胞群,有着极高的临床应用价值,而活细胞成像对于分析干细胞形态、监测干细胞增殖和分化等方面具有重要的作用。相衬显微镜独特的成像机制可以对活细胞成像。然而,所获得的生物图像具有丰富性和复杂性,使得无法对其进行手动分析处理。利用计算机的性能优势和图像处理算法自动化辅助分析处理已成为当前一项重要的研究手段。细胞分割效果是影响着图像自动化分析准确性的先决条
随着互联网的快速发展,人们愈发关注网上通信过程中的信息安全问题。数字隐写技术作为信息隐藏的重要分支,旨在将密信以不可感知的方式嵌入到数字载体中进行传递,从而保护通信过程中的信息安全。然而隐写术也可能为不法分子所利用,对国家社会造成严重危害。隐写分析技术是对抗隐写的重要手段,其目的是检测可疑载体是否存在隐秘信息,因此研究隐写分析技术具有现实意义。音频是常见的数字媒体。多媒体社交平台的发展以及音频天然
随着大数据时代的快速发展,学术论文资源呈现爆炸式持续增长,面对如此海量的学术论文,传统的搜索引擎耗时耗力,推荐系统是进行信息过滤的有效手段,将用户获取论文的方式由“主动”转化为“被动”,大大节省用户的时间和精力,缓解信息过载问题。在论文推荐领域中,有以下几个挑战,第一,用户和论文的交互方式一般是浏览、点击等具有较少信息量的隐式反馈行为,无法准确区分用户的正负样本,这使得推荐系统很难精准建模用户的兴
数字化进程不断推进的同时,也带来了信息安全问题:敏感的秘密信息在传输过程中易受恶意第三方的窃听、破坏甚至篡改。数字隐写技术作为信息保护的重要手段,旨在将秘密信息隐藏于图像、音频等载体之中,以实现隐蔽通信。近年来,以生成对抗网络（Generative Adversarial Networks,GAN）为核心的隐写技术成为了研究热点。借助GAN的对抗博弈训练、非线性映射能力以及生成特性,涌现了大批隐写
野生东北虎是国家Ⅰ级重点保护动物,对东北虎的保护和相关研究工作受到越来越多的关注。其中对保护区中采集到的东北虎图像进行个体识别往往是东北虎研究工作中的重要一环,但是传统的人工观察方式难以满足繁重的识别任务。本文基于深度学习对自然场景下野生东北虎的再识别问题进行相关研究。从采集到的东北虎图像中,检测并识别出此前已经标识过的东北虎个体的任务,我们称为野生东北虎再识别。对东北虎的再识别可以为后续深入分析