CN106792504A - 一种基于移动终端用于追踪失窃通信终端控制系统 - Google Patents
一种基于移动终端用于追踪失窃通信终端控制系统 Download PDFInfo
- Publication number
- CN106792504A CN106792504A CN201611031125.6A CN201611031125A CN106792504A CN 106792504 A CN106792504 A CN 106792504A CN 201611031125 A CN201611031125 A CN 201611031125A CN 106792504 A CN106792504 A CN 106792504A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- parameter
- watermark
- alpha
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 30
- 230000015654 memory Effects 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 230000013016 learning Effects 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 230000000739 chaotic effect Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000005183 dynamical system Methods 0.000 claims description 3
- 238000005312 nonlinear dynamic Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 2
- 235000008434 ginseng Nutrition 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/13—Sensors therefor
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
- G08B13/14—Mechanical actuation by lifting or attempted removal of hand-portable articles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
- H04M1/72409—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by interfacing with external accessories
- H04M1/72415—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by interfacing with external accessories for remote control of appliances
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
- H04N7/185—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source from a mobile camera, e.g. for remote control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0202—Image watermarking whereby the quality of watermarked images is measured; Measuring quality or performance of watermarking methods; Balancing between quality and robustness
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2242/00—Special services or facilities
- H04M2242/14—Special services or facilities with services dependent on location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种基于移动终端用于追踪失窃通信终端控制系统,包括采集数据模块、微处理器和移动终端,采集数据模块由GPS定位模块、录音模块和指纹采集模块构成;采集数据模块的输出端与采集数据控制模块的输入端电性连接;微处理器的输入端分别与输入模块和电源模块的输出端电性连接;微处理器的输出端分别与摄像头和蜂鸣器电性连接;摄像头的输出端与图像传输模块的输入端电性连接;微处理器分别与RAM存储器、MRM存储器、数据库和无线射频收发模块电性连接;移动终端通过GPRS网络与无线射频收发模块连接,该发明的有益效果是通过采集数据模块采集通信终端的位置以及窃贼的信息,从而快速找到失窃的通信终端。
Description
技术领域
本发明属于通信技术领域,尤其涉及一种基于移动终端用于追踪失窃通信终端控制系统。
背景技术
随着手机技术的发展,摄像头和GPS定位模块等已成为手机的常规配置。手机丢失或者失窃是人们日常生活中经常发生的事情,一般情况下手机失窃后难以追回,这不仅会给失主造成一些财产损失,还会使失主失去一些重要人士的联系方式和失主的隐私,给失主带来了不便,并且不能绳之以法,使盗窃行为不能得到制止,造成了盗窃行为的猖獗,扰乱了社会的秩序。而现有的技术只能通过摄像头和GPS定位模块进行追踪失窃的通信终端,不能对窃贼的其他信息进行采集,从而为追踪失窃的通信终端带来一定的困扰。
发明内容
