葉登攀，馬方方，梅園

（武漢大學計算機學院，湖北 武漢 430072）

基于遷移學習的隱寫分析

葉登攀，馬方方，梅園

（武漢大學計算機學院，湖北 武漢 430072）

在實際應用環(huán)境下，訓練集和測試集往往存在分布偏差，導致隱寫分析檢測效果不理想。遷移學習方法旨在從一個領域學習到的知識，來幫助完成新領域中的學習任務，不要求領域間的同分布假設。概述了當前隱寫分析失配問題的研究現(xiàn)狀，分析了引起隱寫分析失配的因素，在TrAdaBoost遷移算法的基礎上提出了一種基于遷移學習的隱寫分析算法，改善了隱寫檢測過程中出現(xiàn)的失配問題，并通過實驗驗證了算法的有效性。

隱寫檢測；遷移學習；基于實例

1 引言

信息隱藏作為一門新興學科，是各國研究者所關注和研究的熱點，其原理是利用載體中存在的冗余信息來隱藏秘密對象，以實現(xiàn)保密通信或數(shù)字簽名和認證。信息隱藏技術的主要技術分支是隱寫術和數(shù)字水印技術。研究者們把研究出的隱寫算法發(fā)布在他們的主頁上，如F5、WOW、MB1、JPHS、HUGO等；網上各種隱寫軟件可以免費下載。目前，隱寫術及隱寫分析技術的相關研究得到了學術界廣泛的重視。

傳統(tǒng)機器學習通常假設訓練數(shù)據(jù)與測試數(shù)據(jù)服從相同的數(shù)據(jù)分布。使用傳統(tǒng)機器學習進行隱寫分析檢測，在測試集和訓練集同分布時，已經取得很好的效果。然而，在實際中，訓練集和測試集數(shù)據(jù)分布不同的時候，隱寫分析檢測效果不能得到保證。重新收集訓練數(shù)據(jù)、重新訓練分類器需要的代價很大，為重復利用已有的數(shù)據(jù)經驗知識，需要研究學習模型的遷移。

遷移學習可以學習相關領域的數(shù)據(jù)，將相關領域的有用知識“遷移”到目標領域中，用以解決在目標領域的學習任務。人類的成長來源于不停學習，既可以從現(xiàn)實的不同事物中學到知識，也可以把從一個事物學到的知識應用到另一個事物。

理論和實驗分析發(fā)現(xiàn)，失配產生的原因大致有2種：一是載體圖像生成過程，不同的成像設備和不同的量化表會造成失配；二是隱密圖像生成過程，隱寫方法不同或嵌入率不同會造成失配。為了解決隱寫分析檢測過程中出現(xiàn)的失配問題，本文引入了遷移學習的思想，提出了一種基于遷移學習的信息隱藏分析方法。本文采用基于實例的遷移學習方法，在隱寫分析檢測中使用遷移算法TrAdaBoost。假設輔助域中包含與目的域相同分布的圖像庫，把輔助域分為與目的域相同分布的圖像庫、與目的域不同分布的圖像庫這2部分，訓練時不斷調節(jié)兩類圖像庫的權重，增大與目的域相同分布的圖像庫的權重。

2 隱寫分析概述

Simmons給出了隱寫術的一個通俗的闡述，即著名的“囚犯問題”。

囚犯問題模型如圖1所示，Alice和Bob被關押在獨立的房間，企圖共同謀劃一個越獄計劃，在此之前他們需要商定計劃。他們被允許通信，但他們所有的通信被看守 Wendy監(jiān)視。如果Wendy發(fā)現(xiàn)囚犯在秘密地交換信息，他將切斷通信信道，把他們單獨監(jiān)禁。囚犯們采用隱寫術作為交換越獄計劃細節(jié)的手段。注意，在“囚犯問題”中，Wendy需要達到的目標只是檢測秘密消息的存在，而不需要知道消息的內容。換句話說，當Wendy發(fā)現(xiàn)Alice和Bob在進行秘密通信時，隱寫系統(tǒng)就認為被破解。

