基于多尺度多任务卷积神经网络的人群计数

在智能监控领域，实现人群计数具有重要价值，针对人群尺度不一、人群密度分布不均及遮挡等问题，提出一种多尺度多任务卷积神经网络（MMCNN）进行人群计数的方法。首先提出一种新颖的自适应人形核生成密度图描述人群信息，消除人群遮挡影响；其次通过构建多尺度卷积神经网络解决人群尺度不一问题，以多任务学习机制同时估计密度图及人群密度等级，解决人群分布不均问题；最后设计一种加权损失函数，提高人群计数准确率。在UCF_CC_50和World Expo'10数据库上进行了评估，验证了自适应人形核的有效性。实验结果表明：所提算法比Sindagi等的方法（SINDAGI V A，PATEL V M.CNN-based cascaded multi-task learning of high-level prior and density estimation for crowd counting.Proceedings of the 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance.Piscataway，NJ：IEEE，2017：1-6）在UCF_CC_50数据库上平均绝对误差（MAE）数值和均方误差（MSE）数值分别降低约1.7和45；与Zhang等的方法（ZHANG Y，ZHOU D，CHEN S，et al.Single-image crowd counting via multi-column convolutional neural network.Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition.Washington，DC：IEEE Computer Society，2016：589-597）相比，在World Expo'10数据库上所提算法的MAE值降低约1.5，且在真实公共汽车数据库上仅0~3人的计数误差，表明其实用性较强。     

一种对光照变化鲁棒的移动目标前景提取方法

运动目标前景提取是对其进一步分析如特征提取、行为分析等的基础。RPCA(鲁棒主成分分析)分解可以得到较为完整的目标前景,但该方法对光照变化敏感,容易导致误检。利用Lab颜色空间中a,b通道对光照变化不敏感的特点,可以提高基于RPCA分解的前景提取方法对光照变化的鲁棒性,首先对图像L,a,b通道分别进行RPCA分解得到稀疏前景,然后利用大津阈值分割各通道二值化前景并采用种子点填充技术融合不同前景,最后利用形态学滤波优化融合结果提取准确的运动目标前景。实验结果表明,该方法可以在复杂背景下准确提取运动目标前景,且能有效克服光照变化的影响。     

基于粒子群算法和改进PM1的JPEG图像中的安全密写方法

PMI（加、减1）是LSB密写方法的一种改进,它的嵌入和提取几乎和LSB一样简单,却提供了更好的安全性。文中基于JPEG图像的属性对PM1进行改进,并结合粒子群算法（particle swarm optimization,PSO）提出了一种用于JPEG图像的高安全性和高容量的密写方法。充分的实验表明,该方法在保持分块效应和直方图,以及高容量方面都优于现有的JPEG图像中的经典密写算法。     

面向面部表情识别的双通道卷积神经网络

面部表情识别是机器感知人类情绪变化的重要途径,但表情识别受不同个体及情绪强弱差异影响较大,难以手动设计准确的特征.提出一种基于双通道卷积神经网络的面部表情识别方法,首先对采集得到的人脸图像进行预处理以限制分析范围,同时分析人脸灰度图像与对应的LBP图像以兼顾全局与细节特征;针对双通道输入数据,利用不同参数的卷积神经网络自动提取面部特征,通过加权融合分类网络进行特征融合,并利用softmax分类不同表情.实验结果表明,该算法能够以较高的准确率识别6种基本面部表情(高兴、悲伤、愤怒、沮丧、恐惧及惊讶).该方法性能优于基于手动设计特征的面部表情识别方法及单通道CNN方法,相比于其他双通道CNN方法,能通过更简单的处理得到近似的识别结果.     