本发明为解决公知技术中存在的技术问题而提供一种通过采集数据模块采集通信终端的位置以及窃贼的信息,从而快速找到失窃的通信终端的一种基于移动终端用于追踪失窃通信终端控制系统。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:一种基于移动终端用于追踪失窃通信终端控制系统,包括采集数据模块、微处理器和移动终端,所述采集数据模块由GPS定位模块、录音模块和指纹采集模块构成;所述采集数据模块的输出端与采集数据控制模块的输入端电性连接;所述微处理器的输入端分别与输入模块和电源模块的输出端电性连接;所述微处理器的输出端分别与摄像头和蜂鸣器电性连接;所述摄像头的输出端与图像传输模块的输入端电性连接;所述微处理器分别与RAM存储器、MRM存储器、数据库和无线射频收发模块电性连接;所述移动终端通过GPRS网络与无线射频收发模块连接。
进一步,所述采集数据控制模块的输出端与输入模块的输入端电性连接。
进一步,所述图像传输模块的输出端与输入模块的输入端电性连接。
进一步,所述电源模块独立于通信终端。
进一步,所述摄像头设置有数字图像水印提取模块,所述数字图像水印提取模块的数字图像水印提取方法包括数字图像的混沌映射、水印的混沌加密、水印的嵌入、非线性离散系统迭代学习辨识、单幅图像隐藏的迭代学习辨识、多幅图像隐藏的迭代学习辨识、水印的解密和提取、数字水印的评估;
所述的数字图像的混沌映射是指单幅图像和多幅图像参数的混沌加密和多重混合,对加密后的隐藏图像G的图像序列x(t)和载体图像F的图像序列w(t)进行α1混合得到:S1=α1w(t)+(1-α1)x(t),再对混合图像S1和载体图像F进行α2混合得到S2=α2w(t)+(1-α2)S1,依次进行至n重混合得到Sn=αnw(t)+(1-αn)Sn-1,则混合图像Sn为图像F和G的n重混合图像,
混合图像满足下面的关系式,
Sn=(1-βnβn-1...β2β1)F+βnβn-1...β2β1G′
其中βi=1-αi,i=1,2,...,n,
采用Logistic映射来产生迭代参数,选定参数μ'和初值a1,由公式:
αi+1=μ'αi(1-αi)
利用多幅图像的多个混合参数来隐藏秘密信息,是多幅图像的混合,对将要隐藏的图像G,记为θ(t),采用Logistic混沌加密,加密后的图像表示为G′,加密图像G′记为x(t),载体图像Fi(i=1,2,…,n)和加密图像G′都是M×N的数字图像,并且混合参数为{αi|0≤αi≤1,i=1,2,…,n},根据图像的混合算法,首先对图像F1和G′进行α1混合得到S1=α1F1+(1-α1)G′,然后对图像F2和G′进行α2混合得到S2=α2F2+(1-α2)S1,依次进行图像混合得到Sn=αnFn+(1-αn)Sn-1,则数字图像Sn称为图像G′的关于数字图像组Fi(i=1,2,…,n)的一个n幅图像混合,
混合图像表示为:
即:
Sn=αnFn+βnαn-1Fn-1+…+βnβn-1…βn-iαn-iFn-i
+…+βnβn-1…β2β1G′
其中βi=1-αi,i=1,2,…,n,选定参数μ′和初值α1,根据αi+1=μ′αi(1-αi)产生一个混沌序列{αi|0<αi<1,i=1,2,…n},作为迭代时的参数序列,在这里选取的参数μ′和初值α1要不同于产生水印时的参数μ(t)和初值x(1);
通过运用图像的多重混合嵌入技术将数字图像信息嵌入到数字图像系统的时变参数中,对数字图像系统建立数学模型,运用迭代学习辨识方法在有限时间区间上对时变参数的完全估计这一重要特性,实现数字图像系统的图像信息的完全重建;对数字图像的混沌加密和隐藏,一维Logistic混沌映射从数学形式上看,表示为:
x(t+1)=μx(t)(1-x(t)),x(t)∈[0,1],其中3.5699456…≤μ≤4被称为Logistic参数,由给定初值x(0)及参数μ在Logistic映射下所产生的序列{x(t)}与其它不同初值及参数所产生的序列的相关程度几乎为零,记原始图像G为θ(t),将其加入到参数μ中,即μ(t)=λ+θ(t),这时,可写成:
x(t+1)=(λ+θ(t))x(t)(1-x(t)),这样得到的混沌序列{x(t),t=1,2,3,…},就是加密后的图像序列G′,在此记为x(t),混沌现象是非线性动力系统中确定的、类似随机的过程,一类非常简单却广泛应用的混沌系统是Logistic映射,定义如下
当μ从0逐步变大时,所示动力系统从一个不动点周期1到两个不动点周期2直至周期2n,随着μ值的增大,大量的倍周期分支出现在越来越窄的μ的间隔中,这种周期倍化的过程是没有限制的,但相应的μ有一个极限值μ∞=3.569945672,当μ→μ∞时,周期无限长,即可视为非周期,此时整个系统处于混沌状态,当μ>4时,系统是不稳定的,因此μ∞≤μ≤4为系统的混沌区;
所述的水印的混沌加密是指设水印二值图像m(t),对其进行Logistic混沌加密,将其加入到参数μ中,得到混沌序列{x(t),t=1,2,3,…},即加密的水印图像x(t);
所述的水印的嵌入是指设载体图像为灰度图像w(t)和加密的水印图像x(t),水印嵌入算法为y(t)=αw(t)+(1-α)x(t),α∈(0,1),其中y(t)为嵌入水印后的图像,α为嵌入强度,这种水印嵌入算法简单实用,然而在选取参数α时时,若α接近1,则y(t)接近w(t);若α接近0,则y(t)接近x(t),因此如何确定参数α是一个难题,同时单纯的一次嵌入,很难保证嵌入水印的不可见性,采用n重迭代混合方法嵌入水印图像,
y1(t)=α1w(t)+(1-α1)x(t)
y2(t)=α2w(t)+(1-α2)y1(t)
……
yn(t)=αnw(t)+(1-αn)yn-1(t)
αn+1=αn(1-αn)μ′
所述的非线性离散系统迭代学习辨识是指考虑具有一般形式的非线性离散系统模型为
式中x(t)∈Rn;θ(t)∈Rm;y(t)∈Rr;f,g为矩阵函数,
假定每次学习的初值x(0)相同,系统第k次运行的输入为θk(t),状态和输出为
要求系统在给定的时间区间[0,N]上输出序列yk(t)跟踪期望输出yd(t),所采用的学习律为开环P型迭代学习律,即
θk+1(t)=θk(t)+γ(t)ek(t+1)
式中γ(t)为开环学习系数矩阵且有界;ek(t+1)=yd(t+1)-yk(t+1)为第k次运行时系统在t+1时刻的跟踪误差,使输出yd(t)以任意精度跟踪yd(t)的充分条件为
