一种鲁棒的图像局部特征区域的描述方法

提出了一种鲁棒的图像局部特征区域的描述方法,即IWCS-LTP(Improved weighted center symmetric local trinarypattern)描述子.该方法对图像局部特征区域采用类似SIFT描述子的分块处理,可以使描述子包含更多的结构信息;采用ICS-LTP算子进行编码,可以在不大量增加描述子维数和计算量的同时对图像的梯度方向信息进行更具体的描述;采用加权纹理谱直方图计算方法可以使描述子包含图像的梯度幅值信息.大量的实验结果验证了该描述子的有效性.

基于SIFT特征区域的抗几何攻击图像水印算法

提出了一种基于局部特征区域的抗几何攻击图像水印算法.首先利用尺度不变特征变换在载体图像的尺度空间上提取特征点并形成特征区域,该区域具有缩放、平移不变性;然后通过主方向归一化,使这些区域具有旋转不变性;最后将水印信息重复嵌入到多个不重叠的局部特征区域的DFT中频系数中.仿真结果表明,该算法在获得较好的不可见性的同时,对几何攻击和常规信号处理均具有良好的鲁棒性.

基于局部区域LBP特征的人脸识别研究

传统的LBP方法往往分散特征区域所表达的信息,提出一种基于局部区域LBP特征(Local Binary Pattern,局部二值模式)提取的人脸识别方法。用积分投影法在表情图像上定位出眉毛、眼睛、鼻子和嘴巴这些特征点的位置,根据这些特征点的位置确定这些特征部件所在子区域,然后对这些子区域进行不同的分块,提取各子区域的局部LBP直方图,按顺序把它们连结成一个特征直方图序列。实验结果表明:局部区域LBP方法与传统的LBP方法相比有很强的人脸表情特征识别能力,能够更准确地提取面部局部区域的表情信息。

基于椭圆特征区域与重要位平面分解的鲁棒图像水印算法

目的为了解决当前基于特征点的水印方案难以描述图像的非纹理区域(像素强度变化较大的边缘、像素强度值较小或趋于0的均匀区域),降低了局部特征区域的鲁棒性,使其抗几何失真能力不佳的问题,提出基于椭圆特征区域与重要位平面分解的鲁棒图像水印算法。方法根据彩色载体的RGB分量,计算颜色不变性;基于颜色不变性的强度概率密度,推导概率密度梯度估计函数;利用概率密度梯度值,计算二阶Hessian矩阵,改进SURF方法,充分提取彩色载体中纹理与非纹理区域的鲁棒特征点;再求取Hessian矩阵的特征值与特征向量,以计算椭圆的长轴、短轴半径与方向角度,并以特征点为中心,建立局部椭圆特征区域;定义鲁棒特征区域选择规则,确定合适的水印嵌入位置;引入位平面分解技术,获取鲁棒椭圆特征区域的重要位平面图像,并提取其直方图,以此设计水印嵌入方法,将二值水印隐藏到这些直方图中,形成水印图像;根据水印检测机制,复原二值水印。结果实验结果显示,与基于特征点的水印方案相比,所提算法具有更高的不可感知性与鲁棒性,复原水印失真度最小。结论所提算法具有较高的视觉隐秘性和抗几何失真能力,在版权保护、信息防伪等领域具有较好的参考价值。

一种基于图像特征点的数字水印嵌入方法

如何有效抵抗去同步攻击是数字图像水印研究领域的热点问题之一.本文提出了一种可有效抵抗去同步攻击的图像水印新算法.该算法首先利用Harris-Laplace算子从载体图像中提取尺度空间特征点;再结合特征尺度自适应确定局部特征区域;最后,采纳DFT中频幅值量化策略将水印重复嵌入到多个不相交的局部特征区域中.检测时,利用特征点实现水印的重同步,无须求助于原始图像.仿真结果表明,本文算法不仅具有较好的透明性,而且对常规信号处理和去同步攻击均具有较好的鲁棒性.