隱寫術是一個隱私工具，因而它會很自然地激發(fā)人們去攻擊它。開發(fā)檢測秘密消息存在性并最終提取秘密消息方法的相關研究被稱為隱寫分析。隱寫分析模型主要包括2個部分：隱寫分析特征和機器學習中的分類器算法。

圖1 囚犯問題模型

圖像隱寫分析系統(tǒng)如圖2所示。首先建立載體圖像庫和隱密圖像庫，產生訓練圖像庫和測試圖像庫，分別提取訓練圖像庫和測試圖像庫的隱寫分析特征，利用分類器對訓練圖像庫的特征集進行訓練分類，形成訓練模型，輸入測試特征集，輸出隱寫判決。

JPEG域的隱寫分析特征有CCPEV548、JRM等，Spatial空域的隱寫分析特征有SPAM686、SRM等。隱寫分析分類器常用的有SVM、隨機森林和集成分類器等。

3 研究現(xiàn)狀

隱寫分析檢測過程包括特征提取和訓練分類模型。隱寫分析特征有 CCPEV[1,2]，SPAM[3]、SRM[4]等，使用的分類器有SVM[5]、隨機森林[6]、集成分類器[7]等?，F(xiàn)代的隱寫技術為了避免被隱寫分析檢測器檢測出來，能夠同時保持載體元素之間復雜的依賴關系不受破壞。所以為了檢測出隱密信息，隱寫分析就不可避免地需要使用高維的特征集。SRM是Fridrich等[4]提出的空域的高維特征，是目前隱寫分析檢測性能最好的特征。對單一的分類器來說，高的維度導致很多問題，如缺乏訓練數(shù)據(jù)、高度復雜訓練的不可行性、泛化能力的惡化、載體資源頑健性的缺乏、自身潛力下表現(xiàn)的飽和，Kodovsky等[7]提出了集成分類器。使用集成算法將多個分類器融合成一個集成分類器，盡管單個分類器的分類性能可能很弱，但是集成分類器的分類性能會有很大的改善。

圖2 圖像隱寫分析系統(tǒng)

基于融合訓練的方法和基于遷移學習的方法是目前解決隱寫分析失配問題的2種主要方法。Kodovsky等[8]針對JPEG圖像隱密分析中常見的量化表失配隱密分析，提出2種融合訓練的解決方案：Mixture融合訓練和 Closest融合訓練。Mixture融合訓練方法的原理是把不同量化表進行量化壓縮的載體和隱密圖像均勻混合作為訓練庫，利用集成分類器進行訓練，訓練出的模型對來自普通相機中非標準的量化表量化的載體圖像和對應的隱密圖像進行隱寫檢測。Closest融合訓練方法的原理是把不同量化表產生的圖像庫，分別應用集成分類器訓練成多個分類模型。測試圖像庫是由普通相機的非標準量化表量化，通過量化表距離選擇量化表最近的圖像庫的分類器，進行隱寫檢測。李肖峰等[9]提出了局部領域泛化（LGD）融合訓練方法，主要思想是：首先，計算訓練圖像庫和測試圖像庫量化表的距離，選取相差距離dis〈thread的N個訓練庫組成局部領域；然后，對量化表不同的局部融合訓練庫進行泛化學習，學習局部領域中公共成分，使其在局部訓練庫區(qū)間具有泛化能力；最后，利用局部領域的公共成分訓練分類模型對待檢測圖像進行隱寫檢測。

基于特征空間的遷移學習方法不要求訓練集和測試集遵循相同的數(shù)據(jù)分布。對載體分布、隱寫方法、嵌入率等失配因素引起的檢測失配，基于特征空間的遷移學習方法有很好的檢測效果。李肖峰等[9,10]提出了一種基于特征空間遷移學習的隱寫分析方法，基本思想是：首先，進行領域校準，將源領域的樣本變換到一個中間域中，該中間域中的訓練樣本與目標域的訓練樣本距離更接近，因此，訓練樣本和測試樣本中存在更多可區(qū)分類別的特征集，使隱寫分析性能提升；然后，學習一個共有的映射函數(shù)來提取2個領域的共有特征分量，以減小2個領域的分布距離。