ρ=||I-Ck(t+1)Bk(t)γ(t)||<1
所述的单幅图像隐藏的迭代学习辨识是指将原始图像G混沌加密后为图像G′,通过多重混合,运用迭代学习辨识算法可完全重建原始图像G,待辨识的非线性离散时间系统标准形式如下:
式中,时间t∈{0,1,...N},输入状态x(t)∈Rn;参数θ(t)∈R1;输出y(t)∈R1,函数f(x(t),θ(t),t)表示原始图像加密的函数,函数g(x(t),t)表示加密后的图像与载体图像n重迭代混合函数,
将参数θ(t)的期望值记为θ*(t)时,上述公式(8)可写成:
用于估计θ*(t)的迭代学习辨识系统方程可表示为:
由于k为迭代次数,在实验过程中假设每次迭代时的初值相同,并且记f和g关于x、θ的偏导数且存在,记:
其中ξk(t)=(1-σ1)x*(t)+σ1xk(t),0<σ1<1;
其中ξk(t)=(1-σ2)x*(t)+σ2xk(t),0<σ2<1;
其中ηk(t)=(1-σ3)θ*(t)+σ3θk(t),0<σ3<1;并记其界为CC,CA,CB,
采用下述学习律:
在上述学习律中引入了sat(·)饱和函数,γk(t)为学习增益,输出误差ek(t)=y*(t)-yk(t),
根据饱和定理可知如果θ*(t)=sat(θ*(t))
则:
所述的多幅图像隐藏的迭代学习辨识是指利用多个混合参数和多幅载体图像来隐藏一幅图像,通过运用图像的多重混合嵌入技术将图像信息嵌入到数字图像系统的时变参数中,对数字图像系统建立数学模型,运用迭代学习辨识方法在有限时间区间上对时变参数的完全估计这一重要特性,实现数字图像系统的图像信息的完全重建;
记原始图像G为θ(t)序列,加密后为图像G′为x(t)序列,载体图像组Fi(i=1,2,…,n)为wi(t)序列,i=1,2,…,n,混合图像Sn为y(t),则系统可表示为:
t∈{0,1,2...N},x(t)∈Rn,θ(t)∈R1;y1(t)∈R1;y(t)∈R1,非线性函数f(x(t),θ(t),t)表示原始图像加密的函数,非线性函数g(x(t),t)表示加密后的图像和载体图像一次迭代混合函数,h(y1(t),t)表示n重迭代混合后的函数,当参数真值为θ*(t)时,式(14)可写成:
用于估计θ*(t)的迭代学习辨识系统为:
式中,k为迭代次数,每次迭代时的初值相同,假设f关于x、θ的偏导数,及g关于x的偏导数,以及h关于g的偏导数存在,记:
ξk(t)=(1-σ1)g(x*(t),t)+σ1g(xk(t),t),0<σ1<1
ξk(t)=(1-σ2)x*(t)+σ2xk(t),0<σ2<1;ζk(t)=(1-σ3)x*(t)+σ3xk(t),0<σ3<1;ηk(t)=(1-σ4)θ*(t)+σ4θk(t),0<σ4<1;并记其界为CD,CC,CA,CB;
所述的水印的解密和提取是指在水印嵌入时水印图像掩盖于混沌系统的参数中,再经过n次迭代混合嵌入载体图像中,因此综合数字水印图像的加密和嵌入过程,运用迭代学习算法完全重建原始水印图像,数字水印系统的状态方程为
x(t+1)=μx(t)(1-x(t))
y1(t)=α1w(t)+(1-α1)x(t)
y2(t)=α2w(t)+(1-α2)y1(t)
……
yn(t)=αnw(t)+(1-αn)yn-1(t)
αn+1=μ′αn(1-αn)
式中μ,μ′∈[3.571448…,4],x(t)∈[0,1],为了实现水印图像的混沌掩盖,令μ=λ+m(t),设λ=3.7,m(t)为水印二值图像,w(t)为载体图像,y(t)为含水印的图像,注意这里选取的参数值μ′和初值α1要不同于产生水印时的参数值μ和初值x1。
进一步,所述图像传输模块设置有图像超分辨率重建模块,所述图像超分辨率重建模块的图像超分辨率重建方法包括:
(1)在正弦域图像为训练样本集选取N组图像小块训练样本对每组图像小块训练样本对包含一个高分辨率正弦域图像小块和低分辨率正弦域图像小块,低分辨率图像小块的大小为5,设置字典大小为K,样本数量N=1000000,字典大小K=512;
(2)初始化字典外循环迭代次数n,n的最大值为N,内循环迭代次数t,t的最大值为100;
(3)对于所有N组图像小块训练样本对,计算梯度:
梯度根据以下几个公式来计算:
其中为输入的低分辨率正弦域样本集里选取图像小块,为输入的高分辨率正弦域样本集里选取图像小块,为稀疏表示,松弛因子λ=0.15,N=1000000,αi为x的稀疏编码表示:
L表示平方项损失,通过求上式的最小化优化Dx,Dy,如下所示:
||Dx(:,k)||2≤1,||Dy(:,k)||2≤1,k=1,L,K;
s.t.表示受约束于,引入正则化相来求解,因此上式变为:
γ(0<λ≤1)是用来平衡两个式子之间的参数:
其中zj为z的第j个元素,Ω表示j的所有情况的集合;
(4)对于所有N组图像小块训练样本对,更新:
(5)当所有N组图像小块训练样本对都已经计算完毕后,更新:
根据以下公式具体计算:
||Dx(:,k)||2≤1,k=1,L,K;
当Dy确定时,求出Dx;
(6)重复步骤(3)至步骤(5)直至收敛;
(7)输出双字典Dx,Dy。
本发明具有的优点和积极效果是:该基于移动终端用于追踪失窃通信终端控制系统,利用GPS定位模块实时定位通信终端所在位置,通过指纹采集模块采集持有通信终端的人员指纹信息,通过录音模块采集持有通信终端的人员语音信息,通过摄像头采集持有通信终端的人员的面部图像,通过多种设备对窃贼的信息进行采集,采集信息多样化,增加了追踪失窃的通信终端的可能性,与传统的摄像头和GPS定位模块追踪技术相比,更具有一定的可行性,通过蜂鸣器可以在失窃的时候发出警示讯号,让窃贼无处藏身。
附图说明
图1是本发明实施例提供的基于移动终端用于追踪失窃通信终端控制系统原理框图。