基于图像特征的数字水印算法研究

为了使数字水印具有更鲁棒的抗攻击能力,提出了一种基于图像特征的数字水印新算法。该算法首先利用Harris-Laplace算子提取载体图像特征点;然后结合特征尺度自适应确定局部特征区域;最后,采纳DFT中频幅值比较策略将数字水印信息重复嵌入到多个不相交的局部特征区域中。检测时,根据模糊模式识别的最大隶属度原则检测水印信息。仿真实验结果表明,该新算法不仅具有较好的透明性,而且对常规信号处理(中值滤波、边缘锐化、叠加噪声和JPEG压缩等)和去同步攻击(旋转、平移、缩放、行列去除、剪切和局部随机弯曲等)均具有较好的鲁棒性。

基于SVD局部数字水印算法

本文将水印嵌入和局部不易发生变化的特征点结合,首先利用多尺度Harris角点检测算法检测出图像的特征点;其次以局部最稳定的特征点为中心选取局部特征区域;最后对特征区域分块,利用奇异值分解后最大奇异值的稳定性,将水印嵌入在最大的奇异值上。实验证明,该算法不仅具有很好的不可见性,而且对一些图像攻击具有很好的鲁棒性,尤其是局部攻击。

基于二代Bandelet变换与稳定特征检测的鲁棒图像水印算法

当前基于特征点的图像水印技术主要是将水印信息隐藏到采用固定值构建的特征不变区域中,其抵御几何变换能力不佳。对此,设计二代Bandelet变换耦合稳定特征检测的图像水印算法。引入尺度不变特征变换方法,提取载体图像中潜在的特征点;根据特征点的Hessian矩阵对应的特征值,构建不稳定特征点消除规则;根据特征点的尺度因子,计算圆形半径,建立局部特征不变区域;定义鲁棒特征区域选择机制,找出合适的水印嵌入位置;引入二代Bandelet变换,处理鲁棒特征区域,获取并选择出重要的Bandelet系数;设计水印嵌入方法,将经过仿射映射加密后的二值水印隐藏到重要的Bandelet系数,获取水印图像;检测水印图像的稳定特征点,联合二代Bandelet变换,从水印图像中复原二值水印。测试结果显示:与已有的鲁棒水印方案相比,该方案具有更高的不可感知性与鲁棒性,其输出的水印图像对应的差分图更为理想,在多种几何攻击下的复原水印失真度最小。

深度图像中基于轮廓曲线和局部区域特征的3维物体识别

为了提高3维物体目标识别系统的性能及降低计算复杂度,提出一种由粗到细的识别方法。该方法利用深度图像所提供的信息,分两步完成识别过程。首先基于轮廓曲线计算其特征点,并映射到原有轮廓空间,以标志点序列表征原由轮廓进行匹配,在识别初期迅速排除模型库中不相似目标和差异较大的姿态,生成目标候选列表用于精确匹配,以提高识别效率。精确匹配采用一种基于局部区域特征的识别方法,以投票的策略获取最佳结果。局部区域由SIFT算子确定位置和数量,区域特征主要由表面指数和法向量夹角组成,具有平移和旋转不变性。为了更进一步提高效率和降低存储空间,模型库的数据分为轮廓和表面信息两部分,分别以标志位序列和哈希表的形式存储。实验结果表明,该方法具有良好的实时性和识别率,对遮挡和干扰有一定的适应性。

基于SIFT抗几何攻击的数字水印算法

针对数字水印信息易遭几何攻击的问题以及水印算法的不可见性与鲁棒性的平衡性问题,提出一种基于尺度不变特征变换(SIFT)的图像局部特征点的数字水印算法。首先利用SIFT算法在原始图像中寻找局部特征点,再以局部特征点确定多个满足一定条件的圆形局部特征区域(LFA),经LFA正规化后将水印嵌入到LFA的离散余弦变换(DCT)域的中频系数中。其中,考虑到水印信息对图像质量的影响,嵌入强度根据Watson人类视觉模型进行动态调整。实验结果表明,该算法得出的峰值信噪比(PSNR)和水印相似度数值较高,说明该算法不仅保证了较好的水印不可见性,并且在一定的几何攻击下表现出较强的鲁棒性。

