基于半脆弱水印的图像内容认证技术

为了认证图像内容的真实性和可靠性,提出了一种用于图像内容认证和篡改检测定位的半脆弱水印算法.首先利用小波变换的系数分量近似生成表征图像内容的特征水印; 然后根据图像在小波变换后的能量分布特性,利用伪随机数发生系统确定特征水印的嵌入位置,以此实现水印的自适应嵌入.最后在小波系数中提取出嵌入的水印信息,并与图像生成的水印信息进行比对,以此实现图像的认证功能.实验结果显示,该算法能够区分常规信号的处理操作(如进行高质量的JPEG压缩、添加少量噪声)和恶意篡改操作(如图像剪切),并可对图像的篡改位置进行定位.     

一种用于图像篡改定位的半脆弱数字水印算法

设计并实现了一种用于数字图像内容认证的半脆弱水印方案。算法中,图像块的水印选择Logistic映射作为混沌系统从该图像块本身产生一系列混沌序列,作用于水印的嵌入;每个图像块产生的水印按照Torus,自同构映射嵌入另一个映射块的LSB(Least Significant Bit),对应关系通过密钥来确定,这样建立起图像块之间的相关性;利用混沌对初值极端敏感性的特点,能够定位检测对加入水印图像的篡改,且水印提取不需要原始图像。实验结果表明,嵌入水印后的图像的视觉好;算法具有图像内容局部篡改检测的有效性、敏感性以及良好的篡改定位能力。     

一种用于篡改证明的小波域图像水印算法

提出了一种新的用于数字图像篡改证明的小波域脆弱水印算法。算法中引入了人眼视觉模型，使得算法有好的视觉隐蔽性。同时，该算法很好的克服了之前数字水印算法对篡改的综合分析能力弱的缺陷。此外，该算法能够用于多灰度级图像水印的嵌入。以嵌入多灰度级水印的数字图像为对象，对频域改动分析和局部空间篡改检测的试验结果都表明该方案是行之有效的。     

基于Contourlet变换的彩色图像双水印算法

针对一些用于标识和篡改定位的双水印在抗几何攻击方面表现不好的问题,提出了一种基于Contourlet变换的彩色图像双水印算法。该算法首先在红绿蓝(red green blue,RGB)颜色空间,对G分量进行Contourlet变换和QR分解后嵌入鲁棒水印;其次,提取R、G、B三个通道的特征信息,构成可对该图像进行篡改定位的脆弱水印,在B分量上嵌入该脆弱水印,得到含双水印的彩色图像;最后,采用盲提取水印算法提取脆弱水印和鲁棒水印。选取不同刑侦图像进行实验,实验结果表明,脆弱水印能够准确检测篡改位置;鲁棒水印在抵抗剪切、旋转、缩放、随机打马赛克、噪声等几何攻击方面鲁棒性较好。     

一种用于篡改证明的小波域图像水印算法

数字技术的发展，以数字方式存储的多媒体信息越来越容易被篡改，传统手段应用在数字多媒体的保护中缺点显现．提出一种新的用于数字图像篡改证明的小波域脆弱水印算法．算法中引入了人眼视觉模型，使得算法有好的视觉隐蔽性．同时，谊算法很好的克服了之前数字水印算法对篡改的综合分析能力弱的缺陷．此外，该算法能够用于多灰度级图像水印的嵌入．以嵌入多灰度级水印的数字图像为对象，对频域改动分析和局部空间篡改检测的试验结果都表明该方案是行之有效的．     

基于Hash函数的脆弱图像水印算法

为了增强水印的内容认证性,提出了一种适用于数字媒体产品内容篡改证明和完整性认证的脆弱水印算法.采用Hash函数加密生成基于图像内容的脆弱水印,并将其嵌入到随机选择的图像点的LSB(1east significant bit),有效地抵抗了伪认证攻击.利用Hash函数Hamming重量对输入变化的敏感性,能够精确地定位对加入水印图像的篡改,并且水印提取不需要原始图像.实验结果表明该脆弱水印算法具有较好的篡改定位能力.     

一种基于小波的脆弱水印算法

针对数字产品的安全问题,根据离散小波变换(DWT)多分辨率性质,结合人类视觉系统(HVS)特征,提出了一种基于小波的脆弱水印算法.检测器从接收到的水印图像中提取出水印信号,并与原始水印进行比较,从而证明宿主图像是否有篡改发生.实验结果证明,该算法具有防篡改和准确识别篡改区域的能力.     

彩色图像的篡改检测及自恢复算法

数字水印是图像认证的有效手段之一.利用小波变换提出一种计算简单的彩色图像水印算法,将一个图像的主要内容嵌入该图像自身之中,用均值量化的方法在亮度信号中嵌入水印,实现篡改检测和定位篡改区域;用多余的色度空间嵌入亮度信号和色度信号,用于恢复被篡改的图像内容.该算法可以获取较高的峰值信噪比,具有很好的鲁棒性.实验结果表明,该算法对删除、替换等恶意图像篡改具有良好的检测、定位和自修复能力.     