图中:1、采集数据模块;2、GPS定位模块;3、录音模块;4、指纹采集模块;5、采集数据控制模块;6、输入模块;7、微处理器;8、电源模块;9、摄像头;10、蜂鸣器;11、图像传输模块;12、RAM存储器;13、MRM存储器;14、数据库;15、无线射频收发模块;16、移动终端;17、GPRS网络。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合图1对本发明的结构作详细的描述:一种基于移动终端用于追踪失窃通信终端控制系统,包括采集数据模块1、微处理器7和移动终端16,所述采集数据模块1由GPS定位模块2、录音模块3和指纹采集模块4构成;所述采集数据模块1的输出端与采集数据控制模块5的输入端电性连接;所述微处理器7的输入端分别与输入模块6和电源模块8的输出端电性连接;所述微处理器7的输出端分别与摄像头9和蜂鸣器10电性连接;所述摄像头9的输出端与图像传输模块11的输入端电性连接;所述微处理器7分别与RAM存储器12、MRM存储器13、数据库14和无线射频收发模块15电性连接;所述移动终端16通过GPRS网络17与无线射频收发模块15连接。
进一步,所述采集数据控制模块5的输出端与输入模块6的输入端电性连接。
进一步,所述图像传输模块11的输出端与输入模块6的输入端电性连接。
进一步,所述电源模块8独立于通信终端。
进一步,所述摄像头设置有数字图像水印提取模块,所述数字图像水印提取模块的数字图像水印提取方法包括数字图像的混沌映射、水印的混沌加密、水印的嵌入、非线性离散系统迭代学习辨识、单幅图像隐藏的迭代学习辨识、多幅图像隐藏的迭代学习辨识、水印的解密和提取、数字水印的评估;
所述的数字图像的混沌映射是指单幅图像和多幅图像参数的混沌加密和多重混合,对加密后的隐藏图像G的图像序列x(t)和载体图像F的图像序列w(t)进行α1混合得到:S1=α1w(t)+(1-α1)x(t),再对混合图像S1和载体图像F进行α2混合得到S2=α2w(t)+(1-α2)S1,依次进行至n重混合得到Sn=αnw(t)+(1-αn)Sn-1,则混合图像Sn为图像F和G的n重混合图像,
混合图像满足下面的关系式,
Sn=(1-βnβn-1...β2β1)F+βnβn-1...β2β1G′
其中βi=1-αi,i=1,2,...,n,
采用Logistic映射来产生迭代参数,选定参数μ'和初值a1,由公式:
αi+1=μ'αi(1-αi)
利用多幅图像的多个混合参数来隐藏秘密信息,是多幅图像的混合,对将要隐藏的图像G,记为θ(t),采用Logistic混沌加密,加密后的图像表示为G′,加密图像G′记为x(t),载体图像Fi(i=1,2,…,n)和加密图像G′都是M×N的数字图像,并且混合参数为{αi|0≤αi≤1,i=1,2,…,n},根据图像的混合算法,首先对图像F1和G′进行α1混合得到S1=α1F1+(1-α1)G′,然后对图像F2和G′进行α2混合得到S2=α2F2+(1-α2)S1,依次进行图像混合得到Sn=αnFn+(1-αn)Sn-1,则数字图像Sn称为图像G′的关于数字图像组Fi(i=1,2,…,n)的一个n幅图像混合,
混合图像表示为:
即:
Sn=αnFn+βnαn-1Fn-1+…+βnβn-1…βn-iαn-iFn-i
+…+βnβn-1…β2β1G′
其中βi=1-αi,i=1,2,…,n,选定参数μ′和初值α1,根据αi+1=μ′αi(1-αi)产生一个混沌序列{αi|0<αi<1,i=1,2,…n},作为迭代时的参数序列,在这里选取的参数μ′和初值α1要不同于产生水印时的参数μ(t)和初值x(1);
通过运用图像的多重混合嵌入技术将数字图像信息嵌入到数字图像系统的时变参数中,对数字图像系统建立数学模型,运用迭代学习辨识方法在有限时间区间上对时变参数的完全估计这一重要特性,实现数字图像系统的图像信息的完全重建;对数字图像的混沌加密和隐藏,一维Logistic混沌映射从数学形式上看,表示为:
x(t+1)=μx(t)(1-x(t)),x(t)∈[0,1],其中3.5699456…≤μ≤4被称为Logistic参数,由给定初值x(0)及参数μ在Logistic映射下所产生的序列{x(t)}与其它不同初值及参数所产生的序列的相关程度几乎为零,记原始图像G为θ(t),将其加入到参数μ中,即μ(t)=λ+θ(t),这时,可写成:
x(t+1)=(λ+θ(t))x(t)(1-x(t)),这样得到的混沌序列{x(t),t=1,2,3,…},就是加密后的图像序列G′,在此记为x(t),混沌现象是非线性动力系统中确定的、类似随机的过程,一类非常简单却广泛应用的混沌系统是Logistic映射,定义如下
当μ从0逐步变大时,所示动力系统从一个不动点周期1到两个不动点周期2直至周期2n,随着μ值的增大,大量的倍周期分支出现在越来越窄的μ的间隔中,这种周期倍化的过程是没有限制的,但相应的μ有一个极限值μ∞=3.569945672,当μ→μ∞时,周期无限长,即可视为非周期,此时整个系统处于混沌状态,当μ>4时,系统是不稳定的,因此μ∞≤μ≤4为系统的混沌区;
所述的水印的混沌加密是指设水印二值图像m(t),对其进行Logistic混沌加密,将其加入到参数μ中,得到混沌序列{x(t),t=1,2,3,…},即加密的水印图像x(t);
所述的水印的嵌入是指设载体图像为灰度图像w(t)和加密的水印图像x(t),水印嵌入算法为y(t)=αw(t)+(1-α)x(t),α∈(0,1),其中y(t)为嵌入水印后的图像,α为嵌入强度,这种水印嵌入算法简单实用,然而在选取参数α时时,若α接近1,则y(t)接近w(t);若α接近0,则y(t)接近x(t),因此如何确定参数α是一个难题,同时单纯的一次嵌入,很难保证嵌入水印的不可见性,采用n重迭代混合方法嵌入水印图像,
y1(t)=α1w(t)+(1-α1)x(t)
y2(t)=α2w(t)+(1-α2)y1(t)
……
yn(t)=αnw(t)+(1-αn)yn-1(t)
αn+1=αn(1-αn)μ′
所述的非线性离散系统迭代学习辨识是指考虑具有一般形式的非线性离散系统模型为
式中x(t)∈Rn;θ(t)∈Rm;y(t)∈Rr;f,g为矩阵函数,
假定每次学习的初值x(0)相同,系统第k次运行的输入为θk(t),状态和输出为
要求系统在给定的时间区间[0,N]上输出序列yk(t)跟踪期望输出yd(t),所采用的学习律为开环P型迭代学习律,即
θk+1(t)=θk(t)+γ(t)ek(t+1)
式中γ(t)为开环学习系数矩阵且有界;ek(t+1)=yd(t+1)-yk(t+1)为第k次运行时系统在t+1时刻的跟踪误差,使输出yd(t)以任意精度跟踪yd(t)的充分条件为
