基于三維模型凹凸結(jié)構(gòu)特征的多載體信息隱藏算法

任帥，石磊，王斌斌，程慧榮，張倩倩，劉洪林

研究與開發(fā)

基于三維模型凹凸結(jié)構(gòu)特征的多載體信息隱藏算法

任帥1，石磊1，王斌斌1，程慧榮1，張倩倩1，劉洪林2

（1. 長安大學(xué)信息工程學(xué)院，陜西 西安 710064；2. 桂林航天工業(yè)學(xué)院，廣西 桂林 541004）

針對(duì)單載體的信息隱藏算法的嵌入容量、不可見性和魯棒性受載體數(shù)量限制無法進(jìn)一步提升的問題，將載體體素化和秘密信息的嵌入結(jié)合三維模型凹凸結(jié)構(gòu)特征，提出了一種基于三維模型凹凸結(jié)構(gòu)特征的多載體信息隱藏算法。首先，對(duì)三維模型進(jìn)行體素化，并根據(jù)體素化后獲得的數(shù)據(jù)集提取三維模型的凹凸結(jié)構(gòu)特征對(duì)載體庫進(jìn)行分類，轉(zhuǎn)換得到凹凸度區(qū)間后對(duì)其編碼；其次，根據(jù)載體分類數(shù)對(duì)秘密信息分段并進(jìn)行置亂和優(yōu)化，使載體和秘密信息的嵌入通過其分類及分段數(shù)有效地聯(lián)系起來，分別通過凹凸度區(qū)間和體素化坐標(biāo)點(diǎn)的編碼數(shù)據(jù)雙重嵌入秘密信息，進(jìn)一步提升算法性能；最后，應(yīng)用遺傳算法對(duì)秘密信息進(jìn)行最優(yōu)調(diào)整后完成信息隱藏。實(shí)驗(yàn)表明，與基于單載體的高容量三維模型隱寫算法相比，算法的不可見性、魯棒性和容量性都有明顯提升。

信息隱藏；多載體三維模型；凹凸結(jié)構(gòu)特征；體素化

0 引言

目前，主流信息隱藏載體主要有數(shù)字圖像、聲音文件，而將三維模型作為信息隱藏載體的研究工作相對(duì)較少。目前，三維模型已被應(yīng)用于電影、游戲、建筑等許多領(lǐng)域，越來越多的基于三維模型的數(shù)字產(chǎn)品在網(wǎng)絡(luò)上傳播，三維模型作為載體進(jìn)行信息隱藏成為研究熱點(diǎn)[1-2]，受到學(xué)者們廣泛的關(guān)注。Zhou等[3]提出了一種基于三維網(wǎng)格模型的隱寫算法，該算法將局部區(qū)域的復(fù)雜性考慮為三元組的聯(lián)合失真和編碼方法自適應(yīng)嵌入消息，算法具有較高的魯棒性。Tsai[4]提出了一種基于加密三維模型的空間細(xì)分和空間編碼的可分離可逆數(shù)據(jù)隱藏方法，該算法通過使用具有嵌入閾值的空間編碼方法，將秘密信息嵌入加密的頂點(diǎn)中，算法具有較高的嵌入容量且算法復(fù)雜度較低。Wang等[5]提出了一種基于八叉樹的三維模型形狀分析算法，該算法設(shè)計(jì)了一種新的八叉樹數(shù)據(jù)結(jié)構(gòu)，將八元數(shù)據(jù)信息和卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）特征存儲(chǔ)到圖形存儲(chǔ)器上，有效提高了算法的效率和有效性?？偨Y(jié)上述所列的典型算法，均為單載體三維模型算法，但是由于受到載體數(shù)量的限制，算法無法進(jìn)一步提升嵌入的容量性和魯棒性，并對(duì)模型剪切、細(xì)分、網(wǎng)格簡化等攻擊的魯棒性較弱。

