基于生成式对抗网络的HEVC视频隐写技术

本发明属于信息安全领域，尤其涉及基于生成式对抗网络的hevc视频隐写技术。

背景技术：

1、视频隐写作为数据隐藏技术的关键领域，因秘密信息传输安全性需求不断提升，视频应用广泛，正备受关注。它是在视频中嵌入信息的技术分支，在医疗、执法、版权保护和访问控制等多领域有应用。人类视觉对数字视频微小变化不敏感，使视频隐写能够有效隐藏信息，应对不断严峻的信息安全挑战。随着计算机应用快速发展，视频作为强大的传播工具，成为信息领域安全问题的关注焦点。同时，卷积神经网络在图像领域取得突破，其在图像隐写方面的成功为视频隐写带来了新的可能性，预计将取得显著进展。

2、但是当前视频隐写术存在一些缺点，例如隐蔽性较差，嵌入隐藏信息可能导致视觉失真，使得覆盖数据的扭曲增加攻击者的注意力。同时，其鲁棒性较差，容易受到攻击，抗攻击能力较弱，使得隐藏的秘密易被攻击者发现。此外，视频隐写的嵌入容量相对较小，即使使用视频作为容器，嵌入的信息量也受到限制，难以满足某些应用场景对大容量信息隐藏的需求。

技术实现思路

1、本申请提供了一种基于gan(生成式对抗网络)通过以基于cnn的先进视频隐写分析技术作为鉴别器实现视频隐写方法，用于缓解现有技术无法同时满足较好的隐蔽性、鲁棒性以及嵌入容量的要求。