ρ=||I-Ck(t+1)Bk(t)γ(t)||<1
所述的单幅图像隐藏的迭代学习辨识是指将原始图像G混沌加密后为图像G′,通过多重混合,运用迭代学习辨识算法可完全重建原始图像G,待辨识的非线性离散时间系统标准形式如下:
式中,时间t∈{0,1,...N},输入状态x(t)∈Rn;参数θ(t)∈R1;输出y(t)∈R1,函数f(x(t),θ(t),t)表示原始图像加密的函数,函数g(x(t),t)表示加密后的图像与载体图像n重迭代混合函数,
将参数θ(t)的期望值记为θ*(t)时,上述公式(8)可写成:
用于估计θ*(t)的迭代学习辨识系统方程可表示为:
由于k为迭代次数,在实验过程中假设每次迭代时的初值相同,并且记f和g关于x、θ的偏导数且存在,记:
其中ξk(t)=(1-σ1)x*(t)+σ1xk(t),0<σ1<1;
其中ξk(t)=(1-σ2)x*(t)+σ2xk(t),0<σ2<1;
其中ηk(t)=(1-σ3)θ*(t)+σ3θk(t),0<σ3<1;并记其界为CC,CA,CB,
采用下述学习律:
在上述学习律中引入了sat(·)饱和函数,γk(t)为学习增益,输出误差ek(t)=y*(t)-yk(t),
根据饱和定理可知如果θ*(t)=sat(θ*(t))
则:
所述的多幅图像隐藏的迭代学习辨识是指利用多个混合参数和多幅载体图像来隐藏一幅图像,通过运用图像的多重混合嵌入技术将图像信息嵌入到数字图像系统的时变参数中,对数字图像系统建立数学模型,运用迭代学习辨识方法在有限时间区间上对时变参数的完全估计这一重要特性,实现数字图像系统的图像信息的完全重建;
记原始图像G为θ(t)序列,加密后为图像G′为x(t)序列,载体图像组Fi(i=1,2,…,n)为wi(t)序列,i=1,2,…,n,混合图像Sn为y(t),则系统可表示为:
t∈{0,1,2...N},x(t)∈Rn,θ(t)∈R1;y1(t)∈R1;y(t)∈R1,非线性函数f(x(t),θ(t),t)表示原始图像加密的函数,非线性函数g(x(t),t)表示加密后的图像和载体图像一次迭代混合函数,h(y1(t),t)表示n重迭代混合后的函数,当参数真值为θ*(t)时,式(14)可写成:
用于估计θ*(t)的迭代学习辨识系统为:
式中,k为迭代次数,每次迭代时的初值相同,假设f关于x、θ的偏导数,及g关于x的偏导数,以及h关于g的偏导数存在,记:
ξk(t)=(1-σ1)g(x*(t),t)+σ1g(xk(t),t),0<σ1<1
ξk(t)=(1-σ2)x*(t)+σ2xk(t),0<σ2<1;ζk(t)=(1-σ3)x*(t)+σ3xk(t),0<σ3<1;ηk(t)=(1-σ4)θ*(t)+σ4θk(t),0<σ4<1;并记其界为CD,CC,CA,CB;
所述的水印的解密和提取是指在水印嵌入时水印图像掩盖于混沌系统的参数中,再经过n次迭代混合嵌入载体图像中,因此综合数字水印图像的加密和嵌入过程,运用迭代学习算法完全重建原始水印图像,数字水印系统的状态方程为
x(t+1)=μx(t)(1-x(t))
y1(t)=α1w(t)+(1-α1)x(t)
y2(t)=α2w(t)+(1-α2)y1(t)
……
yn(t)=αnw(t)+(1-αn)yn-1(t)
αn+1=μ′αn(1-αn)
式中μ,μ′∈[3.571448…,4],x(t)∈[0,1],为了实现水印图像的混沌掩盖,令μ=λ+m(t),设λ=3.7,m(t)为水印二值图像,w(t)为载体图像,y(t)为含水印的图像,注意这里选取的参数值μ′和初值α1要不同于产生水印时的参数值μ和初值x1。
进一步,所述图像传输模块设置有图像超分辨率重建模块,所述图像超分辨率重建模块的图像超分辨率重建方法包括:
(1)在正弦域图像为训练样本集选取N组图像小块训练样本对每组图像小块训练样本对包含一个高分辨率正弦域图像小块和低分辨率正弦域图像小块,低分辨率图像小块的大小为5,设置字典大小为K,样本数量N=1000000,字典大小K=512;
(2)初始化字典外循环迭代次数n,n的最大值为N,内循环迭代次数t,t的最大值为100;
(3)对于所有N组图像小块训练样本对,计算梯度:
梯度根据以下几个公式来计算:
其中为输入的低分辨率正弦域样本集里选取图像小块,为输入的高分辨率正弦域样本集里选取图像小块,为稀疏表示,松弛因子λ=0.15,N=1000000,αi为x的稀疏编码表示:
L表示平方项损失,通过求上式的最小化优化Dx,Dy,如下所示:
||Dx(:,k)||2≤1,||Dy(:,k)||2≤1,k=1,L,K;
s.t.表示受约束于,引入正则化相来求解,因此上式变为:
γ(0<λ≤1)是用来平衡两个式子之间的参数:
其中zj为z的第j个元素,Ω表示j的所有情况的集合;
(4)对于所有N组图像小块训练样本对,更新:
(5)当所有N组图像小块训练样本对都已经计算完毕后,更新:
根据以下公式具体计算:
||Dx(:,k)||2≤1,k=1,L,K;
当Dy确定时,求出Dx;
(6)重复步骤(3)至步骤(5)直至收敛;
(7)输出双字典Dx,Dy。
工作原理:该基于移动终端用于追踪失窃通信终端控制系统,通过指纹采集模块4采集持有通信终端的人员指纹信息,通过录音模块3采集持有通信终端的人员语音信息,将采集的信息通过采集数据控制模块5发送到输入模块6中,通过摄像头9采集持有通信终端的人员的面部图像,并将拍摄画面通过图像传输模块11发送到输入模块6中,输入模块6将采集的信息和画面发送到微处理器7中,利用RAM存储器12、MRAM存储器13和数据库14将指纹信息、语音信息和拍摄画面进行比对、采样、存储和查询,当信息匹配不到时,微处理器7会通过无线射频收发模块15和GPRS网络17将信息和拍摄画面传输到移动终端16中,移动终端16通过GPS定位模块2可实时了解通信终端所在位置,无线射频收发模块15用于接收和发送无线网络信号,移动终端16通过无线射频收发模块15和GPRS网络17控制蜂鸣器10发出警示讯号,让窃贼无处可藏,电源模块8为设备提供电源,且电源模块8独立于通信终端,窃贼在取出通信终端的电池时能继续进行工作。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (3)