基于LFRs的大容量抗几何攻击水印算法

如何有效抵抗几何攻击是目前水印技术研究的难点之一,且已有抗几何攻击水印算法的嵌入容量有限。提出了一种利用尺度不变特征变换(SIFT)特征点确定的局部特征区域(LFRs)嵌入水印的大容量抗几何攻击的水印算法。算法首先从图像的非抽样的Contourlet域(NSCT)低频分量中提取出SIFT中等尺度的稳定特征点,并通过最小生成树聚类算法的选择策略获得一组分布均匀且彼此独立的圆形特征区域;然后对每个圆形区域进行等角度的扇形分割和等面积的同心圆环分割,划分成等面积的子块;最后采用奇偶量化将经过混沌加密的水印嵌入到子块的NSCT低频分量中。水印检测时,利用SIFT匹配算法获得同步的水印嵌入区域,再进行水印的盲提取。仿真实验表明,该算法采用的圆形区域分割方法显著地提高了水印的嵌入容量,对于噪声、滤波、压缩以及各类几何攻击都具有较好的鲁棒性。

基于区块链技术的电源箱安全识别方法应用

随着电力工程建设安全要求的逐渐增高,临时电源箱的安全监管问题日趋重要。为解决临时电源箱开箱授权互信认证的问题,提出了一种基于区块链技术的电源箱安全识别方法。首先,建立电源箱安全统一授权体系,实现各级工作人员的用户授权与权限控制。其次,通过局部特征区域算法提取现场工作人员的人脸信息。在此基础上,通过区块链技术进行现场工作人员的权限鉴权,实现工作人员与工作票、操作票和电源箱安全锁之间的互信认证。最后,在某地区电力工程现场应用的平均识别准确率为99.7%。其应用结果验证了所提电源箱安全识别方法的可行性与有效性。

多形状局部区域神经网络结构的行人再识别

目的目前,行人再识别领域将行人图像的全局和局部特征相结合的方法已经成为基本的解决方法。现有的基于局部特征的方法更多的是侧重于定位具有特定的语义区域,这样增加了学习难度,并且对于差异较大的图像场景不具有鲁棒性。为了解决上述问题,通过对网络结构进行改进提出一种多形状局部区域网络(MSPN)结构,它具有多分支并将横向和纵向条状的特征作为局部特征,能够端到端进行训练。方法网络的多个分支设计可以同时获得多粒度和多形状的局部特征,其中一个分支表示全局特征的学习,两个分支表示横条状不同粒度的局部特征学习,最后一个分支表示竖条状局部特征学习。网络不再学习定位具有特定语义的区域,而是将图像提取的特征切分成横向和竖向的若干条作为局部特征。不同分支条的形状和数量不一致,最后获得不同粒度或不同形状的局部特征信息。因为切分方向的不同,多粒度多形状的局部特征缓解了行人在不同图像中无法对齐的问题。结果在包括Market-1501、Duke MTMC-ReID和CUHK03在内的主流评估数据集上的综合实验表明,多形状局部区域神经网络和现有的主要方法相比具有更好的表现。其中在数据集Market-1501上达到84. 57%的平均准确率(m AP)和94. 51%的rank-1准确率。结论多形状局部区域网络能够学习得到判别能力更强的深度学习模型,从而有效地提升行人再识别的准确率。

基于多示例学习的图像检索方法

多示例学习对处理各类歧义问题有较好的效果,将它应用于图像检索问题,提出了一种新的基于多示例学习的图像检索方法。首先提取每幅图像的局部区域特征,通过对这些特征聚类求得一组基向量,并利用它们对每个局部特征向量进行编码,接着使用均值漂移聚类算法对图像进行分割,根据局部特征点位置所对应的分割块划分特征编码到相应的子集,最后将每组编码子集聚合成一个向量,这样每幅图像对应一个多示例包。根据用户选择的图像生成正包和反包,采用多示例学习算法进行学习,取得了较为满意的结果。