隨著三維模型應(yīng)用領(lǐng)域的擴(kuò)大，利用多個(gè)三維模型進(jìn)行信息隱藏逐漸成熟和可行。Ker[6]首次提出有關(guān)多載體隱寫的概念，將信息隱藏的研究目標(biāo)從秘密信息在單載體中隱藏轉(zhuǎn)變?yōu)槊孛苄畔⒌捷d體庫的映射。張新鵬等[7]對(duì)信息隱藏的展望歸納中指出了基于多載體信息隱藏的特點(diǎn)和必要性，證明了多載體信息隱藏算法的嵌入容量與載體數(shù)量的平方根成正比。任帥等[8]提出了一種基于三維模型貼圖與數(shù)據(jù)結(jié)構(gòu)的信息隱藏算法，該算法基于二維離散小波變換算法與stl模型幀化以及廣義灰度圖方法，通過選取不受obj模型正交投影影響的紋理貼圖圖庫作為備份關(guān)鍵信息隱藏的嵌入載體群，綜合利用三維模型可視化與信息隱藏技術(shù)的吸能要求，該算法具有較高的不可見性、魯棒性和抗分析性。任帥等[9]提出了一種多載體低密度的信息隱藏算法，該算法對(duì)三維模型進(jìn)行預(yù)處理和旋轉(zhuǎn)操作得到多個(gè)融合態(tài)，再利用局部高度理論和均值漂移（mean shift）聚類技術(shù)對(duì)融合態(tài)頂點(diǎn)進(jìn)行能量劃分，最后通過修改頂點(diǎn)的方法實(shí)現(xiàn)信息隱藏，該算法能夠抵抗不均勻壓縮攻擊并具有較高的不可見性。本文在上述研究成果的基礎(chǔ)上，提出了一種新的基于三維模型凹凸結(jié)構(gòu)特征的多載體信息隱藏算法，分別通過基于三維模型凹凸結(jié)構(gòu)特征的凹凸度區(qū)間和體素化坐標(biāo)點(diǎn)的編碼數(shù)據(jù)雙重嵌入秘密信息，提高了算法的魯棒性；通過提取三維模型的凹凸結(jié)構(gòu)特征，對(duì)載體庫進(jìn)行分類，并根據(jù)載體分類數(shù)對(duì)秘密信息進(jìn)行分段并進(jìn)行置亂和優(yōu)化，將秘密信息分散嵌入多個(gè)三維模型中，降低秘密信息的嵌入密度，構(gòu)建了多載體的秘密信息隱藏環(huán)境；通過對(duì)同類載體提取出的多份秘密信息對(duì)比判斷，實(shí)現(xiàn)檢測(cè)含密載體在傳輸過程中被篡改的情況，提高了含密載體的感知篡改性。

1 凹凸結(jié)構(gòu)特征

凹凸結(jié)構(gòu)特征（concave-convex structure feature，CSF）是本文提出的，它基于三維模型的法向量而構(gòu)建，根據(jù)體素化后獲得的數(shù)據(jù)集，得到三維模型中所有相鄰三角面片的法向量，計(jì)算其對(duì)應(yīng)的凹凸度和對(duì)應(yīng)的夾角關(guān)系，得到多個(gè)描述局部凹凸結(jié)構(gòu)信息的16維特征向量，即對(duì)應(yīng)局部塊的凹凸結(jié)構(gòu)特征。

1.1 三維模型的體素化

對(duì)載體庫進(jìn)行體素化處理。體素化[10-11]是通過對(duì)三維模型所在空間進(jìn)行劃分，將其幾何形式表示轉(zhuǎn)換為最接近該三維模型的體素表示形式，不僅包含模型的表面信息，而且能夠描述模型內(nèi)部的屬性，三維模型細(xì)分過程如圖1所示。

圖1 三維模型細(xì)分過程

本文主要采用文獻(xiàn)[10]中的空間八叉樹方法形象直觀地描述和表示三維模型各體素間的幾何數(shù)量關(guān)系和拓?fù)潢P(guān)系，首先對(duì)三維模型進(jìn)行八叉樹分割，然后對(duì)每個(gè)區(qū)域進(jìn)行均勻分割，若分割后在該立方體內(nèi)包含的三維模型的三角面片數(shù)量多于，則繼續(xù)對(duì)分割后的區(qū)域進(jìn)行八叉樹分割，并重復(fù)頂點(diǎn)的體素化操作；若分割后的立方體內(nèi)包含的三維模型的三角面片數(shù)量少于，則停止八叉樹分割，將分割后的三維模型進(jìn)行八叉樹區(qū)域內(nèi)的體素化，三維模型的八叉樹數(shù)據(jù)結(jié)構(gòu)如圖2所示。三維模型的體素化如圖3所示。

