面向生物特征的信息隐藏算法

针对生物特征识别的自身安全性问题,引入信息隐藏方法,以虹膜特征作为秘密信息,指纹为宿主信息,根据秘密信息和宿主信息的特点,采用基于二值的图像信息隐藏方法,对距离差矩阵和分块矩阵进行了优化,实现生物特征到生物特征的隐藏,增强生物特征数据的安全性.实验结果表明:该算法对剪裁和旋转攻击具有鲁棒性,同时具有较好的隐蔽性和欺骗性,能够适用于目前主要的生物特征识别技术.

大视场域的目标检测与识别算法综述

目标精确感知与识别为信息化战争提供了一个重要的技术增长点,全景视觉传感设备因其拥有大视场(LFOV)范围优势而逐渐被应用于安防及军事领域中的目标检测与识别任务.首先从相机成像模型、图像成像质量以及目标物体的非对称性三个方面对存在的困难以及挑战进行阐述.基于是否进行畸变校正预处理,将近年来LFOV域的目标检测与识别算法分为基于畸变校正的目标检测与识别算法和基于原始LFOV图像的目标检测与识别算法两类,并针对这两类算法进行了全面梳理和总结,对当前LFOV域的目标检测与识别各类算法的统一性和差异性进行思考分析,探讨其未来发展趋势.

基于改进YOLO v3的目标检测算法

随着深度学习的不断发展与广泛运用,基于深度学习的目标检测算法已成为新的主流。为了进一步提高卷积神经网络YOLO v3(You only look once v3)的检测精度,在原算法的网络结构上添加卷积层模块对样本进行目标背景分类,并粗略调整特征图上的锚框大小。该模块输出目标背景概率后,过滤掉背景概率值低于设定阈值的样本,从而解决原算法中存在的正负样本比例失衡的问题。使用调整过的锚框替代原算法中直接由聚类生成固定大小的锚框,该过程为边界框的预测提供更优的初始值。在VOC数据集上的实验结果表明,相较于原算法,改进的YOLO v3具有更高的检测精度。