基于统计模型及SVM的低速率语音编码QIM隐写检测

1、 期 李松斌等 ：基于统计模型及 的低速率语音编码 隐写检测 融合特征向量中的子向量在隐写前后的取值 发生了 改变 ； 对于 所有文件的 ， 均值为 ， 对于 因此可以认为本文所提 该值为 隐写将导致该特 取的特征对隐写是非常敏感的 征发生显著性变化 这对隐写检测非常有利 用支持向量机作为分类器 分类器是一种监督 学习分类器 ， 它是通 过 使 用 某 些 已 标 注 类 别 的 样 本 ， 进行训练获得的 对于特 征 向 量 分类器 的训练 和预测步骤如下 ： （ ） 获取尽 可 能 多 的 类 别 低 速 率 压 缩 编 并使用 分组码本使用 码语音片段 ， 嵌入方法（ 文献 算法进行 优

2、 化 划 分 ） 进行隐写以获得 类别中每个样本对应的 并做好标注 ； 样本 ， （ ） 抽取上一步 骤 所 获 得 的 两 类 样 本 的 特 征 向 ， 标记每个向量的类别 ； 量 （ ） 训 练 分 类 器： 使用上一步骤获得已标记类 别的特征向量集合训练分类器 ， 获得分类器 ； （ ） 使用分类器 对未 知 类 别 样 本 进 行 隐 写 检 ， 测： 对于 未 知 类 别 样 本 首 先 抽 取 特 征 向 量 将 作 分类器输出即为隐写检测结 为分类器 的 输 入 ， 果 本文基于 是 一 个 优 秀 的 工 具 ， 进行分类器的训练和预测 基于机器学习的隐写检测 假设有一个未

3、知 是 否 存 在 隐写的压缩语 ， 音片段 隐写检测的目标即判定 是 否 存 在 隐写 假设通过对 进行处理所抽取的可用于隐写检 ， ） 测的特征向量为 则隐写检测过程可用式（ 表示 ： ） ， （ ） ， （ 其中函数 为 隐 写 检 测 器 其 输 出 结 果 即 为 检 测 结 若 ， 表 示 不 存 在 隐 写， 否 则 存 在 隐 写 果， 显然函数 是一个 二 值 分 类 器 ， 隐写检测过程实质 上是分类过程 ： 假设 时 属 于 未 隐 写 类 （ 称 ， 为 称为 类 ） 时 属 于 隐 写 类 （ ， 类） 则隐写检测就是将未知类别的样本 分为 对 于 分 类 问 题，

4、基于机器学习 类或 类 的分类方法是当前主流 ， 本文也采用这种方法 对于 未知类别的压缩语 音 片 段 ， 本文基于机器学习的隐 写检测过程如图 所示 显然 ， 隐写检测的关键是确 定特征向量 和分类器 实验及讨论 本文选择 和 作为实验测试所 用的低速率语音编码器 ， 并采用文献 给出的方法 本文 针 对 两 种 编 码 器 分 别 进 行 了 本 作为隐写算法 文隐写检测方法的性 能 测 试 ， 并与文献 给出的 隐写检测方法进行了比较 为了阐 明 算 法 具 有 较 好 的 普 适 性， 本文选择 不同发音 人 的 多 个 语 音 片 段 组 成 语 音 样 本 库 所 用语音片 段

5、样 本 包 含 个 种 类， 分别是中文男声 图 压缩语音片段隐写检测过程 （ ， ， 包含 中文女 ） 个 语 音 片 段； ， ， 包含 英 声（ ） 个语音片段 ； ， ， 文男声 （ 包含 ） 个 语 音 片 段； ， ， 英文女声 （ 包含 ） 个语音 片段 语音片段总计 每个语音片段的时长 个 ， ， 为 采样率为 对每个采样点用 进 行量化 ， 用 格式存储 我们称没有进行信息隐藏的压缩语音片段为未 ， 隐写类 （ 否则称其为隐 写 类 （ 不同类别 类） 类） 发音人的语 音 片 段 编 码 所 得 的 类 及 其 对 应 的 类压缩语音流片段构成进行分类器进 行 训 练 和

