针对ROI水印算法对几何攻击的抵抗能力较弱的问题,本文提出一种基于SURF(Speeded Up Robust Features)特征点选取ROI,并分别嵌入中、低频子带的可逆水印算法,能有效抵抗几何攻击。该算法首先提取载体的SURF特征点,然后对载体图像进行5/...针对ROI水印算法对几何攻击的抵抗能力较弱的问题,本文提出一种基于SURF(Speeded Up Robust Features)特征点选取ROI,并分别嵌入中、低频子带的可逆水印算法,能有效抵抗几何攻击。该算法首先提取载体的SURF特征点,然后对载体图像进行5/3整数小波变换,筛选出感性兴趣区域(ROI)的低频系数和非感兴趣区域(ROB)的中频系数;水印经过置乱变换和抽样金字塔分解,水印分解后的近似子带嵌入感兴趣区域的低频子带中,残差子带嵌入非感兴趣区域的中频系数中。实验数据表明该算法能够抵抗常规的几何攻击和信号攻击,提取的水印相似度高,NC值均保持在0.89以上,具有良好的可逆性和鲁棒性。展开更多
轨道结构作为高速列车行车的基础,必须保证其良好的在役服役性能,有效地实现无砟道床板间位移测量是实现铁路无砟轨道结构服役状态保持的重要措施。针对无砟道床板非接触式位移测量中感兴趣区域(Region of interest,ROI)自动提取问题展...轨道结构作为高速列车行车的基础,必须保证其良好的在役服役性能,有效地实现无砟道床板间位移测量是实现铁路无砟轨道结构服役状态保持的重要措施。针对无砟道床板非接触式位移测量中感兴趣区域(Region of interest,ROI)自动提取问题展开研究,提出一种基于Faster R-CNN(Faster Regions with CNN)的ROI区域自动提取方法,阐明无砟道床板间位移机器视觉测量原理和实现方法的计算流程。基于Keras图像数据增强模型进行无砟道床板间位移目标库的增加,建立人工标靶数据集。通过CNN中卷积层对测量数据进行特征映射图提取,计算映射图中每个特征点的标靶概率,通过分类和边框回归,精确标记图像中的人工标靶。通过安装某250 km/h的双块式无砟轨道线路的典型测点进行Faster R-CNN算法的准确性和有效性验证。研究结果表明:道床板ROI自动提取算法的召回率为99.16%,准确率为98.91%,可以有效满足无砟道床板间位移测量中精度和准确率的要求;与其他的常用YOLO v3,SSD和Fast R-CNN等ROI算法相比,Faster R-CNN方法的计算效率较好、准确率最高,虽然计算效率上略有不足,但可满足铁路轨道状态实际监测的需求。建议在无砟轨道位移非接触式测量中采用基于Faster R-CNN的ROI自动提取方法,以有效地监测铁路基础设施服役状态。展开更多
3维波数域成像处理方法对回波信号距离历程不做近似,成像重建精度高。机载下视阵列3D SAR跨航向阵列长度相比跨航向幅宽小很多,需将回波信号尺寸补零到成像场景尺寸以防止FFT时出现卷绕,过高的补零倍数给波数域成像处理带来内存需求和...3维波数域成像处理方法对回波信号距离历程不做近似,成像重建精度高。机载下视阵列3D SAR跨航向阵列长度相比跨航向幅宽小很多,需将回波信号尺寸补零到成像场景尺寸以防止FFT时出现卷绕,过高的补零倍数给波数域成像处理带来内存需求和运算量的激增。如果能够仅对ROI(Region Of Interest)而非整个观测场景进行成像处理就能够极大程度降低补零倍数,提高该算法的时效性。该文提出的波数域快速成像方法首先在波传播-航迹向和波传播-跨航向完成两次2维成像处理,结合两次2维成像处理结果确定ROI,最后使用3维波数域算法对ROI进行3维精确重建。实验数据验证了该文算法的有效性。展开更多
文摘针对ROI水印算法对几何攻击的抵抗能力较弱的问题,本文提出一种基于SURF(Speeded Up Robust Features)特征点选取ROI,并分别嵌入中、低频子带的可逆水印算法,能有效抵抗几何攻击。该算法首先提取载体的SURF特征点,然后对载体图像进行5/3整数小波变换,筛选出感性兴趣区域(ROI)的低频系数和非感兴趣区域(ROB)的中频系数;水印经过置乱变换和抽样金字塔分解,水印分解后的近似子带嵌入感兴趣区域的低频子带中,残差子带嵌入非感兴趣区域的中频系数中。实验数据表明该算法能够抵抗常规的几何攻击和信号攻击,提取的水印相似度高,NC值均保持在0.89以上,具有良好的可逆性和鲁棒性。
文摘轨道结构作为高速列车行车的基础,必须保证其良好的在役服役性能,有效地实现无砟道床板间位移测量是实现铁路无砟轨道结构服役状态保持的重要措施。针对无砟道床板非接触式位移测量中感兴趣区域(Region of interest,ROI)自动提取问题展开研究,提出一种基于Faster R-CNN(Faster Regions with CNN)的ROI区域自动提取方法,阐明无砟道床板间位移机器视觉测量原理和实现方法的计算流程。基于Keras图像数据增强模型进行无砟道床板间位移目标库的增加,建立人工标靶数据集。通过CNN中卷积层对测量数据进行特征映射图提取,计算映射图中每个特征点的标靶概率,通过分类和边框回归,精确标记图像中的人工标靶。通过安装某250 km/h的双块式无砟轨道线路的典型测点进行Faster R-CNN算法的准确性和有效性验证。研究结果表明:道床板ROI自动提取算法的召回率为99.16%,准确率为98.91%,可以有效满足无砟道床板间位移测量中精度和准确率的要求;与其他的常用YOLO v3,SSD和Fast R-CNN等ROI算法相比,Faster R-CNN方法的计算效率较好、准确率最高,虽然计算效率上略有不足,但可满足铁路轨道状态实际监测的需求。建议在无砟轨道位移非接触式测量中采用基于Faster R-CNN的ROI自动提取方法,以有效地监测铁路基础设施服役状态。
文摘3维波数域成像处理方法对回波信号距离历程不做近似,成像重建精度高。机载下视阵列3D SAR跨航向阵列长度相比跨航向幅宽小很多,需将回波信号尺寸补零到成像场景尺寸以防止FFT时出现卷绕,过高的补零倍数给波数域成像处理带来内存需求和运算量的激增。如果能够仅对ROI(Region Of Interest)而非整个观测场景进行成像处理就能够极大程度降低补零倍数,提高该算法的时效性。该文提出的波数域快速成像方法首先在波传播-航迹向和波传播-跨航向完成两次2维成像处理,结合两次2维成像处理结果确定ROI,最后使用3维波数域算法对ROI进行3维精确重建。实验数据验证了该文算法的有效性。