基于SOFM和快速最近邻搜索的网络入侵检测系统与攻击分析

近年来越来越多的机器学习算法被应用到入侵检测中.但是在网络入侵检测系统(NIDS)中,随着网络规模和速度的增加,一般机器学习算法难以满足入侵检测系统实时性的要求,这也是困扰机器学习算法在入侵检测领域进一步实用化的主要瓶颈之一.为了增加网络入侵检测系统的可用性和实时性,提出了一种基于自组织特征映射(SOFM)的网络入侵检测系统,并且在此基础上实现了一种面向提高入侵检测效率的快速最近邻搜索算法VENNS,以减少系统训练和系统检测时间开销.在DARPA1999入侵检测评估数据的基础上,进行了系统的综合性能评价和对比分析.实验证明,系统在维持较低误报率的基础上取得较高的检测率;系统效率大大提高:训练时间开销大约达到改进前的14,检测时间开销则约达到改进前的17.

基于岭回归与最近邻搜索的人脸画像合成算法

针对现有人脸画像合成算法复杂度高、合成速度慢的问题,提出了一种基于岭回归与最近邻搜索的快速人脸画像合成算法。该算法的核心是利用岭回归由人脸照片块获得初始合成画像块,并在此基础上利用最近邻搜索在训练画像块样本集中找到与初始合成画像块最相似的画像块作为最终合成画像块,使得细节纹理更具画像风格,并将合成画像块拼接得到合成人脸画像。通过仿真实验表明,该算法不仅能由人脸照片合成出高质量的人脸画像,且具有计算复杂度低、合成速度快的优点。

基于AGAST-BRIEF的图像匹配融合算法

针对传统算法AGAST在图像处于复杂场景条件下进行图像检测时,造成图像匹配结果精度低和实时性差等问题,提出一种基于AGAST-BRIEF的图像匹配融合算法。首先,利用高斯滤波对图像进行预处理,实现去除图像噪声干扰,保留图像边缘信息的效果,通过AGAST与尺度空间理论相结合进行特征提取;然后,使用BRIEF描述子对图像中的关键点进行描述,提高特征匹配效率;最后,采用FLANN算法得到初次匹配对,使用GMS与改进的RANSAC算法对初次匹配结果进行二次筛选,得到图像特征精匹配。实验结果表明:所提算法相较于SIFT、AKAZE、KAZE算法匹配准确率提高,匹配运行时间最短,具有良好的鲁棒性。

一种改进的SAR与可见光图像的快速配准算法

针对基于尺度不变特征变换(SIFT)的合成孔径雷达(SAR)与可见光图像配准存在耗时长、精度不高的问题,提出了SIFT与快速近似最近邻搜索(FLANN)相结合的配准算法。首先,针对SAR图像存在的相干斑噪声做双边滤波(BF),在去噪的同时能够保护图像的边缘避免被高斯函数模糊。其次,在高斯差分尺度空间检测特征点并生成SIFT特征描述向量,利用FLANN算法实现高维向量空间中的快速匹配。最后,采用改进的抽样一致算法(PROSAC)剔除误匹配进一步提高匹配正确率。实验结果表明该算法在配准的精度和速度上都优于原始的SIFT算法。

基于CUDA加速的图像配准算法

针对传统图像拼接算法速度较慢,难以满足获取大分辨率全景图像的实时性要求,本文提出一种基于CUDA的快速鲁棒特征(speeded-up-robust features,SURF)图像配准算法,从GPU线程执行模型、编程模型和内存模型等方面,对传统SURF算法特征点的检测和描述进行CUDA并行优化;基于FLANN和RANSAC算法,采用双向匹配策略进行特征匹配,提高配准精度.结果表明,相对串行算法,本文并行算法对不同分辨率的图像均可实现10倍以上的加速比,而且配准精度较传统配准算法提高17%,精度最优可高达96%.基于CUDA加速的SURF算法可广泛应用于安防监控领域,实现全景图像的实时配准.

SURF与FLANN算法结合的图像匹配方法

针对核环境下自主式导航机器人对目标识别与跟踪过程中提高特征点匹配的准确率和稳定性问题,提出一种基于加速鲁棒特征(speed up robust features,SURF)算法进行特征提取和特征描述,利用快速最近邻逼近搜索函数库(fast library for approximate nearest neighbors,FLANN)算法进行特征点预匹配,并使用随机采样一致性(random sample consensus,RANSAC)算法优化匹配结果,从而实现图像实时匹配与识别。实验结果表明,在不同实验条件下,包括角度变换、缩放变换、局部遮挡、局部光照等,本文算法均能匹配出目标区域内模板图像,具有较好的精确性和稳定性。

HOG-FLANN在图像匹配ORB算法中的应用

针对ORB算法在图像匹配中特征点的提取会存在一些不稳定边缘点,为了提高ORB特征点匹配的准确性,提出了使用方向梯度直方图(HOG)描述符与快速最近邻逼近搜索函数库(FLANN)相结合的匹配算法。本算法通过移动的HOG窗口对图像中的局部窗口进行初步匹配,然后在HOG窗口的约束下通过使用FLANN对ORB特征点进行图像预匹配,最后采用随机采样一致性(RANSAC)对错误的匹配点进行剔除实现图像的精确匹配。经实验测得本文算法的预匹配准确率由原来的89%提高到了94%,实验结果表明采用HOG窗口与FLANN相结合的匹配算法可以有效的提高ORB特征点预匹配的准确率,并具有较好的稳定性。

