基于改进逻辑回归分类算法的LSB匹配隐写检测

摘要：

常见的采用高斯核支持向量机（Gaussian support vector machine ，G‐SVM ）分类算法构建分类器的隐写检测方法对最低比特位（Least significant bit ，LSB）匹配隐写算法均存在训练时间过长的问题。针对这一问题，提出一种改进逻辑回归分类算法，即 L 曲线截断正则化迭代重加权最小二乘（L‐curve truncated‐regularized iteratively re‐weighted least squares ，LTR‐IRLS）算法。该算法采用L曲线法来确定适合于隐写特征的Tikhonov正则算法的近似最优参数，并通过实验寻找出符合隐写特征的截断牛顿算法收敛参数，从而提高了检测准确率；采用重加权最小二乘法计算最大似然估计，并通过截断牛顿法避免计算最小二乘中的海森矩阵，降低了计算量。理论分析与实验结果证明，针对LSB匹配隐写检测，L T R‐IRLS分类算法在保证检测准确率优于G‐SVM分类算法的情况下，极大地降低了训练时间，从而提高了检测速度。

关键词：L曲线法、迭代重加权最小二乘、截断牛顿法、隐写检测、LSB匹配

分类号：TP391(计算技术、计算机技术)

资助基金：天津市自然科学基金15JCYBJC15500资助项目。

在线出版日期：2016-01-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1160-1168