CN107688829A - 一种基于支持向量机的识别系统及识别方法 - Google Patents
一种基于支持向量机的识别系统及识别方法 Download PDFInfo
- Publication number
- CN107688829A CN107688829A CN201710758761.7A CN201710758761A CN107688829A CN 107688829 A CN107688829 A CN 107688829A CN 201710758761 A CN201710758761 A CN 201710758761A CN 107688829 A CN107688829 A CN 107688829A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- image
- similarity
- training set
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本发明属于支持向量机领域，公开了一种基于支持向量机的识别系统及识别方法，数据训练集获取模块用于获取数据样本训练集；图像数据差值处理模块对数据训练集中的图像数据进行插值计算处理，提高图像数据的准确性和图片的精度，从而获得更佳的图像性能；样本选取模块用于执行选取同类样本和异类样本的步骤；分类模型生产模块用于对于所述差样本对集合，采用支持向量机训练得到相似性判断模型，根据相似性判断模型得到分类模型；数据识别模块用于获取待识别数据样本。本发明采用分类模型进行数据识别，可以大大提高支持向量机识别性能；同时图像数据差值处理明显着提高了插值结果图像的准确性,适用于图像的整数倍放大,有着广泛的应用前景。
Description
技术领域
本发明属于支持向量机领域，尤其涉及一种基于支持向量机的识别系统及识别方法。
背景技术
支持向量机是在统计学习理论的基础上发展起来的一种新的机器学习方法，它是建立在统计学习理论的VC维理论和结构风险最小化原则上的，避免了局部极小点，并能有效地解决过学习问题，具有良好的推广性能和较好的分类精确性。支持向量机在解决小样本、非线性及高维模式识别问题中表现出的许多特有的优势，使它成为一种优秀的机器学习算法。支持向量机目前已经广泛地应用于模式识别、回归估计、概率密度估计等各个领域。不仅如此,支持向量机的出现推动了基于核的学习方法(Kernel-based LearningMethods)的迅速发展,该方法使得研究人员能够高效地分析非线性关系,而这种高效率原先只有线性算法才能得到。
综上所述，现有技术存在的问题是：支持向量机需要处理大量数据，然而对图像数据处理不够准确，精度不高，效果不佳；同时对于相似数据的识别性能不高。
发明内容
针对现有技术存在的问题，本发明提供了一种基于支持向量机的识别系统及识别方法，
本发明是这样实现的，一种基于支持向量机的识别系统包括：基于支持向量机的识别系统，所述基于支持向量机的识别系统包括：数据训练集获取模块，图像数据差值处理模块，样本选取模块，分类模型生产模块，数据识别模块；
数据训练集获取模块：用于获取数据样本训练集；数据样本训练集中包含有多个类别的数据样本集合，每个类别的数据样本集合中包含多个数据样本；
图像数据差值处理模块：对数据训练集中的图像数据进行插值计算处理，提高图像数据的准确性和图片的精度，获得更佳的图像性能；
所述图像数据差值处理模块对图像进行n次小波变换并保留小波变换后低频部分的子图像，则子图像的宽度与高度均为原图像的子图像面积为原图像面积的在子图像内进行匹配；采用归一化互相关度量方法，在子图像上遍历搜索，搜索过程中保留几个相似度较高的匹配点；搜索结束后，将相似度较高的匹配点映射到原始待匹配图像的搜索子区域中；
所述归一化互相关度量方法的公式如下：
S(x,y)表示原始待匹配图像中坐标位置为(x,y)处像素点的灰度值，T(u,v)表示模板图像中坐标位置为(u,v)处像素点的灰度值，模板图像大小为m×n；
样本选取模块：用于执行选取同类样本和异类样本的步骤：对于数据样本训练集中的每一个数据样本，随机选取k个与该数据样本属于同一个类别的数据样本作为同类样本，随机选取k个与该数据样本属于不同类别的数据样本作为异类样本；
所述样本选取模块数据融合中心对收集到的感知信息进行数据融合，并依据恶意节点的恶意攻击模式计算全局的虚警概率；
第一步，根据各个节点的信噪比γi为每一个参与合作感知的次级用户CRi,i＝1…k设计一个权重然后对收集得到的信号能量统计量Ui进行线性加权得到最终的信号能量的统计量
第二步，分析虚警恶意攻击模式对频谱感知造成的影响，得到全局虚警概率Pf和攻击概率pa、攻击阈值η、攻击强度Δ之间的函数表达式如下：
其中：
分类模型生产模块：用于对于差样本对集合，采用支持向量机训练得到相似性判断模型，根据相似性判断模型得到分类模型；
数据识别模块包括：待识别数据样本获取单元，用于获取待识别数据样本；待识别差样本对集合生成单元，用于分别从数据训练集每一类别的样本集合中随机选取k个数据样本，生成2k个待识别差样本对，得到待识别差样本对集合；相似性概率计算单元，用于利用分类模型对待识别差样本对集合进行分析，得到待识别数据样本与数据训练集中每一类的相似性概率；类别确定单元，用于根据所述相似性概率，确定所述待识别数据样本归属的类别；
