簡(jiǎn)介：點(diǎn)擊查看更多軍事圖片篡改檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf精彩內(nèi)容。

簡(jiǎn)介：隨著我國的解放軍和武警部隊(duì)正式放開使用智能手機(jī)的管制，智能手機(jī)進(jìn)入軍營和警營，手機(jī)泄密問題也正成為軍隊(duì)為之頭痛的棘手問題之一。當(dāng)前的武警官兵多以90后為主，他們喜歡將自己的軍裝照發(fā)布在微博、朋友圈等社交媒體。由于在部隊(duì)內(nèi)部拍攝的照片含有大量的機(jī)密信息，也就存在非常大的泄密風(fēng)險(xiǎn)。利用圖像處理技術(shù)可以有效解決警營圖片泄密的問題，圖像分割和圖像融合技術(shù)是圖像處理中常用的兩大技術(shù)。交互式分割由于具有可交互性、分割效果好等特點(diǎn)，在圖像分割領(lǐng)域的應(yīng)用越來越廣泛。圖像融合技術(shù)發(fā)展于信息融合技術(shù)，其目的是將兩幅或兩幅以上的圖像目標(biāo)信息進(jìn)行融合，從而得到新的目標(biāo)圖像。本論文研究和開發(fā)的警營圖片去密化系統(tǒng)主要是利用圖像分割中的GRABCUT算法和圖像融合技術(shù)中的泊松融合算法，在ROID平臺(tái)上實(shí)現(xiàn)對(duì)于警營圖片中人物信息與涉密場(chǎng)景的分割，并且提供新的不包含涉密信息的背景圖片，實(shí)現(xiàn)分割后的人物圖像與新的背景圖片的融合及最終結(jié)果的保存。目前在武警和解放軍內(nèi)部發(fā)布的軟件中還沒有類似的圖片處理軟件出現(xiàn)，該軟件的出現(xiàn)將為全軍官兵在手機(jī)端解決圖片去密化問題提供便利。在圖像讀取上，該系統(tǒng)使用了ROID平臺(tái)上的圖像讀取模塊以及攝像頭捕獲圖像技術(shù)在圖像分割時(shí)系統(tǒng)設(shè)計(jì)了矩形交互和前景、背景標(biāo)記兩次交互，從而達(dá)到更好的分割效果在圖像融合時(shí)，該系統(tǒng)將膨脹算法與泊松融合算法相結(jié)合，從而使得分割后的前景圖片與背景圖片能夠達(dá)到更好的融合效果。同時(shí)該系統(tǒng)使用了部分OPENCV視覺庫，實(shí)現(xiàn)了圖像的分割和融合。該系統(tǒng)最終實(shí)現(xiàn)了對(duì)于警營涉密軍事圖片的去密化，通過實(shí)驗(yàn)和測(cè)試效果來看，能夠較好地完成涉密圖像的分割以及后期的融合，實(shí)現(xiàn)去密化的效果。

簡(jiǎn)介：構(gòu)建服裝的虛擬模型在許多領(lǐng)域都有著非常廣泛的應(yīng)用，近年來許多服裝重建新技術(shù)被提出來，其中大部分算法都需要服裝的多視角視圖，但是很多情況下服裝的多視角視圖是不具備的，特別是很多網(wǎng)站上的服裝圖片。因此本文提出了一種基于單張圖片的服裝重建方法，我們的方法僅需要很少量的交互，就能產(chǎn)生具有真實(shí)感的3D服裝。本文研究了一種基于單張圖片的服裝建模的算法，算法中輸入的單張圖片不需要額外的信息。圖片首先需要經(jīng)過預(yù)處理，通過SVM結(jié)合HOG進(jìn)行行人檢測(cè)，自動(dòng)獲得人物區(qū)域，通過GRABCUT算法獲取人物輪廓。采用了一個(gè)基于SVMSUPPTVECTMACHINE，KNNKNEARESTNEIGHB兩種機(jī)器學(xué)習(xí)模型的服裝解析器對(duì)服裝進(jìn)行解析，解析出服裝類型，并找出對(duì)應(yīng)的服裝面片樣板。再利用BOWYERWATSON三角剖分，對(duì)圖片中的服裝輪廓進(jìn)行三角剖分生成DELAUNAY網(wǎng)格。根據(jù)最近點(diǎn)匹配原則，通過ASRIGIDASPOSSIBLE形狀操作實(shí)現(xiàn)服裝輪廓網(wǎng)格剛性形變操作，將服裝紋理和服裝樣板匹配，生成具有真實(shí)感紋理和縫合信息的服裝面片。最終實(shí)現(xiàn)了從一張服裝圖片到質(zhì)量尚可的服裝模擬。本文還實(shí)現(xiàn)對(duì)服裝樣板進(jìn)行參數(shù)化調(diào)整的程序，針對(duì)服裝樣板提出基于遺傳算法的排版算法。