6、预 由于本文已将隐写检测问题转化为 测时的数据集 ） 分类问 题 ， 因此本文采用式（ 定义的分类准确率 在文献 中， 特征向量的提取必须首先对压 缩语音片段进行解 码 ， 其后基于解码获得的语音数 据计算基于 这种特征提取 的统计特征向量 ， 方法需要进行解码操作 ， 甚为耗时 上一节中我们介 绍了本文的特征提 取 方 法 ， 该方法不需要对压缩语 音进行解码 ， 直接在压缩域抽取特征向量 ， 计算速度 较快 为此 ， 本文将上节给出的音素分布特性量化向 量 作为特征向量 关于分类器的设计 ， 现有研究中 ， 不同的对象分 这些方法大致可分 类识别系统有不同 的 训 练 方 法 ， 为两大类

7、 ： 判别法（ 和生成 ） ） 法（ 判别法可以灵活地选择用 来识别的特征 ， 检测速度也较快 ， 为此本文采用基于 判别法的分类器 在判别型分类器中 ， 由于支持向量 ， 机（ 较适合小样本 ） 训练的情况 ， 本文考虑到训练时间和训练样本量 ， 使 对检测算法的性能的进行评估 ： （ ） 其中 和 是数据集中的 类和 类样本的个数 ， 和 则是被分类器准确判定类别的 类和 类 样本 计 算 机 学 报 年 的个数 低速率语音编码器 隐写检测结果 对语音样本库中 中 的 每 个 格 式 存 储 的语音片段使用 获得 编 码 器 进 行 压 缩 编 码， 没有进行信 息 隐 藏 的 个 压缩语

8、音流片 ， 段， 由于 因此每个片段 包 含 的帧长为 这些压缩语音片段组成未隐写类 个 帧， 别（ 样本 使用文献 介绍的 类） 算 法 方 法 对 进行矢 量 量 化 时 的 个 分 裂 矢 量 码 本 进 获得进 行 再次 行优化划分 ， 嵌 入 的 分 组 码 本 对每个 格式的语音样本进行基于 标准 的编码压缩 ， 并 且， 在对每个帧的 系数进行矢 量量化时使用 获得包含隐 机制嵌入机密信息 ， ， 藏信息的 个 压缩语音流片段 这些压缩语 样本 音片段组成隐写类别 （ 类） 类及其对应的 类压缩语音流片段构成进行分类器训练和预 测时的 同 理 可 得 、 这 数据 集 和 数 据

9、 集 数 据 集 个数据集的 所 有 样 本 构 成 混 合 （ ） 因此 ， 本文在 个不同的数据集上评估了算法性能 用类 似 的 方 法 获 得 使 用 作为低速率 进 行 检 测 算 法 性 能 评 估 的 数 据 集 语音编码 器 时 ， ， 由于每 个 语 音 片 段 的 长 度 为 的帧 ， 长为 因此每个 压缩语音片段包含 个帧 对上述的每个数据集 ， 选择 的 类样本及 其对应的 类样本 ， 组成该种类分类器的训练样本 剩余的 库， 样本组成测试样 本 库 用 于 评 估 训 练 表 给 出 了 测 试 结 果， 所得分类器 的 分 类 准 确 性 表 中列 是使用本文方法获得

10、的隐写检测 结果 ， 列 的方法获得的隐写 是使用文献 检测结果 从测试结 果 看 本 文 方 法 在 个 测 试 数 据 的 方 法， 在语音片段时长为 集上均 优 于 文 献 对于两种低速率语音编码标准 ， 本文方法检 时 ， 测准 确 率 均 超 过 而文献 的方法对于 ， 对个数据集检测 基本上无法 有 效 检 测 ： 准确率均低于 表 语音片段时长为 时的测试结果 数据集名 使用 的结果 使用 的结果 上面获得的测试结果所用的语音片段的时长为 本文面向的是 中低速率编码的 压 缩 语 音 流的 隐 写 检 测 ； 进行隐 中 的 语 音 流 是 实 时 流， 为了达到较快检测以 写检