所述数据识别模块的抗RSD攻击盲检测数字指纹方法的具体步骤如下：
指纹数据帧的生成；利用分组移位置乱算法对指纹信息进行加密；采用帧编码技术处理指纹信息，获得指纹数据帧；
在DCT域嵌入指纹数据帧，对载体图像进行分片，在每个完整分片中分别嵌入指纹数据帧，形成指纹数据帧的多个冗余版本；首先将载体图像分成大小为S×S的分片，其中S＝2k；然后按一定规则在每个分片中选择m个8×8像素块作为嵌入块；最后在嵌入块中分别嵌入指纹数据帧中的n个比特的数据；如果指纹数据帧的二进制长度为L，则应满足L＝m×n；
在空域构造具有固定间距、固定差分值的差分特征点网格；在已经嵌有数字指纹的载体图像中，以某像素点(i0,j0)为起点，按照行距和列距均为D的方式在图像中嵌入差分特征点，从而在整个图像中形成了一个矩形网格；
RSD攻击参数的获取；首先获取空域上的疑似网格点，然后通过设置种子点、候选点的方式结合“平行四边形法则”确定近似网格平行四边形，最后通过边延拓近似网格平行四边形进行最大限度延拓，为攻击类型判断和参数计算提供精确的平行四边形；
数字指纹提取的图像校正，根据所得到的RSD攻击参数，对掩蔽图像进行校正，具体分为：如果α≠0，则将掩蔽图像逆时针旋转α角；如果那么将掩蔽图像水平扭曲角，且令如果则将掩蔽图像以为比例系数进行横向缩放；而如果则将掩蔽图像以为比例系数进行纵向缩放；
图像同步定位以及指纹提取和恢复，某个嵌入块为B＝(Iij)8×8，F＝(Fuv)8×8为B的DCT系数，其中Iij为DCT嵌入块B的第i行j列个像素值，Fuv为DCT系数矩阵中的第u行v列个像素值，设在嵌入块嵌入n比特的指纹数据，待嵌入的指纹比特分别记为wi(i＝1,2,…,n)，选取的嵌入位置为uvi(i＝1,2,…,n)。
本发明是这样实现的，一种基于支持向量机的识别识别方法包括以下步骤：步骤S1：获取数据训练集
用于获取数据样本训练集；所述数据样本训练集中包含有多个类别的数据样本集合，每个类别的数据样本集合中包含多个数据样本；
步骤S2：对数据训练集中的图像数据进行插值计算处理
对数据训练集中的图像数据进行插值计算处理，提高图像数据的准确性和图片的精度，从而获得更佳的图像性能。
步骤S3：选取样本
用于执行选取同类样本和异类样本的步骤；对于所述数据样本训练集中的每一个数据样本，随机选取k个与该数据样本属于同一个类别的数据样本作为同类样本，随机选取k个与该数据样本属于不同类别的数据样本作为异类样本。
步骤S4：分类模型生产模块
用于对于所述差样本对集合，采用支持向量机训练得到相似性判断模型，根据所述相似性判断模型得到分类模型；
可以采用核函数为高斯径向基函数的支持向量机训练得到所述相似性判断模型。可以根据一个相似性判断模型得到分类模型，也可以根据多个相似性判断模型得到分类模型。当根据一个相似性判断模型得到分类模型时，所述分类模型可以与所述相似性判断模型相同；当根据多个相似性判断模型得到分类模型时，所述分类模型可以是多个相似性判断模型的集合。
设x，z∈X，X属于R(n)空间，非线性函数Φ实现输入空间X到特征空间F的映射，其中F属于R(m)，n<<m。根据核函数技术有：
K(x，z)＝<Φ(x)，Φ(z)>；
其中：<，>为内积，K(x，z)为核函数。从公式可以看出，核函数将m维高维空间的内积运算转化为n维低维输入空间的核函数计算，从而解决了在高维特征空间中计算的“维数灾难”等问题。
本步骤中的高斯径向基函数指的是径向基函数中的高斯核函数。
所谓径向基函数(Radial Basis Function简称RBF),就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数,可记作k(||x-xc||),其作用往往是局部的,即当x远离xc时函数取值很小。
最常用的径向基函数是高斯核函数,形式为k(||x-xc||)＝exp{-||x-xc||^2/2*σ^2)}其中xc为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围。
步骤S5：采用分类模型进行数据识别
待识别数据样本获取单元，用于获取待识别数据样本；待识别差样本对集合生成单元，用于分别从所述数据训练集每一类别的样本集合中随机选取k个数据样本，生成2k个待识别差样本对，得到待识别差样本对集合；相似性概率计算单元，用于利用所述分类模型对所述待识别差样本对集合进行分析，得到所述待识别数据样本与所述数据训练集中每一类的相似性概率；类别确定单元，用于根据所述相似性概率，确定所述待识别数据样本归属的类别。
本发明的优点及积极效果为：采用分类模型进行数据识别，可以大大提高支持向量机识别性能；同时图像数据差值处理明显着提高了插值结果图像的准确性,适用于图像的整数倍放大,有着广泛的应用前景。
附图说明
图1是本发明实施提供的基于支持向量机的识别系统结构示意图。
图2是本发明实施提供的基于支持向量机的识别识别方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示，本发明实施例提供的基于支持向量机的识别系统包括：数据训练集获取模块1，图像数据差值处理模块2，样本选取模块3，分类模型生产模块4，数据识别模块5。
