基于MPUI模型的JPEG2000图像最大隐写容量

隐写容量是信息隐藏的4项性能指标之一,目前,相关科研工作者对其他3项指标,即鲁棒性、透明性和计算复杂性进行过大量的研究,但隐写容量方面的研究却很少.该研究有力地完善了信息隐藏的理论体系,根据JPEG2000压缩标准以及人眼对小波系数改变的敏感程度,借助小波系数的失真代价函数,区分出小波系数的承载秘密信息能力：失真代价函数值越小,该小波系数承载能力就越强;反之,该小波系数承载能力就越弱.当失真代价函数值大于1时,该系数不具有承载信息的能力,即为湿系数.通过最大隐写容量估算实验以及位满嵌入、过位嵌入和湿嵌入等评估实验,验证了所提方法的有效性.     

一种快速的判别公共向量分类方法

在传统DCV的基础上,提出了一种改进的快速DCV分类方法。该方法与传统的DCV分类方法相比,在保证识别率相同的情况下具有较快的分类速率。传统的DCV分类方法通过计算特征向量之间的距离来进行分类,而所提快速DCV分类方法则通过标量计算完成分类。理论分析及复杂度计算表明,快速DCV分类方法的分类速率是传统DCV分类方法的2倍左右,在Yale、ORL和PIE 3种人脸数据库得到的对比仿真实验结果验证了该算法的有效性。     

低熵图像序列无损压缩

大规模的云渲染技术带来了大量的三维图形渲染数据。为了减小集群渲染产生的图像序列数据的传输以及存储代价,针对渲染图像序列低熵的特点,基于字典编码技术提出了降低数据局部复杂性的无损数据压缩方案。该方案通过数据重排技术来大大提高数据的局部冗余度,从而提高数据无损压缩效率。为了进一步解决大规模图像序列的压缩耗时问题,提出了一种云计算平台上的分布式图像压缩处理方案,充分利用现有云计算中Map/Reduce计算模型实现了分布式编码方案。实验结果证明,对于渲染产生的大规模低熵图像序列,提出的方案能够有效提高编码率并减少编码时间。     

基于网格的量子博弈聚类算法

量子博弈是对经典博弈的量子模拟,利用量子的纠缠态,可以使博弈参与人在博弈策略的选择过程中相互影响,从而得到与经典博弈不同的结果。将量子博弈运用于聚类问题,并提出一种基于网格的量子博弈聚类算法。算法将数据点看作是博弈的参与人,通过在收益矩阵中内嵌距离函数,使相似的数据点能够获得更大的收益,从而形成聚类。此外,通过设定网格合并规则,使博弈过程得到了简化。仿真实验表明,算法在聚类质量上优于传统的K-means等算法。最后,就算法中的几个参数对算法性能的影响进行了讨论,并给出了参数选择的建议。     

基于卓越计划的电子信息工程专业导论课程改革与实践

阐述卓越计划培养模式下,如何对电子信息工程专业导论课程的教学模式开展改革研究和探索。说明改革后的专业导论课程对提高学生对专业的认可度,掌握专业知识,指导就业规划等方面具有良好的导向作用,对教学模式的改革及卓越人才的培养具有重要的实践意义。     

一种基于DCT系数和Fourier描述子的人脸识别方法

研究了一种基于人脸细节信息和外形轮廓信息相结合的人脸识别方法.用DCT(离散余弦变换)系数集表示人脸细节信息,傅立叶描述子集表示人脸轮廓信息,用基于相似性的匹配方式将待测人脸的两种信息分别与数据库中的人脸进行匹配,并根据光照条件将两个匹配结果进行合理的融合作为最终的匹配结果.由于人脸外形比较稳定,并且傅立叶描述子对旋转不敏感,最重要的是,在匹配过程中创造性地利用了实时光照信息进行融合,因此,这种方法不仅稳定,还可以较好地弥补传统二维人脸识别系统极易受到光照、姿态等因素影响的这个缺点.     

基于流形学习的人体动作识别

目的 提出了一个基于流形学习的动作识别框架,用来识别深度图像序列中的人体行为。方法 从Kinect设备获得的深度信息中评估出人体的关节点信息,并用相对关节点位置差作为人体特征表达。在训练阶段,利用LE（Lalpacian eigenmaps）流形学习对高维空间下的训练集进行降维,得到低维隐空间下的运动模型。在识别阶段,用最近邻差值方法将测试序列映射到低维流形空间中去,然后进行匹配计算。在匹配过程中,通过使用改进的Hausdorff距离对低维空间下测试序列和训练运动集的吻合度和相似度进行度量。结果 用Kinect设备捕获的数据进行了实验,取得了良好的效果;同时也在MSR Action3D数据库上进行了测试,结果表明在训练样本较多情况下,本文方法识别效果优于以往方法。结论 实验结果表明本文方法适用于基于深度图像序列的人体动作识别。     

基于信道状态特征的手势动作识别技术研究

手势识别作为人和机器之间重要的交互手段,在日常生活中具有广泛的应用场景。基于无线信号特别是WiFi的手势识别由于其无接触、成本低等优点成为当前热门的方式。为解决传统基于无线信号手势识别算法没有充分利用信号相位特征的缺点,本文提出利用WiFi信道状态信息幅值和相位结合的方式进行手势识别。通过子载波降维和动作曲线提取对接收的WiFi信号进行处理,并将信号的幅值和相位结合,利用机器学习算法对数据进行训练和分类,实现了单手向前、单手向后、单手向左、单手向右、单手向上和单手向下六种手势的识别。实验结果显示,本文算法在近距离和远距离下的精确度分别为96%和92%。     

基于改进AdaBoost算法的复杂网络链路预测

链路预测是复杂网络的重要研究方向,当前的链路预测算法因可利用的网络信息有限,导致预测算法的精确度受限。为了提高预测算法的性能,采用改进的AdaBoost算法进行链路预测。首先根据复杂网络样本建立邻接矩阵,完成样本的矩阵化处理;然后采用AdaBoost算法进行分类训练,通过权重投票获取预测结果;最后,考虑到复杂网络弱分类器预测正负误差分布的不均衡问题,设置权重调整因子η及其调整范围[η1,η2],并根据η值动态调整AdaBoost算法的多个弱分类器分类结果的权重,从而获得准确的链路预测结果。实验结果证明,相比其他常用网络链路预测算法及传统AdaBoost算法,改进的AdaBoost算法的预测准确率优势明显,且在节点数量较多时,其预测时间性能和其他算法的差距较小。     

基于质心法的车联网目标跟踪方法与应用

车辆目标跟踪是实现车联网不可或缺的一环,旨在获取车辆的动态信息,以提高交通运行效率.其核心是对大量监控探头采集的视频图像进行分析处理,实现车辆的实时检测与跟踪.为了进一步提高目标检测效率,降低硬件成本,文中提出了基于二帧差分法的前景检测方法,以及基于质心法的车辆轮廓检测与跟踪方法.基于OpenCV3.4.1和VS2017进行验证实验和仿真测试,结果表明,该算法对车辆跟踪的精确率达到89.1％,平均处理耗时42.63 ms,具有较好的实时性和鲁棒性,可在车联网嵌入式设备上进行部署和应用.