基于图像分类的鲁棒无载体信息隐藏

针对传统信息隐藏方法须通过修改载体以嵌入秘密信息所带来的安全性问题,提出一种基于图像分类与尺度不变特征转换(scale-invariant feature transform,SIFT)提取无载体信息隐藏的方法。首先通过快速区域卷积神经网络将原始图像库进行分类处理,生成不同种类的子图像库;然后利用图像SIFT特征点的方向信息设计一个感知鲁棒的哈希方案,并使用该方案计算出每个子图像库中图像的哈希值,将所有子图像库中的图像全部映射成相应的二进制哈希值;最后将秘密信息分割成若干个片段,通过对比秘密信息片段与所有的图像二进制哈希值,从子图像库中检索出与秘密信息片段相符的图像,将其作为含密图像传送给接收方,完成信息隐藏过程。接收方接收到全部含密图像后,根据约定的哈希方案提取秘密信息。实验结果和分析表明,该方法对JPEG压缩、高斯噪声、椒盐噪声、图像缩放等攻击具有较强的鲁棒性,且隐藏容量较高。     

全偏振参量低秩稀疏分解伪彩色图像融合

偏振图像伪彩色融合对提高视觉感知和目标判读具有重要意义,利用空间调制型全偏振参量矩阵的低秩和稀疏特性,提出基于贝叶斯概率鲁棒性矩阵分解融合方法。首先,根据偏振调制和解析算法构造偏振参量矩阵,同时合成强度图像;其次,对参量矩阵进行基于改进的贝叶斯概率参量矩阵分解,降低背景噪声和亮度变化等干扰,分别获得参量图像的稀疏和低秩成分;然后利用方差、清晰度和信息熵进行模糊积分,获得显著性参量图像,与合成强度图像一起进行像素级增强;最后,经直方图规定化和IHS颜色映射,得到伪彩色融合结果。实验选择多种材质与目标的仿真和实测数据进行验证,通过主观视觉效果和客观指标比较,验证了其有效性。     

室内惯性导航系统/相机拓扑测量的因子图合作定位算法

为解决合作定位算法中滤波结构不易扩展、鲁棒性差的问题,提出了一种适应于室内多用户的惯性导航系统/相机拓扑测量的因子图合作定位算法。利用目标检测识别算法,提出相机拓扑测量合作定位算法。通过构建拓扑测量、惯性导航系统因子函数,推导出基于因子图的可扩展参数优化模型。为进一步提高鲁棒性,引入综合考虑残差和检测分数的权值判断法,提出适应于相机拓扑测量的改进型开关约束算法。仿真和实测实验表明:拓扑测量观测精度的提升对位置和速度估计、算法收敛次数均有不同程度的改善;合作+改进型开关约束算法的定位精度较非合作+非鲁棒算法的提高了79.8%;改进型开关约束算法相比原开关约束算法具有较高的预测成功率,当测量遮挡时长比为0.4时,改进型开关约束算法将原开关约束算法对野值点的预测成功率由89.35%提高到了97.4%;与原开关约束算法相比,引入权值判断法的改进型开关约束算法剔除了同用户多边框的异常拓扑测量值,减小了计算开销,提高了合作定位精度和鲁棒性。     

基于提升小波变换和离散余弦变换的彩色图像水印算法

针对一些图像水印算法不可见性与鲁棒性不易平衡的问题,提出一种基于提升小波变换和离散余弦变换相结合的水印算法。首先提取载体图像的边缘特征构造二值水印图像,并使用Arnold变换和Logistic混沌映射对水印图像进行加密。然后,将RGB图像转到YCuCv空间,对Cv通道进行提升小波变换(LWT)和分块离散余弦变换(DCT)。最后将加密的水印嵌入每个DCT变换块的低频系数中。实验结果表明,嵌入水印的图像峰值信噪比(PSNR)值均高于43 dB,进行各种常见攻击后归一化相关系数(NC)值接近1。因此,所提出的方案具有较好的水印不可见性,同时对不同的攻击具有较强的鲁棒性。     

基于自适应门限的分形维数语音端点检测

针对固定门限方法在语音端点检测技术中的局限性，为了提高低信噪比下语音端点检测的鲁棒性和准确率，将自适应门限应用于分形维数的语音检测中，提出了一种新的语音端点检测算法.该算法通过对语音信号产生机制的分析，将分形维数用于语音起止点的检测中，设计了自适应门限，从而有效降低了噪声干扰对检测结果的影响，并实现了实时检测.仿真实验结果表明，在低信噪比的情况下，改进的端点检测算法比传统的短时能量检测算法可更准确有效地实现带噪语音的端点检测，而且对噪声干扰具有更好的鲁棒性.     