所述数据训练集获取模块1：用于获取数据样本训练集；所述数据样本训练集中包含有多个类别的数据样本集合，每个类别的数据样本集合中包含多个数据样本。
所述图像数据差值处理模块2：对数据训练集中的图像数据进行插值计算处理，提高图像数据的准确性和图片的精度，从而获得更佳的图像性能。
所述样本选取模块3：用于执行选取同类样本和异类样本的步骤：对于所述数据样本训练集中的每一个数据样本，随机选取k个与该数据样本属于同一个类别的数据样本作为同类样本，随机选取k个与该数据样本属于不同类别的数据样本作为异类样本。
所述分类模型生产模块4：用于对于所述差样本对集合，采用支持向量机训练得到相似性判断模型，根据所述相似性判断模型得到分类模型。
所述数据识别模块5包括：待识别数据样本获取单元，用于获取待识别数据样本；待识别差样本对集合生成单元，用于分别从所述数据训练集每一类别的样本集合中随机选取k个数据样本，生成2k个待识别差样本对，得到待识别差样本对集合；相似性概率计算单元，用于利用所述分类模型对所述待识别差样本对集合进行分析，得到所述待识别数据样本与所述数据训练集中每一类的相似性概率；类别确定单元，用于根据所述相似性概率，确定所述待识别数据样本归属的类别。
所述图像数据差值处理模块2对图像进行n次小波变换并保留小波变换后低频部分的子图像，则子图像的宽度与高度均为原图像的子图像面积为原图像面积的在子图像内进行匹配；采用归一化互相关度量方法，在子图像上遍历搜索，搜索过程中保留几个相似度较高的匹配点；搜索结束后，将相似度较高的匹配点映射到原始待匹配图像的搜索子区域中；
所述归一化互相关度量方法的公式如下：
S(x,y)表示原始待匹配图像中坐标位置为(x,y)处像素点的灰度值，T(u,v)表示模板图像中坐标位置为(u,v)处像素点的灰度值，模板图像大小为m×n；
所述样本选取模块3数据融合中心对收集到的感知信息进行数据融合，并依据恶意节点的恶意攻击模式计算全局的虚警概率；
第一步，根据各个节点的信噪比γi为每一个参与合作感知的次级用户CRi,i＝1…k设计一个权重然后对收集得到的信号能量统计量Ui进行线性加权得到最终的信号能量的统计量
第二步，分析虚警恶意攻击模式对频谱感知造成的影响，得到全局虚警概率Pf和攻击概率pa、攻击阈值η、攻击强度Δ之间的函数表达式如下：
其中：
所述数据识别模块5的抗RSD攻击盲检测数字指纹方法的具体步骤如下：
指纹数据帧的生成；利用分组移位置乱算法对指纹信息进行加密；采用帧编码技术处理指纹信息，获得指纹数据帧；
在DCT域嵌入指纹数据帧，对载体图像进行分片，在每个完整分片中分别嵌入指纹数据帧，形成指纹数据帧的多个冗余版本；首先将载体图像分成大小为S×S的分片，其中S＝2k；然后按一定规则在每个分片中选择m个8×8像素块作为嵌入块；最后在嵌入块中分别嵌入指纹数据帧中的n个比特的数据；如果指纹数据帧的二进制长度为L，则应满足L＝m×n；
在空域构造具有固定间距、固定差分值的差分特征点网格；在已经嵌有数字指纹的载体图像中，以某像素点(i0,j0)为起点，按照行距和列距均为D的方式在图像中嵌入差分特征点，从而在整个图像中形成了一个矩形网格；
RSD攻击参数的获取；首先获取空域上的疑似网格点，然后通过设置种子点、候选点的方式结合“平行四边形法则”确定近似网格平行四边形，最后通过边延拓近似网格平行四边形进行最大限度延拓，为攻击类型判断和参数计算提供精确的平行四边形；
数字指纹提取的图像校正，根据所得到的RSD攻击参数，对掩蔽图像进行校正，具体分为：如果α≠0，则将掩蔽图像逆时针旋转α角；如果那么将掩蔽图像水平扭曲角，且令如果则将掩蔽图像以为比例系数进行横向缩放；而如果则将掩蔽图像以为比例系数进行纵向缩放；
图像同步定位以及指纹提取和恢复，某个嵌入块为B＝(Iij)8×8，F＝(Fuv)8×8为B的DCT系数，其中Iij为DCT嵌入块B的第i行j列个像素值，Fuv为DCT系数矩阵中的第u行v列个像素值，设在嵌入块嵌入n比特的指纹数据，待嵌入的指纹比特分别记为wi(i＝1,2,…,n)，选取的嵌入位置为uvi(i＝1,2,…,n)。
本发明提供一种基于支持向量机的识别识别方法包括以下步骤：
步骤S1：获取数据训练集
用于获取数据样本训练集；所述数据样本训练集中包含有多个类别的数据样本集合，每个类别的数据样本集合中包含多个数据样本；
步骤S2：对数据训练集中的图像数据进行插值计算处理
S201：确定待插值像素的周围最邻近6个已知像素区域；
S201：进行支持向量机训练；
根据要插入像素的情况确定支持向量机的个数,对每个支持向量机分别训练,训练中原图像中的每个像素都是支持向量机的输入样本,输入模式包括选定区域中相邻6个已知像素的灰度值,以及相邻6个已知像素的灰度平均值、灰度差等局部空间特性。
S201：使用完成训练的支持向量机对每个待估计的像素进行插值计算；
计算中的支持向量机输入模式和训练的输入模式相同,支持向量机的输出就是插值结果。
步骤S3：选取样本
用于执行选取同类样本和异类样本的步骤；对于所述数据样本训练集中的每一个数据样本，随机选取k个与该数据样本属于同一个类别的数据样本作为同类样本，随机选取k个与该数据样本属于不同类别的数据样本作为异类样本。
步骤S4：分类模型生产模块
用于对于所述差样本对集合，采用支持向量机训练得到相似性判断模型，根据所述相似性判断模型得到分类模型；
