面向智能攻击的行为预测研究

人工智能的迅速发展和广泛应用促进了数字技术的整体跃升.然而,基于人工智能技术的智能攻击也逐渐成为一种新型的攻击手段,传统的攻击防护方式已经不能满足安全防护的实际需求.通过预测攻击行为的未来步骤,提前部署针对性的防御措施,可以在智能攻击的对抗中取得先机和优势,有效保护系统安全.首先界定了智能攻击和行为预测的问题域,对相关研究领域进行了概述;然后梳理了面向智能攻击的行为预测的研究方法,对相关工作进行分类和详细介绍;之后,分别阐述了不同种类的预测方法的原理机制,并从特征及适应范围等角度对各个种类的方法做进一步对比和分析;最后,展望了智能攻击行为预测的挑战和未来研究方向.

面向VTM的交互式活体检测算法

为提升远程视频柜员机人脸识别登录系统的识别率和安全性,将改进的眨眼检测、背景检测和随机组合动作指令相结合,提出一种交互式活体检测算法。基于OpenCV级联分类器人脸检测和局部二值特征人脸对齐算法,结合坐标比例和眼球色素变化改进眨眼检测。利用背景检测和随机组合动作指令抵御动态视频攻击,加入图像质量检测与校正功能,使系统在弱光、歪斜等环境影响下对活体人脸检测有较好的检测效果。在活体人脸数据库CASIA-FASD和自建样本库上进行实验,结果表明,该算法识别率达到97.67%,与多光谱、卷积神经网络等检测算法相比性能有明显的提升。

基于协同半监督的深度学习图像分类算法

大规模图像分类中,已标记图像数据的获取难度比较大。为了提高图像分类器在已标记样本较少的情况下的分类率,提出了一种基于协同半监督的深度学习图像分类算法。将已标记的样本作为训练集,分别使用VGGNet、GoogLeNet、ResNet模型训练出三个不同的分类器,依据三者对未标记样本的测试结果给出伪标签,即测试结果中三个分类器判断一致的部分直接赋予该伪标签,对于两个判断一致的,按照置信度排序并抽样赋予两个判断一致的伪标签,依次不断给未标记样本打标签并扩充训练集,得到最终的分类模型。最后选取Caltech-UCSD Birds-200-2011数据集和Caltech 256数据集进行实验,实验结果表明,所提出的算法在已标记样本较少的情况下可以获得高分类率的分类模型。

基于密度峰值的海量云数据模糊聚类算法设计

为准确聚类海量云数据,提出一种基于密度峰值的海量云数据模糊聚类算法。将含有噪声的云数据采用BP神经网络分离,将输出的噪声利用奇异值分解重构,获取联合算法输出的噪声,将带有噪声的云数据和输出噪声相减,得到去噪后的云数据。将密度峰值和优化后的模糊聚类算法相结合,自适应形成初始聚类中心,确定聚类数量,最终实现海量云数据模糊聚类。实验结果表明:本文算法获取的聚类效果和聚类效率明显优于其他算法。

面向智能监控的行为识别

目的为了进一步提高智能监控场景下行为识别的准确率和时间效率,提出了一种基于YOLO(you onlylook once:unified,real-time object detection)并结合LSTM(long short-term memory)和CNN(convolutional neural net-work)的人体行为识别算法LC-YOLO(LSTM and CNN based on YOLO)。方法利用YOLO目标检测的实时性,首先对监控视频中的特定行为进行即时检测,获取目标大小、位置等信息后进行深度特征提取;然后,去除图像中无关区域的噪声数据;最后,结合LSTM建模处理时间序列,对监控视频中的行为动作序列做出最终的行为判别。结果在公开行为识别数据集KTH和MSR中的实验表明,各行为平均识别率达到了96. 6%,平均识别速度达到215 ms,本文方法在智能监控的行为识别上具有较好效果。结论提出了一种行为识别算法,实验结果表明算法有效提高了行为识别的实时性和准确率,在实时性要求较高和场景复杂的智能监控中有较好的适应性和广泛的应用前景。