簡(jiǎn)介：隨著數(shù)字圖片的爆發(fā)式增長和對(duì)圖像檢索需求的日益旺盛，圖片自動(dòng)標(biāo)注越來越受到人們的關(guān)注，識(shí)別圖片中的一個(gè)或多個(gè)特定人是社交領(lǐng)域中常見的需求如FACEBOOK，GOOGLEPICASA等，他們都有圖片標(biāo)記服務(wù)。對(duì)圖片中朋友的標(biāo)記能夠更好的與朋友分享快樂，同時(shí)在海量圖片中也可以快速的檢索出某個(gè)朋友的照片集合。通常的標(biāo)注方法有手動(dòng)標(biāo)注和圖片自動(dòng)標(biāo)注。手動(dòng)標(biāo)注就是用戶在拍完照片后手動(dòng)地標(biāo)注被拍照者的姓名等信息，這樣效率低，工作量大且易出現(xiàn)失誤。傳統(tǒng)的圖片標(biāo)注都是基于圖像分析算法，復(fù)雜度較高，并且精度不能令人滿意。而本文提出的基于多普勒效應(yīng)的圖片標(biāo)注應(yīng)用是人們?cè)谂耐暾掌蟊阕詣?dòng)對(duì)照片中的人進(jìn)行標(biāo)注，圖片標(biāo)注的精度和復(fù)雜度都有很大的改進(jìn)。本論文采用聲波的多普勒頻移作為識(shí)別接收設(shè)備的特征。由于不同接收設(shè)備所處的位置不同，則接收聲波的頻率也不同。根據(jù)設(shè)備接收的聲波頻率的大小來判別各個(gè)設(shè)備的相對(duì)位置，從而得知持有該設(shè)備的人在圖片中的相對(duì)位置，這樣就可以在圖片中標(biāo)注被拍照者的姓名等信息。實(shí)現(xiàn)此功能需要解決兩大挑戰(zhàn)1）、當(dāng)給人群中的部分人拍完照后，如何區(qū)別開這部分出現(xiàn)在照片中的人和其他不出現(xiàn)在圖片中的人。2）、如何將每個(gè)標(biāo)記信息與圖片中對(duì)應(yīng)的人準(zhǔn)確關(guān)聯(lián)。為解決這兩個(gè)挑戰(zhàn)，我們提出了一個(gè)應(yīng)用在手機(jī)上的基于多普勒效應(yīng)的方案。首先拍照者拍完照后移動(dòng)手機(jī)并通過揚(yáng)聲器發(fā)送20KHZ的正弦波，被拍照者的手機(jī)對(duì)接收的聲波信號(hào)以441KHZ的速率進(jìn)行采樣，并通過10階巴特沃茨帶通濾波器來衰減低于19KHZ和高于21KHZ的頻率分量。再對(duì)濾波后的信號(hào)進(jìn)行欠采樣處理后，對(duì)欠采樣后的音頻樣本以10MS間隔，75％的重疊率進(jìn)行加窗函數(shù)分幀，然后對(duì)每一幀的樣本進(jìn)行FFT計(jì)算，選擇在所有幀中，頻率值最大的那個(gè)作為被拍照者的手機(jī)接收到的聲波頻率，此后被拍照者的手機(jī)通過網(wǎng)絡(luò)向拍照者的手機(jī)回復(fù)頻率和用戶名，拍照者的手機(jī)根據(jù)接收的信息自動(dòng)完成圖片標(biāo)注功能?；谝陨厦枋?，本論文設(shè)計(jì)和實(shí)現(xiàn)了高精度檢測(cè)多普勒頻移和圖片自動(dòng)標(biāo)注系統(tǒng)，并在7個(gè)ROID手機(jī)上實(shí)現(xiàn)該方案，且在不同的真實(shí)場(chǎng)景中拍照測(cè)試。實(shí)驗(yàn)結(jié)果顯示，在3米范圍內(nèi)，圖片自動(dòng)標(biāo)注的準(zhǔn)確度高于85。同時(shí)也與現(xiàn)有的系統(tǒng)PICASA進(jìn)行了比較，比較的結(jié)果表明本系統(tǒng)和PICASA系統(tǒng)在正確率和虛報(bào)率指標(biāo)上都具有良好的表現(xiàn)，在召回率上，本系統(tǒng)性能優(yōu)于PICASA系統(tǒng)。

簡(jiǎn)介：隨著社交時(shí)代的到來，越來越多的人們選擇通過網(wǎng)站或者應(yīng)用程序例如FLICKR分享自己的圖片，并且通過文本評(píng)論的方式與其他人進(jìn)行互動(dòng)。精準(zhǔn)識(shí)別大量此類圖片傳達(dá)的情感在很多方面被證明有十分重要的研究價(jià)值和應(yīng)用價(jià)值，比如圖片檢索和社交媒體分析。因此，圖片情感分析在近幾年得到越來越廣泛的關(guān)注和研究，而跨域的圖片情感分類更是一個(gè)充滿挑戰(zhàn)的研究課題。例如，不同領(lǐng)域間的圖片內(nèi)容本身存在較大的差異性，而且不同領(lǐng)域間用來表達(dá)圖片情感傾向的特征更是千差萬別。本文針對(duì)跨域的圖片情感分類這個(gè)熱門且新穎的課題進(jìn)行討論和研究，并提出該問題的有效解決方案。當(dāng)前已經(jīng)有一些研究方法可以用來解決圖片情感分類問題，其中絕大多數(shù)都是通過在大量有標(biāo)記的訓(xùn)練集上提取圖片的視覺特征進(jìn)行有監(jiān)督學(xué)習(xí)，訓(xùn)練經(jīng)典的機(jī)器學(xué)習(xí)分類模型，比如支持向量機(jī)SVM、樸素貝葉斯NB等。