1.2 三維模型的凹凸度量化

在三維空間中，人眼視覺對(duì)于三維模型凹凸的差別感知較強(qiáng)，所以對(duì)三維模型的凹凸度進(jìn)行劃分，根據(jù)不同的凹凸度區(qū)間將秘密信息分散到多個(gè)三維載體模型中。基于上述內(nèi)容將凹凸度量化，為后續(xù)對(duì)三維模型載體庫分類和秘密信息嵌入奠定基礎(chǔ)。每個(gè)三角面片的法向量都有各自的方向，或指向內(nèi)的內(nèi)向量或指向外的外向量，三維模型中第個(gè)三角面片的法向量如式（1）所示。

圖2 三維模型的八叉樹數(shù)據(jù)結(jié)構(gòu)

圖3 三維模型的體素化

其中，、（,,）分別為第i個(gè)三角面片的法向量與第個(gè)三角面片的3個(gè)頂點(diǎn)，本文采用了文獻(xiàn)[12]中凹凸性的判定方法，凹凸性判定如圖4所示。

同理可知兩點(diǎn)之間的凹定義為：

其中，為三維模型中第對(duì)三角面片。

1.3 三維模型CSF特征向量提取

人類視覺系統(tǒng)對(duì)凹凸變化非常敏感，三維模型凹凸度的變化在視覺感知中起重要作用。因此本文基于兩個(gè)方向在兩個(gè)三角面片中定義凹凸結(jié)構(gòu)，在顯著描述凹凸結(jié)構(gòu)特征的同時(shí)給信息隱藏載體預(yù)處理提供操作空間，使用以下步驟描述CSF。

圖5 、關(guān)系示意圖

1.4 三維模型凹凸度的聚類分析

表1 凹凸度及其對(duì)應(yīng)夾角的區(qū)間

本文利用其對(duì)多個(gè)三維模型的凹凸度進(jìn)行聚類分析，劃分出多個(gè)三維模型中凹凸度變化最小的部分，而凹凸性是通過法向量計(jì)算得到的，所以法向量的修改對(duì)三維模型造成的影響最小，從而為下一步信息的嵌入做好準(zhǔn)備。

載體庫中多個(gè)三維模型的凹凸度聚類分析結(jié)果示例見表2，通過聚類分析結(jié)果與表1凹凸度及其對(duì)應(yīng)夾角尋找適合進(jìn)行信息隱藏的區(qū)域。

表2 載體庫中多個(gè)三維模型的凹凸度聚類分析結(jié)果示例

2 基于CSF的多載體信息隱藏算法

多載體信息隱藏算法的核心優(yōu)勢(shì)在于，將大容量的秘密信息分散到多個(gè)載體上，降低信息隱藏密度的同時(shí)也帶來較高的不可見性和魯棒性。本文首先對(duì)三維模型進(jìn)行體素化，并根據(jù)體素化后獲得的數(shù)據(jù)集提取三維模型的凹凸結(jié)構(gòu)特征對(duì)載體庫進(jìn)行分類，轉(zhuǎn)換得到凹凸結(jié)構(gòu)特征的凹凸度區(qū)間后對(duì)其編碼；其次，根據(jù)載體分類數(shù)對(duì)秘密信息分段并進(jìn)行置亂和優(yōu)化，使載體和秘密信息的嵌入通過其分類及分段數(shù)有效地聯(lián)系起來，分別通過基于三維模型凹凸結(jié)構(gòu)特征的凹凸度區(qū)間和體素化坐標(biāo)點(diǎn)的編碼數(shù)據(jù)雙重嵌入秘密信息，進(jìn)一步提升算法性能；最后，通過遺傳算法對(duì)秘密信息的隱藏進(jìn)行優(yōu)化調(diào)整以完成信息隱藏。

