-
公开(公告)号：CN118555347A
公开(公告)日：2024-08-27
申请号：CN202410647160.9
申请日：2024-05-23
Applicant: 北京邮电大学
IPC: H04N1/44 , H04N1/387 , H04N1/32 , H04N19/467 , H04L9/08
Abstract: 本发明涉及云服务环境下的图像加密技术领域，特别涉及一种云环境下基于2D压缩感知和秘密共享的图像加密方法，以解决数据在云端存储的安全性和用户对图像重构的复杂性为目标，该方法将压缩感知和秘密共享重建任务外包给云端完成以节省用户的计算资源，将图像上传至云端之前对图像加密，然后利用具有较低的计算复杂度2D压缩感知对加密图像采样，降低密文的存储压力，然后利用秘密共享将采样图像分为多个加密份额，只有在达到指定门限时才能获取或重构完整的图像信息，可以避免单点故障，提高方案的安全性，生成的多个加密份额被分别上传至不同的云端管理中心存储，通过嵌入水印信息有效阻止未经许可的恶意用户窃取或篡改信息。
-
公开(公告)号：CN114143551B
公开(公告)日：2023-03-24
申请号：CN202111515868.1
申请日：2021-12-01
Applicant: 北京邮电大学
Abstract: 本发明公开了一种应用于视频传感器网络的视频安全高效传输系统，在编码端采用采样率自适应选择和非关键帧自适应采样算法，防止相邻非关键帧之间恢复质量波动过大的问题；采用基于视频帧块的加密算法，能够降低计算复杂度，缩短加解密的时间；还使用混沌系统所产生的混沌序列作为测量矩阵和加密算法的密钥，来提高传输方案的安全性；此外在解码端，采用基于分块压缩感知和深度学习的视频帧恢复网络，当云端服务器接收到最早发送的少量非压缩视频帧时，重构单元会立刻进行快速训练，训练完成后便可用其恢复之后所接收的视频帧；最后在恢复的过程中采用并行恢复算法，在计算资源较为充足的情况下，可大幅提高恢复速度，极大降低实时视频解码时延。
-
公开(公告)号：CN115514787A
公开(公告)日：2022-12-23
申请号：CN202211130407.7
申请日：2022-09-16
Applicant: 北京邮电大学
Abstract: 本发明公开了一种用于车联网环境的智能无人机辅助决策规划方法及装置，首先将训练好的无人机辅助网络部署于多旋翼无人机上，得到智能无人机；其次创建道路信息数据库，将智能无人机部署在道路网络中收集实时数据；然后将智能无人机收集的实时数据输入三层人工神经网络的输入层，在隐藏层中对传入的信息进行数据预处理和预测，在输出层中对预测结果进行判断和决策，输出对车辆驱动部分的控制命令；最后对控制命令进行判断，再输出到目标车辆的驱动设备上，完成最终的驾驶行为转换。本发明提高了车辆决策规划的准确性，同时保证了信息的实时性，从而降低了决策的错误率，提高了对无人机的控制准确性，能够大面积覆盖道路，从而高效收集实时信息。
-
公开(公告)号：CN114065193B
公开(公告)日：2024-05-07
申请号：CN202111393890.3
申请日：2021-11-23
Applicant: 北京邮电大学
IPC: G06F21/55 , G06F21/62 , G06N3/0464 , G06N3/08 , G06F9/50
Abstract: 本发明公开了一种应用于边缘云环境下图像任务的深度学习安全方法，包括以下步骤：对AMP‑Net+模型进行训练，将AMP‑Net+应用于深度学习安全模型的图像重建过程；训练完成后整个AMP‑Net+通过结构化多重哈希映射对网络模型进行压缩减小后部署到边缘云网络设备中；当第三方用户需要获得边缘云上的数据时，第三方用户发出数据请求，通过用户认证后与边缘云建立通信；而后根据数据请求，通过提前部署的网络模型来恢复获得原始数据。本发明引入结构化多重散列方法对训练好的AMP‑Net+网络模型压缩，同时提出了一个新的用户认证和隐私保护安全协议，深度学习安全模型保证在图像任务中边缘云系统安全性的同时，在不影响图像恢复质量的前提下进一步降低了边缘云网络设备的开销。
-
公开(公告)号：CN115514787B
公开(公告)日：2023-06-27
申请号：CN202211130407.7
申请日：2022-09-16
Applicant: 北京邮电大学
IPC: H04L67/12 , H04B7/185 , G06N3/0499 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种用于车联网环境的智能无人机辅助决策规划方法及装置，首先将训练好的无人机辅助网络部署于多旋翼无人机上，得到智能无人机；其次创建道路信息数据库，将智能无人机部署在道路网络中收集实时数据；然后将智能无人机收集的实时数据输入三层人工神经网络的输入层，在隐藏层中对传入的信息进行数据预处理和预测，在输出层中对预测结果进行判断和决策，输出对车辆驱动部分的控制命令；最后对控制命令进行判断，再输出到目标车辆的驱动设备上，完成最终的驾驶行为转换。本发明提高了车辆决策规划的准确性，同时保证了信息的实时性，从而降低了决策的错误率，提高了对无人机的控制准确性，能够大面积覆盖道路，从而高效收集实时信息。
