本發(fā)明涉及一種基于窗口式假設(shè)檢驗的多媒體綜合隱寫分析方法，屬于信息安全技術(shù)領(lǐng)域中的信息隱藏技術(shù)子領(lǐng)域。

背景技術(shù)：

隱寫(Steganography)指的是在載體信號中嵌入信息以實現(xiàn)隱蔽通信的技術(shù)。如今，多媒體技術(shù)飛速發(fā)展，制作、編輯、存儲和傳輸多媒體文件十分普遍，因此以多媒體為載體的隱寫術(shù)得到廣泛研究。隱寫隱藏了隱蔽通信的事實、易于否認，即便最有效的隱寫分析方法也無法完全肯定隱寫的存在性。目前，適用于手機和電腦的隱寫工具有上百種，很容易被獲取和使用，如果被不法分子利用，逃避有關(guān)部門的監(jiān)管，對社會將存在一定的危害性。

一般地，我們將自然獲取的多媒體稱為原文，隱寫后得到的多媒體稱為隱文。一旦隱寫行為發(fā)生，隱寫者將永久丟棄原文以防止被發(fā)現(xiàn)存在不同版本內(nèi)容大致相同的圖像。隱寫分析是指通過統(tǒng)計模式識別等手段判斷給定多媒體是原文(陰性)還是隱文(陽性)或其可行性的方法。其輸出可以是二值的(是、否)或?qū)崝?shù)型的。其輸出并非完全正確，其中錯誤地將隱文識別為原文的概率稱為漏檢率，錯誤地將載體識別成隱文的概率稱為虛警率。

在隱寫分析方面，有多種模式識別方法：早期方法使用一個統(tǒng)計公式來預(yù)測嵌入修改量；主流方法使用一個二類分類器來預(yù)測(即：判斷)是否原文(參考文獻：Cogranne,R.,et al."Is ensemble classifier needed for steganalysis in high-dimensional feature spaces？."IEEE International Workshop on Information Forensics and Security IEEE,2015.)，或用多類分類器(參考文獻：and J.Fridrich."Merging Markov and DCT features for multi-class JPEG steganalysis."Proceedings of SPIE-The International Society for Optical Engineering 6505(2007):65050301-65050313.)進一步區(qū)分不同的隱寫算法生成的圖像；也有使用回歸型的方法預(yù)測嵌入修改量。通常將原文視為陰性、隱文視為陽性。在訓(xùn)練階段，對預(yù)先制備的原文和隱文提取一組能反映隱寫行為改變量的特征，將其中一大部分作為訓(xùn)練集用于確定預(yù)測器模型中的各項參數(shù)，另一部分作為校驗集用于確定該預(yù)測器的準確率，重復(fù)進行上述過程可優(yōu)選準確率高的預(yù)測器參數(shù)。在測試階段，將測試集提取同樣的特征，放入優(yōu)選過的預(yù)測器進行預(yù)測輸出。

雖然傳統(tǒng)的隱寫方法大多集中考慮單個樣本是否能被正確分類，但隱寫行為實際上更多是分散在多個樣本中完成的。由于制作和存儲多媒體的方法已經(jīng)普及，事實上隱寫者有能力獲得多幅原文用于嵌入(參考文獻：Ker,Andrew D."Batch Steganography and Pooled Steganalysis."International Conference on Information Hiding Springer-Verlag,2006:265-281.)。隱寫分析者能獲取的樣本(原文或隱文)也并非僅有一個。通常，隱寫分析者通過監(jiān)控網(wǎng)絡(luò)流量或從某個云存儲或硬盤等存儲設(shè)備獲得大量的樣本。因此，從眾多預(yù)測器輸出中綜合得到待測樣本是否含有隱寫的結(jié)論，具有實用價值。而且，大量虛警將分散決策者的注意力，隱寫分析結(jié)論的虛警率應(yīng)在可控范圍或較小，才能在現(xiàn)實實用中得到重視(參考文獻：and A.D.Ker."Towards dependable steganalysis."Proceedings of SPIE-The International Society for Optical Engineering 9409(2015):94090I-94090I-14.)。

