申请/专利权人：博上(山东)网络科技有限公司;山东未来网络研究院(紫金山实验室工业互联网创新应用基地)

申请日：2023-10-17

公开（公告）日：2023-11-17

公开（公告）号：CN117079669A

主分类号：G10L25/30

分类号：G10L25/30;G10L25/03;G10L25/51;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.12.05#实质审查的生效;2023.11.17#公开

摘要：本发明公开了一种针对低嵌入率LSB音频隐写的特征向量提取方法，包括如下步骤：基于条件概率提取特征向量，短时间内临近的语音采样点噪声具有较大的相关性，用条件概率表示在m时刻系统处于某种状态的已知条件下，在时刻m+1该系统转移到另一状态的可能性，其中m时刻采样值为，m+1时刻采样值为。本发明通过使用一阶离散性随机变量条件分布律来表征不同位置噪声信号的相关性，构建出音频数字编码序列的概率矩阵，并将其转为为一个高维特征向量，该特征向量能有效捕获隐写前后引入的局部微小差异，将其作为训练CNN模型的输入值，可以有效提高低嵌入率LSB音频隐写的识别准确度，为LSB隐写引入的噪声序列提供了概率分布建模手段。

主权项：1.一种针对低嵌入率LSB音频隐写的特征向量提取方法，其特征在于，包括如下步骤：S1基于条件概率提取特征向量，短时间内临近的语音采样点噪声具有较大的相关性，用条件概率表示在m时刻系统处于某种状态的已知条件下，在时刻m+1该系统转移到另一状态的可能性，其中m时刻采样值为，m+1时刻采样值为；S1中基于条件概率提取特征向量具体步骤如下：S11获取语音片段的数字编码序列；S12确定音频采样离散值域；S13统计音频采样离散值域中每个离散点在该语音片段的出现的次数和占比；S14使用条件概率分布律对采样点相关性进行评估；S15将步骤S14计算的概率值带入概率矩阵；S16将概率矩阵转换成目标特征向量；S2完整的LSB隐写检测模型训练过程；S21数据集的设置；S22CNN模型的训练，基于条件概率分布模型提取高维特征向量，将提取的向量作为输入值进行CNN网络模型训练，具体步骤如下：S221对相同数量的原始音频和隐写音频分别提取出维度相同的特征向量Xi和；S222以作为输入向量和返回值对CNN进行训练。

全文数据：

权利要求：

百度查询： 博上(山东)网络科技有限公司;山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 一种针对低嵌入率LSB音频隐写的特征向量提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD