Die Versteckalgorithmus für 3D-Punktwolkeninformationen konzentriert sich hauptsächlich auf den Raum. Die vorhandenen Steganalysealgorithmen im Raum sind während des Analyse- und Detektionsprozesses vielen Störfaktoren ausgesetzt und können nur auf 3D-Gitterobjekte angewendet werden, sodass es an Steganalysealgorithmen für 3D-Punktwolkenobjekte mangelt. Um die Begrenzung der Steganalyse auf 3D-Gitterobjekte zu überwinden, redundante Merkmale im Steganalysemerkmalen von 3D-Gittern zu eliminieren und einen auf der Verstärkung von Merkmalen basierenden Steganalysealgorithmus für 3D-Punktwolken vorzuschlagen. Zunächst werden die 3D-Punktwolken normalisiert und geglättet. Anschließend wird mithilfe des verbesserten 3DHarris-ISS Composite Operators Merkmalspunkte und ihre Nachbarpunkte aus den 3D-Punktwolken extrahiert, die möglicherweise versteckte Merkmale enthalten, um einen Bereich zur Merkmalsverstärkung zu bilden, und in diesem Bereich erfolgt die Merkmalsverstärkung, um 3D-Punktwolken mit verstärkten Merkmalen zu erzeugen, die die Merkmalpunkte hervorheben und Störungen von anderen Punkten unterdrücken. Dann werden die vorhandenen 3D-Gittermerkmale ausgewählt, um die redundanten Merkmale zu reduzieren, und die neu extrahierten lokalen Nachbarschaftsmerkmale werden der ausgewählten Merkmalsammlung hinzugefügt, um die Steganalysemerkmale der 3D-Punktwolken zu bilden. Schließlich werden mithilfe des Merkmalsatzes POINT72 die verstärkten 3D-Punktwolken auf versteckte Merkmale überprüft und Steganalyseexperimente durchgeführt. Die Experimentalanalyse zeigt, dass der Algorithmus in der Lage ist, das Raumverstecken von 3D-Punktwolken genau zu analysieren und zu bestimmen, ob 3D-Punktwolken versteckte Informationen enthalten. Unter der Voraussetzung, dass keine Kanteninformationen und Flächeninformationen vorhanden sind, liegt die Genauigkeit der Steganalyse von 3D-Punktwolken nahe an den vorhandenen Steganalysealgorithmen für 3D-Gitter.

Steganalyse; 3D-Punktwolke; Merkmalsverstärkung; Merkmalsammlungsauswahl