基于OpenPose的摔倒行为检测技术研究

针对摔倒检测难、检测精度低、误检率高等问题提出了一种基于骨骼姿态关键点和卷积神经网络的摔倒检测算法.该算法通过OpenPose对连续n帧中的运动目标进行关键点检测,以VGG预训练网络作为骨架,对运动目标进行姿态特征提取,并将所提取的姿态特征以支持向量机的方法进行分类实验,有效区分坐、躺、蹲等与摔倒相似的行为.测试所使用的数据集包括一系列自建摔倒视频并结合包括走、蹲、躺、坐、跳等五种非摔倒行为.检测结果的灵敏度为96.52％,特异性为96.37％,相比同类检测算法有较大提升.     

基于NWPSO-BP神经网络的异常用电行为检测算法

用户的异常用电行为会导致电力负荷异常增长,给电力公司造成巨大损失,同时也易造成输电线路故障,从而危害公共安全,然而传统人工检查异常用电行为的检测效率低下且精度较低。针对上述问题,首先分析了异常用电用户存在的行为特征,然后选择用于训练模型的最佳特征指标,最后提出了基于改进的非线性权重调整粒子群优化算法优化BP神经网络(NWPSO-BP)的异常用电行为检测算法。结果表明,与现有的异常用电行为检测方法相比,所提算法具有更高的精度,且误差收敛速度更快。     

一种基于EEMD的异常声音识别方法

为了优化组合特征在异常声音识别中的效率,提出一种用集合经验模态分解（EEMD）对异常声音帧信号进行有效性检测和提取多层特征的算法.首先对异常声音帧信号进行集合经验模态分解,得到固有模态函数;然后根据给定的固有模态函数层数阈值,对该帧信号进行有效性检测;再对有效帧信号的每一层固有模态函数提取梅尔频率倒谱系数、翻转梅尔频率倒谱系数、线性预测倒谱系数、短时能量和能量比,并将它们归一化后拼接成多层特征.根据提取的特征,用深度卷积神经网络实现异常声音识别分类.仿真结果表明,提出的新方法在4类异常声音识别中的识别率可以达到98.65%.     

一种疲劳驾驶检测方法

使用YOLOv3-tiny卷积神经网络进行驾驶环境识别,利用dlib人脸检测算法进行检测,实现人脸特征点的精确提取.采用眼特征向量(EFV)和口特征向量(M FV)作为驾驶员眼状态和口态的评价参数.通过离线训练构建驾驶员身份信息库模型,使用相应算法进行判定,完成疲劳驾驶检测.     

一种基于卷积神经网络的人脸表情自动识别方法

针对传统机器学习方法在人脸表情识别上存在特征提取繁琐、表情识别准确率不高的问题,提出一种基于深度学习的人脸表情自动识别方法.设计了一个卷积神经网络模型,以原始图像数据为输入,中间以卷积层和池化层交替作为隐层进行特征自动提取,最后将提取到的特征数据映射到全连接层,并采用Softmax函数作为分类器计算分类得分概率,实现人脸表情的自动识别分类.在公开的人脸表情数据集CK+上进行实验,结果表明本文方法能更准确地识别人脸表情.     

一种基于DBN的网络入侵检测算法

针对传统BP神经网络在检测速度、精度、复杂度等方面的缺陷,提出了一种基于深度信念网（deepbeliefnets,DBN）的网络入侵检测算法,将数据通过双层RBM结构降维,再用BP神经网络反向微调结构参数,从而简化了数据复杂度,减少了BP神经网络的计算量．通过对KDD99数据集仿真实验表明,该算法对于大数据拟合快,检测精度较高．     

一种基于傅立叶变换的异常入侵检测方法

利用傅立叶变换对一组从审计记录中获得的离散数据进行处理,介绍了选择傅立叶变换的系数的准则,它用来从一组系数中寻找出一个统一的标准值;并用这个值与一个门槛值相比较,以决定是否有异常情况发生,同时给出了一些测试结果.     

基于离散马尔科夫链的数据库用户异常行为检测

针对数据库系统内部攻击的问题,将基于用户行为的异常检测方法引入到数据库系统内部攻击检测中.将离散时间马尔科夫链(DTMC)应用到数据库系统异常检测中,构建了一种基于DTM C的用户行为异常检测系统.将用户提交的SQL语句作为用户行为特征进行分析,并利用DTM C分别提取了正常用户和待检测行为的行为特征,并将两者进行比较,如果两者的偏离程度超过了阈值,则判定行为异常.通过实验对所提出系统的可行性和有效性进行测试,结果表明,该系统可以较好地描述用户行为,并有效地检测出数据库系统内部攻击.     

基于混合池化YOLO的目标检测方法

针对目标检测方法中存在的正负样本分布不均衡、检测精度低等问题,提出了一种基于混合池化YOLO的目标检测方法（object detection method based on mixed-pooling YOLO,ODMMP-YOLO）. ODMMP-YOLO首先将混合池化融入Darknet-53网络构造出一种新颖的DMP(darknet based on mixed pooling)网络模型,能够在下采样阶段有效减少特征图信息的丢失,从而提升识别精度;然后采用GIoU(generalized intersection over union)定位损失衡量真实边框与预测边框之间的距离,有效地提升定位精度;在计算置信度损失时给予误分检测框更多的loss惩罚,有效解决正负样本分布不均衡的问题.在PASCAL VOC 2007数据集上对ODMMP-YOLO进行验证,实验结果表明：与传统YOLOv3目标检测方法相比,ODMMP-YOLO识别部分单独类别时的平均精度AP提升约15%,在识别所有类别时的均值平均精度mAP值提升约5%;与其他主流检测方法相比,ODMMPYOLO能够更好地识别与定位日常生...     