1.一种基于移动终端用于追踪失窃通信终端控制系统,包括采集数据模块、微处理器和移动终端,其特征在于,所述采集数据模块由GPS定位模块、录音模块和指纹采集模块构成;所述采集数据模块的输出端与采集数据控制模块的输入端电性连接;所述微处理器的输入端分别与输入模块和电源模块的输出端电性连接;所述微处理器的输出端分别与摄像头和蜂鸣器电性连接;所述摄像头的输出端与图像传输模块的输入端电性连接;所述微处理器分别与RAM存储器、MRM存储器、数据库和无线射频收发模块电性连接;所述移动终端通过GPRS网络与无线射频收发模块连接;
所述采集数据控制模块的输出端与输入模块的输入端电性连接;
所述图像传输模块的输出端与输入模块的输入端电性连接;
所述电源模块独立于通信终端。
2.如权利要求1所述的基于移动终端用于追踪失窃通信终端控制系统,其特征在于,所述摄像头设置有数字图像水印提取模块,所述数字图像水印提取模块的数字图像水印提取方法包括数字图像的混沌映射、水印的混沌加密、水印的嵌入、非线性离散系统迭代学习辨识、单幅图像隐藏的迭代学习辨识、多幅图像隐藏的迭代学习辨识、水印的解密和提取、数字水印的评估;
所述的数字图像的混沌映射是指单幅图像和多幅图像参数的混沌加密和多重混合,对加密后的隐藏图像G的图像序列x(t)和载体图像F的图像序列w(t)进行α1混合得到:S1=α1w(t)+(1-α1)x(t),再对混合图像S1和载体图像F进行α2混合得到S2=α2w(t)+(1-α2)S1,依次进行至n重混合得到Sn=αnw(t)+(1-αn)Sn-1,则混合图像Sn为图像F和G的n重混合图像,
混合图像满足下面的关系式,
Sn=(1-βnβn-1...β2β1)F+βnβn-1...β2β1G′
其中βi=1-αi,i=1,2,...,n,
采用Logistic映射来产生迭代参数,选定参数μ'和初值a1,由公式:
αi+1=μ'αi(1-αi)
利用多幅图像的多个混合参数来隐藏秘密信息,是多幅图像的混合,对将要隐藏的图像G,记为θ(t),采用Logistic混沌加密,加密后的图像表示为G′,加密图像G′记为x(t),载体图像Fi(i=1,2,…,n)和加密图像G′都是M×N的数字图像,并且混合参数为{αi|0≤αi≤1,i=1,2,…,n},根据图像的混合算法,首先对图像F1和G′进行α1混合得到S1=α1F1+(1-α1)G′,然后对图像F2和G′进行α2混合得到S2=α2F2+(1-α2)S1,依次进行图像混合得到Sn=αnFn+(1-αn)Sn-1,则数字图像Sn称为图像G′的关于数字图像组Fi(i=1,2,…,n)的一个n幅图像混合,
混合图像表示为:
即:
Sn=αnFn+βnαn-1Fn-1+…+βnβn-1…βn-iαn-iFn-i
+…+βnβn-1…β2β1G′
其中βi=1-αi,i=1,2,…,n,选定参数μ′和初值α1,根据αi+1=μ′αi(1-αi)产生一个混沌序列{αi|0<αi<1,i=1,2,…n},作为迭代时的参数序列,在这里选取的参数μ′和初值α1要不同于产生水印时的参数μ(t)和初值x(1);
通过运用图像的多重混合嵌入技术将数字图像信息嵌入到数字图像系统的时变参数中,对数字图像系统建立数学模型,运用迭代学习辨识方法在有限时间区间上对时变参数的完全估计这一重要特性,实现数字图像系统的图像信息的完全重建;对数字图像的混沌加密和隐藏,一维Logistic混沌映射从数学形式上看,表示为:
x(t+1)=μx(t)(1-x(t)),x(t)∈[0,1],其中3.5699456…≤μ≤4被称为Logistic参数,由给定初值x(0)及参数μ在Logistic映射下所产生的序列{x(t)}与其它不同初值及参数所产生的序列的相关程度几乎为零,记原始图像G为θ(t),将其加入到参数μ中,即μ(t)=λ+θ(t),这时,可写成:
x(t+1)=(λ+θ(t))x(t)(1-x(t)),这样得到的混沌序列{x(t),t=1,2,3,…},就是加密后的图像序列G′,在此记为x(t),混沌现象是非线性动力系统中确定的、类似随机的过程,一类非常简单却广泛应用的混沌系统是Logistic映射,定义如下
当μ从0逐步变大时,所示动力系统从一个不动点周期1到两个不动点周期2直至周期2n,随着μ值的增大,大量的倍周期分支出现在越来越窄的μ的间隔中,这种周期倍化的过程是没有限制的,但相应的μ有一个极限值μ∞=3.569945672,当μ→μ∞时,周期无限长,即可视为非周期,此时整个系统处于混沌状态,当μ>4时,系统是不稳定的,因此μ∞≤μ≤4为系统的混沌区;
所述的水印的混沌加密是指设水印二值图像m(t),对其进行Logistic混沌加密,将其加入到参数μ中,得到混沌序列{x(t),t=1,2,3,…},即加密的水印图像x(t);
所述的水印的嵌入是指设载体图像为灰度图像w(t)和加密的水印图像x(t),水印嵌入算法为y(t)=αw(t)+(1-α)x(t),α∈(0,1),其中y(t)为嵌入水印后的图像,α为嵌入强度,这种水印嵌入算法简单实用,然而在选取参数α时时,若α接近1,则y(t)接近w(t);若α接近0,则y(t)接近x(t),因此如何确定参数α是一个难题,同时单纯的一次嵌入,很难保证嵌入水印的不可见性,采用n重迭代混合方法嵌入水印图像,
y1(t)=α1w(t)+(1-α1)x(t)
y2(t)=α2w(t)+(1-α2)y1(t)
……
yn(t)=αnw(t)+(1-αn)yn-1(t)
αn+1=αn(1-αn)μ′
所述的非线性离散系统迭代学习辨识是指考虑具有一般形式的非线性离散系统模型为
式中x(t)∈Rn;θ(t)∈Rm;y(t)∈Rr;f,g为矩阵函数,
假定每次学习的初值x(0)相同,系统第k次运行的输入为θk(t),状态和输出为
要求系统在给定的时间区间[0,N]上输出序列yk(t)跟踪期望输出yd(t),所采用的学习律为开环P型迭代学习律,即
θk+1(t)=θk(t)+γ(t)ek(t+1)
式中γ(t)为开环学习系数矩阵且有界;ek(t+1)=yd(t+1)-yk(t+1)为第k次运行时系统在t+1时刻的跟踪误差,使输出yd(t)以任意精度跟踪yd(t)的充分条件为
ρ=||I-Ck(t+1)Bk(t)γ(t)||<1