2、鉴于上述问题，本申请第一方面提供了基于gan视频生成器的实现方法，包括：

3、将原始视频序列作为视频隐写生成器输入；

4、将基于cu的视频编码上，提取pu划分模块，进行pu映射，得到hevc编码；

5、依据上述步骤，将秘密数据通过hevc信息隐藏算法，所述隐藏算法为基于hevc视频的pu划分模式在pu映射中的隐写嵌入。

6、优选地，采用卷积神经网络代替hevc设计中用于减少伪影和提高重建图像质量的环内滤波器；

7、所述生成器所采用的卷积神经网络为vrcnn，一款专为hevc编码而设计的网络；

8、优选地，对所述生成器采用网络进行改进使其能有效减少参数计数同时保留其独特之处，改进包括：

9、卷积层第二层和第三层采用了可变大小的滤波器；

10、采用所述预设基于gan视频生成器网络，得到含有秘密信息的hevc视频。

11、所述依据所述预设视频隐写gan网络模型中鉴别器的过程选择了一种基于cnn架构的隐写分析模型——evsrnet。得到预设视频隐写gan网络模型鉴别器。

12、本申请第二方面提供了所述基于gan模型的整体模型框架，包括：

13、采用gan的整体模型分为两个阶段，通过两个阶段的协同作用，最终实现了对信息的隐写和提取过程。

14、优选地，gan的模型第一阶段，具体用于：

15、修改后的视频需要在视觉上尽可能地与原始视频保持一致，以确保生成的视频在视觉上与原始视频无法被轻易区分。

16、所述第一阶段采用混合权重公式，结合均方误差(mse)、峰值信噪比(psnr)以及训练目标最小化损失函数。得到混合损失权重。

17、所述第一阶段具体流程包括：

18、所述生成器接收由覆盖视频和高斯噪声组成的输入，并对输入视频进行修改；

19、通过使用修改后的视频与原始视频之间的混合权重损失函数作为相似度损失；

20、通过相似性损失函数对生成器的权重参数进行更新，以优化生成视频的质量。

21、所述第二阶段旨在训练上述生成器用于欺骗鉴别器。

22、所述第二阶段具体流程包括：

23、所述第二阶段第一步从上述被生成器修改后的视频开始，第一步涉及使用上述模块嵌入隐写信息。

24、所述生成器接收由覆盖视频和高斯噪声组成的输入，并对输入视频进行修改；

25、通过隐写模块将隐写信息嵌入视频中，并将其标记为“覆盖”，以示隐写已完成；

26、上述标记为“覆盖”的隐写视频随后由鉴别器进行分类，以判断其是否包含隐藏信息；

27、所述“标记”、“分类”过程中，使用adam优化器计算鉴别器的损失函数，以准确评估隐写视频的质量和真实性；

28、通过鉴别器的损失函数来更新生成器的权重参数，以优化隐写过程中生成视频的质量和准确性。

29、从以上技术方案可以看出，本申请实施例具有以下优点：

30、本申请中，提供了视频基于生成式对抗网络的卓越hevc视频隐写算法。为了更为精准地嵌入丰富的隐秘信息，利用了pu分割模式，充分挖掘了现有pu特征的表达能力。其次，将gan引入到隐写算法领域，通过生成器采用cnn对视频进行隐写，相较于传统的视频隐写技术，更进一步提升了隐写算法的性能，巧妙地平衡了嵌入容量、比特率和视频质量之间的矛盾。鉴别器采用隐写分析网络，与生成器展开对抗。在应用cnn进行视频隐写仍属稀缺之际，借助gan的手法更进一步提升了视频隐写的潜匿性。此隐写算法具备较高的嵌入容量，几近不对视频质量和压缩比特率造成任何影响。因此，本申请能够缓解现有视频隐写技术无法同时满足较好的隐蔽性、鲁棒性以及嵌入容量的要求，导致含有隐藏信息的视频易被发现并攻击，且隐含秘密信息较小的技术问题。

技术特征：

1.基于生成式对抗网络的hevc视频隐写技术，其特征在于，包括：

2.根据权利要求1所述的提取pu划分模块为视频帧进行划分和编码的一种模式，在hevc中，首先将视频序列中的每个图像划分为不重叠的编码树单元(ctu)。然后，每个ctu将被分成几个编码单元(cu)。pu分区模式用于确定pu的大小和位置，以便在视频编码过程中进行更高效的预测和编码。

3.根据权利要求1所述基于隐藏算法为基于hevc视频的pu划分模式在pu映射中的隐写嵌入算法。

4.根据权利要求1所述gan模型第一阶段包括：采用混合权重公式，结合均方误差(mse)、峰值信噪比(psnr)以及训练目标最小化损失函数。得到混合损失权重。

5.所述第二阶段具体流程包括：所述第二阶段第一步从上述被生成器修改后的视频开始，第一步涉及使用上述模块嵌入隐写信息。所述生成器接收由覆盖视频和高斯噪声组成的输入，并对输入视频进行修改；通过隐写模块将隐写信息嵌入视频中，并将其标记为“覆盖”，以示隐写已完成；上述标记为“覆盖”的隐写视频随后由鉴别器进行分类，以判断其是否包含隐藏信息；所述“标记”、“分类”过程中，使用adam优化器计算鉴别器的损失函数，以准确评估隐写视频的质量和真实性；通过鉴别器的损失函数来更新生成器的权重参数，以优化隐写过程中生成视频的质量和准确性。

技术总结本申请公开了基于生成式对抗网络(GAN)的HEVC视频隐写技术，技术包括：GAN架构中生成器采用PU划分模式对HEVC视频进行隐写嵌入；GAN架构中鉴别器采用一种基于CNN架构的隐写分析模型——VSRNet；整个GAN架构由两个阶段组成，其一为采用混合权重更新生成器，以优化生成视频的质量；其二旨在训练上述生成器用于欺骗鉴别器，根据鉴别器损失更新生成器。本申请能够缓解现有视频隐写技术无法同时满足较好的隐蔽性、鲁棒性以及嵌入容量的要求，导致含有隐藏信息的视频易被发现并攻击，且隐含秘密信息较小的技术问题。技术研发人员：刘怡俊,谭东君,叶武剑,黄浩受保护的技术使用者：广东工业大学技术研发日：技术公布日：2024/8/16