本發(fā)明人認為，上述預(yù)測器的輸出具備分布擬合和參數(shù)估計用于預(yù)測未來的可能性。這些預(yù)測器在載體來源已知情況下，排除圖像紋理和大小等屬性的干擾，其輸出可以視為服從具體的分布模型。例如，二類分類器的輸出可以視為服從二項式分布模型或正態(tài)分布模型，多類分類器的輸出可以降級為二類輸出(將所有判定陽性的不區(qū)分算法歸為一大類)從而視為服從二項式分布模型，有些預(yù)測統(tǒng)計量的輸出可以視為服從改變位置尺度的t分布等。分布擬合是根據(jù)對一個變量的重復(fù)測量來擬和一個概率分布的方法，可以用該方法從一系列候選的分布中得到擬合度最高的分布模型。參數(shù)估計是通過樣本的統(tǒng)計量來估計總體參數(shù)的方法，可以通過該方法得到分布模型中的參數(shù)的置信區(qū)間，使得將來虛警率在可控范圍內(nèi)。

本發(fā)明人還認為，經(jīng)過參數(shù)估計或分布擬合的結(jié)果，可以和用戶所定的虛警率、漏檢率等共同作用，基于假設(shè)檢驗或統(tǒng)計推斷綜合判斷隱寫存在性。在樣本總量大的情況下，可以通過嘗試選擇合適的窗口大小，降低運算規(guī)模并提高綜合結(jié)論的準確性。統(tǒng)計推斷是根據(jù)樣本和模型對總體做出的判斷。假設(shè)檢驗是一種統(tǒng)計推斷方法，它設(shè)定多個關(guān)于總體的假設(shè)條件由樣本來推斷是否接受假設(shè)條件。窗口技術(shù)指的是在樣本總量大的情況下，選擇合適的樣本數(shù)量進行計算，可以提高計算效率。隱寫具有集中式的情況，并非均勻地以某個概率發(fā)生隱寫，即某段時間有傳輸需求時，集中傳輸隱文或集中存儲隱文，其它情況下仍傳輸或存儲原文，因此，選擇合適的窗口大小，可以避免少量隱文被大量的原文所稀釋。根據(jù)用戶所定的虛警率和漏檢率參數(shù)以及自適應(yīng)選擇的窗口大小參數(shù)，可以得到關(guān)于總體是否為隱文的兩個假設(shè)，并用檢驗隱寫分析者截獲的樣本，得到在給定虛警率和漏檢率下是否接受零假設(shè)(即：總體不存在隱寫)的結(jié)論。

專利申請?zhí)枮?01310214534X的中國專利“一種基于參數(shù)識別與估計的隱寫分析方法”公開了一種基于參數(shù)識別與估計的隱寫分析方法。該方法將回歸分析引入圖像隱寫分析中，計算待測樣本屬性參數(shù)與配置方案的屬性參數(shù)之間的距離作為相似度指標，選擇指標值最大的配置方案，用以保持訓(xùn)練樣本與待測樣本之間在屬性上盡量接近。該方法主要給出一種將回歸分析用于待測樣本和訓(xùn)練集的屬性數(shù)值之間的函數(shù)擬合用于優(yōu)選訓(xùn)練集的方法。此外，該方法僅限于二類隱寫分析，未能考慮多個樣本之間的隱寫分析問題，對隱寫分析的虛警率也沒有有效的控制，也沒有利用窗口技術(shù)降低運算規(guī)模提高計算效率。

專利申請?zhí)枮?012103941046的中國專利“一種基于隱寫測評的隱寫分析方法”公開了一種基于隱寫測評的隱寫分析方法。該方法選擇一組基準特征集，評估基準特征集在隱寫前后的變化情況，通過主成分分析去除冗余信息，最終得到隱寫分析特征，形成隱寫分析方法。該專利方法主要給出了一種通過特征優(yōu)選設(shè)計新隱寫分析方法的框架，并未涉及隱寫分析輸出模型和參數(shù)的估計，未能兼容定量分析、多類分類等模式分類手段，不涉及多個樣本隱寫分析的綜合決策，也不能控制隱寫分析結(jié)論的虛警率。