所述的单幅图像隐藏的迭代学习辨识是指将原始图像G混沌加密后为图像G′,通过多重混合,运用迭代学习辨识算法可完全重建原始图像G,待辨识的非线性离散时间系统标准形式如下:
式中,时间t∈{0,1,...N},输入状态x(t)∈Rn;参数θ(t)∈R1;输出y(t)∈R1,函数f(x(t),θ(t),t)表示原始图像加密的函数,函数g(x(t),t)表示加密后的图像与载体图像n重迭代混合函数,
将参数θ(t)的期望值记为θ*(t)时,上述公式(8)可写成:
用于估计θ*(t)的迭代学习辨识系统方程可表示为:
由于k为迭代次数,在实验过程中假设每次迭代时的初值相同,并且记f和g关于x、θ的偏导数且存在,记:
其中ξk(t)=(1-σ1)x*(t)+σ1xk(t),0<σ1<1;
其中ξk(t)=(1-σ2)x*(t)+σ2xk(t),0<σ2<1;
其中ηk(t)=(1-σ3)θ*(t)+σ3θk(t),0<σ3<1;并记其界为CC,CA,CB,
采用下述学习律:
在上述学习律中引入了sat(·)饱和函数,γk(t)为学习增益,输出误差ek(t)=y*(t)-yk(t),
根据饱和定理可知如果θ*(t)=sat(θ*(t))
则:
所述的多幅图像隐藏的迭代学习辨识是指利用多个混合参数和多幅载体图像来隐藏一幅图像,通过运用图像的多重混合嵌入技术将图像信息嵌入到数字图像系统的时变参数中,对数字图像系统建立数学模型,运用迭代学习辨识方法在有限时间区间上对时变参数的完全估计这一重要特性,实现数字图像系统的图像信息的完全重建;
记原始图像G为θ(t)序列,加密后为图像G′为x(t)序列,载体图像组Fi(i=1,2,…,n)为wi(t)序列,i=1,2,…,n,混合图像Sn为y(t),则系统可表示为:
t∈{0,1,2...N},x(t)∈Rn,θ(t)∈R1;y1(t)∈R1;y(t)∈R1,非线性函数f(x(t),θ(t),t)表示原始图像加密的函数,非线性函数g(x(t),t)表示加密后的图像和载体图像一次迭代混合函数,h(y1(t),t)表示n重迭代混合后的函数,当参数真值为θ*(t)时,式(14)可写成:
用于估计θ*(t)的迭代学习辨识系统为:
式中,k为迭代次数,每次迭代时的初值相同,假设f关于x、θ的偏导数,及g关于x的偏导数,以及h关于g的偏导数存在,记:
并记其界为CD,CC,CA,CB;
所述的水印的解密和提取是指在水印嵌入时水印图像掩盖于混沌系统的参数中,再经过n次迭代混合嵌入载体图像中,因此综合数字水印图像的加密和嵌入过程,运用迭代学习算法完全重建原始水印图像,数字水印系统的状态方程为
x(t+1)=μx(t)(1-x(t))
y1(t)=α1w(t)+(1-α1)x(t)
y2(t)=α2w(t)+(1-α2)y1(t)
……
yn(t)=αnw(t)+(1-αn)yn-1(t)
αn+1=μ′αn(1-αn)
式中μ,μ′∈[3.571448…,4],x(t)∈[0,1],为了实现水印图像的混沌掩盖,令μ=λ+m(t),设λ=3.7,m(t)为水印二值图像,w(t)为载体图像,y(t)为含水印的图像,注意这里选取的参数值μ′和初值α1要不同于产生水印时的参数值μ和初值x1。
3.如权利要求1所述的基于移动终端用于追踪失窃通信终端控制系统,其特征在于,所述图像传输模块设置有图像超分辨率重建模块,所述图像超分辨率重建模块的图像超分辨率重建方法包括:
(1)在正弦域图像为训练样本集选取N组图像小块训练样本对每组图像小块训练样本对包含一个高分辨率正弦域图像小块和低分辨率正弦域图像小块,低分辨率图像小块的大小为5,设置字典大小为K,样本数量N=1000000,字典大小K=512;
(2)初始化字典外循环迭代次数n,n的最大值为N,内循环迭代次数t,t的最大值为100;
(3)对于所有N组图像小块训练样本对,计算梯度:
梯度根据以下几个公式来计算:
其中为输入的低分辨率正弦域样本集里选取图像小块,为输入的高分辨率正弦域样本集里选取图像小块,为稀疏表示,松弛因子λ=0.15,N=1000000,αi为x的稀疏编码表示:
L表示平方项损失,通过求上式的最小化优化Dx,Dy,如下所示:
||Dx(:,k)||2≤1,||Dy(:,k)||2≤1,k=1,L,K;
s.t.表示受约束于,引入正则化相来求解,因此上式变为:
γ(0<λ≤1)是用来平衡两个式子之间的参数:
其中zj为z的第j个元素,Ω表示j的所有情况的集合;
(4)对于所有N组图像小块训练样本对,更新:
(5)当所有N组图像小块训练样本对都已经计算完毕后,更新:
根据以下公式具体计算:
||Dx(:,k)||2≤1,k=1,L,K;
当Dy确定时,求出Dx;
(6)重复步骤(3)至步骤(5)直至收敛;
(7)输出双字典Dx,Dy。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611031125.6A CN106792504A (zh) | 2016-11-16 | 2016-11-16 | 一种基于移动终端用于追踪失窃通信终端控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611031125.6A CN106792504A (zh) | 2016-11-16 | 2016-11-16 | 一种基于移动终端用于追踪失窃通信终端控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106792504A true CN106792504A (zh) | 2017-05-31 |
Family
ID=58970450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611031125.6A Pending CN106792504A (zh) | 2016-11-16 | 2016-11-16 | 一种基于移动终端用于追踪失窃通信终端控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106792504A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598227A (zh) * | 2018-11-28 | 2019-04-09 | 厦门大学 | 一种基于深度学习的单幅图像手机源重辨识方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101309479A (zh) * | 2008-06-25 | 2008-11-19 | 宇龙计算机通信科技(深圳)有限公司 | 一种防盗移动终端及其防盗方法 |