中值滤波在噪声图像匹配中的应用

在图像匹配中噪声是影响图像匹配准确性的关键因素之一,为了提高图像匹配的准确率,本文提出了中值滤波与SIFT算法相结合的图像匹配算法。使用中值滤波对含有噪声的图像进行预处理,然后采用SIFT算法对图像中的特征点进行检测并获取特征点的描述符。在图像匹配中采用快速最近邻逼近搜索函数库(FLANN)算法快速完成图像特征点的匹配,最终采用随机采样一致性(RANSAC)完成对错误匹配的剔除实现图像的精确匹配。

基于AKAZE和MSRCR增强的红外图像目标提取

针对运动平台上的红外热成像仪拍摄目标出现偏离,模板与目标无法匹配,提出结合MSRCR图像增强的AKAZE算法红外图像目标提取的方法。该方法采用MARCR增强红外图像,采用频域低通滤波去除图像噪声,使用AKAZE进行快速多尺度特征提取,生成特征点描述子。采用FLANN快速最近邻逼近搜索算法,快速匹配特征点。利用RAN-SC随机抽样一致性算法,剔除误匹配特征。该算法避免通常计算量大、匹配错误、目标轮廓不清晰等不足,有助于移动平台上定点红外检测。

特征匹配技术在水下边坡监测中的应用研究

针对传统水下边坡监测无法快速、直观展现水下边坡的形态、坡度和细部地形特征,以及多期测量成果间客观存在的系统偏差问题,提出了一种基于特征匹配的水下边坡监测新方法。首先将每期多波束三维点云数据生成水下地形曲面,得到水下边坡的多波束声纳影像;然后将多期监测声纳影像采用加速稳健特征算法生成目标特征集,采用快速最近邻逼近搜索函数库和k邻域算法高效找到最优匹配点;最后通过匹配点校正后的声纳影像,可直观反映水下边坡的动态变化,为后期水下边坡整体稳定性分析与治理提供了基础地形数据。与传统监测的方法相比,该方法实现了水下边坡地形监测可视化,具有全覆盖、分辨率高的特点,对及时监测和掌握水下边坡的动态变化具有一定的工程意义。

基于改进的ORB算法的工件图像识别方法

针对传统的工件图像识别算法运行速度慢、匹配精度差等问题,提出一种改进的ORB(Oriented FAST and Rotated BRIEF)算法解决工件图像的实时与准确识别问题。该算法的流程是首先利用ORB算法提取工件图像的角点特征,随后为其添加SURF(Speed-Up Robust Features)描述符进行方向分配,得到具有旋转尺度不变性的图像角点,结合快速近似最近邻搜索算法进行特征点的匹配,实现工件图像的识别。实验结果表明:在图像存在旋转尺度变化的情况下,使用改进的ORB算法相比传统的ORB、SIFT(Scale Invariant Feature Transform)和SURF算法以及SIFT+SURF、SURF+FREAK组合算法在工件图像角点提取与目标匹配方面速度更快,识别精度更高,提高了工业机器人在搬运工件过程中对工件图像的识别效率和准确性。

基于FLANN改进的KNN医疗分类算法

本文通过研究KNN(K-最近邻)算法在疾病预测领域的使用与分析,总结出KNN的2点不足,针对不足进行相应改进并提出F_KNN(循环最近邻搜索)算法:1)针对KNN计算量大、效率低下的缺点,本文采用FLANN(快速最近邻搜索)循环搜索与待测样本距离最近的点,记录若干个最近邻点作为最近邻点子集,利用此子集取代全集对待测样本进行计算,可以降低计算量,极大地提高了KNN算法效率;2)针对KNN难以对高维数据集分类的缺点,本文采用AHP(层次分析法)对样本的特征属性进行相关性研究,使用合适的参数分配权重,提高了KNN算法准确率。本文采用一组脑中风数据集对优化后的算法进行实验,实验结果表明,F_KNN准确率达96.2%。与传统KNN相比,F_KNN提高了分类性能且极大地提高了算法效率。在处理高维且较大的数据集时,F_KNN算法优势明显,具有较好的应用前景。

基于改进曲率尺度空间算法的电力设备红外与可见光图像配准

针对现有电力设备红外与可见光图像配准难度大、配准时间长等问题,提出一种改进曲率尺度空间(CSS)算法的电力设备红外与可见光图像配准方法。首先引入Freeman链码差提高CSS算法的特征点提取精度,其次为每个特征点分配点到弦的垂直距离特征主方向,采用加速稳健特征变换(SURF)算法获得特征描述算子,最后利用双边快速近似最近邻(FLANN)搜索匹配方法和随机抽样一致(RANSAC)方法得到正确的匹配点对,获得仿射变换模型参数。实验结果表明:改进CSS图像配准方法与SURF、尺度不变特征变换(SIFT)、CSS配准方法相比性能指标均有显著提升,平均均方根误差(RMSE)较其他3种算法分别降低了77.73%、80.32%、7.63%;平均匹配时间分别降低了30.82%、40.12%、10.57%,提高了电力设备红外与可见光图像配准的效率。