2.1 載體預(yù)處理

其中，、分別為處理過的兩個(gè)三維模型凹凸度數(shù)據(jù)集，為數(shù)據(jù)集的大小。

2.2 信息隱藏規(guī)則

規(guī)則1 CSF凹凸結(jié)構(gòu)中的凹凸度區(qū)間被用來表示信息，改變凹凸度以達(dá)到信息隱藏的目的，基于CSF凹凸度區(qū)間的信息隱藏規(guī)則見表3。

表3 基于CSF凹凸度區(qū)間的信息隱藏規(guī)則

規(guī)則3 在修改CSF的凹凸度時(shí)，優(yōu)先選擇在區(qū)間邊緣的凹凸度修改，例如，當(dāng)凹凸度為0.25時(shí)，表達(dá)的信息為11，若表達(dá)信息為01，則只需要將凹凸度增加0.001，為0.251。

規(guī)則4 在通過CSF凹凸度嵌入秘密信息時(shí)，根據(jù)秘密信息修改局部塊的體素化點(diǎn)嵌入秘密信息，實(shí)現(xiàn)雙重嵌入，提高算法的魯棒性。

規(guī)則5 修改體素化點(diǎn)的信息隱藏規(guī)則是通過改變體素化后三維模型體素化坐標(biāo)點(diǎn)最低有效位的奇偶實(shí)現(xiàn)信息的隱藏?；隗w素化點(diǎn)的信息隱藏規(guī)則見表4。

表4 基于體素化點(diǎn)的信息隱藏規(guī)則

2.3 信息隱藏流程與步驟

本文的信息隱藏算法主要分為以下8個(gè)步驟，信息隱藏流程如圖6所示。

步驟1 首先對(duì)三維模型原始載體庫進(jìn)行體素化，根據(jù)體素化后得到的數(shù)據(jù)集提取載體庫中各三維模型的CSF特征向量，依據(jù)式（8）將其分為類。

步驟2 大容量的秘密信息按照信息隱藏規(guī)則中“規(guī)則2”分段，將相同的秘密信息分別嵌入多個(gè)同類載體中，提高了算法的魯棒性。

步驟7 對(duì)三維模型進(jìn)行逆體素化，得到含密三維模型。由于體素化之后，三維模型變化較大，考慮到人眼視覺規(guī)律，所以先對(duì)其進(jìn)行逆體素化，提高算法的不可見性。

圖6 信息隱藏流程

步驟8 重復(fù)上述步驟（3）步驟（7），最終得到含密載體集。

2.4 信息的提取

步驟1 對(duì)三維模型原始載體庫進(jìn)行體素化，根據(jù)體素化后得到的數(shù)據(jù)集提取載體庫中各三維模型的CSF特征向量，依據(jù)式（8）將其分為類。

3 性能分析

3.1 不可見性分析

本文算法通過改變CSF凹凸結(jié)構(gòu)特征的凹凸度與體素化點(diǎn)進(jìn)行信息隱藏。其一，CSF凹凸結(jié)構(gòu)由CSF特征向量變換而來，充分考慮了三維模型的特征和細(xì)節(jié)對(duì)不可見性的影響。其二，信息在隱藏時(shí)遵循修改“邊緣凹凸度”與“體素化點(diǎn)的最低有效位”原則，上述兩個(gè)修改原則使本文算法在進(jìn)行信息隱藏時(shí)，既考慮了人眼的視覺規(guī)律，又使載體模型改變較小。Logistic混沌映射置亂和遺傳優(yōu)化算法大大降低了秘密信息對(duì)三維模型載體的改變，從而保證了算法的不可見性。

3.2 容量性分析

本文算法將大容量秘密信息按照信息隱藏規(guī)則分段，在保證秘密信息分段數(shù)與載體分類數(shù)相同的前提下，將相同的秘密信息分別嵌入多個(gè)同類載體中，并分別通過基于三維模型凹凸結(jié)構(gòu)特征的凹凸度區(qū)間和體素化坐標(biāo)點(diǎn)的編碼數(shù)據(jù)雙重嵌入秘密信息，進(jìn)一步提高了算法的容量性。