CN103020935A (zh) * | 2012-12-10 | 2013-04-03 | 宁波大学 | 一种自适应在线字典学习的图像超分辨率方法 |
CN104010088A (zh) * | 2014-06-16 | 2014-08-27 | 中国地质大学(武汉) | 智能手机防盗方法及系统 |
-
2016
- 2016-11-16 CN CN201611031125.6A patent/CN106792504A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101309479A (zh) * | 2008-06-25 | 2008-11-19 | 宇龙计算机通信科技(深圳)有限公司 | 一种防盗移动终端及其防盗方法 |
CN103020935A (zh) * | 2012-12-10 | 2013-04-03 | 宁波大学 | 一种自适应在线字典学习的图像超分辨率方法 |
CN104010088A (zh) * | 2014-06-16 | 2014-08-27 | 中国地质大学(武汉) | 智能手机防盗方法及系统 |
Non-Patent Citations (2)
Title |
---|
JIANCHAO YANG等: "Coupled Dictionary Training for Image Super-Resolution", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
邹凡: "数字图像隐藏的迭代学习辨识方法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598227A (zh) * | 2018-11-28 | 2019-04-09 | 厦门大学 | 一种基于深度学习的单幅图像手机源重辨识方法 |
CN109598227B (zh) * | 2018-11-28 | 2022-11-11 | 厦门大学 | 一种基于深度学习的单幅图像手机源重辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kleyko et al. | Holographic graph neuron: A bioinspired architecture for pattern processing | |
CN110490128A (zh) | 一种基于加密神经网络的手写识别方法 | |
CN102510330B (zh) | 一种基于指纹特征数据与匹配算法的新型模糊金库方法 | |
CN107529651A (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN107358293A (zh) | 一种神经网络训练方法及装置 | |
Devaraj et al. | An efficient framework for secure image archival and retrieval system using multiple secret share creation scheme | |
Ablavatski et al. | Enriched deep recurrent visual attention model for multiple object recognition | |
CN106203354A (zh) | 基于混合深度结构的场景识别方法 | |
CN109086722A (zh) | 混合车牌识别方法、装置、电子设备 | |
CN104517274B (zh) | 基于贪婪搜索的人脸画像合成方法 | |
CN103593703A (zh) | 基于遗传算法的神经网络优化系统及方法 | |
CN103873253B (zh) | 一种人类指纹生物密钥生成方法 | |
CN105930796A (zh) | 一种基于深度自编码器的单样本人脸图像识别方法 | |
CN115830473A (zh) | 基于卫星遥感和自动监测的水质反演方法、系统 | |
CN114448598A (zh) | 密文压缩方法、密文解压缩方法、装置、设备和存储介质 | |
CN113449878B (zh) | 数据分布式的增量学习方法、系统、设备及存储介质 | |
CN106792504A (zh) | 一种基于移动终端用于追踪失窃通信终端控制系统 | |
Ma et al. | Fast quantum image encryption scheme based on multilayer short memory fractional order Lotka-Volterra system and dual-scale triangular map | |
CN115984949B (zh) | 一种带有注意力机制的低质量人脸图像识别方法及设备 | |
Qi et al. | Measurement-Induced boolean dynamics for open quantum networks | |
CN116361669A (zh) | 基于联邦学习和深度学习的稀疏数据聚类方法及装置 | |
CN103108321B (zh) | 无线体域网的dsnmf数据完整性认证水印方法 | |
CN106599259A (zh) | 一种快速访问sql数据库的系统 | |
Saenz et al. | Dimensionality-reduction of climate data using deep autoencoders | |
CN113111803B (zh) | 一种小样本字符与手绘草图识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |