-
公开(公告)号：CN113538199A
公开(公告)日：2021-10-22
申请号：CN202110637231.3
申请日：2021-06-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多层感知卷积和通道加权的图像隐写检测方法，首先构建图像隐写检测模型：然后对图像数据库中的图像进行压缩得到载体图像；利用隐写算法对载体图像进行隐写信息嵌入，得到载秘图像；将载体图像和载秘图像按一定的比例划分为训练集和测试集；根据反向传播算法，通过训练集对构建的基于多层感知卷积的隐写检测模型进行训练，以获得训练好的隐写检测模型；利用训练好的隐写检测模型对测试集的图像进行隐写检测。本发明使用多层感知卷积层代替传统的线性卷积层，提高模型对高阶特征的抽象能力，从而提高检测准确率；利用全局信息对不同的特征图通道分配不同的权重，对卷积得到的特征图进行重校准，进一步提高检测准确率。
-
Patent Agency Ranking
公开(公告)号：CN112464908B
公开(公告)日：2024-02-13
申请号：CN202011504920.9
申请日：2020-12-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种吸引局部二阶梯度轮廓模式人脸特征提取方法。本发明将人脸邻域图转化为对应的边缘响应图，根据稳定性极强的吸引模式对边缘响应图进行编码，克服了传统提取一阶信息算法特征提取有效性不足以及传统提取二阶梯度算法对随机噪声、姿态、表情敏感的缺点，实现了特征提取有效性与特征编码稳定性的平衡，在遮挡情况下也保持更高的识别率，抗噪性能更优异，鲁棒性更强。
-
公开(公告)号：CN112464908A
公开(公告)日：2021-03-09
申请号：CN202011504920.9
申请日：2020-12-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种吸引局部二阶梯度轮廓模式人脸特征提取方法。本发明将人脸邻域图转化为对应的边缘响应图，根据稳定性极强的吸引模式对边缘响应图进行编码，克服了传统提取一阶信息算法特征提取有效性不足以及传统提取二阶梯度算法对随机噪声、姿态、表情敏感的缺点，实现了特征提取有效性与特征编码稳定性的平衡，在遮挡情况下也保持更高的识别率，抗噪性能更优异，鲁棒性更强。
-
公开(公告)号：CN113538199B
公开(公告)日：2024-04-16
申请号：CN202110637231.3
申请日：2021-06-08
Applicant: 杭州电子科技大学
IPC: G06T1/00 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多层感知卷积和通道加权的图像隐写检测方法，首先构建图像隐写检测模型：然后对图像数据库中的图像进行压缩得到载体图像；利用隐写算法对载体图像进行隐写信息嵌入，得到载秘图像；将载体图像和载秘图像按一定的比例划分为训练集和测试集；根据反向传播算法，通过训练集对构建的基于多层感知卷积的隐写检测模型进行训练，以获得训练好的隐写检测模型；利用训练好的隐写检测模型对测试集的图像进行隐写检测。本发明使用多层感知卷积层代替传统的线性卷积层，提高模型对高阶特征的抽象能力，从而提高检测准确率；利用全局信息对不同的特征图通道分配不同的权重，对卷积得到的特征图进行重校准，进一步提高检测准确率。
-
公开(公告)号：CN113487642A
公开(公告)日：2021-10-08
申请号：CN202110772013.0
申请日：2021-07-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种显著性视觉毫米波体外目标检测方法。首先对毫米波图像预处理，提取人体区域，然后对经过预处理后的图像进行DCT变换并提取符号矩阵得到图像签名，对图像签名进行IDCT反变换并计算Hadamard乘积得到平方重构图像，计算平方重构图像中的像素值与全局平均像素值的欧式距离作为显著值，高斯平滑后得到显著图。最后对显著图采用OTSU阈值分割以及连通域检测的方法检测出目标物品区域，并在原图标记完成检测。本发明结合视觉显著性及背景抑制的思路生成显著图高亮了目标物品区域，减小了背景冗余，增大了前景背景的灰度差异，能够准确的获取目标物品的位置并在原图标记，有着较强的实用价值。
-
公开(公告)号：CN112580506A
公开(公告)日：2021-03-30
申请号：CN202011504929.X
申请日：2020-12-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于双向最小汉明距的虹膜特征点比对方法。本发明根据特征点描述符对虹膜特征点编码的二值化结果确定虹膜特征点的比对策略。首先将待验证虹膜和参考虹膜中所有征点的二进制特征向量分别构建向量矩阵，其中行数代表两幅虹膜中检测到的特征点的个数，列数为特征向量长度；然后交叉计算特征向量之间的汉明距离，若同时互为最小汉明距离则保留，否则不保留；最后计算虹膜特征点的比对率，完成虹膜验证。本发明与现有的虹膜特征点比对方法相比，提高了虹膜的验证速度且降低了非同源虹膜的特征点比对率。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