遷移學習廣泛存在于人類的生活和學習中。遷移學習是指一種學習對另一種學習的影響，人類學習一種新知識的時候，往往會受到已有知識、經驗、技能的影響。學習和遷移二者不可分割。遷移學習有助于提高學習的效率。機器學習中，利用遷移學習可以增強機器學習的適應性，解決機器學習中負遷移、欠適配、過擬合、欠擬合的問題。

傳統(tǒng)機器學習要求訓練集和測試集同分布，在實際的學習過程中，很難實現(xiàn)訓練集和測試集同分布，為了解決實際問題，提出遷移學習。遷移學習就要求訓練集和測試集的 source Domain和target Domain與領域相關、任務相同。

例如，在隱寫分析檢測利用機器學習分類的過程中，發(fā)現(xiàn)載體分布不同，即載體的數(shù)據(jù)來自不同的源，具體體現(xiàn)在載體量化后的噪聲分布不一致，分類的過程中會造成失配的現(xiàn)象。在隱寫分析檢測過程中，當訓練集和測試集隱密圖像所采取的隱寫方法或嵌入率不同時，也會產生失配現(xiàn)象。

遷移學習方法涉及兩類主流方法：實例權重法和特征表示法。實例權重法對輔助領域中的實例進行權重調整、提升位于目標領域高密度區(qū)域的輔助領域實例權重，從而更好地與目標領域數(shù)據(jù)分布匹配；特征表示法試圖找到原始數(shù)據(jù)的新特征表示，使輔助領域和目標領域的數(shù)據(jù)分布更加相似、或使領域相關的具體特征可以被領域無關的抽象特征所表示。

基于實例的遷移學習主要思想是在輔助領域中尋找有助于目標領域學習的實例。但由于輔助領域有效的實例較少，為了解決這個問題，呂靜[11]提出基于半監(jiān)督的聚類集成遷移學習算法。

基于聚類遷移學習過程如圖3所示，目標數(shù)據(jù)和輔助數(shù)據(jù)合在一起，采用多種聚類算法進行聚類，將不同的聚類結果運用集成算法加權投票，輸出最終的聚類結果。根據(jù)聚類投票結果，將與目標數(shù)據(jù)聚在一起的輔助數(shù)據(jù)保留下來，刪掉沒有與目標數(shù)據(jù)聚在一起的輔助數(shù)據(jù)。保留下來的輔助數(shù)據(jù)與目標數(shù)據(jù)有較大的相似性，能夠幫助目標數(shù)據(jù)進行分類。最后，把過濾后的數(shù)據(jù)和目標數(shù)據(jù)一起進行分類算法。

圖3 聚類集成遷移學習算法

4 圖像失配隱寫分析

圖像隱寫分析有效判決和失效判決的過程如圖4所示，圖像庫1和圖像庫2數(shù)據(jù)分布不同，其中，圖像庫1生成訓練圖像庫1和測試圖像庫1，圖像庫2生成訓練圖像庫2。訓練圖像庫和測試圖像庫使用相同的特征提取算法提取隱寫分析特征，訓練集的特征集經過機器學習訓練模型。輸入測試圖像庫1的特征集，使用訓練模型1得到有效的隱密判決，使用訓練模型2得到失效的隱密判決，即訓練集2和測試集1失配。

訓練集和測試集失配包括：載體分布（量化表）不同、隱寫方法不同、嵌入量不同。

1) 載體分布（量化表）不同。JPEG載體形成過程中，使用不同的量化表進行量化，得到的JPEG載體的數(shù)據(jù)分布是不同的。同時，隱寫方法和嵌入率相同。

2) 隱寫方法不同。訓練集和測試集中的隱密圖像是由載體圖像使用不同的隱寫方法生成的，導致訓練集和測試集中的數(shù)據(jù)分布不同。同時，訓練集和測試集載體分布相同，隱寫嵌入率相同。

3) 嵌入率不同。訓練集和測試集中的隱密圖像是由載體圖像使用相同的隱寫方法、不同的嵌入率生成的，導致訓練集和測試集中的數(shù)據(jù)分布不同。同時，訓練集和測試集載體分布相同。