可以采用核函数为高斯径向基函数的支持向量机训练得到所述相似性判断模型。可以根据一个相似性判断模型得到分类模型，也可以根据多个相似性判断模型得到分类模型。当根据一个相似性判断模型得到分类模型时，所述分类模型可以与所述相似性判断模型相同；当根据多个相似性判断模型得到分类模型时，所述分类模型可以是多个相似性判断模型的集合。
设x，z∈X，X属于R(n)空间，非线性函数Φ实现输入空间X到特征空间F的映射，其中F属于R(m)，n<<m。根据核函数技术有：
K(x，z)＝<Φ(x)，Φ(z)>；
其中：<，>为内积，K(x，z)为核函数。从公式可以看出，核函数将m维高维空间的内积运算转化为n维低维输入空间的核函数计算，从而解决了在高维特征空间中计算的“维数灾难”等问题。
本步骤中的高斯径向基函数指的是径向基函数中的高斯核函数。
所谓径向基函数(Radial Basis Function简称RBF),就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数,可记作k(||x-xc||),其作用往往是局部的,即当x远离xc时函数取值很小。
最常用的径向基函数是高斯核函数,形式为k(||x-xc||)＝exp{-||x-xc||^2/2*σ^2)}其中xc为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围。
步骤S5：采用分类模型进行数据识别
S501：获取待识别数据样本。
S502：分别从所述数据训练集每一类别的样本集合中随机选取k个数据样本，生成2k个待识别差样本对，得到待识别差样本对集合。
S503：利用所述分类模型对所述待识别差样本对集合进行分析，得到所述待识别数据样本与所述数据训练集中每一类的相似性概率。
S504：根据所述相似性概率，确定所述待识别数据样本归属的类别。
其中，S503，利用所述分类模型对所述待识别差样本对集合进行分析，指的是将所述待识别差样本对作为输入值，代入所述分类模型进行计算。分类模型的计算结果表示所述待识别数据样本与所述数据训练集中每一类的相似性概率。可以根据相似性概率的大小，将最大的相似性概率对应的类别，确定为所述待识别数据样本归属的类别。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于支持向量机的识别系统，其特征在于，所述基于支持向量机的识别系统包括：数据训练集获取模块，图像数据差值处理模块，样本选取模块，分类模型生产模块，数据识别模块；
数据训练集获取模块：用于获取数据样本训练集；数据样本训练集中包含有多个类别的数据样本集合，每个类别的数据样本集合中包含多个数据样本；
图像数据差值处理模块：对数据训练集中的图像数据进行插值计算处理，提高图像数据的准确性和图片的精度，获得更佳的图像性能；
所述图像数据差值处理模块对图像进行n次小波变换并保留小波变换后低频部分的子图像，则子图像的宽度与高度均为原图像的子图像面积为原图像面积的在子图像内进行匹配；采用归一化互相关度量方法，在子图像上遍历搜索，搜索过程中保留几个相似度较高的匹配点；搜索结束后，将相似度较高的匹配点映射到原始待匹配图像的搜索子区域中；
所述归一化互相关度量方法的公式如下：
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mi>u</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mi>S</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mi>u</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
S(x,y)表示原始待匹配图像中坐标位置为(x,y)处像素点的灰度值，T(u,v)表示模板图像中坐标位置为(u,v)处像素点的灰度值，模板图像大小为m×n；
样本选取模块：用于执行选取同类样本和异类样本的步骤：对于数据样本训练集中的每一个数据样本，随机选取k个与该数据样本属于同一个类别的数据样本作为同类样本，随机选取k个与该数据样本属于不同类别的数据样本作为异类样本；
所述样本选取模块数据融合中心对收集到的感知信息进行数据融合，并依据恶意节点的恶意攻击模式计算全局的虚警概率；
第一步，根据各个节点的信噪比γi为每一个参与合作感知的次级用户CRi,i＝1…k设计一个权重然后对收集得到的信号能量统计量Ui进行线性加权得到最终的信号能量的统计量
第二步，分析虚警恶意攻击模式对频谱感知造成的影响，得到全局虚警概率Pf和攻击概率pa、攻击阈值η、攻击强度Δ之间的函数表达式如下：
<mrow>
<msub>
<mi>P</mi>
<mi>f</mi>
</msub>
<mo>=</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msup>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>d</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<msqrt>
<mrow>
<msub>
<mi>&tau;</mi>