11、测前必须进行 流 的 存 储 及减少存储的数据 量 ， 显然达到可以接受的隐写检 测准确率时 ， 我们希 望 所 需 要 存 储 的 语 音 流 时 长 越 为此 ， 我们在下文对语音片段时长与隐写检 短越好 测的性能进行了评估 压缩语音流时长对隐写检测结果的影响 为了评估语音片段时长对隐写检测结果的影 响， 首先根据不同的低速率编码器的帧长 ， 对数据集 中的 对于 长 度 的 语 音 片 段 进 行 截 短 处 理 ， 由于其帧 长 为 ， 长 度 的 语 音 片 段 总共包含 了 截 取 前 （ 个帧 帧， ） 编码所需的采样值 ， 构成时长为 × 的 新 的 对这些新的 、

12、、 、 和 数 据 集 数据 集 进 行 分 类 器 的 训 练 并 测 试 分 类 准 确 性 表 给出了不同 语 音 片 段 时 长 时 （ 的检测 取 不 同 值） 结果 表 压缩语音流时长变化时的 隐写检测结果 时长 的检测结果 的检测结果 的检测结果 的检测结果 的检测结果 为了 更 直 观 地 比 较 两 种 方 法 的 性 能 ， 图给出 了 个数据集的平均检测准确率与语音片段时长的 从该 图 可 以 看 出， 随着语音片段时长的增 关系图 加， 隐写检测准确率也随之提升 ； 本文方法在任一时 长下其检测准确率均 优 于 文 献 的 方 法； 在语音 片段时长为 时本文方法已能够

13、达到有效检测 （ ， 检测准确率已经超过 而此时 文 献 的方 ） 法仍不超过 因此 ， 对 于 在语音片段时 ， 期 李松斌等 ：基于统计模型及 的低速率语音编码 隐写检测 ； 长较小时本文方法性能远优于文献 在语音片段 ） ， 时长较大时 （ 超过 本文达到 的 隐 写 检 测准确率 ， 这一点是文献 无法达到的 个帧编码所需的 采 样 值 ， 构成时长为 × 的 新的 、 对这些 、 、 和 数 据 集 新的数据集进行分 类 器 的 训 练 并 测 试 分 类 准 确 性 表 给出了 不 同 语 音 片 段 时 长 时 （ 的 取 不 同 值） 为了更好地比较两种方法的性能 ，

14、 图给 检测结果 出了 个数据集的平均检测准确率与语音片段时长 从该图可以看出 ， 随着语音片段时长的增 的关系图 加， 本文方法的隐写检测准确率也随之提升 ， 但是文 的方法其检测准确率一直低 于 可以认 献 （ 为无 法 对 隐 写 作 出 检 测 ） 其 原 因 可 能 是 每 的采样值采用文献 的 隐写方法仅 嵌入 嵌入率太低导致解码后 的 语 音 秘密信息 ， 这使基 采样值序列并不因 隐 写 而 产 生 较 大 的 改 变 ， 于采样值序列统计 的 特 征 对 隐 写 不 够 敏 感 ， 从而导 但是本文方法是压缩域方法 ， 不考察解 致检测率低 码后的语音数据 ， 因此仍能获得较

15、好的隐写检测准 在语音片段时 长 较 大 超 过 本文方法检 确率 ： 时 ， 测准确率超过 图 个数据集的 隐写检测平均准确率 ， 由于 的 帧 长 为 长 度 的 语 ） 音片段总共包含了 仍截取前 （ 帧， 表 压缩语音流时长变化时的 隐写检测结果 时长 的检测结果 的检测结果 的检测结果 的检测结果 的检测结果 总 结 本文对在低速 率 语 音 编 码 过 程 中 的 隐写 给出了高效的检测 方 法 本文发现一段语音中的音 素其分布存在不均 衡 性 和 相 关 性 ， 据此本文提出了 一种基于压缩域的 隐 写 检 测 特 征 抽 取 方 法 ， 并结合 支持向量机构建了 隐 写 检 测 分 类 器 与基于时域的 ， 特征抽取方法相比 本 文 方 法 不 仅 具 有 较 高 的 检 测 而且节省了压缩语音的解码时间 ， 实现了对 准确率 ， 压缩语音流的快速 隐 写 检 测 本文方法借鉴了文档 正是利用这些 的向量空间表示方 法 及 其 分 类 模 型 ， 方法所蕴 含 的 深 刻 思 想 建 立 了 本 文 的 隐 写 检 测 算 图 个数据集的 隐写检测平均准确率 法 本文方法为隐写检测提供了一种新的思路 参 考 文 献 根据 上 述 实 验， 本文方法对于两种典型