(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211219205.X (22)申请日 2022.09.30 (71)申请人 南京信息 工程大学 地址 210000 江苏省南京市宁六路219号 (72)发明人 夏志华　徐勇　葛苏龙　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 田凌涛 (51)Int.Cl. G06T 1/00(2006.01) G06F 21/60(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) H04N 1/32(2006.01) (54)发明名称 一种基于深度学习的接收方否认隐写方法 (57)摘要 本发明公开了一种基于深度学习的接收方 否认隐写方法， 涉及图像隐写技术领域， 用于对 通信双方之间传递的信息进行加密隐写， 发送方 将需要传递的信息发送至接收方， 接收方接收到 信息后， 基于所接收的信息， 收集预设数量的样 本图像， 构建样本图像集合， 基于样本图像， 训练 并获得隐写网络模型， 应用所获隐写网络模型， 对待处理载体图像进行隐写， 获得对应的含密图 像， 进一步从含密图像中提取秘密信息。 通过本 发明的技术方案， 提供一种具有可否认性的图像 隐写方案， 允许接收方提交虚假秘密信息， 可抵 抗胁迫攻击， 保护信息安全通信。 权利要求书2页 说明书6页 附图2页 CN 115546002 A 2022.12.30 CN 115546002 A 1.一种基于深度学习的接收方否认隐写方法， 用于对通信双方之间传递的信 息进行加 密隐写， 其特征在于， 发送方将 需要传递的信息发送至接 收方， 接收方接收到信息后， 基于 所接收的信息， 收集预设数量的样本图像， 构建样本图像集合， 根据以下步骤A至步骤E， 训 练并获得隐写网络模型， 通过以下步骤 F， 应用隐写网络模 型， 对待处理载体图像进 行隐写， 获得对应的含密图像， 进一 步从含密图像中提取秘密信息： 步骤A、 基于样本图像集合， 将样本图像集合中的各个样本图像按照预设比例分为用于 训练隐写网络模型的训练集、 以及用于测试隐写网络模型的测试集， 随后进入步骤B； 步骤B、 分别针对训练集中的各个样本 图像， 随机生成二进制序列作为秘密信息， 利用 秘密信息对各个样本图像进行加密， 获得其所对应的各个含密图像， 随后进入步骤C； 步骤C、 分别针对各个含密图像， 以含密图像及其所对应的样本图像为基础， 获得样本 图像的预测标签和含密图像的预测标签， 随后进入步骤D； 步骤D、 以样本图像、 样本图像对应的秘密信息为输入， 以各个样本图像对应的含密图 像为输出， 以获得含密图像预测标签、 以及样 本图像预测标签分为训练目标， 对隐写网络待 训练模型进行训练， 获得隐写网络模型， 随后进入步骤E； 步骤E、 针对测试集中的样本图像， 应用隐写网络模型获得测试集中样本图像对应的含 密图像， 基于样本图像预测标签和含密图像预测标签， 根据预设损失函数对隐写网络模型 进行更新， 步骤F、 针对待处理载体图像， 应用隐写网络模型获得该待处理载体图像对应的含密图 像， 进一步提取含密图像对应的秘密信息 。 2.根据权利要求1所述的一种基于深度 学习的接收方否认隐写方法， 其特征在于， 所述 秘密信息包括虚假秘密信息和真实秘密信息 。 3.根据权利要求2所述的一种基于深度 学习的接收方否认隐写方法， 其特征在于， 所述 步骤B中， 基于样本图像和随机生成的秘密信息生成含密图像， 具体为： 随机从训练集对应 的样本图像集合中， 将其设置为RGB格式的颜色空间， 将图像尺寸设置为预设尺寸， 并将图 像转换为预设数据类型， 并进行归一化操作， 最后存放到载体图像集合； 对于两组秘密信 息， 分别使用二项式分布 原理随机生成预设数量的二进制序列， 分别存放至 两个信息集 合； 获取一个批量大小的训练数据， 将其进行级联， 得到104704维数据， 该数据再经过一层 全连接层， 对全连接层输出的特征进 行张量重塑、 批归一化和ReLU激活函数操作， 其后进 行 二维反卷积、 批归一化、 ReLU激活操作， 重复三次， 再对 特征进行一次二 维反卷积、 tanh激活 操作， 最后生成含密图像， 单张图像尺寸的与载体图像相同。 4.根据权利要求1所述的一种基于深度 学习的接收方否认隐写方法， 其特征在于， 所述 步骤D中， 对隐写网络待训练模型进行训练， 获得隐写网络模型， 分为两个训练阶段； 第一阶段， 给定载体图像和含密图像的正确标签， 用二分类交叉熵损失约束， 能够正确 区分含密图像和载体图像这两类图像； 两类图像各自经过一次二维卷积、 LReLU激活操作， 再经过三次二维卷积、 批归一化、 LReLU激活操作， 最后经过一次变维、 全连接、 t anh激活操 作， 输出载体图像预测标签， 即样本图像预测标签； 第二阶段， 对于含密图像， 给定载体图像的标签， 依然用二分类交叉熵损失约束， 同样 地， 经过一次二维卷积、 LReLU激活操作， 再经过三次二维卷积、 批归一化、 LReLU激活操作， 最后经过一次变维、 全连接、 tanh 激活操作， 输出含密图像预测标签。权　利　要　求　书 1/2 页 2 CN 115546002 A 25.根据权利要求2所述的一种基于深度 学习的接收方否认隐写方法， 其特征在于， 所述 步骤F中， 提取含密图像对应的秘密信息， 包括 提取真实秘密信息和提取虚假秘密信息； 提取真实秘密信息时， 含密图像首先经过一次二维卷积、 LReLU激活操作， 再经过三次 二维卷积、 批归一化、 LReLU激活操作， 最后经过一次变维、 全连接、 tanh激活操作， 提取出真 实秘密信息； 提取虚假秘密信息时， 含密图像首先经过一次二维卷积、 LReLU激活操作， 再经过三次 二维卷积、 批归一化、 LReLU激活操作， 最后经过一次变维、 全连接、 tanh激活操作， 提取出虚 假秘密信息 。 6.根据权利要求5所述的一种基于深度 学习的接收方否认隐写方法， 其特征在于， 所述 真实秘密信息和虚假秘密信息的长度一 致。 7.根据权利要求1所述的一种基于深度 学习的接收方否认隐写方法， 其特征在于， 所述 步骤D中， 对隐写网络待训练模型进行训练， 训练目标满足原始样本图像约束、 原始秘密信 息约束； 通过L2损失函数约束网络生成的含密图像相似于载体图像， 通过L2损失函数约束从含 密图像中提取出秘密信息与原始秘密信息相同， 此约束为达到隐蔽通信的目的， 将秘密信 息从发送方准确地传输 至接收方。权　利　要　求　书 2/2 页 3 CN 115546002 A 3