<mi>s</mi>
</msub>
<msub>
<mi>f</mi>
<mi>s</mi>
</msub>
</mrow>
</msqrt>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>C</mi>
<mn>0</mn>
</msub>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>u</mi>
<mn>2</mn>
</msubsup>
</mfrac>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中：
分类模型生产模块：用于对于差样本对集合，采用支持向量机训练得到相似性判断模型，根据相似性判断模型得到分类模型；
数据识别模块包括：待识别数据样本获取单元，用于获取待识别数据样本；待识别差样本对集合生成单元，用于分别从数据训练集每一类别的样本集合中随机选取k个数据样本，生成2k个待识别差样本对，得到待识别差样本对集合；相似性概率计算单元，用于利用分类模型对待识别差样本对集合进行分析，得到待识别数据样本与数据训练集中每一类的相似性概率；类别确定单元，用于根据所述相似性概率，确定所述待识别数据样本归属的类别；
所述数据识别模块的抗RSD攻击盲检测数字指纹方法的具体步骤如下：
指纹数据帧的生成；利用分组移位置乱算法对指纹信息进行加密；采用帧编码技术处理指纹信息，获得指纹数据帧；
在DCT域嵌入指纹数据帧，对载体图像进行分片，在每个完整分片中分别嵌入指纹数据帧，形成指纹数据帧的多个冗余版本；首先将载体图像分成大小为S×S的分片，其中S＝2k；然后按一定规则在每个分片中选择m个8×8像素块作为嵌入块；最后在嵌入块中分别嵌入指纹数据帧中的n个比特的数据；如果指纹数据帧的二进制长度为L，则应满足L＝m×n；
在空域构造具有固定间距、固定差分值的差分特征点网格；在已经嵌有数字指纹的载体图像中，以某像素点(i0,j0)为起点，按照行距和列距均为D的方式在图像中嵌入差分特征点，从而在整个图像中形成了一个矩形网格；
RSD攻击参数的获取；首先获取空域上的疑似网格点，然后通过设置种子点、候选点的方式结合“平行四边形法则”确定近似网格平行四边形，最后通过边延拓近似网格平行四边形进行最大限度延拓，为攻击类型判断和参数计算提供精确的平行四边形；
数字指纹提取的图像校正，根据所得到的RSD攻击参数，对掩蔽图像进行校正，具体分为：如果α≠0，则将掩蔽图像逆时针旋转α角；如果那么将掩蔽图像水平扭曲角，且令如果则将掩蔽图像以为比例系数进行横向缩放；而如果则将掩蔽图像以为比例系数进行纵向缩放；
图像同步定位以及指纹提取和恢复，某个嵌入块为B＝(Iij)8×8，F＝(Fuv)8×8为B的DCT系数，其中Iij为DCT嵌入块B的第i行j列个像素值，Fuv为DCT系数矩阵中的第u行v列个像素值，设在嵌入块嵌入n比特的指纹数据，待嵌入的指纹比特分别记为wi(i＝1,2,…,n)，选取的嵌入位置为uvi(i＝1,2,…,n)。
2.一种如权利要求1所述基于支持向量机的识别系统的识别方法，其特征在于，所述的识别方法包括以下步骤：
步骤一：获取数据训练集
用于获取数据样本训练集；所述数据样本训练集中包含有多个类别的数据样本集合，每个类别的数据样本集合中包含多个数据样本；
步骤二：对数据训练集中的图像数据进行插值计算处理
对数据训练集中的图像数据进行插值计算处理，提高图像数据的准确性和图片的精度，获得更佳的图像性能；
步骤三：选取样本
用于执行选取同类样本和异类样本的步骤；对于所述数据样本训练集中的每一个数据样本，随机选取k个与该数据样本属于同一个类别的数据样本作为同类样本，随机选取k个与该数据样本属于不同类别的数据样本作为异类样本；
步骤四：分类模型生产模块
用于对于所述差样本对集合，采用支持向量机训练得到相似性判断模型，根据所述相似性判断模型得到分类模型；
采用核函数为高斯径向基函数的支持向量机训练得到所述相似性判断模型；可以根据一个相似性判断模型得到分类模型，也可以根据多个相似性判断模型得到分类模型；当根据一个相似性判断模型得到分类模型时，所述分类模型可以与所述相似性判断模型相同；当根据多个相似性判断模型得到分类模型时，所述分类模型可以是多个相似性判断模型的集合；
设x，z∈X，X属于R(n)空间，非线性函数Φ实现输入空间X到特征空间F的映射，其中F属于R(m)，n<<m；根据核函数技术有：
K(x，z)＝<Φ(x)，Φ(z)>；
其中：<，>为内积，K(x，z)为核函数；从公式可以看出，核函数将m维高维空间的内积运算转化为n维低维输入空间的核函数计算，从而解决了在高维特征空间中计算的维数灾难；
本步骤中的高斯径向基函数指的是径向基函数中的高斯核函数。
所谓径向基函数,就是某种沿径向对称的标量函数；通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数，可记作k(||x-xc||),其作用往往是局部的,即当x远离xc时函数取值很小；
最常用的径向基函数是高斯核函数,形式为k(||x-xc||)＝exp{-||x-xc||^2/2*σ^2)}其中xc为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围；