基于信息决策的最优保守度配电网恢复策略

考虑到自然灾害的极端不确定性，本文提出了一种基于信息决策的最优保守度配电网恢复策略。首先将信息缺口决策理论应用于拓扑不确定性，将配电线路发生自然灾害后的停电状态视为一个不确定参数。进一步提出了一个鲁棒性函数，用于确定配电线路中断的风险规避区域及其总受损长度。然后通过线性优化模型实现最优拓扑重构方法，以确保在遭受破坏性自然灾害后提供预定水平的负荷，并且提出了一种新的保守度选择算法来调整模型的输入。实验结果证明优化的分布式电源资源配置、拓扑重构和线路加固方案能显著提高配电网的可靠性和恢复力。     

考虑不确定行驶时间的双目标外卖配送路径优化

以运营成本和解的鲁棒性为优化目标,研究了考虑不确定行驶时间的外卖配送路径优化问题,建立混合整数规划模型,并设计了可有效求解该模型的带有精英策略的非支配排序遗传算法(NSGA-II).算例实验和数值分析验证了本文所建立模型的可行性和算法的有效性,可为第三方外卖平台调度优化提供决策支持.     

基于高频分量修正的图像水印混合方法

针对图像版权保护中图像水印受攻击的鲁棒性问题,提出一种基于高频分量修正(high frequency component modification,HFCM)的图像水印混合方法.在嵌入部分,首先利用高斯低通滤波器对原始图像进行预处理,使用秘钥随机选择多个灰度级,并且构造滤波图像关于这些选择的灰度级直方图;然后引入直方图形状相关指标来选择像素数最高的像素组,并在所选择的像素组和未选择的像素组之间建立安全带.该文提出了一种HFCM机制的水印嵌入方案,将水印嵌入到所选像素组中,以进一步提高鲁棒性.在解码端,基于可用的秘钥识别水印像素组,并从中提取水印.实验结果表明,该文算法对不同的攻击具有较强的鲁棒性,且性能优于其他算法.     

考虑缓冲时间成本的鲁棒性停机位分配

针对实际航班提前或延误给停机位分配带来的扰动问题,分析了航班实际到离港时间偏离计划时间的分布规律,提出了基于缓冲时间成本的停机位分配鲁棒性评价函数.在此基础上,建立了以缓冲时间成本、机位-航班大小差异度和远机位数等最小为优化目标的鲁棒性停机位分配模型,设计了求解模型的禁忌搜索算法.基于首都国际机场两个典型的A、B工作日实际运行数据的模型验证结果表明,所提方法与不考虑鲁棒性及传统最小化空闲时间离差平方和的停机位分配相比,在A日航班冲突分别减少了98.1%和97.6%,在B日航班冲突分别减少了74.3%和70.8%,有效地提高了停机位分配计划的鲁棒性.      

利用卷积神经网络的显著性区域预测方法

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题,提出2种卷积神经网络,即从头开始训练的浅层卷积神经网络,以及前三层源自另一个网络的深层卷积神经网络。其中,浅层网络结构简单,可避免过拟合问题;深层网络可以充分利用最底层的模型参数,收敛更快,效果更好。所提卷积神经网络应用于回归问题,均没有直接训练特征图的线性模型,而是在迁移层上训练了一堆新的卷积层。从端到端的角度解决显著性预测,将学习过程演化为损失函数的最小化问题。测试和训练在SALICON,SUN和MIT300数据集上进行,实验结果验证了所提方法的有效性。其中,深层网络和浅层网络在SALICON和SUN数据上的结果相似,深层网络在MIT300上的结果更优,与其他方法相比,所提方法具有不错的表现,而且具有跨数据集的鲁棒性。