卷积神经网络在数字图像隐写与识别中的应用

于 杰

（厦门大学嘉庚学院 信息科学与技术学院，福建 漳州 363105）

0 引 言

卷积神经网络是现如今一种较为高效的识别方法，尤其是在图像识别分类领域更为明显，因为该神经网络无需对图像做复杂的前期预处理，所以现如今获得了更为广泛的实际应用。而图像隐写技术是一种基于内容和非密码机制的载体信息隐藏技术，基本应用于防伪溯源、版权保护、隐藏标识、认证以及安全隐蔽通信等领域。将二者相结合，卷积神经网络直接处理二维图像，与像素进行卷积，对有无图像隐写进行分类，拥有着重要的应用价值和意义。

时间延迟网络和LeNet-5是最早出现的卷积神经网络。在21世纪后，随着深度学习理论的提出和计算设备的改进，卷积神经网络得到了快速发展，陆续出现了ZFNet、VGGNet、GoogLeNet以及ResNet等优秀模型算法。近年，随着对防伪溯源、版权保护及隐藏标识等领域的重视，图像隐写技术作为一种基于内容与非密码机制的计算机信息隐藏技术得到了广泛关注和发展，如空域算法、Patchwork算法以及变换域算法等层出不穷，与此相对的图像隐写分析算法也得以被关注研究。

最为传统的图像隐写分析方法是通过提取相应的图像特征规律，再进行分类器的分类，如富模型+集成分类器，而卷积神经网络（Convolutional Neural Network，CNN）因为深度学习在图像识别的优异表现，使得其逐渐成为一种较为重要的图像隐写分析算方法，如由Guang-shuoXu等人构建了的一个5层CNN隐写分析模型，对S-UNIWARD算法的检测准确率高达80.24%，还有由高培贤等人提出的S-DRN模型通过利用残差神经网络（Residual Network，RestNET）来加深网络深度，提供准确率[1-5]。……