步骤五：采用分类模型进行数据识别；待识别数据样本获取单元，用于获取待识别数据样本；待识别差样本对集合生成单元，用于分别从所述数据训练集每一类别的样本集合中随机选取k个数据样本，生成2k个待识别差样本对，得到待识别差样本对集合；相似性概率计算单元，用于利用所述分类模型对所述待识别差样本对集合进行分析，得到所述待识别数据样本与所述数据训练集中每一类的相似性概率；类别确定单元，用于根据所述相似性概率，确定所述待识别数据样本归属的类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710758761.7A CN107688829A (zh) | 2017-08-29 | 2017-08-29 | 一种基于支持向量机的识别系统及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710758761.7A CN107688829A (zh) | 2017-08-29 | 2017-08-29 | 一种基于支持向量机的识别系统及识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107688829A true CN107688829A (zh) | 2018-02-13 |
Family
ID=61155590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710758761.7A Pending CN107688829A (zh) | 2017-08-29 | 2017-08-29 | 一种基于支持向量机的识别系统及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107688829A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109284486A (zh) * | 2018-08-14 | 2019-01-29 | 重庆邂智科技有限公司 | 文本相似性度量方法、装置、终端及存储介质 |
| CN109508732A (zh) * | 2018-10-15 | 2019-03-22 | 北京工业大学 | 一种基于支持向量回归的热消融模型数据处理方法 |
| CN109766939A (zh) * | 2018-12-29 | 2019-05-17 | 佛山科学技术学院 | 一种基于照片的镀锌钢和低碳钢分类方法及装置 |
| CN109766850A (zh) * | 2019-01-15 | 2019-05-17 | 西安电子科技大学 | 基于特征融合的指纹图像匹配方法 |
| CN109886315A (zh) * | 2019-01-29 | 2019-06-14 | 电子科技大学 | 一种基于核保持的图像相似性度量方法 |
| CN109902724A (zh) * | 2019-01-31 | 2019-06-18 | 平安科技（深圳）有限公司 | 基于支持向量机的文字识别方法、装置和计算机设备 |
| CN110008987A (zh) * | 2019-02-20 | 2019-07-12 | 深圳大学 | 分类器鲁棒性的测试方法、装置、终端及存储介质 |
| CN111652292A (zh) * | 2020-05-20 | 2020-09-11 | 贵州电网有限责任公司 | 一种基于ncs、ms的相似物体实时检测方法及系统 |
| CN111680582A (zh) * | 2020-05-23 | 2020-09-18 | 安徽天宇羽绒有限公司 | 一种基于支持向量机的羽绒检测方法和系统 |
| CN111738354A (zh) * | 2020-07-20 | 2020-10-02 | 深圳市天和荣科技有限公司 | 一种自动识别训练方法、系统、存储介质及计算机设备 |
| CN112968891A (zh) * | 2021-02-19 | 2021-06-15 | 山东英信计算机技术有限公司 | 网络攻击防御方法、装置及计算机可读存储介质 |
| CN113792638A (zh) * | 2021-09-07 | 2021-12-14 | 上海电力大学 | 基于Parallelogram-YOLOv4的火电厂雨排口污染物识别方法 |
| CN113850632A (zh) * | 2021-11-29 | 2021-12-28 | 平安科技（深圳）有限公司 | 用户类别确定方法、装置、设备及存储介质 |
| CN114692719A (zh) * | 2022-02-24 | 2022-07-01 | 电子科技大学 | 一种基于svm-Tradboost模型迁移的XRF小样本元素分类方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279746A (zh) * | 2013-05-30 | 2013-09-04 | 苏州大学 | 一种基于支持向量机的人脸识别方法及系统 |
| CN104202102A (zh) * | 2014-09-10 | 2014-12-10 | 西安电子科技大学 | 一种考虑恶意节点的认知无线电网络合作频谱感知方法 |