-
Patent Agency Ranking
公开(公告)号：CN114944911B
公开(公告)日：2025-04-25
申请号：CN202210570594.4
申请日：2022-05-24
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于并行压缩感知和秘密共享的图像加密方法，首先利用性能良好的测量矩阵作为密钥对图像进行并行压缩，不仅实现了加密，而且减少了图像的大小，具有更低的存储和计算复杂度。其次对于非方阵图像引入分块Arnold变换加密，使图像显得杂乱无章，从而实现对并行压缩后的图像加密。然后，为了进一步提高系统的可靠性和保密性，防止秘密过于集中，利用(k,n)‑门限秘密共享技术对分块Arnold变换后的秘密图像进行处理，不仅实现了秘密图像的加密，而且分散了风险，容忍了入侵。最后，利用Zigzag混淆对由秘密共享技术生成的影子图像进行处理，干扰元素在影子图像中的位置，实现影子图像加密。
-
公开(公告)号：CN115002291B
公开(公告)日：2023-07-25
申请号：CN202210577089.2
申请日：2022-05-25
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于P张量秘密共享和多个数据隐藏器的信息隐藏方法，通过压缩感知技术处理原始图像以尽可能地减小影子图像的大小，并为信息隐藏者嵌入额外信息提供了便利，且由于压缩感知能够在采样的同时对信号压缩，因此，可实现较高的嵌入率。另外，将P张量积理论应用到矩阵运算当中，使用较小维数的测量矩阵同样可以处理高维信号，避免内存浪费，且P变换的矩阵是随机矩阵，可根据需求灵活地选择，所以经过P张量积运算的结果也更加多样，可以表示的矩阵也更多。在信息隐藏阶段，我们使用多个数据隐藏器进行信息嵌入，避免因单个信息隐藏器遭到损坏而不能恢复原始图像，提高信息隐藏模型的安全性。
-
公开(公告)号：CN115002291A
公开(公告)日：2022-09-02
申请号：CN202210577089.2
申请日：2022-05-25
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于P张量秘密共享和多个数据隐藏器的信息隐藏方法，通过压缩感知技术处理原始图像以尽可能地减小影子图像的大小，并为信息隐藏者嵌入额外信息提供了便利，且由于压缩感知能够在采样的同时对信号压缩，因此，可实现较高的嵌入率。另外，将P张量积理论应用到矩阵运算当中，使用较小维数的测量矩阵同样可以处理高维信号，避免内存浪费，且P变换的矩阵是随机矩阵，可根据需求灵活地选择，所以经过P张量积运算的结果也更加多样，可以表示的矩阵也更多。在信息隐藏阶段，我们使用多个数据隐藏器进行信息嵌入，避免因单个信息隐藏器遭到损坏而不能恢复原始图像，提高信息隐藏模型的安全性。
-
公开(公告)号：CN114944911A
公开(公告)日：2022-08-26
申请号：CN202210570594.4
申请日：2022-05-24
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于并行压缩感知和秘密共享的图像加密方法，首先利用性能良好的测量矩阵作为密钥对图像进行并行压缩，不仅实现了加密，而且减少了图像的大小，具有更低的存储和计算复杂度。其次对于非方阵图像引入分块Arnold变换加密，使图像显得杂乱无章，从而实现对并行压缩后的图像加密。然后，为了进一步提高系统的可靠性和保密性，防止秘密过于集中，利用(k,n)‑门限秘密共享技术对分块Arnold变换后的秘密图像进行处理，不仅实现了秘密图像的加密，而且分散了风险，容忍了入侵。最后，利用Zigzag混淆对由秘密共享技术生成的影子图像进行处理，干扰元素在影子图像中的位置，实现影子图像加密。
-
公开(公告)号：CN114143551A
公开(公告)日：2022-03-04
申请号：CN202111515868.1
申请日：2021-12-01
Applicant: 北京邮电大学
Abstract: 本发明公开了一种应用于视频传感器网络的视频安全高效传输系统，在编码端采用采样率自适应选择和非关键帧自适应采样算法，防止相邻非关键帧之间恢复质量波动过大的问题；采用基于视频帧块的加密算法，能够降低计算复杂度，缩短加解密的时间；还使用混沌系统所产生的混沌序列作为测量矩阵和加密算法的密钥，来提高传输方案的安全性；此外在解码端，采用基于分块压缩感知和深度学习的视频帧恢复网络，当云端服务器接收到最早发送的少量非压缩视频帧时，重构单元会立刻进行快速训练，训练完成后便可用其恢复之后所接收的视频帧；最后在恢复的过程中采用并行恢复算法，在计算资源较为充足的情况下，可大幅提高恢复速度，极大降低实时视频解码时延。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