然而，在解決跨域的圖片情感分類問題上，這些方法卻稍顯不足。這些方法在解決該問題時(shí)面臨的主要挑戰(zhàn)包括1大量的有標(biāo)記數(shù)據(jù)是有監(jiān)督學(xué)習(xí)方法賴以存在的基礎(chǔ)，雖然現(xiàn)在我們可以很容易的得到上百萬甚至上億的圖片數(shù)據(jù)，但是對(duì)這些原始數(shù)據(jù)進(jìn)行正確的情感標(biāo)注卻是耗時(shí)耗力的工程2在真實(shí)的應(yīng)用程序中通常存在大量的圖片域（比如FLICKR有1，187個(gè)域1），而不同領(lǐng)域間的圖片即使有相似的視覺特征，其所表達(dá)的情感傾向也有可能是相反的，如圖12所示，“FACE”領(lǐng)域的負(fù)向圖片和“CAR”領(lǐng)域的正向圖片具有相似的色彩柱狀圖3在每個(gè)領(lǐng)域上訓(xùn)練特定的圖片情感分類模型必然要求每個(gè)領(lǐng)域上都有大量有標(biāo)記的訓(xùn)練數(shù)據(jù)，又回到挑戰(zhàn)1，而在整體數(shù)據(jù)集上訓(xùn)練通用的分類模型則會(huì)造成其在每個(gè)領(lǐng)域上的表現(xiàn)效果可能都不盡如人意。因此，在已知含標(biāo)記數(shù)據(jù)的域即源域和不含標(biāo)記數(shù)據(jù)的域即目標(biāo)域的前提下，如何訓(xùn)練出針對(duì)目標(biāo)域圖片數(shù)據(jù)的情感分類模型，即解決跨域的圖片情感分類問題是一個(gè)迫在眉睫的研究課題。本文對(duì)真實(shí)的社交數(shù)據(jù)集比如FLICKR進(jìn)行一系列統(tǒng)計(jì)和分析，針對(duì)當(dāng)前研究成果存在的不足，提出帶權(quán)重的協(xié)同訓(xùn)練方法CODS來解決跨域的圖片情感分類問題。該方法的提出主要基于以下幾點(diǎn)事實(shí)1伴隨著圖片出現(xiàn)的通常有一些文本數(shù)據(jù)，比如來自其他人的評(píng)論，并且這些評(píng)論數(shù)據(jù)通常包含評(píng)論人的情感信息，而評(píng)論文本的情感傾向通常和圖片的情感傾向一致2雖然不同領(lǐng)域間的圖片特征有很大差異，但是源域和目標(biāo)域圖片和文本間仍存在一些共性特征有待挖掘。因此，在訓(xùn)練分類模型時(shí)，本文提出帶權(quán)重的協(xié)同訓(xùn)練方法。該方法不僅考慮圖片數(shù)據(jù)，也將圖片相對(duì)應(yīng)的文本數(shù)據(jù)考慮在內(nèi)，分別計(jì)算源域和目標(biāo)域之間圖片和文本相似度作為圖片和文本情感分類模型的權(quán)重，并不斷迭代擴(kuò)充訓(xùn)練集以達(dá)到提升訓(xùn)練模型效果的目的。本文在真實(shí)的FLICKR數(shù)據(jù)集上對(duì)提出的帶權(quán)重的協(xié)同訓(xùn)練方法做了大量詳盡的實(shí)驗(yàn)，并將該方法和之前的在圖片的情感分析課題上的歷史研究成果進(jìn)行對(duì)照。實(shí)驗(yàn)結(jié)果表明本文提出的方法在跨域的圖片情感分類問題上的表現(xiàn)效果優(yōu)于其他幾個(gè)已存在方法，給該課題的進(jìn)一步研究提供重要的參考價(jià)值。

簡(jiǎn)介：隨著專變終端、公變終端全覆蓋安裝，以及開閉所、環(huán)網(wǎng)站等相關(guān)斷路器位置采集的配電自動(dòng)化不斷推進(jìn)，加之集成變電站自動(dòng)化的采集數(shù)據(jù)，中壓配電網(wǎng)在線定時(shí)潮流計(jì)算、態(tài)勢(shì)感知、態(tài)勢(shì)可視化的技術(shù)條件也日益滿足。機(jī)器學(xué)習(xí)算法近年來活躍在各個(gè)研究領(lǐng)域中，處理數(shù)據(jù)的歸納、推理、演算、模擬等應(yīng)用場(chǎng)景，以其非凡的切片數(shù)據(jù)分析效果和精準(zhǔn)的數(shù)據(jù)分類判定效果，深受各個(gè)領(lǐng)域研究者們的推崇。SVG（SCALEVECTGRAPHIC）圖片格式是全球電力系統(tǒng)統(tǒng)一的圖形格式。隨著電力系統(tǒng)可視化技術(shù)研究的應(yīng)用和推廣，已積累了大量SVG格式的時(shí)間戳圖片，每幅圖中含有大量切片數(shù)據(jù)。若能將SVG格式中的圖片信息以數(shù)據(jù)形式提取，并對(duì)其進(jìn)行算法推演建模，圖形中的信息也許能得到更為有效充分得利用。