技術(shù)實現(xiàn)要素：

本發(fā)明旨在提供一種基于窗口式假設(shè)檢驗的多媒體綜合隱寫分析方法，以解決現(xiàn)有隱寫分析方法不能有效控制隱寫分析結(jié)論的虛警率以及運行時間相對較長的問題。為此，本發(fā)明采用的具體方案如下：

一種基于窗口式假設(shè)檢驗的多媒體綜合隱寫分析方法，包括以下步驟：

S1、選擇已知的隱寫方法制備多媒體原文集和隱文集，并將其劃分為訓(xùn)練集和校驗集，其中，訓(xùn)練集用于確定模式識別方法的參數(shù)，校驗集用于后續(xù)的分布擬合和參數(shù)估計；

S2、對步驟S1中所得到的訓(xùn)練集提取特征，訓(xùn)練預(yù)測器，其中，特征是能反映隱寫修改的特征集合；

S3、將步驟S1得到的校驗集放入步驟S2構(gòu)造的預(yù)測器中得到輸出，將該輸出擬合現(xiàn)有的概率分布模型，選出擬合度最高的概率分布模型，并根據(jù)所述校驗集中的原文集在該預(yù)測器的輸出來估計所選概率分布模型的參數(shù)；

S41、將在實用時獲得的一組測試集樣本放入步驟S2構(gòu)造的預(yù)測器中得到輸出y，按不同窗口大小不斷對該輸出進行采樣；

S42、根據(jù)步驟S3所選的概率分布模型及參數(shù)，得到假設(shè)檢驗的零假設(shè)與備擇假設(shè)為：H₀:θ_j＝θ_j,0，表示隱寫不存在，H₁:θ_j≠θ_j,0，表示隱寫存在，其中θ_j為窗口中樣本概率分布模型的參數(shù)，θ_j,0為步驟S3所估計得到的概率分布模型的參數(shù)；

S43、根據(jù)用戶指定的虛警率和漏檢率，結(jié)合步驟S41中的待測樣本數(shù)量和輸出，確定步驟S42得到的假設(shè)檢驗的判定條件d_k＝h_j({y'_k}；CI(θ_j,a),w_j,α,β),其中{y'_k}是第k次從y中隨機采樣獲得的w_j個預(yù)測器輸出樣本，CI(θ_j,a)是在步驟S3所選模型和參數(shù)θ_j處于置信水平a下的置信區(qū)間，從而在給定的虛警率、漏檢率、校驗集輸出的置信區(qū)間、預(yù)測器輸出的條件下得到判定結(jié)果d_k，其中，d_k∈{0,1}，d_k＝0表示接受H₀，d_k＝1表示接受H₁；

S5、對步驟S43中窗口式假設(shè)檢驗的結(jié)果進行綜合分析決策，將窗口式假設(shè)檢驗得到的結(jié)果和Σ{d_k}與經(jīng)驗閾值T進行比較，如果Σ{d_k}＜T，則認為隱寫存在，否則認為不存在隱寫。

進一步地，所述多媒體的類型可以包括：圖像、音頻或音視頻等。

進一步地，所述步驟S1中的原文集和隱文集制備方法可以是，通過多媒體采集設(shè)備采集或通過網(wǎng)絡(luò)爬蟲從遠程網(wǎng)站抓取等來制備多媒體原文集，并通過嵌入偽隨機字節(jié)數(shù)組的方法得到隱文集。

進一步地，所述步驟S2中得到的預(yù)測器類型包括：二類分類器、多類分類器、定量預(yù)測器、單類分類器或統(tǒng)計公式。

進一步地，所述步驟S3擬合的概率分布模型包括：二項式分布、正態(tài)分布、泊松分布或改變位置尺度的t分布；估計所選模型的參數(shù)的方法包括但不限于矩估計法、點估計法或最大似然估計法。