| CN105812728A (zh) * | 2016-03-10 | 2016-07-27 | 洛阳理工学院 | 一种图像采集和无线传输系统 |
| CN106056521A (zh) * | 2016-04-06 | 2016-10-26 | 中国人民解放军空军工程大学 | 基于差分特征点网格的抗rsd攻击盲检测数字指纹方法 |
| CN106780571A (zh) * | 2016-12-06 | 2017-05-31 | 西安电子科技大学 | 一种基于多核dsp的灰度图像匹配方法 |
-
2017
- 2017-08-29 CN CN201710758761.7A patent/CN107688829A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279746A (zh) * | 2013-05-30 | 2013-09-04 | 苏州大学 | 一种基于支持向量机的人脸识别方法及系统 |
| CN104202102A (zh) * | 2014-09-10 | 2014-12-10 | 西安电子科技大学 | 一种考虑恶意节点的认知无线电网络合作频谱感知方法 |
| CN105812728A (zh) * | 2016-03-10 | 2016-07-27 | 洛阳理工学院 | 一种图像采集和无线传输系统 |
| CN106056521A (zh) * | 2016-04-06 | 2016-10-26 | 中国人民解放军空军工程大学 | 基于差分特征点网格的抗rsd攻击盲检测数字指纹方法 |
| CN106780571A (zh) * | 2016-12-06 | 2017-05-31 | 西安电子科技大学 | 一种基于多核dsp的灰度图像匹配方法 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109284486B (zh) * | 2018-08-14 | 2023-08-22 | 重庆邂智科技有限公司 | 文本相似性度量方法、装置、终端及存储介质 |
| CN109284486A (zh) * | 2018-08-14 | 2019-01-29 | 重庆邂智科技有限公司 | 文本相似性度量方法、装置、终端及存储介质 |
| CN109508732A (zh) * | 2018-10-15 | 2019-03-22 | 北京工业大学 | 一种基于支持向量回归的热消融模型数据处理方法 |
| CN109766939A (zh) * | 2018-12-29 | 2019-05-17 | 佛山科学技术学院 | 一种基于照片的镀锌钢和低碳钢分类方法及装置 |
| CN109766939B (zh) * | 2018-12-29 | 2023-09-26 | 佛山科学技术学院 | 一种基于照片的镀锌钢和低碳钢分类方法及装置 |
| CN109766850B (zh) * | 2019-01-15 | 2021-06-01 | 西安电子科技大学 | 基于特征融合的指纹图像匹配方法 |
| CN109766850A (zh) * | 2019-01-15 | 2019-05-17 | 西安电子科技大学 | 基于特征融合的指纹图像匹配方法 |
| CN109886315B (zh) * | 2019-01-29 | 2022-05-03 | 电子科技大学 | 一种基于核保持的图像相似性度量方法 |
| CN109886315A (zh) * | 2019-01-29 | 2019-06-14 | 电子科技大学 | 一种基于核保持的图像相似性度量方法 |
| CN109902724A (zh) * | 2019-01-31 | 2019-06-18 | 平安科技（深圳）有限公司 | 基于支持向量机的文字识别方法、装置和计算机设备 |
| CN109902724B (zh) * | 2019-01-31 | 2023-09-01 | 平安科技（深圳）有限公司 | 基于支持向量机的文字识别方法、装置和计算机设备 |
| CN110008987B (zh) * | 2019-02-20 | 2022-02-22 | 深圳大学 | 分类器鲁棒性的测试方法、装置、终端及存储介质 |
| CN110008987A (zh) * | 2019-02-20 | 2019-07-12 | 深圳大学 | 分类器鲁棒性的测试方法、装置、终端及存储介质 |
| CN111652292A (zh) * | 2020-05-20 | 2020-09-11 | 贵州电网有限责任公司 | 一种基于ncs、ms的相似物体实时检测方法及系统 |
| CN111680582A (zh) * | 2020-05-23 | 2020-09-18 | 安徽天宇羽绒有限公司 | 一种基于支持向量机的羽绒检测方法和系统 |
| CN111738354A (zh) * | 2020-07-20 | 2020-10-02 | 深圳市天和荣科技有限公司 | 一种自动识别训练方法、系统、存储介质及计算机设备 |
| CN112968891A (zh) * | 2021-02-19 | 2021-06-15 | 山东英信计算机技术有限公司 | 网络攻击防御方法、装置及计算机可读存储介质 |
