凌寶紅 楊陽(yáng)

摘要：針對(duì)目前JPEG圖像通用隱寫分析方法所使用到的分類器的不足，以及分類過程中的過擬合問題，提出一種基于隨機(jī)森林的JPEG圖像通用隱寫分析方法。實(shí)驗(yàn)結(jié)果表明我們所提出的方法能有效地檢測(cè)JPEP圖像的隱藏信息。

關(guān)鍵詞：隱寫分析；隨機(jī)森林；JPEG

中圖分類號(hào)：TP309文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)21-5198-04

Research on A Random Forest Based JPGE Image Universal Steganalysis Method

LING Bao-hong1, YANG Yang2

(1. Anhui Broadcasting Movie and Television College, Film and Television, Hefei 230022,China;2. Deaf Institute of Tianjin University, Tianjin 200191,China)

Abstract: Current JPEG image universal steganalysis facing the problem of being short of classifers, and the problem of over fitting. In this paper, we propose s Random Forest based JPEG image universal steganalysis method, experimental results show that our method can detec? tion the hiding information effectively.

Key words: steganalysis;random forest; JPEG

目前，針對(duì)數(shù)字圖像通用隱寫分析方法的許多文獻(xiàn)中，會(huì)用到機(jī)器學(xué)習(xí)中的貝葉斯、神經(jīng)網(wǎng)絡(luò)等分類器進(jìn)行訓(xùn)練和檢測(cè)，但這類傳統(tǒng)的機(jī)器學(xué)習(xí)分類器存在著許多缺陷，如：分類中，分類的準(zhǔn)確率達(dá)不到理想中的要求；分類過程中不能避免過擬合現(xiàn)象的出現(xiàn)。隨機(jī)森林算法最早由Veena等人用于對(duì)LSB等進(jìn)行隱寫分析，本文在此基礎(chǔ)上研究基于隨機(jī)森林的JPEG圖形通用隱寫分析方法。

圖1隨機(jī)森林原理

隨機(jī)森林是一類組合分類器，其中它的每個(gè)子分類器都是一棵基于隨機(jī)向量的最優(yōu)選擇分裂的決策樹，它結(jié)合所有子決策樹

1）從原始n個(gè)樣品的訓(xùn)練集中有放回地抽取同樣數(shù)量的樣本來組成一個(gè)單個(gè)訓(xùn)練集，并以此方式來得到足夠數(shù)量的單個(gè)的訓(xùn)練集。

2）對(duì)于1）中得到的眾多單個(gè)訓(xùn)練集中的每個(gè)單個(gè)訓(xùn)練集，采用以下方式生成一棵的分類決策樹，并且生成的過程中不需要剪枝：

Step1:設(shè)樣品共有M個(gè)原始屬性，設(shè)定正整數(shù)mtry，mtry<

Step 2:從mtry個(gè)候選屬性中根據(jù)一定規(guī)則進(jìn)行最優(yōu)分裂。

Step 3:在每棵樹的生成過程中，不進(jìn)行減枝操作，以確保每棵樹充分生長(zhǎng)。3）重復(fù)1），2），直到生成ntree棵分類決策樹（ntree足夠大)。

2.3訓(xùn)練

利用隨機(jī)森林分類器對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，得到相關(guān)參數(shù)，并調(diào)節(jié)相關(guān)參數(shù)。

2.4分類

用已經(jīng)訓(xùn)練好的隨機(jī)森林分類器，對(duì)測(cè)試集進(jìn)行分類，對(duì)于檢測(cè)的每張圖片，將投票最多的那一類的標(biāo)簽“賦予”這張圖片。

JPEG圖像通用隱寫分析方法要稍差于基于SVM的JPEG圖像通用隱寫分析方法，對(duì)于該組其它兩個(gè)結(jié)果，前者的檢測(cè)效果均好于后者。對(duì)于另外的五組，基于RF的JPEG圖像通用隱寫分析方法的檢測(cè)效果均要好于基于SVM的JPEG圖像通用隱寫分析方法。另外，對(duì)于RF和其它兩類分類器的檢測(cè)效果對(duì)比，RF的性能在六組的實(shí)驗(yàn)中檢測(cè)準(zhǔn)確度均要高于Bayes和NN，并且RF表現(xiàn)了比較大的優(yōu)勢(shì)。

2）多值分類：通過對(duì)每種隱寫算法，分別建立秘密信息相對(duì)嵌入率為25%，50%，100%的訓(xùn)練集和測(cè)試集，并分別進(jìn)行訓(xùn)練和測(cè)試。我們得到訓(xùn)練集由3400張的原始圖片特征集和6組3400張分別經(jīng)過以上相應(yīng)一種隱寫算法密寫過的圖片構(gòu)成，測(cè)試集由1600張?jiān)紙D片和6組1600張經(jīng)過相應(yīng)隱寫算法密寫過的圖片構(gòu)成。經(jīng)過實(shí)驗(yàn)，我們就得到結(jié)果如表2及表3所示：

表2 SVM多值檢測(cè)結(jié)果

Steghide 86.625 57

32.5

表2是用SVM做分類器進(jìn)行檢測(cè)的結(jié)果，表3是用RF做分類器進(jìn)行檢測(cè)的結(jié)果?？梢钥闯觯合啾萊F二值分類，RF方法在分類精度上有所下降；但同等條件下，RF的檢測(cè)結(jié)果在絕大多數(shù)情況下，都比SVM要好很多，RF在多值分類中亦有著相對(duì)優(yōu)良的性能。

通過以上二值和多值分類實(shí)驗(yàn)對(duì)比的結(jié)果，可以看出隨機(jī)森林算法有著優(yōu)良的分類準(zhǔn)確率，由于隨機(jī)森林子決策樹是采用抽取隨機(jī)屬性的辦法，最大程度上弱化了子決策樹之間的影響，從而提高了整體分類的準(zhǔn)確率，同時(shí)隨機(jī)森林可以避免過學(xué)習(xí)的問題的產(chǎn)生，在一定程度上提高了分類精度，實(shí)驗(yàn)結(jié)果表明：基于隨機(jī)森林的JPEG圖像通用隱寫分析方法可以對(duì)掩密圖像進(jìn)行有效的檢測(cè)。

現(xiàn)代圖像通用隱寫分析過程中，對(duì)圖片進(jìn)行檢測(cè)都會(huì)用到分類器對(duì)圖片集進(jìn)行分類，但傳統(tǒng)的機(jī)器學(xué)習(xí)的分類器中存在很多缺陷，如：分類精度不高、過擬合等。這類缺陷或多或少的影響到了檢測(cè)的效果。本章針對(duì)這類問題，應(yīng)用隨機(jī)森林針對(duì)JPEG掩密圖進(jìn)行隱寫分析。理論上，該方法可以避免過擬合現(xiàn)象的出現(xiàn)，并在對(duì)掩密圖片進(jìn)行檢測(cè)的實(shí)驗(yàn)中，隨機(jī)森林表現(xiàn)了良好的分類精度，得到了令人滿意的效果。