進一步地，在所述步驟S41中，按不同窗口大小不斷對測試集放入預(yù)測器得到的輸出進行采樣，其中，多次采樣之間互不干擾，并能進行并行運算。

本發(fā)明采用上述技術(shù)方案，具有的有益效果是：

(1)降低了隱寫分析系統(tǒng)綜合結(jié)論的虛警率。本發(fā)明采用假設(shè)檢驗的方法，根據(jù)置信區(qū)間設(shè)置閾值，確保在實際不存在隱寫的情形下拒絕零假設(shè)(即綜合判定為有隱寫)的虛警率低于用戶指定值，一旦判定為隱寫置信度高。

(2)在同等虛警率水平下降低了隱寫分析系統(tǒng)綜合結(jié)論的漏檢率。本發(fā)明采用窗口式采樣方法，隨機選擇窗口大小，分段對待測樣本進行采樣，能更識別集中于局部的隱寫行為。隱文往往是集中式存儲或在時間上集中傳輸，并不是均勻分散在存儲或傳輸中的，小量集中的隱文容易被大量的原文所稀釋，窗口式假設(shè)檢驗識別出它們，因而同等條件下降低了漏檢率。

(3)減少運行耗時。本發(fā)明窗口式采樣在多次采樣之間互不干擾，因而可以分布在不同平臺上使用，且窗口技術(shù)的使用使得每次進行處理的數(shù)據(jù)量小，運行速度提升。

附圖說明

圖1是本發(fā)明的基于窗口式假設(shè)檢驗的綜合隱寫分析方法的流程圖；

圖2是本發(fā)明構(gòu)造預(yù)測器的流程圖；

圖3是本發(fā)明分布擬合和參數(shù)估計的流程圖；

圖4是本發(fā)明統(tǒng)計推斷和假設(shè)檢驗的流程圖。

具體實施方式

為進一步說明各實施例，本發(fā)明提供有附圖。這些附圖為本發(fā)明揭露內(nèi)容的一部分，其主要用以說明實施例，并可配合說明書的相關(guān)描述來解釋實施例的運作原理。配合參考這些內(nèi)容，本領(lǐng)域普通技術(shù)人員應(yīng)能理解其他可能的實施方式以及本發(fā)明的優(yōu)點。

現(xiàn)結(jié)合附圖和具體實施方式對本發(fā)明進一步說明。本發(fā)明的整體流程框架如圖1所示：S1、制備原文集和隱文集，并劃分為訓(xùn)練集和校驗集，為后續(xù)環(huán)節(jié)處理的基礎(chǔ)；S2、通過從訓(xùn)練集中提取特征，訓(xùn)練得到預(yù)測器，為隱寫分析提供分類依據(jù)；S3、分布擬合和參數(shù)估計，將校驗集放入預(yù)測器，將輸出擬合現(xiàn)有的概率分布模型，并估計所選概率分布模型的參數(shù)，為假設(shè)檢驗提供依據(jù)；S4、統(tǒng)計推斷和假設(shè)檢驗，通過對測試集的輸出進行分段式的窗口檢測，是本框架的重點環(huán)節(jié)；S5、綜合分析決策，是框架的最后一個處理環(huán)節(jié)，根據(jù)之前統(tǒng)計推斷和假設(shè)檢驗的結(jié)果，得出不高于虛警率的綜合結(jié)論。

