肖瑞雪，冯英伟，屈建萍

1.河北建筑工程学院 信息工程学院，河北 张家口075000

2.河北建筑工程学院 电气工程学院，河北 张家口075000

3.河北建筑工程学院 教务处，河北 张家口075000

隐写术和隐写分析在相互制约中不断发展。当前主流的隐写术是WOW、S-UNIWARD等自适应隐写术[1]，它们仅在图像的纹理区域嵌入微弱的隐写信号，这使得隐写分析工作面临更大的挑战。

典型的传统隐写分析模型是空域富模型（Spatial Rich Model，SRM）[2]，它分为特征设计和分类两个阶段。在特征设计阶段，首先依赖专家手工设计的多个高通滤波器（High Pass Filters，HPFs）获得富含隐写信号的子特征向量，并通过组合等方式获得约三万多维的子特征；在分类阶段，采用基于机器学习的集成分类器接收高维子特征，完成隐写判别任务。但大量的子特征使得传统隐写分析模型的分类器需要较长的训练优化时间，这极大地影响了隐写检测的效率；SRM的HPFs不能被训练优化，难以应对飞速发展的隐写术带来的挑战。

深度学习的卷积神经网络可组合浅层次特征信息为高维语义特征，且将特征提取和分类阶段融为一体加入到模型学习过程中，获得较高的训练优化效率和识别、分类准确率[3-5]。将深度学习卷积神经网络应用于隐写分析领域，既有效提高了隐写检测效率[6-8]，又获得较好的隐写分析性能。2015年，Qian等人[9]提出基于卷积神经网络的隐写分析模型，采用KV核进行预处理获得残差特征图，随后采用五个卷积层和高斯激活函数捕获隐写特征，模型的检测准确率超过SRM。……