5 算法原理

假設有少量的目標訓練數(shù)據(jù)（base training data），這些數(shù)據(jù)與測試數(shù)據(jù)分布相同，但是數(shù)量非常少，不足以訓練出一個可靠的分類模型。但是存在有大量的輔助訓練數(shù)據(jù)（auxiliary training data）。輔助訓練數(shù)據(jù)與目標領域數(shù)據(jù)來自不同的領域，所以它們的數(shù)據(jù)分布是不同的。本文基本思想是利用輔助訓練數(shù)據(jù)輔助目標訓練數(shù)據(jù)訓練一個分類模型，提高測試數(shù)據(jù)的隱寫檢測精度。

本節(jié)使用戴文淵等[12]提出的 TrAdaBoost遷移學習方法，該方法假設訓練圖像包含與測試圖像相同分布的圖像庫，訓練圖像庫包括輔助訓練圖像庫和目標訓練圖像庫。其中，輔助訓練圖像庫和測試圖像庫來自不同的領域，具有不同的分布，目標訓練圖像庫和測試圖像庫具有相同的分布。使用 Hedge(β)訓練輔助訓練數(shù)據(jù) Ta，使用AdaBoost算法訓練目標訓練數(shù)據(jù) Tb。AdaBoost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器，即弱分類器，然后把這些弱分類器集合起來，構造一個更強的最終分類器。算法本身是改變數(shù)據(jù)分布實現(xiàn)的，它根據(jù)每次訓練集中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改權值的新數(shù)據(jù)送給下層分類器進行訓練，然后將每次訓練得到的分類器融合起來，作為最后的決策分類器。

圖4 有效/失效隱密判決

AdaBoost的基本思想是調整訓練樣本的權重，當一個目標訓練樣本被誤分類后，AdaBoost會增加這個訓練樣本的權重，這個訓練樣本會被標記成比較難分類的樣本。在下一次迭代訓練中，這個訓練樣本被誤分類的概率就會減小。AdaBoost被應用在目標訓練數(shù)據(jù)中，是為了保證分類模型在目標數(shù)據(jù)的準確性。Hedge(β)算法被用在輔助訓練數(shù)據(jù)Ta上，當Ta被誤分類時，說明這個分錯的樣本和目標數(shù)據(jù)差別很大，對分類模型的準確度有負面的影響，所以這個訓練樣本的權重被減小。TrAdaBoost算法機制如圖5所示。

圖5 TrAdaBoost算法機制

一次迭代后，輔助訓練數(shù)據(jù)Ta中不符合目標訓練數(shù)據(jù)的訓練樣本權重減小，于是，在若干輪迭代后，輔助訓練數(shù)據(jù)中符合目標訓練數(shù)據(jù)的那些數(shù)據(jù)就會擁有相對高的權重，而那些不符合源訓練數(shù)據(jù)的權重會降低。那些擁有相對高權重的數(shù)據(jù)將會幫助目標訓練數(shù)據(jù)訓練一個更好的分類模型。

在隱寫分析中，TrAdaBoost算法實驗步驟如下。

1) 提取特征，生成輔助訓練集、目標訓練集和測試集。

2) 輸入輔助訓練集、目標訓練集和集成分類器，訓練隱寫檢測模型。

3) 輸入測試集，得到檢測結果和檢測率。

6 實驗

在第4節(jié)圖像失配隱寫分析中，介紹了隱寫分析的3個失配因素，這里用3個實驗分別說明它們對隱寫分析性能的影響，并使用TrAdaBoost遷移算法做對比分析，驗證算法的有效性。

實驗1 載體分布

圖像庫來源于Bossbase1.01圖像庫，隨機抽取1 000張圖像，使用標準量化表、不同的質量因子進行JPEG壓縮，質量因子分別為65、75、85、95，使用Matlab工具處理形成4個載體圖像庫。使用隱寫算法 NsF5對載體圖像進行隱寫，嵌入率為0.4，得到4個隱密圖像庫，實驗中提取CCPEV特征作為檢測過程中的隱寫分析特征，采用集成分類器。實驗結果如圖6所示。