本研究主要內(nèi)容包括⑴分析了國內(nèi)外電力系統(tǒng)可視化的發(fā)展?fàn)顩r，指出對(duì)于電網(wǎng)的實(shí)時(shí)圖形和數(shù)據(jù)主要應(yīng)用在電網(wǎng)可視化、可靠性分析、故障診斷等方面；了解到科學(xué)計(jì)算的目的是了解事物本質(zhì)，而不僅僅是獲得數(shù)據(jù)。如果沒有建立合適的數(shù)學(xué)模型，數(shù)據(jù)難以轉(zhuǎn)化為信息，反而數(shù)據(jù)的存儲(chǔ)、傳輸本身需要很大的成本，并指出SVM算法預(yù)測(cè)評(píng)估，并綜述了該方法的應(yīng)用案例；提出了SVM算法需要的圖形圖像數(shù)據(jù)的特征向量提取步驟的一些方法；討論了SVM算法一般過程，并在對(duì)RBF核函數(shù)SVM算法深入了研究。⑵基于變電站為中心的配電網(wǎng)電壓等高線態(tài)勢(shì)圖片的特征向量提取模型及其降維方法方面的研究。該部分是圖形態(tài)勢(shì)評(píng)估的基本數(shù)據(jù)準(zhǔn)備階段，是態(tài)勢(shì)模型建立的重要環(huán)節(jié)。提取合適的特征向量對(duì)SVM模型的建立有非常重要的影響，對(duì)于模型評(píng)估的精度效果，這也是關(guān)鍵影響因素之一。本部分先給出了配電網(wǎng)態(tài)勢(shì)圖形格式SVG格式的介紹，之后提出了基于圖形SVG格式的特征向量提取模型，為之后的SVM模型的分析和建立提供數(shù)據(jù)支持，并提出了基于JAVA編程語言的模型提取方法。⑶基于聚類分析和SVM算法的電壓合格率預(yù)測(cè)模型研究。該部分先敘述了電壓合格率值的定義，以及其對(duì)電網(wǎng)運(yùn)行可靠性及決策的意義，接著提出了電壓合格率值計(jì)算模型，再介紹了根據(jù)圖形提取的特征向量和電壓合格率的RBF核函數(shù)的SVM算法模型的建立方法，然后建立了兩種SVM預(yù)測(cè)模型，分別是聚類前和聚類后的模型，其中SVM算法的參數(shù)尋優(yōu)使用到了遺傳算法，最后進(jìn)行結(jié)果對(duì)比分析。⑷基于SVM分類模型的電壓合格率精確值圖形特征向量SVM模型研究。該部分先提出了基于SVM算法超平面分隔法的電壓合格率精確值圖形計(jì)算模型，并介紹了SVM算法RBF核函數(shù)的低維空間高維空間的映射理論，然后提出了電壓合格率精確值圖形特征向量SVM計(jì)算模型，最后使用大樣本、小樣本測(cè)試集進(jìn)行模型精確率測(cè)試分析與評(píng)價(jià)。

簡(jiǎn)介：隨著計(jì)算機(jī)和信息技術(shù)的高速發(fā)展，移動(dòng)端的軟件開發(fā)也得到了迅速的普及，擁有了更多的功能和性能。現(xiàn)在更多人習(xí)慣于在手機(jī)上將圖片進(jìn)行處理并將信息分享在網(wǎng)絡(luò)上，從而出現(xiàn)了較多的圖片處理應(yīng)用程序。本文以此為背景，設(shè)計(jì)了一項(xiàng)基于IOS平臺(tái)的圖片集成處理器。本研究通過分析目前的智能手機(jī)可采集的信息，總結(jié)出圖片集成處理器應(yīng)具備的功能。接下來確定系統(tǒng)的總體架構(gòu)與設(shè)計(jì)模式并根據(jù)每個(gè)功能模塊的需求分析對(duì)其進(jìn)行相應(yīng)的實(shí)現(xiàn)和有效的劃分。本設(shè)計(jì)首先將IOS移動(dòng)端的圖片瀏覽功能與圖片編輯功能集成為一體，并且在圖片瀏覽模塊中利用了ICAROUSEL技術(shù)實(shí)現(xiàn)了圖片的多種特殊瀏覽模式。系統(tǒng)的部分模塊中運(yùn)用到了貝塞爾曲線技術(shù)實(shí)現(xiàn)了多種視圖動(dòng)畫效果。而且在圖片截取處理方面，獨(dú)立設(shè)計(jì)了GUIRREGULARVIEW框架，并利用貝塞爾曲線以及MASK遮罩層技術(shù)、DRAWPATH方法的重寫等實(shí)現(xiàn)相應(yīng)的功能。在圖片的濾鏡處理和模糊處理中，本設(shè)計(jì)根據(jù)數(shù)字圖像相關(guān)知識(shí)并添加IMAGEUTIL框架以及對(duì)相應(yīng)的卷積函數(shù)進(jìn)行調(diào)用實(shí)現(xiàn)了圖像的具體處理。最后，將應(yīng)用程序分別運(yùn)行在模擬器和真機(jī)設(shè)備中，并利用INSTRUMENT工具對(duì)應(yīng)用程序進(jìn)行功能和性能的測(cè)試。軟件采用的是MVC設(shè)計(jì)模式，可以將控制器、視圖、模型進(jìn)行有效的劃分。從功能上主要分為登錄模塊、選擇模塊、圖片瀏覽模塊、圖片處理模塊、圖片截取模塊、濾鏡處理模塊、模糊處理模塊等幾個(gè)部分。處理后的圖片可以保存到本地或者分享到網(wǎng)絡(luò)，比如微信、QQ、微博等。