3.3 魯棒性分析

多載體秘密隱藏算法與單載體信息隱藏算法相比，具有較高的魯棒性，將相同的秘密信息分別嵌入多個(gè)同類載體中，并分別通過基于三維模型凹凸結(jié)構(gòu)特征的凹凸度區(qū)間和體素化坐標(biāo)點(diǎn)的編碼數(shù)據(jù)雙重嵌入秘密信息。騎士巡游遍歷對(duì)模型進(jìn)行凹凸度與體素化點(diǎn)置亂后，使秘密信息均勻分布在載體空間中，保證載體遭受仿射變換等非重度攻擊時(shí)依然能得到可辨識(shí)秘密信息，有效提高算法的魯棒性。

3.4 感知篡改性分析

本文算法將大容量的秘密信息按照信息隱藏規(guī)則中“規(guī)則2”分段，分段數(shù)為，在保證秘密信息分段數(shù)與載體分類數(shù)相同的前提下，將相同的秘密信息分別嵌入多個(gè)同類載體中，通過對(duì)同類多載體中提取出的多份秘密信息進(jìn)行對(duì)比判斷，當(dāng)其中一份或幾份秘密信息與其他多數(shù)秘密信息明顯不同時(shí)，確定為被篡改，從而實(shí)現(xiàn)了檢測(cè)含密載體運(yùn)輸過程中被篡改的情況，提高了含密載體的感知篡改性，并得到完整且正確的秘密信息。

3.5 算法復(fù)雜度分析

本文算法的復(fù)雜度受到三維模型數(shù)據(jù)集大小的影響。給定三維模型數(shù)據(jù)集大小為，在本文中，為三維模型載體集的三角面片總的對(duì)數(shù)，即3 777對(duì)三角面片。算法中用到的-means聚類分析算法的時(shí)間復(fù)雜度為()，空間復(fù)雜度為()，對(duì)聚類分析得到的數(shù)據(jù)進(jìn)行升序排列的時(shí)間復(fù)雜度為(2)，空間復(fù)雜度為(1)，故本文算法的時(shí)間復(fù)雜度為(2)，空間復(fù)雜度為()。

4 實(shí)驗(yàn)對(duì)比

在實(shí)際的通信過程中，傳輸?shù)暮茌d體可能會(huì)受到第三方的破壞或嚴(yán)重的攻擊。對(duì)本文算法進(jìn)行了一系列測(cè)試，并將提出的算法與文獻(xiàn)[4]可逆信息隱藏（reversible data hiding，RDH）算法、文獻(xiàn)[8]映射與結(jié)構(gòu)數(shù)據(jù)（mapping and structure data，MSTD）信息隱藏算法、文獻(xiàn)[9]多重融合態(tài)（multiple fusion states，MFS）信息隱藏算法進(jìn)行對(duì)比。實(shí)驗(yàn)環(huán)境為Matlab R2018a、MeshLab_v1.3.3、PyCharm2020，載體集來源于普林斯頓大學(xué)三維模型庫（Princeton University 3D model library，PML）。

4.1 不可見性實(shí)驗(yàn)

本文算法采用信噪比（signal-to-noise ratio，SNR）[14]對(duì)算法的不可見性進(jìn)行實(shí)驗(yàn)分析，每個(gè)測(cè)試模型的相關(guān)信息見表5。

圖7 載體模型、隱藏信息和含密載體效果

表5 每個(gè)測(cè)試模型的相關(guān)信息

4.2 容量性實(shí)驗(yàn)

分別對(duì)模型A1～C3進(jìn)行容量性實(shí)驗(yàn)，由于文獻(xiàn)[4]、文獻(xiàn)[8]、文獻(xiàn)[9]并未進(jìn)行嵌入容量的實(shí)驗(yàn)，其中，文獻(xiàn)[4]是對(duì)每個(gè)頂點(diǎn)的平均嵌入容量進(jìn)行實(shí)驗(yàn)，故對(duì)本算法采用總嵌入容量進(jìn)行實(shí)驗(yàn)并與文獻(xiàn)[4]的總嵌入容量對(duì)比，本文算法與文獻(xiàn)[4]所提算法的嵌入容量平均提高了13.3%，故本文算法適合隱藏容量較大的應(yīng)用場(chǎng)景。每個(gè)測(cè)試模型的嵌入容量見表6。