圖6中記錄的數(shù)據(jù)為檢測失誤率，包括漏檢率和誤警率。漏檢率是指測試集中的隱密圖像沒有被檢測出來，而被當成了載體圖像；誤警率是指測試集中的載體圖像被誤判為隱密圖像。

圖6 載體分布不同（TrAdaBoost）檢測失誤率

觀察圖6的左半部分可知，處于對角線上的數(shù)值最小，位于對角線兩側的數(shù)值偏大。因此可以得出結論，當訓練圖像庫和測試圖像庫的質量因子不相同時，隱寫檢測失誤率比兩者質量因子相同時要高。又因為當訓練圖像庫和測試圖像庫的質量因子不相同時，導致訓練圖像庫和測試圖像庫中的載體和隱密圖像分布不相同。載體的分布又直接影響到隱密圖像的分布，所以從圖6可以看出，載體的分布是隱寫分析檢測失配的因素之一。圖6右半部分顯示使用TrAdaBoost遷移算法后，隱寫分析檢測失誤率明顯低于未使用TrAdaBoost遷移算法的失誤率。

實驗2 隱寫方法

圖像庫來源Bossbase1.01圖像庫，隨機選取1 000張載體圖像。選用HUGO、WOW、S-UNIWARD這 3種隱寫算法對載體圖片進行隱寫嵌入，嵌入率都為0.4，得到隱密圖像各1 000張。實驗中提取SRM特征作為檢測過程中的隱寫分析特征，采用集成分類器。實驗結果如圖7所示。

觀察圖7可發(fā)現(xiàn)，對角線上的數(shù)據(jù)最小，即當訓練集和測試集中的隱密圖像的隱寫方法相同時，隱寫檢測的效果最好。而當訓練集和測試集中的隱密圖像的隱寫方法不同時，隱寫檢測的效果就會變差。理論上說，造成隱寫檢測效果變差的原因是訓練集和測試集中的隱密圖像數(shù)據(jù)分布不同。不同的隱寫方法造成訓練集和測試集中的隱密圖像的分布不同，因此可以得到隱寫方法是隱寫分析檢測失配的因素之一。圖7右半部分顯示使用TrAdaBoost遷移算法后，隱寫分析檢測失誤率明顯低于未使用 TrAdaBoost遷移算法的失誤率。

實驗3 嵌入率

以隱寫方法WOW為例，當嵌入率不同，觀察隱寫分析的效率如何變化。圖像庫來源Bossbase1.01圖像庫，其中載體圖像1 000張，嵌入率分別為0.2、0.4和0.6的WOW隱密圖像各1 000張。使用SRM特征作為檢測過程中的隱寫分析特征，并使用TrAdaBoost算法結合集成分類器進行分類。實驗結果如圖8所示。

從圖8可以看出，嵌入率低的訓練圖像庫對嵌入率高的測試圖像庫的隱寫分析檢測性能的影響是積極的，嵌入率高的訓練圖像庫對嵌入率低的測試圖像庫的隱寫分析檢測性能的影響是消極的，產生失配的檢測結果。當嵌入率為0.4時，檢測失誤率比其他低。圖 8右半部分顯示使用TrAdaBoost遷移算法后，隱寫分析檢測失誤率明顯低于未使用TrAdaBoost遷移算法的失誤率。

簡而言之，載體分布、隱寫方法和嵌入率不同會使隱寫分析檢測失配；使用遷移算法TrAdaBoost對隱寫分析檢測進行遷移后，檢測失誤率下降。3個實驗的實驗結果如圖9所示，圖9(a)為實驗1中，當測試集質量因子q=65時，檢測失誤率隨輔助訓練集質量因子變化情況；圖9(b)為實驗2中，當測試集嵌入率為0.2時，檢測失誤率隨輔助訓練集嵌入率變化情況；圖 9(c)為實驗3中，當測試集隱寫方法為HUGO時，檢測失誤率隨輔助訓練集隱寫方法變化情況。