| CN113792638A (zh) * | 2021-09-07 | 2021-12-14 | 上海电力大学 | 基于Parallelogram-YOLOv4的火电厂雨排口污染物识别方法 |
| CN113792638B (zh) * | 2021-09-07 | 2024-03-05 | 上海电力大学 | 基于Parallelogram-YOLOv4的火电厂雨排口污染物识别方法 |
| CN113850632A (zh) * | 2021-11-29 | 2021-12-28 | 平安科技（深圳）有限公司 | 用户类别确定方法、装置、设备及存储介质 |
| CN114692719B (zh) * | 2022-02-24 | 2023-04-07 | 电子科技大学 | 一种基于svm-Tradboost模型迁移的XRF小样本元素分类方法 |
| CN114692719A (zh) * | 2022-02-24 | 2022-07-01 | 电子科技大学 | 一种基于svm-Tradboost模型迁移的XRF小样本元素分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107688829A (zh) | 一种基于支持向量机的识别系统及识别方法 | |
| CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
| JP5025893B2 (ja) | 情報処理装置および方法、記録媒体、並びにプログラム | |
| Jiang et al. | Multilayer spectral–spatial graphs for label noisy robust hyperspectral image classification | |
| Li et al. | Adaptive deep convolutional neural networks for scene-specific object detection | |
| CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
| CN108038435B (zh) | 一种基于卷积神经网络的特征提取与目标跟踪方法 | |
| CN112837303A (zh) | 一种用于模具监视的缺陷检测方法、装置、设备及介质 | |
| US20060217925A1 (en) | Methods for entity identification | |
| CN107123130B (zh) | 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 | |
| CN109886978B (zh) | 一种基于深度学习的端到端告警信息识别方法 | |
| CN113361542A (zh) | 一种基于深度学习的局部特征提取方法 | |
| CN104537381B (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
| CN106295710B (zh) | 基于非几何约束的图像局部特征匹配方法、装置及终端 | |
| CN110349070B (zh) | 一种短视频水印检测方法 | |
| Zhou et al. | Adaptive irregular graph construction-based salient object detection | |
| CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
| CN111523586A (zh) | 一种基于噪声可知的全网络监督目标检测方法 | |
| CN107301652B (zh) | 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法 | |
| CN111401209B (zh) | 一种基于深度学习的动作识别方法 | |
| Birajdar et al. | Subsampling-based blind image forgery detection using support vector machine and artificial neural network classifiers | |
| CN113657225B (zh) | 一种目标检测方法 | |
| CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
| Chen et al. | Low-rank representation with contextual regularization for moving object detection in big surveillance video data | |
| CN115439669A (zh) | 基于深度学习的特征点检测网络及跨分辨率图像匹配方法 |
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: 20180213 |