簡(jiǎn)介：學(xué)號(hào)104754140870分類號(hào)TP391碩士學(xué)位論文碩士學(xué)位論文（專業(yè)學(xué)位）（專業(yè)學(xué)位）基于卷積神經(jīng)網(wǎng)絡(luò)的圖片數(shù)字識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)基于卷積神經(jīng)網(wǎng)絡(luò)的圖片數(shù)字識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)專業(yè)學(xué)位領(lǐng)域計(jì)算機(jī)技術(shù)專業(yè)學(xué)位類別工程碩士申請(qǐng)人石乾磊指導(dǎo)教師韓志杰（副教授）二〇一七年六月THEDESIGNIMPLEMENTOFIMAGEDIGITALRECOGNITIONSYSTEMBASEDONCONVOLUTIONNEURALWKADISSERTATIONSUBMITTEDTOTHEGRADUATESCHOOLOFHENANUNIVERSITYINPARTIALFULFILLMENTOFTHEREQUIREMENTSFTHEDEGREEOFMASTEROMMASTERFENGINEERINGSCIENCEMASTEROFENGINEERINGBYSHIQIANLEISUPERVISASSOPROFHANZHIJIEJUNE2017

簡(jiǎn)介：隨著科學(xué)技術(shù)不斷地發(fā)展與創(chuàng)新，互聯(lián)網(wǎng)使人們獲取資源和信息的方式越來越便捷與高效，但這也給數(shù)字媒體侵權(quán)和資源非法占用等提供了便利，對(duì)互聯(lián)網(wǎng)產(chǎn)業(yè)的安全與穩(wěn)定產(chǎn)生了嚴(yán)重的影響。因而數(shù)字水印作為版權(quán)保護(hù)和信息認(rèn)證的有效手段，在許多領(lǐng)域得到了廣泛地研究與運(yùn)用。近些年，隨著一些新興技術(shù)的不斷涌現(xiàn)，對(duì)數(shù)字水印的安全性能構(gòu)成了威脅。因而為了保證水印信息的完整性、有效性以及安全性，不僅需要數(shù)字水印具備高強(qiáng)度的隱蔽性和魯棒性，而且還需要逐步實(shí)現(xiàn)多元化。為了提升數(shù)字水印抵抗外界攻擊的能力，文中提出了一種結(jié)合快速響應(yīng)碼（QR）、混沌系統(tǒng)和DWTDCT的魯棒性水印方案。首先通過混沌系統(tǒng)產(chǎn)生的混沌序列對(duì)QR進(jìn)行加密；然后將宿主圖片進(jìn)行DWT操作，并對(duì)低高頻子帶進(jìn)行44分割和DCT操作；最后利用水印信息產(chǎn)生22矩陣，疊加到DCT變換后矩陣的右上角。在水印信息提取時(shí)，通過對(duì)比疊加矩陣中的元素并統(tǒng)計(jì)元素變化率，以此確認(rèn)提取的水印信息。模擬實(shí)驗(yàn)分析表明，該方案不僅能夠增強(qiáng)水印信息的透明性，而且在涂畫、切割、噪聲、過濾和JPEG壓縮等攻擊中具備較強(qiáng)的抗攻擊能力。隨著在線圖片識(shí)別和圖片處理技術(shù)的快速發(fā)展，圖片信息地提取準(zhǔn)確率越來越高，使圖片驗(yàn)證碼的安全性受到嚴(yán)重的威脅。因此文中針對(duì)該現(xiàn)象，結(jié)合數(shù)字水印的特性，提出一種基于數(shù)字水印圖片驗(yàn)證碼的方案。首先使用混沌加密算法對(duì)水印信息進(jìn)行加密，確保水印信息的安全性；隨后根據(jù)需求將水印信息進(jìn)行嵌入；當(dāng)用戶訪問網(wǎng)頁時(shí)，利用產(chǎn)生的隨機(jī)數(shù)選擇圖片；當(dāng)用戶鼠標(biāo)經(jīng)過圖片時(shí)，提示框呈現(xiàn)相應(yīng)的提示詞，用戶通過匹配提示詞與圖片信息確定是否選擇該圖片。實(shí)驗(yàn)仿真結(jié)果表明，文中算法中水印信息的提取平均耗時(shí)和服務(wù)器響應(yīng)時(shí)間較短并且水印信息還具備較強(qiáng)的敏感性。因而通過定期變更嵌入水印信息，不僅可以區(qū)分相近的驗(yàn)證碼圖片，而且還能夠提升互聯(lián)網(wǎng)中交互平臺(tái)的安全性。