圖7 隱寫方法不同（TrAdaBoost）檢測失誤率

圖8 嵌入率不同（TrAdaBoost）檢測失誤率

圖9 3個實驗的實驗結果

7 結束語

現(xiàn)階段，隱寫分析在理論和實驗研究都取得了很多的成果。在現(xiàn)有的實驗研究數(shù)據(jù)中，訓練樣本和測試樣本都是為了方便實驗而做的標準樣本，同時，實驗中也做了各種假設，例如能夠獲得隱寫者的載體樣本和隱密樣本，從而訓練樣本和測試樣本能很好地幫助進行隱寫實驗。而在實際應用中，收集符合假設的訓練樣本和測試樣本需要耗費大量的人力、物力，也是不可能做到的。所以，就要思考如何在不滿足這些假設的情況下，進行隱寫檢測依然能達到很好的效果，隱寫分析算法性能不會下降。但是，到目前為止，關于解決隱寫檢測失配問題方面的研究仍然很少。所以，進行失配隱寫分析的研究，將隱寫分析由實驗室轉移到實際中，有很重要的意義。

本文對現(xiàn)階段的圖像失配隱寫分析現(xiàn)狀進行了總結，介紹了2種解決失配問題的方法：基于融合訓練的方法和基于遷移學習的方法。其中，基于融合訓練的方法依賴于訓練圖像庫的多樣性；而基于遷移學習的方法是基于特征空間的訓練方法，在輔助域和目的域之間找到一個中間域，對中間域和目的域進行學習。

本文對可能引起隱寫分析失配的3種因素進行了實驗，實驗結果顯示載體分布、隱寫方法和嵌入率都是引起數(shù)字圖像隱寫分析失配的因素，而且它們引起隱寫檢測失配的程度并不相同。載體分布不同，隱寫方法和嵌入率相同時會引起訓練圖像庫中的載體圖像和隱密圖像，與測試圖像庫中的載體圖像和隱密圖像分布不同；隱寫方法不同，載體分布和嵌入率相同時，會引起訓練圖像庫和測試圖像庫中的隱密圖像分布不同；嵌入率不同，載體分布和隱寫方法相同時，會引起訓練圖像庫和測試圖像庫中的隱密圖像分布不同。載體分布和隱寫方法的不同對隱寫分析檢測性能的影響是消極的，從而產生失配的檢測結果；而嵌入率低的訓練圖像庫對嵌入率高的測試圖像庫的隱寫分析檢測性能的影響是積極的，嵌入率高的訓練圖像庫對嵌入率低的測試圖像庫的隱寫分析檢測性能的影響是消極的，產生失配的檢測結果。

另外，本文還提出了一種基于遷移學習的隱寫分析算法，利用基于實例的遷移學習算法來解決隱寫分析檢測中的失配問題。該算法把訓練圖像庫分為兩部分：輔助訓練圖像庫和源訓練圖像庫。輔助訓練庫圖像中和測試圖像庫分布不同，而源訓練圖像庫和測試圖像庫分布相同。算法增大輔助訓練圖像庫中對檢測有幫助的特征的權重，使最終的訓練模型對測試圖像庫的檢測性能提升。本文的不足之處在于需要保證源訓練圖像庫和測試圖像庫的分布相同。

目前，機器學習應用很廣泛，受到了很多學者的關注。而目前的機器學習存在負遷移、欠適配、過擬合、欠擬合等問題，所以遷移學習的研究需要更多的學者投入時間和精力。本文做出以下展望。

1) 目前，遷移學習已經有了很多的研究成果，針對隱寫分析失配的問題，可以將適合的隱寫分析研究的遷移學習方法應用到隱寫分析實驗中來。

2) 目前隱寫分析的實驗比較耗費時間和精力，因為從圖像庫的生成、隱寫、提取特征，到檢測分析，每一步都需要很長的時間。深度學習目前發(fā)展比較迅速，而且使用深度學習可以自動提取隱寫分析特征，不用人工提取，提高效率。

[1] PEVNY T, FRIDRICH J. Merging Markov and DCT features for multi-class JPEG steganalysis[C]// The International Society for Optical Engineering(SPIE). 2007.

