ارائه یک روش استخراج هوشمند در سیستم‌های نهان‌نگاری صوتی بر اساس تبدیل موجک ارتقاء یافته و ماشین بردار پشتیبان

نوع مقاله: مقاله پژوهشی فارسی

نویسندگان

1 گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایران

2 گروه مهندسی برق و کامپیوتر، دانشگاه McMaster، همیلتون، انتاریو، کانادا

چکیده

امروزه رشد سریع استفاده از فناوری اطلاعات و شبکه‌های کامپیوتری، باعث افزایش انتقال اطلاعات در فرم دیجیتال شده است. بهمین دلیل حفاظت از داده‌های ارسالی به یکی از مهمترین چالش‌ها در این زمینه مبدل گشته است. نهان‌نگاری بعنوان یکی از جدیدترین و مهمترین تکنیک‌ها برای حفاظت داده‌ها معرفی شده و مورد استفاده قرار می‌گیرد. نهان‌نگاری صوتی بدلیل ماهیت فایلهای صوتی بعنوان چالش برانگیزترین نوع نهان‌نگاری مطرح شده است. اکثر روش‌های استخراج در الگوریتم‌های نهان‌نگاری که عمدتاً از تکنیک‌های غیر هوشمند و بر اساس معکوس قوانین درج، برای فاز استخراج در نهان نگاری صوتی استفاده می‌کنند، اغلب قادر به استخراج دقیق نهان‌نگاره نیستند و خطای زیادی در تشخیص دارند. راهکار پیشنهادی ما برای حل این مشکل، استفاده از الگوریتمی هوشمند برای استخراج نهان‌نگاره است. هدف این مقاله، ارائه روشی است که با استفاده از دسته‌بند آموزش دیده‌ی مبتنی بر یادگیری ماشین نقاط ضعف روش‌های استخراج غیرهوشمند را پوشش داده و به بهبود عملکرد سیستم کمک کند. برای عملیات درج در روش پیشنهادی از تبدیل موجک ارتقا یافته استفاده نموده و در بخش استخراج نیز از دسته‌بند ماشین بردار پشتیبان استفاده می‌شود. دسته‌بند آموزش دیده، قادر به تشخیص تأثیر حملات مختلف بر روی فایل صوتی و در نتیجه استخراج هوشمندانه و دقیق نهان‌نگاره می‌باشند. نتایج آزمایشات مختلف تحت شرایط متفاوت، نشان می‌دهد که این روش هوشمند، به شفافیت مناسب و ظرفیت بالا، در کنار مقاومت بالا دست یافته است.

کلیدواژه‌ها


Liu, W., & Hu, A. Q. (2017). A subband excitation substitute based scheme for narrowband speech watermarking. Frontiers of Information Technology & Electronic Engineering, 18(5), 627-643.
Bruce, I. C., Erfani, Y., & Zilany, M. S. (2018). A phenomenological model of the synapse between the inner hair cell and auditory nerve: Implications of limited neurotransmitter release sites. Hearing research, 360, 40-54.
Bender, W., Gruhl, D., Morimoto, N., & Lu, A. (1996). Techniques for data hiding. IBM systems journal, 35(3.4), 313-336.
Mat Kiah, M. L., Zaidan, B. B., Zaidan, A. A., Mohammed Ahmed, A., & Al-Bakri, S. H. (2011). A review of audio based steganography and digital watermarking. International Journal of Physical Sciences, 6(16), 3837-3850.
Lei, B., Soon, Y., & Tan, E. L. (2013). Robust SVD-based audio watermarking scheme with differential evolution optimization. IEEE transactions on audio, speech, and language processing, 21(11), 2368-2378.
Khalil, M., & Adib, A. (2014). Audio watermarking with high embedding capacity based on multiple access techniques. Digital Signal Processing, 34, 116-125.
Hu, H. T., & Hsu, L. Y. (2015). Robust, transparent and high-capacity audio watermarking in DCT domain. Signal Processing, 109, 226-235.
Mohsenfar, S. M., Mosleh, M., & Barati, A. (2015). Audio watermarking method using QR decomposition and genetic algorithm. Multimedia Tools and Applications, 74(3), 759-779.
Chen, S. T., Hsu, C. Y., & Huang, H. N. (2015). Wavelet-domain audio watermarking using optimal modification on low-frequency amplitude. IET Signal Processing, 9(2), 166-176.
Hu, H. T., & Hsu, L. Y. (2017). Supplementary schemes to enhance the performance of DWT-RDM-based blind audio watermarking. Circuits, Systems, and Signal Processing, 36(5), 1890-1911.
Jeyhoon, M., Asgari, M., Ehsan, L., & Jalilzadeh, S. Z. (2017). Blind audio watermarking algorithm based on DCT, linear regression and standard deviation. Multimedia Tools and Applications, 76(3), 3343-3359.
Mosleh, M., Latifpour, H., Kheyrandish, M., Mosleh, M., & Hosseinpour, N. (2016). A robust intelligent audio watermarking scheme using support vector machine. Frontiers of Information Technology & Electronic Engineering, 17(12), 1320-1330.
Li, R., Xu, S., & Yang, H. (2016). Spread spectrum audio watermarking based on perceptual characteristic aware extraction. IET Signal Processing, 10(3), 266-273.
Erfani, Y., Pichevar, R., & Rouat, J. (2017). Audio Watermarking Using Spikegram and a Two-Dictionary Approach. IEEE Transactions on Information Forensics and Security, 12(4), 840-852.
Sweldens, W. (1996). The lifting scheme: A custom-design construction of biorthogonal wavelets. Applied and computational harmonic analysis, 3(2), 186-200.
Latifpour, H., Mosleh, M., & Kheyrandish, M. (2015). An intelligent audio watermarking based on KNN learning algorithm. International Journal of Speech Technology, 18(4), 697-706.
Lerch, A. (2002). Zplane development, EAQUAL-Evaluate Audio Quality, version: 0.1.3alpha. http://www.mp3-tech.org/programmer/misc.html.
Lang, A. (2005). Stirmark benchmark for audio (smba): Evaluation of watermarking schemes for audio. Version 1.3.1.
Alpaydin, E. (2009). Introduction to machine learning. MIT press.