《表1 基本分类性能实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于基音延迟组内相关性的AMR隐写分析算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本实验的目的是验证文中提出的组内差值一阶Markov转移概率特征的分类有效性.实验中，针对每种编码码率样本，使用组内一阶Markov转移概率特征，通过SVM训练生成H-rate模型和Y-rate模型，在预测阶段，使用H-rate模型对剩余的CDB和SDB_1样本进行检测，使用Y-rate模型对剩余的CDB和SDB_2样本进行检测，结果如表1所示.在每种编码码率模式下，隐写分析模型为进行本次隐写分析性能检测的隐写分析算法分类模型，隐写算法为测试样本中Stego样本所使用的隐写算法.TNR表示Cover样本被检测为Cover样本的概率，TPR表示Stego样本被检测为Stego样本的概率.从表1可以看出:文中提出的分类特征在对Huang隐写算法[9]的检测中，Cover语音的TNR均在80%以上，在30%相对嵌入率情况下，Stego语音的TPR高于80%.在对Yan隐写算法[10]的检测中，Cover语音的TNR均在80%以上，20%嵌入率下的Stego语音TPR高于80%，效果优于Huang隐写算法[9].上述结果表明，文中提出的基音延迟的子帧组组内差值Markov转移概率特征对Huang隐写算法[9]和Yan隐写算法[10]有较好的分类性能.