簡(jiǎn)介：隨著社交媒體和移動(dòng)多媒體的發(fā)展，社交圖片網(wǎng)站如FLICKR提供了大量由不同用戶進(jìn)行文本標(biāo)注的圖片。社交圖片往往附帶多種信息，譬如視覺特征、標(biāo)簽和用戶等。一般僅對(duì)單一特征進(jìn)行管理，或使用普通圖對(duì)語義網(wǎng)絡(luò)進(jìn)行表示。然而，單一特征只能表示某方面的相關(guān)性，不能用來表示真實(shí)的語義關(guān)聯(lián)。由于普通圖不能夠表示高維關(guān)系，故造成了信息缺失，因而需要一個(gè)框架來融合多種特征信息和表示高維關(guān)系，并能進(jìn)行有效的檢索和管理。本研究使用超圖模型對(duì)社交圖片進(jìn)行建模，因?yàn)樯缃粓D片多種信息間的關(guān)系比成對(duì)關(guān)系更加復(fù)雜?；诔瑘D模型，給出了一個(gè)可擴(kuò)展的交互式圖片檢索和標(biāo)注系統(tǒng)HIRT該系統(tǒng)利用個(gè)性化PAGERANK度量結(jié)點(diǎn)之間的相似度，并使用TOPK查詢以支持相似圖片檢索、關(guān)鍵字圖片檢索和圖片標(biāo)注等功能。為了保證系統(tǒng)的可擴(kuò)展性和高效性，利用批量技術(shù)、并行技術(shù)和緩沖技術(shù)提出了四種高效方法來計(jì)算轉(zhuǎn)移概率矩陣，并將其存儲(chǔ)于磁盤上的B樹中，同時(shí)開發(fā)了并行和近似的個(gè)性化PAGERANK算法以進(jìn)一步加速TOPK查詢。此外，一種基于群體計(jì)算的交互式方法也被提出以提升TOPK查詢的質(zhì)量。最后在大規(guī)模FLICKR數(shù)據(jù)集上的大量實(shí)驗(yàn)評(píng)估證實(shí)，相較于現(xiàn)有的系統(tǒng)和技術(shù)，所提出的HIRT系統(tǒng)具有更好的效率和可擴(kuò)展性。

簡(jiǎn)介：腦機(jī)接口BRAINCOMPUTERINTERFACE，BCI是一種不依賴于大腦的正常輸出通路（外圍神經(jīng)和肌肉組織）而使人類大腦直接與計(jì)算機(jī)或外部設(shè)備進(jìn)行通信的技術(shù)?；谀X電圖信號(hào)（ELECTROENCEPHALOGRAM，EEG）的腦機(jī)接口方法具有操作方便，成本低以及其無創(chuàng)性等優(yōu)點(diǎn)，是當(dāng)前腦機(jī)接口研究的主要方向。腦機(jī)接口系統(tǒng)的研究有明確的臨床應(yīng)用背景，因此實(shí)時(shí)在線系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)有著重要的意義。磁共振成像（MRI）對(duì)受試者的觀察發(fā)現(xiàn)，受試者在進(jìn)行場(chǎng)景模式學(xué)習(xí)時(shí)，大腦的后海馬區(qū)與后海馬旁回興奮度明顯加強(qiáng)；而在進(jìn)行臉部辨別學(xué)習(xí)時(shí)，大腦的邊緣皮層、前海馬區(qū)和后梭狀回興奮度增強(qiáng)。本文根據(jù)以上觀察結(jié)論給出一種利用人臉圖片和場(chǎng)景圖片作為刺激源，來檢測(cè)受試者后海馬區(qū)、后海馬旁回以及邊緣皮層、前海馬區(qū)和后梭狀回附近腦電信號(hào)的方法，對(duì)受試者在進(jìn)行人臉圖片刺激與場(chǎng)景圖片刺激時(shí)不同腦電信號(hào)進(jìn)行在線區(qū)分。本研究中腦電信號(hào)的偽跡去除方法采用指數(shù)移動(dòng)平均算法。腦電信號(hào)的分類采用了兩種分類算法一種是利用基于多項(xiàng)式核函數(shù)的投票感知器為弱分類器的ADABOOST算法；另一種是懲罰邏輯回歸算法。研究中所用到的腦電信號(hào)采集設(shè)備EMOTIVEPOC是一種干電極腦電信號(hào)采集放大器。本文首先通過離線實(shí)驗(yàn)驗(yàn)證了基于人臉圖片和場(chǎng)景圖片腦機(jī)接口系統(tǒng)的可行性，6名參與測(cè)試的受試者，其離線實(shí)驗(yàn)的分類成功率都超過了70％。在線實(shí)驗(yàn)是用分類后的腦電信號(hào)來實(shí)現(xiàn)基于以太網(wǎng)供電（POWEROVERETHER，POE）的智能照明亮度的控制，6位受試者在設(shè)定范式下的控制成功率都超過了70％，系統(tǒng)達(dá)到65BITSMIN的平均信息傳輸速率，很好的實(shí)現(xiàn)了智能照明的階梯控制。腦機(jī)接口與POE結(jié)合，給出了一種新的智能家居控制思路，這套基于便攜式干電極腦電采集器的腦機(jī)接口系統(tǒng)，可以使腦機(jī)接口控制系統(tǒng)走出實(shí)驗(yàn)室，將為改善神經(jīng)肌肉疾病患者的日常生活帶來幫助。

