区域块分割与融合的行人再识别

目的由于摄像机视角和成像质量的差异,造成行人姿态变化、图像分辨率变化和光照变化等问题的出现,从而导致同一行人在不同监控视频中的外观区别很大,给行人再识别带来很大挑战。为提高行人再识别的识别率,针对行人姿态变化问题,提出一种区域块分割和融合的行人再识别算法。方法首先根据人体结构分布,将行人图像划分为3个局部区域。然后根据各区域在识别过程中的作用不同,将GOG(Gaussian of Gaussian)特征、LOMO(local maximal occurrence)特征和KCCA(Kernel canonical correlation analysis)特征的不同组合作为各区域特征。接着通过距离测度算法学习对应区域之间的相似度,并通过干扰块剔除算法消除图像中出现的无效干扰块,融合有效区域块的相似度。最后将行人图像对的全局相似度和各局部区域相似度进行融合,实现行人再识别。结果在4个基准数据集VIPeR、GRID、PRID450S和CUHK01上进行了大量实验,其中Rank1(排名第1的搜索结果即为待查询人的比例)分别为62. 85%、30. 56%、71. 82%和79. 03%,Rank5分别为86. 17%、51. 20%、91. 16%和93. 60%,识别率均有显著提高,具有实际应用价值。结论提出的区域块分割和融合方法,能够去除图像中的无用信息和干扰信息,同时保留行人的有效信息并高效利用。该方法在一定程度上能够解决行人姿态变化带来的外观差异问题,大幅度地提升识别率。

基于子块分割的自适应式全盲图像水印算法

为了提高水印的鲁棒性,文中提出了一种基于子块分割的自适应全盲水印算法ABWASS。在嵌入水印时,该算法根据宿主特征矩阵嵌入自适应调整后的水印图像,并使用改进的两阶段DWT方法在LH2子带中融入水印图像的关键信息,从而得到含双重水印的图像;提取水印时,首先分离水印分块方式等关键信息,并通过DCT变换获得特征矩阵,进而提取水印图像。由于该方法在获得含有水印的图像时,根据宿主图像对水印进行了微调,并嵌入了原始水印尺寸,因此在提取过程可以实现全盲。实验结果表明,较已有方法,所提算法能够很好地抵抗多数常规攻击和几何攻击,并且在抵抗混合攻击上其性能均得到了提高,最大提升了2.7%;同时,其还具备较好的水印隐蔽性和实用性。