一种基于多层感知机的无监督异常检测方法

为了解决入侵检测系统应用过程中需要大量有导师数据进行训练的问题,提出了一种采用多层感知机进行无监督异常检测的方法,网络能够实现编码和还原的功能,从而在最小均方误差原则下学习样本的主要特征,给出了具体的学习算法.依据这些算法构建的系统经过仿真实验取得了较好的结果,验证了基于多层感知机的无监督异常检测方法能够在无需大量有导师信号的情况下检测出入侵,有利于入侵检测系统的推广和应用.     

基于物联网技术的移动网络交互行为异常检测方法

针对移动网络交互行为异常问题 ,提出了一种基于物联网技术的移动网络交互行为异常检测 方法 装 建立移动网络交互行为特征挖掘模型 ,根据移动网络交互行为的属性分布进行特征辨识 ,挖 掘移动网络交互行为异常信息大数据 ,并进行分布融合 装 提取移动网络交互行为异常特征分布值 , 采用信息重组和线性插值拟合方法 ,重构移动网络交互行为的语义属性分析和本体模型 装 采用特征 匹配与信息融合的方法进行移动网络交互行为异常检测 装 仿真实验结果表明 ,该方法的移动网络交 互行为异常检测准确率始终高于95% ,定位性能较好 装     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

一种基于深度学习的双JPEG图像压缩检测算法

双JPEG图像压缩检测是图像盲取证中的研究热点之一。针对JPEG图像压缩检测盲取证问题,提出了一种在双JPEG格式下基于卷积神经网络（CNN）的压缩检测算法。将图像数据集中的样本以不同的质量因子进行单JPEG压缩和双JPEG压缩,把检测图像的DCT系数直方图作为CNN网络的输入进行特征提取,输出层是样本类别的概率分类。实验结果表明,样本尺寸越大,篡改后的质量因子越大,分类器检测正确率越高;与现有算法相比,提出的算法检测正确率最高提高了1.3%,证明具有良好的双JPEG图像压缩性能检测能力。     

一种基于SDN的在线流量异常检测方法

基于软件定义网络的集中管控平面,提出了一种在线流量异常检测方法.首先在控制器上在线获取OpenFlow交换机的流表信息,并构造整个网络的流量矩阵与样本熵矩阵进行组合,然后采用主成分分析方法检测异常流量.实验结果表明,相比于传统网络中利用主成分分析方法分别单独处理离线的流量矩阵或样本熵矩阵的方法,在线流量异常检测方法实现和处理方式简单、有效,异常流量能够得到快速隔离,是基于软件定义网络的一种轻量级在线流量异常检测方法.     

基于深度学习的轮廓检测算法:综述

轮廓检测旨在提取图像中目标与背景环境的分界线,是计算机视觉研究领域中最基本的问题之一.深度学习技术作为直接从数据中学习特征表示的有效方法,近年来启发轮廓检测领域取得了显著的突破.鉴于此,本文就基于深度学习的轮廓检测研究领域的最新发展进行总结,具体包括:轮廓检测任务中采用的卷积神经网络结构,相关训练数据构造、特征压缩、上采样、代价函数和轮廓细化等关键问题,轮廓检测实验中采用的通用数据集和性能评价指标.最后,分析了基于深度学习的轮廓检测算法的挑战和未来研究趋势,以期为该领域的后续研究提供新思路及参考.     

一种基于LSM的数据源在异常检测中的应用

针对异常检测中的数据源选择、行为描述、正常行为学习和行为匹配,提出了一种新的基于安全模块的数据源。为验证其有效性,采用基于信息理论的数据分析和马尔可夫模型两种方法,并与目前较多采用的系统调用数据源作了对比。实验结果表明,新数据源有效,且在一定条件下,比系统调用数据更具优势。     

基于深度属性学习的交通标志检测

为了弥补交通标志底层图像到高层语义之间的鸿沟,本文引入交通标志的形状、颜色、图案内容三种视觉属性,在卷积神经网络(Convolutional neural network,CNN)中加入属性学习(Attribute learning)约束,同时进行交通标志属性学习和分类学习,提出了一种基于深度属性学习的交通标志检测方法。并在公开数据集Sweden traffic sign detection dataset(STSD)和German traffic sign detection dataset(GTSD)上进行的实验结果表明,该方法能够有效地提高交通标志检测的准确率和召回率。     

基于深度学习的遥感影像飞机目标检测方法

遥感影像飞机目标检测是评估机场功能与重要程度、掌握敌情动态的重要途径.针对深度神经网络目标检测在特征提取阶段并未专门涉及特定目标的问题,同时为进一步提高检测精度,基于单一目标多尺度检测(SSD)框架,提出飞机目标Inception多尺度检测(AFInceptionNetSSD)方法.通过分析使卷积神经网络的特征图得到最大响应的视觉模式,结合飞机目标的几何特征,建立了飞机目标特征提取网络;并将此网络应用于SSD框架中,构建了AFInceptionNetSSD方法.仿真结果表明,该方法可以有效地提取飞机目标特征,与SSD框架相比,提高了检测精度.