對于S1和S2，過程如圖2所示。

(1)制備原文集和隱文集。通過多媒體采集設(shè)備(如：相機、錄音機等)采集或通過網(wǎng)絡(luò)爬蟲從遠程網(wǎng)站抓取等制備諸如圖像(JPG、PNG、GIF等)、音頻(MP3、WMA等)、音視頻(RMVB、MP4、MOV、AVI等)等的多媒體原文集，并通過嵌入隱蔽信息的方法得到隱文集。例如，通過相機采集得到一組10,000張JPEG圖像作為原文集C＝{c₁,c₂,...,c_n}，并通過嵌入偽隨機字節(jié)數(shù)組的方法得到隱文集S＝{s₁,s₂,...,s_n}，如：遍歷嵌入率0至1，隨機生成長度為r的偽隨機數(shù)組的隱蔽信息，通過MME3(或其它JPEG隱寫方法)將該隱蔽信息嵌入c_i中。然后，將原文集和隱文集劃分為訓(xùn)練集C^t(原文)、S^t(隱文)和校驗集C^v(原文)、S^v(隱文)，其中訓(xùn)練集用于訓(xùn)練，即在特定的預(yù)測器模型下得到最優(yōu)參數(shù)等，校驗集用于后續(xù)步驟。這里，訓(xùn)練集不少于9,000對(原文與其相應(yīng)隱文為一對),校驗集各不少于1,000對。

(2)對訓(xùn)練集的原文C^t和隱文S^t分別提取特征{Φ_j(c^t_i)}和{Φ_j(s^t_i)}，其中涉及的特征可能有多組，Φ_j為第j組特征。特征是能反映隱寫修改的特征集合，以圖像為例，如直方圖、灰度共生矩陣、馬爾科夫過程矩陣、聯(lián)合校準特征、富模型特征等。例如，可以提取2種特征，一種為聯(lián)合校準特征CCMerge548，一種為JPEG校準富模型特征(CCJRM)。每個原文或隱文針對每種特征提取方法Φ_j得到一組向量，分別用于一種預(yù)測器，共分別得到1個9,000*548維的CCMerge548特征數(shù)組，和一個9，000*22,510維的CCJRM特征數(shù)組。

(3)將訓(xùn)練集特征和用于訓(xùn)練具體模式分類方法模型D_j，即確定其最優(yōu)參數(shù)ψ_j,得到預(yù)測器D_j(x,Φ_j,ψ_j)，后續(xù)用于對待測樣本x提取Φ_j特征并在預(yù)測器參數(shù)ψ_j下進行判斷隱寫存在性或存在程度。一個隱寫分析系統(tǒng)包含一種或多種模式分類方法預(yù)測器，構(gòu)成集合D＝{D_j}，具體預(yù)測器類型包括但不限于：二類分類器(如：支持向量機等)、多類分類器、定量預(yù)測器(如：支持向量回歸等)、單類分類器、統(tǒng)計公式(如：χ²分析等)。通過計算得到的特征向量，可以采用不同分類器。例如，CCMerge548特征采用支持向量機(SVM)作為二類分類器，CCJRM特征采用線性分類器(LCLSMR)。SVM得到的是分類決策函數(shù)f₁(x)＝sign(ω^*x+b^*)，其中sign為取符號函數(shù)。LCLSMR得到的是符合||Ax-b||²最小的矩陣A，可以視為得到一個分類決策函數(shù)f₂(x)＝sign(Ax)。以上分類器得到分類決策函數(shù)以一幅圖像生成的特征為輸入，以一個-1和0代表陰性、+1代表陽性的整數(shù)為輸出。

對于S3，過程如圖3所示，具體實施方式如下(以符合二項式分布的JPEG圖像樣本為例)：

(1)將校驗集和提取特征和放入以上步驟1d)構(gòu)造好的預(yù)測器{D_j}中，從而得到輸出和其中特征Φ_j和預(yù)測器參數(shù)m_j視為預(yù)測器D_j的參數(shù)。預(yù)測器的輸出最終是實數(shù)，例如：二類分類器的輸出為0和1，回歸定量分析的輸出為一個指示對原文改變量或改變程度的實數(shù)，多類分類器可以合并不同隱寫分析算法為一大類隱文類從而視同于只輸出0、1的二類輸出。對于其中含有隱寫的得到輸出0，不含隱寫的得到輸出1。例如，大小為10,000的JPEG圖像校驗集中各有5,000個隱寫圖，5,000個載體圖。

