多尺度融合与FMB改进的YOLOv8异常行为检测方法

针对异常行为检测目标面临多尺度变化、易漏检误检以及复杂背景干扰等问题,提出了一种多尺度特征融合与快速多交叉结构改进的行人异常行为检测方法。该方法以YOLOv8为基线网络,在模型主干部分设计了快速多交叉结构提升上下文信息感知能力并减少网络参数,提出空间递进卷积池化模块实现多尺度信息融合,降低尺度差异带来的易漏检误检问题,提高检测的准确度;在模型颈部中引入SimAM注意力机制抑制复杂背景干扰,提升目标检测性能;最后采用WIoU损失函数平衡检测锚框的惩戒力度增强模型泛化性能。所提方法在UCSD-Ped1、UCSD-Ped2数据集进行验证,并在OPIXray数据集进行了泛化性测试。结果表明,所提方法异常行为识别精度较诸多先进检测算法均有不同程度的提升,且参数量更小,是一种性能较为优异的行人异常行为检测方法。

融合动态距离和随机竞争学习的社区发现算法

社区结构作为复杂网络的一个重要属性,对于了解复杂网络的组织架构和功能具有深远意义。为了解决复杂网络的社区发现问题,提出了一种融合动态距离和随机竞争学习的社区发现算法(Dynamic Distance Stochastic Competitive Learning,DDSCL)。该算法首先结合节点度值和节点间的欧氏距离来确定随机竞争学习中粒子的初始位置,使得不同粒子在游走初期不会在同一社区内进行竞争,加快了粒子的收敛速度;然后结合动态距离算法,将节点间的动态距离融入粒子优先游走过程中,使得粒子的优先游走过程更具方向性,减小了随机性,并且粒子游走的过程也会优化动态距离的变化;当粒子达到收敛状态时,节点将被对其具有最大控制力的粒子占据。最后网络中每一个粒子对应一个社区,根据各粒子占据的节点来揭示网络的社区结构。在8个真实的网络数据集上,以NMI和模块度Q值为评价指标,将DDSCL算法与现有的代表性算法进行实验比较,发现DDSCL算法整体上优于其他算法,其不仅降低了随机竞争学习中粒子优先游走的随机性,而且解决了动态距离算法中出现的碎片化社区问题,提高了社区发现结果的准确性。实验结果表明,所提算法具有有效性和可行性。

基于LD算法的网页篡改可视化预警系统的研究

文章对网页篡改现状进行了调查,对新闻、博客、大学网页被篡改方式进行了研究,并基于LD算法、Python爬虫,研究出可以有效对网页添加暗链、添加恶意代码、篡改网页文本等网页篡改行为进行可视化预警的系统,搭建了可视化动态网页,可以及时呈现网页篡改的位置和网页篡改周期和频率,并通过网页源码关联数据库,有效保证了网页的可恢复性。

基于混沌序列的视频隐私保护系统设计与实现

视频监控的设计目的是维护社会稳定,对于违法犯罪行为能够及时发现并且采取有效措施。然而这类系统在设计之初却忽略了对于个人隐私的保护问题。视频在传递过程中的泄露或者不法分子非法获取视频很容易侵犯个人隐私,造成不良后果。文章研究了基于混沌序列的图像加密解密算法对视频监控中的人脸进行加密,从而保护个人隐私。本系统有两点功能,一是可以对摄像头前的人脸信息进行实时加密,保证了视频录入过程中已经实现了人脸加密;二是对现有的视频中的人脸信息进行加密,保证了视频在传递期间人脸信息的安全性。