簡(jiǎn)介：科技的發(fā)展使信息處理方式突飛猛進(jìn)，“信息資料電子化”的潮流吸引著各行各業(yè)的加入?；贠PTICALACTERRECOGNITIONOCR的文檔圖片識(shí)別因速度塊、識(shí)別從而準(zhǔn)確越來越備受各大企業(yè)、黨政機(jī)關(guān)的青睞。與傳統(tǒng)的手工錄入模式相比較，OCR的智能信息錄入具備強(qiáng)大的優(yōu)勢(shì)，速度方面OCR識(shí)別也遠(yuǎn)快于手工錄入模式，不僅使大批人力資源得到節(jié)省，資源配置得到優(yōu)化，還使人員從繁瑣的機(jī)械式工作中解脫出來，而去專注愈加有需要的工作上。OCR技術(shù)由于在數(shù)據(jù)收集計(jì)劃方面可以為用戶提供低成本、高效率，所以可以有力的支持業(yè)務(wù)快速發(fā)展。因此，大量的圖片自動(dòng)識(shí)別系統(tǒng)及APP軟件應(yīng)運(yùn)而生。例如身份證的識(shí)別、票據(jù)的自動(dòng)識(shí)別、車牌的自動(dòng)識(shí)別。在此類產(chǎn)品中，都是固定了某種識(shí)別對(duì)象用特定的識(shí)別程序去識(shí)別。顯然，當(dāng)用戶識(shí)別多個(gè)文檔圖像對(duì)象時(shí)，這種單處理對(duì)象模式將顯得很棘手，因此，有必要開發(fā)一種能針對(duì)一般的文檔圖片，由程序自動(dòng)判別文檔類型，以及對(duì)信息進(jìn)行提取的系統(tǒng)。基于上述的需求，本文提出一種基于OCR的多種文檔圖片識(shí)別系統(tǒng)。其中包括論文首頁的圖片、公文圖片、名片圖片等文檔圖片。該系統(tǒng)可以自動(dòng)對(duì)輸入的圖片進(jìn)行判別識(shí)別，并提取圖片信息。本文主要從圖片預(yù)處理、文檔圖片檢測(cè)、版式分析及信息提取三個(gè)模塊來描述提出的系統(tǒng)。圖片預(yù)處理中的椒鹽去噪是本系統(tǒng)的重要?jiǎng)?chuàng)新點(diǎn)之一，通過比較近幾年各大期刊發(fā)表的相關(guān)論文，本文提出的椒鹽去噪無論在高噪聲還是低噪聲，都有較好的效果。其次在圖片的傾斜矯正方面，本文基于投影的改進(jìn)算法在確保精度的條件下，加快了尋找傾斜角度的速度。在文檔檢測(cè)方面，利用ADABOOST算法來組合弱分類器進(jìn)而對(duì)圖片分類，檢測(cè)出文檔圖片。版式分析技術(shù)是基于改進(jìn)的聚類算法來分析。圖片的內(nèi)容提取主要利用先驗(yàn)的規(guī)則庫，以及通過貝葉斯概率來獲得。

簡(jiǎn)介：互聯(lián)網(wǎng)進(jìn)入WEB20時(shí)代之后，互聯(lián)網(wǎng)內(nèi)容從由網(wǎng)站產(chǎn)生轉(zhuǎn)變?yōu)橛捎脩糁鲗?dǎo)產(chǎn)生。隨著互聯(lián)網(wǎng)用戶基數(shù)不斷增加，互聯(lián)網(wǎng)計(jì)算和儲(chǔ)存規(guī)模也日益擴(kuò)大，單臺(tái)的服務(wù)器早已不能夠勝任高吞吐率、高并發(fā)、高可靠的要求，分布式計(jì)算應(yīng)運(yùn)而生。分布式系統(tǒng)采用分而治之的思想，將總存儲(chǔ)和計(jì)算量分布到多臺(tái)服務(wù)器上，使得整個(gè)系統(tǒng)能夠獲得更高的性能。如今，具備一定規(guī)模的公司都在研究并實(shí)施分布式方案，以求在保證高性能的前提下，節(jié)約成本。分布式的圖片服務(wù)伴隨著互聯(lián)網(wǎng)的發(fā)展而出現(xiàn)。大型的社交網(wǎng)絡(luò)如FACEBOOK、騰訊，大型的電商平臺(tái)如淘寶、京東，以及其他大型的在線相冊(cè)服務(wù)等都對(duì)圖片服務(wù)有著極大的依賴。這些網(wǎng)站后臺(tái)儲(chǔ)存的圖片數(shù)量規(guī)模都達(dá)到了千億級(jí)別，如何支持如此大規(guī)模的圖片儲(chǔ)存和處理成了一個(gè)亟待解決的問題。