[2] KODOVSKY J, FRIDRICH J. Calibration revisited[C]//The 11th ACM Multimedia and Security Workshop. 2009:63-74.

[3] PEVNY T, BAS P, FRIDRICH J. Steganalysis by subtractive pixel adjacency matrix[J]. IEEE Transactions on Information Forensics & Security, 2010, 5(2):215-224.

[4] FRIDRICH J, KODOVSKY J. Rich models for steganalysis of digital images[J]. IEEE Transactions on Information Forensics & Security, 2012, 7(3):868-882.

[5] 王艦, 湯光明. 基于SVM的圖像隱寫檢測分析[J]. 計算機研究與發(fā)展, 2009, 46(z1). WANG J, TANG G M. Image steganography detection analysis based on SVM[J]. Journal of Computer Research and Development, 2009, 46 (z1).

[6] 胡東輝, 楊陽, 邵鋒,等. 一種基于隨機森林的JPEG圖像通用隱寫分析方法[C]//全國信息隱藏暨多媒體信息安全學術大會(CIHW). 2012. HU D H, YANG Y，SHAO F, et al. JPEG image steganographic analysis method based on random forest[C]//China Information Hiding And Multimedia Security Workshop(CIHW). 2012

[7] KODOVSKY J, FRIDRICH J, HOLUB V. Ensemble classifiers for steganalysis of digital media[J]. IEEE Transactions on Information Forensics and Security,7(2):432-444.

[8] KODOVSKY J, SEDIGHI V, FRIDRICH J. Study of cover source mismatch in steganalysis and ways to mitigate its impact[C]//The International Society for Optical Engineering(SPIE). 2014:96-101.

[9] 李肖峰. JPEG圖像失配隱密分析研究[D]. 大連: 大連理工大學, 2014. LI X F. JPEG image mismatch secret analysis[D]. Dalian: Dalian University of Technology, 2014.

[10] LI X F, KONG X, WANG B, et al. Generalized transfer component analysis for mismatched JPEG steganalysis[C]// IEEE International Conference on Image Processing. 2013:4432-4436.

[11] 呂靜. 基于實例的遷移學習算法研究[D]. 太原: 山西財經大學, 2013. LV J. The migration learning algorithm study based on case[D]. Taiyuan: Shanxi University of Finance and Economics, 2013.

[12] 戴文淵. 基于實例和特征的遷移學習算法研究[D]. 上海: 上海交通大學, 2009. DAI W Y. The migration learning algorithm study based on case and characteristics[D]. Shanghai: Shanghai jiaotong University, 2009.

Steganalysis based on transfer learning

YE Deng-pan, MA Fang-fang, MEI Yuan
(Computer School, Wuhan University, Wuhan 430072,China)

In practice, when the training set and testing set are mismatched, performance of steganalysis can not be guaranteed. The transfer learning aims at using the knowledge learned from one domain to help complete the learning task in the new domain, and does not require the same distribution assumption. A more comprehensive review of mismatched steganography research status was made and the mismatch factors were analyzed. Methods on instance-based transfer learning were presented to solve the test mismatch problem during the steganography detections. Key words: steganography, transfer learning, based on instance

TP309.7

A

10.11959/j.issn.2096-109x.2017.00116

葉登攀（1975-），男，湖北黃岡人，博士，武漢大學教授，主要研究方向為信息安全、信息隱藏。

馬方方（1993-），女，安徽阜陽人，武漢大學碩士生，主要研究方向為信息安全。

梅園（1980-），女，湖北武漢人，武漢大學博士生，主要研究方向為多媒體安全。

2016-09-26；

2016-10-09。通信作者：馬方方，2698910297@qq.com

國家自然科學基金資助項目（No.61272453）；湖北省重大科技創(chuàng)新計劃基金資助項目（No.2015AAA013）；NSFC—通用技術基礎研究聯(lián)合基金資助項目（No.U1236204）

Foundation Items: The National Natural Science Foundation of China(No.61272453), Major Scientific and Technological Innovation Project of Hubei Province(No.2015AAA013), NSFC-General Technology Foundation Research United Fund (No.U1236204)