表6 每個(gè)測(cè)試模型的嵌入容量

4.3 魯棒性實(shí)驗(yàn)

魯棒性是指含密載體在經(jīng)過攻擊后所提取秘密信息的修改程度。針對(duì)本文算法進(jìn)行魯棒性衡量，分別對(duì)其進(jìn)行仿射變換攻擊、簡化攻擊、噪聲攻擊、剪切攻擊。其中，多載體信息隱藏算法的魯棒性檢驗(yàn)值由所有載體模型的平均值表示，本文采用相關(guān)系數(shù)（correlation coefficient，Corr）作為衡量魯棒性的數(shù)學(xué)指標(biāo)，如式（14）所示。

其中，和分別表示提取信息比特序列和原始信息比特序列的平均值，N表示同一類三維模型載體的數(shù)量。

由圖9（a）可知，面對(duì)旋轉(zhuǎn)角度為20°的攻擊時(shí)，本文算法的Corr值為0.601 6，而MTSD、MFS的Corr值為0.527 5和0.545 2，即本文算法比MSTD和MFS的Corr值提高了14.04%和10.34%。圖9（b）表明，當(dāng)壓縮率為40%時(shí)，本文算法、MTSD和MFS的Corr值分別為0.806 5、0.704 3和0.736 4，即本文算法比MTSD和MFS的Corr值分別提高了14.51%和9.52%。圖9（c）表明，當(dāng)簡化率為70%時(shí)，本文算法、MSTD和MFS的Corr值分別為0.556 7、0.429 5和0.458 6，即本文算法比MSTD和MFS的Corr值分別提高了29.62%和21.33%。圖9（d）表明，當(dāng)噪聲強(qiáng)度為40%時(shí)，本文算法、MTSD和MFS的Corr值分別0.786 5、0.725 8、0.756 4，即本文算法比MTSD和MFS的Corr值分別提高了8.36%和3.98%。圖（e）表明，當(dāng)剪切率為30%時(shí)，本文算法、MTSD和MFS的Corr值分別為0.525 4、0.469 7和0.485 2，即本文算法比MTSD和MFS的Corr提高了11.86%和8.29%。

圖9 本文算法與文獻(xiàn)[8]和文獻(xiàn)[9]算法在旋轉(zhuǎn)攻擊、壓縮攻擊、簡化攻擊、噪聲攻擊、剪切攻擊下的實(shí)驗(yàn)結(jié)果對(duì)比

此外本文分別選取A1～A3、B1～B3和C1～C3載體集中的三維模型分別進(jìn)行同樣的20°旋轉(zhuǎn)、40%壓縮、70%簡化、40%噪聲和30%剪切的攻擊實(shí)驗(yàn)，不同載體數(shù)據(jù)集的單一攻擊實(shí)驗(yàn)結(jié)果如圖10所示。

圖10 不同載體數(shù)據(jù)集的單一攻擊實(shí)驗(yàn)結(jié)果

4.4 感知篡改性實(shí)驗(yàn)

當(dāng)壓縮率為旋轉(zhuǎn)1°、5%壓縮、10%簡化、1%噪聲和5%剪切時(shí)，對(duì)含密三維模型載體提取的秘密信息進(jìn)行對(duì)比檢驗(yàn)，各種攻擊的感知篡改性檢出率（300個(gè)三維模型）見表7，平均檢出率達(dá)到96.93%，因此基于三維模型凹凸結(jié)構(gòu)特征的多載體信息隱藏算法具有敏銳的感知篡改性。