(2)將具體的預(yù)測器D_j輸出和擬合具體的概率分布模型ψ_j，利用分布擬合技術(shù)遍歷傳統(tǒng)的概率分布模型得到不同擬合的優(yōu)度(Goodness of Fit)，選擇優(yōu)度最高的概率分布模型M_j作為輸出。傳統(tǒng)的概率分布模型包括但不限于：二項式分布模型、正態(tài)分布模型、泊松分布模型和改變位置尺度的t分布等。

在一實例中，由JPEG圖像樣本構(gòu)成的校驗集大小為n＝10,000，從中隨機選取m＝1,000張載體圖像，重復(fù)1,000次。通過預(yù)測器進行檢測后得到第i次檢測存在隱寫的圖像數(shù)量為i的頻度A_i，從而得到頻度集合{A_i,i＝0,1,2,…,m}。實例中，A₀～A₂₅分別為{0,0,2,2,21,31,46,85,121,123,148,123,92,64,50,38,26,15,7,3,2,0,0,0,0,1}，A_i在i>26時為0。

采用χ²檢驗選擇具有最優(yōu)擬合度的概率分布模型：

對于二項式分布模型，其參數(shù)p(即虛警率)估計量為對于檢測出隱寫圖像數(shù)量i的理論概率為理論頻數(shù)為T_i＝np_i。例如,對于i＝10,A₁₀＝124，

對于泊松分布模型，其參數(shù)λ的估計量(注意：n應(yīng)大于50，np_i不小于5)

因此認為二項式分布模型比泊松分布模型更符合該樣本的實際分布，故選擇二項式分布模型。

同理，再從校驗集中隨機選取1,000張載體圖像(原文)，重復(fù)1,000次。通過預(yù)測器進行檢測后得到第i次不存在隱寫的圖像數(shù)量的為A，得到結(jié)果集{A_i,i＝1,2,…,1000}，同上步驟擬合得到二項式分布更合適p′₀(即漏檢率)。得到的漏檢率用于確定樣本的安全容量。

(3)用校驗集的輸出來估計所選概率分布模型的參數(shù)。在上述概率分布模型M_j確定之后，具體的概率分布模型有具體的參數(shù)θ_j需要估計。例如：二項式分布模型，即正確輸出的個數(shù)服從Bi(n,p)的參數(shù)含有樣本規(guī)模(數(shù)量)n和準確率p，其中p需要估計。估計方法包括但不限于：矩估計法、點估計法、最大似然估計法。最終得到在參數(shù)θ_j的置信水平a(一般取95％或99％)下的一個置信區(qū)間CI(θ_j,a)＝[θ_j,1,θ_j,2]。

在一實例中，從中隨機選取1,000張載體圖像(原文)，重復(fù)1,000次，共檢測得到10153個隱寫結(jié)果，且個數(shù)X服從B(1000,0.0099)，參數(shù)含有樣本規(guī)模(數(shù)量)n和準確率p，其中p＝X/n＝100/10000＝0.01。置信水平a取95％，α＝1-a＝0.05。np≥5時二項式分布近似于均值為np，方差為np(1-p)的正態(tài)分布，根據(jù)正態(tài)分布的概率分布函數(shù)得得到在p置信水平a下的一個置信區(qū)間：

對于S4和S5，過程如圖4所示。同樣以JPEG圖像為例：

(1)將獲得的一組測試集樣本{x_i}放入預(yù)測器組{D_j}，得到輸出y＝{y_j,i＝D(x_i,φ_j,ψ_j)}，按所選窗口大小w_j(10，30，100，300等)不斷對測試集得到的輸出采樣。例如，測試的JPEG圖像樣本大小為10,000，選取窗口大小100，1個窗口中有3張圖像存在隱寫，放入預(yù)測器后則得到3個+1(陽性)輸出，97個0(陰性)輸出，則窗口的輸出結(jié)果為3；

