福州大学学报(自然科学版)
福州大學學報(自然科學版)
복주대학학보(자연과학판)
JOURNAL OF FUZHOU UNIVERSITY(NATURAL SCIENCE EDITION)
2014年
5期
661-665,677
,共6页
隐写检测%丰富的高维模型(high-dimensional rich model,HDRM)%集成分类%序列前向选择%特征融合
隱寫檢測%豐富的高維模型(high-dimensional rich model,HDRM)%集成分類%序列前嚮選擇%特徵融閤
은사검측%봉부적고유모형(high-dimensional rich model,HDRM)%집성분류%서렬전향선택%특정융합
steganalysis%random subspace method%integrated classification%sequential forward selection%feature fusion
针对目前大部分BMP隐写分析方法主要采用单一特征和单一强分类器,容易产生训练样本敏感、分类精度难以提高等问题,提出一种基于特征融合和改进RSM集成分类的BMP图像隐写检测方法.方法首先串行融合Moulin和SPAM两种经典特征,然后利用序列前向选择(SFS)算法选取分类能力高的特征作为固定特征,其余特征在剩余特征空间中随机抽取,利用固定特征和随机抽取特征构造特征子集,最后在特征子集上训练成员分类器,并用多数投票法对它们进行组合.实验结果表明:和传统方法相比,在不同嵌入率下,该方法对BMP经典隐写(如LSB匹配、LSB替换、SS和QIM)的检测率均有一定程度的提高.
針對目前大部分BMP隱寫分析方法主要採用單一特徵和單一彊分類器,容易產生訓練樣本敏感、分類精度難以提高等問題,提齣一種基于特徵融閤和改進RSM集成分類的BMP圖像隱寫檢測方法.方法首先串行融閤Moulin和SPAM兩種經典特徵,然後利用序列前嚮選擇(SFS)算法選取分類能力高的特徵作為固定特徵,其餘特徵在剩餘特徵空間中隨機抽取,利用固定特徵和隨機抽取特徵構造特徵子集,最後在特徵子集上訓練成員分類器,併用多數投票法對它們進行組閤.實驗結果錶明:和傳統方法相比,在不同嵌入率下,該方法對BMP經典隱寫(如LSB匹配、LSB替換、SS和QIM)的檢測率均有一定程度的提高.
침대목전대부분BMP은사분석방법주요채용단일특정화단일강분류기,용역산생훈련양본민감、분류정도난이제고등문제,제출일충기우특정융합화개진RSM집성분류적BMP도상은사검측방법.방법수선천행융합Moulin화SPAM량충경전특정,연후이용서렬전향선택(SFS)산법선취분류능력고적특정작위고정특정,기여특정재잉여특정공간중수궤추취,이용고정특정화수궤추취특정구조특정자집,최후재특정자집상훈련성원분류기,병용다수투표법대타문진행조합.실험결과표명:화전통방법상비,재불동감입솔하,해방법대BMP경전은사(여LSB필배、LSB체환、SS화QIM)적검측솔균유일정정도적제고.