表7 各種攻擊的感知篡改性檢出率（300個(gè)三維模型）

5 結(jié)束語

本文提出了一種基于三維模型凹凸結(jié)構(gòu)特征的多載體信息隱藏算法，區(qū)別于傳統(tǒng)的單載體信息隱藏算法，綜合考慮載體模型的特征細(xì)節(jié)，保證載體間聯(lián)系的基礎(chǔ)上考慮修改凹凸度的影響，同時(shí)利用體素化坐標(biāo)雙重嵌入秘密信息，進(jìn)一步提升算法的魯棒性和容量性。實(shí)驗(yàn)表明，本文算法適用于隱藏信息容量較大且對(duì)不可見性和魯棒性要求較高的應(yīng)用場(chǎng)景。算法的不可見性好、魯棒性強(qiáng)，能抵抗大部分針對(duì)三維模型的攻擊，同時(shí)，仍有一定的改進(jìn)空間。在接下來的研究工作中，筆者將討論如何利用神經(jīng)網(wǎng)絡(luò)算法，尋找更適合嵌入秘密信息的三維模型特征，同時(shí)將探討如何更好地利用三維模型載體之間的關(guān)聯(lián)性，以便進(jìn)一步提高多載體信息隱藏算法嵌入容量與魯棒性。

[1] 任帥, 王震, 徐振超, 等. 一種基于OBJ三維模型紋理貼圖的信息隱藏算法[J]. 北京郵電大學(xué)學(xué)報(bào), 2019, 42(1): 22-27.

REN S, WANG Z, XU Z C, et al. Information hiding scheme based on texture mapping of 3D model in OBJ format[J]. Journal of Beijing University of Posts and Telecommunications, 2019, 42(1): 22-27.

[2] 張啟龍, 溫濤, 宋曉瑩, 等. 基于自適應(yīng)直方圖修改的網(wǎng)格可逆信息隱藏[J]. 東北大學(xué)學(xué)報(bào)(自然科學(xué)版), 2020, 41(3): 316-320, 360.

ZHANG Q L, WEN T, SONG X Y, et al. Reversible data hiding algorithm based on adaptive histogram modification for 3D mesh models[J]. Journal of Northeastern University (Natural Science), 2020, 41(3): 316-320, 360.

[3] ZHOU H, CHEN K J, ZHANG W M, et al. Distortion design for secure adaptive 3-D mesh steganography[J]. IEEE Transactions on Multimedia, 2019, 21(6): 1384-1398.

[4] TSAI Y Y. Separable reversible data hiding for encrypted three-dimensional models based on spatial subdivision and space encoding[J]. IEEE Transactions on Multimedia, 2021(23): 2286-2296.

[5] WANG P S, LIU Y, GUO Y X, et al. O-CNN: Octree-based convolutional neural networks for 3D shape analysis[J]. ACM Transactions on Graphics, 2017, 36(4): 72.

[6] KER A D. Batch steganography and pooled steganalysis[C]//IH'06: Proceedings of the 8th International Conference on Information Hiding, 2006: 265-281.

[7] 張新鵬, 錢振興, 李晟. 信息隱藏研究展望[J]. 應(yīng)用科學(xué)學(xué)報(bào), 2016, 34(5): 475-489.

ZHANG X P, QIAN Z X, LI S. Prospect of digital steganography research[J]. Journal of Applied Sciences, 2016, 34(5): 475-489.

[8] 任帥, 王震, 蘇東旭, 等. 基于三維模型貼圖與結(jié)構(gòu)數(shù)據(jù)的信息隱藏算法[J]. 通信學(xué)報(bào), 2019, 40(5): 211-222.

REN S, WANG Z, SU D X, et al. Information hiding algorithm based on mapping and structure data of 3D model[J]. Journal on Communications, 2019, 40(5): 211-222.

[9] 任帥, 徐振超, 王震, 等. 基于多融合態(tài)的低密度三維模型信息隱藏算法[J]. 計(jì)算機(jī)應(yīng)用, 2019, 39(4): 1100-1105.

REN S, XU Z C, WANG Z, et al. Low-density 3D model information hiding algorithm based on multple fusion states[J]. Journal of Computer Applications, 2019, 39(4): 1100-1105.

[10] 張滿囤, 燕明曉, 馬英石, 等. 基于八叉樹結(jié)構(gòu)的三維體素模型檢索[J]. 計(jì)算機(jī)學(xué)報(bào), 2021, 44(2): 334-346.

ZHANG M D, YAN M X, MA Y S, et al. 3D voxel model retrieval based on Octree structure[J]. Chinese Journal of Computers, 2021, 44(2): 334-346.

[11] 楊軍, 王亦民. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的三維模型識(shí)別[J]. 重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019, 31(2): 253-260. YANG J, WANG Y M. 3D model recognition based on depth convolution neural network[J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2019, 31(2): 253-260.