一种抵抗插值误差的数字水印方法

几何攻击会给数字水印带来同步误差和插值误差,现有的多数抗几何攻击的鲁棒水印方法都把焦点集中在同步误差上,对插值误差的研究甚少。介绍了常见的插值算法并指明了插值误差产生的原因,能够实现最佳的嵌入率、嵌入失真以及鲁棒性之间平衡的QIM（quantization index modulation）水印算法,进而分析了插值误差对QIM算法的影响,在此基础上提出了针对插值误差的逐像素点选择QIM水印算法。实验在纹理程度不同的10幅图像上进行。实验证明,提出的水印算法对插值误差的鲁棒性优于原始的QIM水印算法。     

基于系数关系和分形维数的隐藏算法

提出了一种基于系数关系和分形维数的信息隐藏算法，该算法将原始载体图像分割成固定大小的图像块，利用分形维数与图像之间的关系确定每个图像块的特点，结合人类视觉系统（HVS）的特性，选择代表边缘和纹理特征的图像块，对它们进行离散余弦变换，将信息嵌入到变换系数的关系中，隐藏的信息可以是字符序列，数字序列，文本文件，二值图像，灰度图像以及彩色图像等，实验结果表明该算法透明性好，保密性高，对几何攻击，滤波，噪声和压缩等处理具有一定的稳健性。     

一种基于振铃效应分析的图像锐化取证算法

提出了一种图像盲取证算法,用于检测经历过锐化处理的伪造图像.该算法基于对图像边缘振铃效应的深入分析,设计了一种有效的振铃效应描述与测度算法,通过构建效应强度分布图和提取振铃响应特征,实现对图像锐化操作历史的鉴别和操作痕迹的指证,进而为图像的完整性分析提供依据.实验结果表明,该算法能够有效估计图像的锐化操作历史,可作为一种可靠的锐化检测工具.     

一种基于排序的JPEG码流无损水印算法

提出了一种基于排序的直接在JPEG码流中嵌入水印的算法,该方法在保证嵌完水印后图像无失真的条件下提高了嵌入容量.根据对JPEG图像中可变长度码使用情况的统计分析,通过将一幅图像中没有使用过的可变长度码映射为使用过的可变长度码来嵌入水印.在建立映射关系之前,首先对码流中出现过的可变长度码依据其在码漉中出现的频率进行排序,然后使用排序后的结果建立映射关系,从而提高可变长度码的利用率,进而提高嵌入容量.在水印嵌入过程中,根据相应的映射关系和水印信息将码流中出现的可变长度码替换为映射的可变长度码.分析和实验结果表明,这种方法能够实现较高容量的水印嵌入,并且嵌完水印后图像无失真.     

基于双通道卷积神经网络的视频目标移除取证算法

针对现有数字视频目标移除取证算法的伪造帧识别准确率低的问题,本文提出了一种基于双通道卷积神经网络的视频目标移除取证算法。该算法利用双通道结构,分别提取视频绝对帧差图像的RGB特征和噪声特征,并利用双线性池化对二者进行特征融合,而后通过分类层输出视频帧的分类结果,从而有效地识别经过篡改的视频帧。其中,RGB通道能够发现绝对帧差图像中不自然的篡改边界和对比度,噪声通道能够发现原始区域和篡改区域之间噪声的不一致性。此外,算法在网络前端增加了预处理层来放大篡改视频帧的伪造痕迹。实验结果显示,所提算法有效地提高了伪造视频帧的识别准确率,且相对于传统的单通道网络结构,双通道特征融合的方式取得了更好的检测性能。      

基于冗余性的图像重采样检测

数字图像取证中,目前的重采样检测算法都是检测图像中是否存在插值过程引入的周期性,而周期性的判定一般通过在频域的幅度谱中寻找峰值来进行,进而通过峰值的位置来计算重采样因子。但是由于重采样过程中的频率混叠问题导致了重采样因子不能完全确定。针对这个问题,本文提出一种时域中计算重采样因子的方法。重采样图像中每个像素行（或列）和相邻行（或列）的冗余性大小不同,并且冗余性大小呈现出周期性的分布。通过检测此特征就可以实现对重采样的取证,并且确定重采样因子。实验显示,在未压缩的图像中算法可以正确地估计出所有重采样因子,在压缩图像中本文的算法较之前的算法也有明显的优势。