一方面，互聯(lián)網(wǎng)圖片具有小而多的特點(diǎn)，類似GFS的傳統(tǒng)分布式文件系統(tǒng)不適合這樣的海量小文件的存儲(chǔ)；另一方面，圖片應(yīng)用常常需要同一圖片的不同尺寸版本，如何使得圖片服務(wù)能夠支持提供定制尺寸的圖片是一個(gè)具有現(xiàn)實(shí)意義的課題。所以，本課題的目的在于研究和實(shí)現(xiàn)一個(gè)高性能的分布式圖片服務(wù)器系統(tǒng)WIMG。WIMG借鑒傳統(tǒng)分布式MASTERSLAVE的架構(gòu)，采用分布式的存儲(chǔ)和分布式的處理，采用緩存和保存新圖片的策略，能夠提供高性能的圖片服務(wù)，整體架構(gòu)穩(wěn)定可靠、可擴(kuò)展。WIMG提供了簡(jiǎn)單易用的客戶端接口，使得WIMG可以很方便的作為個(gè)人應(yīng)用或者網(wǎng)站系統(tǒng)的圖片存儲(chǔ)后端。

簡(jiǎn)介：數(shù)字圖像來源取證一直是圖像取證領(lǐng)域的一個(gè)重要分支。隨著技術(shù)的發(fā)展，拍照設(shè)備功能的逐漸強(qiáng)大，特別是手機(jī)拍照越來越普遍。因此，拍照設(shè)備圖片來源的檢測(cè)也顯得越來越重要。本文提出了一種用于圖片來源檢測(cè)的設(shè)備參考模式噪聲提取改進(jìn)算法，該算法首先提取所有圖片的傳感器模式噪聲，接著根據(jù)用插值法得到顏色其噪聲方差小于真實(shí)顏色的噪聲方差這個(gè)特點(diǎn)濾除插值顏色的噪聲，獲取所有圖片真實(shí)的傳感器模式噪聲，然后根據(jù)圖片的紋理和亮度的乘積計(jì)算出每張圖片傳感器模式噪聲在設(shè)備參考模式噪聲中所占的比重，從而計(jì)算出設(shè)備的參考模式噪聲。另外，本文針對(duì)很多算法在圖片場(chǎng)景是夜間的情況時(shí)檢測(cè)效果差，提出綜合紋理和亮度的夜間場(chǎng)景圖片來源檢測(cè)算法。該算法首先將圖片分成若干個(gè)區(qū)域分別提取模式噪聲，然后根據(jù)圖片的紋理和亮度分類處理這些噪聲。給予紋理復(fù)雜的區(qū)域提取模式噪聲要抑制紋理的干擾，而對(duì)光線昏暗的區(qū)域提取的模式噪聲要進(jìn)行增強(qiáng)。對(duì)于紋理復(fù)雜并且光線又昏暗的區(qū)域提取的模式噪聲，要同時(shí)抑制紋理干擾和增強(qiáng)模式噪聲。

簡(jiǎn)介：客觀世界是三維的，對(duì)三維物體進(jìn)行分析在很多領(lǐng)域都有重要應(yīng)用，利用簡(jiǎn)單的二維信息獲得三維模型是人們一直探索的主題。現(xiàn)在有很多種重建三維人臉模型的方法，可以根據(jù)單幅圖像或多幅圖像序列重建三維人臉模型，或者利用硬件設(shè)備掃描進(jìn)行三維重建。單視圖的三維人臉重建是根據(jù)一張人臉正視圖來擬合標(biāo)準(zhǔn)人臉模板，會(huì)丟失深度信息。而多視圖的三維重建只需幾幅人臉圖片就可以重建三維人臉點(diǎn)云，總的來說，設(shè)備要求比較低，實(shí)現(xiàn)起來比較容易。本文主要內(nèi)容是基于多幅圖像序列進(jìn)行人臉表面重建，利用標(biāo)定好的相機(jī)從不同角度拍攝被測(cè)人臉的三到六副圖像，對(duì)人臉特征點(diǎn)進(jìn)行特征提取和圖片序列的特征點(diǎn)匹配，然后獲得人臉的三維稀疏點(diǎn)云，對(duì)點(diǎn)云進(jìn)行精簡(jiǎn)和優(yōu)化，得到最后的三維人臉模型。本文的主要貢獻(xiàn)如下（1）本文提出了一種局部特征和全局特征加權(quán)的特征提取算法。局部特征可以提取人臉關(guān)鍵特征點(diǎn)，但是沒有全局特性，不能獲得人臉主輪廓特征點(diǎn)；而全局特征可以。本算法利用多層卷積網(wǎng)絡(luò)的深度學(xué)習(xí)方法定位人臉全局特征點(diǎn)，在此基礎(chǔ)上對(duì)人臉進(jìn)行局部特征提取，獲得更多有效人臉特征點(diǎn)。實(shí)驗(yàn)結(jié)果表明局部特征和全局特征的加權(quán)特征提取算法對(duì)人臉特征點(diǎn)的提取效果表現(xiàn)好。（2）本文提出了一種鄰近點(diǎn)比值選擇的人臉特征點(diǎn)匹配算法，對(duì)于多個(gè)相似特征點(diǎn)的選擇，我們針對(duì)人臉特征比值選擇適合的閾值，并通過實(shí)驗(yàn)選擇適合的比值閾值，該算法提高了人臉特征匹配的正確率。（3）本文提出了一種點(diǎn)云精簡(jiǎn)配準(zhǔn)優(yōu)化算法，引用敏感哈希查找鄰近點(diǎn)的思想，將三維點(diǎn)云映射到一個(gè)平面上，減少了鄰近點(diǎn)云的查找時(shí)間，效率大大高于基于KD樹優(yōu)化算法。