[12] 鄭樂樂. 基于凹凸性和形狀直徑函數(shù)的三維模型分割[D]. 太原: 中北大學(xué), 2018.

ZHENG L L. Three-dimensional model segmentation based on weak convexity and shape diameter function[D]. Taiyuan: North University of China, 2018.

[13] CHAKRABORTY S, PAUL D, DAS S, et al. Automated clustering of high-dimensional data with a feature weighted mean shift algorithm[C]//Proceedings of the 35th AAAI Conference on Artificial Intelligence/33rd Conference on Innovative Applications of Artificial Intelligence/11th Symposium on Educational Advances in Artificial Intelligence, Electr Network, 2021.

[14] LIU J, LI R, LIU Y, et al. Research on signal-to-noise ratio estimation algorithm in wireless communication [J]. Computer Engineering and Application, 2020, 56(18): 82-9.

Multi-carrier information hiding algorithm based on three-dimensional model’s concave-convex structure characteristics

REN Shuai1, SHI Lei1, WANG Binbin1, CHENG Huirong1, ZHANG Qianqian1, LIU Honglin2

1. School of Information Engineering, Chang’an University, Xi’an 710064, China 2. Guilin University of Aerospace Technology, Guilin 541004, China

Aiming at the problem that the embedding capacity, invaibility and robustness of a single-carrier information hiding algorithm cannot be further improved due to the limitation of the number of carriers, the voxelization of the carrier and the embedding of secret information were combined with the concave-convex structure characteristics of the three-dimensional model, and a method was proposed. A multi-carrier information hiding algorithm based on the three-dimensional model’s concave-convex structure features. Firstly, the three-dimensional model was voxelized, and the three-dimensional model’s concave-convex structure features were extracted from the data set obtained after voxelization to classify the carrier library, and the concave-convex degree was obtained by conversion after the interval was encoded. Secondly, the secret information was segmented according to the number of carrier classifications and scrambled and optimized, so that the embedding of the carrier and the secret information was effectively connected through its classification and number of segments, and double embedding of secret information by encoding data of concavity intervals and voxelized coordinate points, respectively, to further improve the performance of the algorithm. Finally, the genetic algorithm was applied to optimize the secret information to complete the information hiding. The experiment shows that compared with the high-capacity three-dimensional model steganography algorithm based on a single carrier, the invisibility, robustness and capacity of the algorithm were significantly improved.

information hiding, multi-carrier three-dimensional model, concave-convex structure feature, voxelization

TP309

A

10.11959/j.issn.1000?0801.2022008

2021?09?04；

2022?01?07

2020年度中央高?；究蒲袠I(yè)務(wù)費(fèi)資助項(xiàng)目（自然科學(xué)類）計(jì)劃（高新技術(shù)研究培育項(xiàng)目）（No.300102240208）；長安大學(xué)研究生科研創(chuàng)新實(shí)踐項(xiàng)目（No.300103714045）

Funding Projects (Natural Sciences) of Fundamental Research Funds for Central Universities in 2020 (High-tech Research and Cultivation Project) (No. 300102240208), Scientific Innovation Practice Project of Postgraduates of Chang’an University (No.300103714045)

任帥（1982? ），男，博士，長安大學(xué)副教授，主要研究方向?yàn)樾畔㈦[藏技術(shù)。

石磊（1996? ），男，長安大學(xué)碩士生，主要研究方向?yàn)樾畔㈦[藏技術(shù)。

王斌斌（1997? ），男，長安大學(xué)碩士生，主要研究方向?yàn)樾畔㈦[藏技術(shù)。

程慧榮（1997? ），女，長安大學(xué)碩士生，主要研究方向?yàn)樾畔㈦[藏技術(shù)。

張倩倩（1998? ），女，長安大學(xué)碩士生，主要研究方向?yàn)樾畔㈦[藏技術(shù)。

劉洪林（1967? ），男，桂林航天工業(yè)學(xué)院教授，主要研究方向?yàn)槲锫?lián)網(wǎng)應(yīng)用、控制理論與應(yīng)用。