(2)根據(jù)分布擬合和參數(shù)估計得到的概率分布模型和參數(shù)得到零假設(shè)與備擇假設(shè)，即：

H₀:θ_j＝θ_j,0(表示隱寫不存在)；H₁:θ_j≠θ_j,0(表示隱寫存在)。

以二項式分布為例，由分布擬合階段得到樣本服從二項式分布，參數(shù)p＝p₀(p₀為參數(shù)估計階段得到的虛警率)，則：

原假設(shè)H₀：p＝p₀(隱寫不存在)。

備擇假設(shè)H₁：p≠p₀(隱寫存在)。

(3)根據(jù)用戶指定的虛警率α和漏檢率β，結(jié)合窗口采樣規(guī)模w_j，確定假設(shè)檢驗的判定條件d_k＝h_j({y'_k}；CI(θ_j,a),w_j,α,β),其中{y'_k}是第k次從y中隨機采樣獲得的w_j個預(yù)測器輸出樣本，CI(θ_j,a)是S3中(3)的輸出，從而在給定的虛警率、漏檢率、校驗集輸出的置信區(qū)間、預(yù)測器輸出的條件下得到判定結(jié)果d_k，其中，d_k∈{0,1}表示第k次判定的結(jié)果，d_k＝0表示接受H₀，d_k＝1表示接受H₁。

例如，分布擬合與參數(shù)估計階段得到概率分布模型是參數(shù)p₀的二項式分布，p₀置信區(qū)間為[0.0073,0.0127]，取置信區(qū)間的下限p₀＝0.0073，當窗口規(guī)模較大時二項式分布近似于均值為np，方差為np(1-p)的正態(tài)分布，因此可以取檢驗統(tǒng)計量Z_α為標準正態(tài)分布的α分位點。

窗口大小w＝100，預(yù)測器檢測得到隱寫存在的數(shù)量為1,參數(shù)p(存在隱寫的概率)的估計量在虛警率為α＝0.05，漏檢率為β＝0.01的條件下，Z_0.05＝1.65，

故接受原假設(shè)H₀，認為該窗口中不存在隱寫，得到第k次窗口檢驗的判定結(jié)果d_k＝0。

(4)重復(fù)對測試集進行采樣，并進行上述窗口檢驗判決。例如，測試集大小為10,000，同時進行100次上述窗口大小w＝100的檢驗判決，得到窗口判定的結(jié)果集{d_k,k＝1,2,…,100}(d_k∈{0,1})，對所有結(jié)果d_k的和與閾值進行比較。在實際實用中設(shè)定經(jīng)驗閾值T。如果Σ{d_k}<T，則認為隱寫存在；否則認為不存在隱寫，做出綜合決策。例如，經(jīng)過上述窗口式檢驗得到窗口判定結(jié)果集合D_k＝{1,1,,…,1,0,…,0}(包含90個1，10個0)，p₀的α置信區(qū)間為[0.0073,0.0127]，窗口判定結(jié)果的和此時如果不存在隱寫，則虛警率為0.0090，在上述置信區(qū)間范圍內(nèi),認為測試集中不存在隱寫。

本發(fā)明方法通過計算機自動地對其輸出結(jié)果進行分布擬合和參數(shù)估計，智能計算該參數(shù)模型針對原文和隱文設(shè)置不同的假設(shè)(零假設(shè)和備擇假設(shè))，再根據(jù)遍歷調(diào)整窗口大小，降低運行耗時的同時，還能有效檢測出大量原文中集中地、少量地進行隱寫的情況。

盡管結(jié)合優(yōu)選實施方案具體展示和介紹了本發(fā)明，但所屬領(lǐng)域的技術(shù)人員應(yīng)該明白，在不脫離所附權(quán)利要求書所限定的本發(fā)明的精神和范圍內(nèi)，在形式上和細節(jié)上可以對本發(fā)明做出各種變化，均為本發(fā)明的保護范圍。