基于矩阵编码和多重水印的JPEG图像块级认证算法

JPEG图像是目前常用的图像格式之一,由于其冗余数据较少,因此实现对JPEG图像的精确认证,需要对认证水印信息进行合适的编码以尽可能地缩短水印长度. 为此,结合矩阵编码和多重水印技术,提出了一种用于JPEG图像的块级认证算法. 矩阵编码可将长为l的水印信息缩短为log2l数量级,且可准确定位其中1位信息的改变,因此通过矩阵编码可有效缩短水印的长度. 同时,为了提高算法的定位准确率,通过嵌入多重水印共同完成对图像的篡改定位. 算法分析中对算法的漏检率、虚检率进行了较为详细的分析. 理论分析与实验结果表明,在篡改率不大的情况下,算法能够实现对JPEG图像的块级篡改定位,在篡改率小于5%,向每个图像块仅嵌入约2bit水印信息的情况下,漏检率和虚检率均在10-2数量级.     

提高多说话人孤立数字语音识别率的一些措施

本文介绍了连续密度隐马尔可夫模型(HMM)多说话人孤立数字语音识别系统,以及我们提出的几种提高多说话人孤立数字语音识别率的措施.     

句法统计距离及其在联机手写汉字识别中的应用

提出一种将句法识别方法与统计识别方法结合起来的距离概念:句法统计距离。采用这种距离对联机手写汉字笔划进行识别,效果令人满意,正确识别率达98％。     

一种新的手写体字符识别方法

本文提出了一种新的用于识别限制性手写体字符的句法和统计相结合的模式识别方法(简称CSSPR方法),介绍了基于该方法设计实现的手写体字符识别系统(CSSHCRS).CSSPR方法保留了句法P.R.方法对模式结构进行描述的特点,且由于引入了统计模式识别方法,使所设计的CSSHCRS具有较强的抗畸变能力.     

基于转矩的车辆负载识别方法

通过分析汽车行驶方程式中驱动力和外界阻力之间的相互关系,对传统车辆负载的概念进行了扩展,提出了一种能够综合反映自动变速车辆行驶过程中坡道、载荷、空气和滚动阻力等信息,基于转矩的广义负载识别方法。此方法基于车辆常用传感器,通过实时计算当前变速箱输出轴转矩和零负载工况下阻力转矩和之间的差值来识别广义负载。详细阐述了负载识别方法的基本原理,分析了外界工况和识别结果之间的相互关系,并给出了具体的负载识别实现步骤。整车实验结果表明,此方法方便可行,准确可靠,能够有效识别自动变速车辆行驶过程中的负载信息。     

一种新的手写体数字识别方法

应用多分支二阶伪二维隐马尔可夫模型进行了手写体数字的识别,引入了多分支二阶伪二维维特比算法对模型进行训练,该训练算法比传统的前后向算有下述优点：１,避免了下溢出问题。２．运算精度大大提高．３。运算速度加快。采用多分支模型可以更充分描述模型特征,其识别率高于普通伪二维隐马尔可夫模型,试验结果训练集识别率９６．１％、测试集９４．９５％。     

基于TSG110的语音识别控制器

目的研究用自然语言向智能家居系统进行信息输入和对相关设备的控制及语音识别控制器设计．方法通过对语音信号特点和识别技术的分析，对语音识别系统的语音特征提取、声学模型与模式匹配、语言模型与语言的处理，阐述了HMM算法和DP匹配的语音识别算法，指出孤立词识别系统结构的特点．结果利用TSG110芯片，给出语音识别控制器的识别技术和系统硬件结构、软件设计及组成方法．结论语音识别技术运用于智能家居系统的语音识别控制器，使其具有语音分析、识别和系统控制等功能，实现信息输入与控制．     

高噪声环境下的语音识别

本文介绍多码本离散隐马尔可夫模型用于含噪声语音识别的研究成果.特定人识别系统对孤立数字的识别率,在低噪声环境下可达100%,在高噪声环境下(信噪比 SNR 低于-7 dB)达63.9%.     

机号识别若干问题的研究

以摄像机,图像采集卡和计算机为重要技术手段,综合运用图像处理与模式识别技术,给出了一个飞机号码识别系统,该系统应用于空军某飞机场的自动加油系统,重点讨论了飞机机号识别的3个关键技术,二值化与图像分割,特征抽取以及号码识别。     

基于汉语声母韵母发音模型的语音识别

每个汉字的发音都是由声母、韵母两部分构成的，声母部分发音时音短，信号变化剧烈；而韵母部分发音时间长、信号相对比较平稳。传统的孤立字识别方案是以线性预测系数作为语音模型系数，用动态时间弯折算法进行模式匹配，但它不完全适用于汉语的单音节识别。本文中利用语音信号相邻帧间LPC距离的变化进行声母、韵母分割，并根据声母、韵母的不同特性分别建立模式，提高了声母部分在整个音节模式中的比重，同时大幅度降低了模式的数据量，实验结果表明，汉语单音节的识别速度较传统的PLC/DTW算法提高一倍以上，识别正确率达到95%。     

隐马氏链模型识别汉语四声声调

本文提出一种用隐马氏链模型识别汉语声调的新方案。由每一种声调的训练语音求出相应的概率模型参数作为识别模板。识别时,分别用每一种声调的模型参数计算出现输入语声周期序列的概率,概率最大者即为输入语声的声调模型。实验语音选用的是“小学汉语拼音教学录音磁带”,一个男声和一个女声,对于其中的24个韵母和21组拼音音节,正确识别率为98%。