基于深度学习的数字视频删帧取证方法研究
这是一篇关于视频删帧取证,深度学习,多尺度差分,深度特征,视频块一致性的论文, 主要内容为数字视频作为一种信息载体被广泛的应用在各个领域,已经成为人们生活中不可缺少的一部分。但是,随着数字视频编辑技术的不断发展,数字视频的完整性和原始性遭到巨大的威胁。在各种视频篡改技术中,帧删除作为一种最基础的编辑技术被广泛应用于视频篡改。因此,研究视频删帧篡改取证技术具有非常重大的意义。近几年,基于深度学习的方法在图像篡改检测、深度伪造检测等问题上取得了巨大的成功。因此,本文针对视频删帧篡改和深度学习进行研究,提出了三种基于深度学习的视频删帧篡改取证算法:(1)针对视频删帧取证高质量训练数据集缺乏的问题,提出了一种基于深度特征的方法检测视频帧删除伪造。该方法首先使用在Image Net数据集上预训练的Alex Net的深度特征计算视频相邻帧之间的畸变水平。然后,使用提出的一种基于局部平均畸变水平的特征增强方法消除视频内容的波动,得到相对畸变水平。最后,使用广义ESD测试来检测视频中的帧删除点。实验结果表明,该方法不需要利用删帧取证数据集进行训练并且性能优于现有的手工提取特征的方法。(2)针对提出的基于深度特征的方法性能欠佳的问题,提出了一种基于视频块一致性的视频篡改检测算法。该算法首先按照一定的比例以空间域为轴将视频划分为固定数量的视频块,其中每个视频块都是具有相同类别属性(伪造的或者真实的)的视频。然后,使用基于深度特征的检测算法从每个视频块中得到相对畸变水平,使用平均法对每个视频块的相对畸变水平进行融合。最后使用广义ESD测试对融合后的相对畸变水平序列进行异常检测,从而识别并定位视频中的删帧点。实验结果表明,该方法能够有效提高视频篡改检测算法的检测性能。(3)为了应对视频内容中强信号特征的消极影响,提出了一种基于深度学习的单镜头视频帧删除检测方法。提出的方法分别从视频的相邻帧和长期连续帧中捕获帧删除伪造的痕迹。该方法是一种简单、有效的帧删除伪造检测框架,计算量小,性能优越。具体来说,首先提出了一种新颖的多尺度差分卷积神经网络(MSDCNN)结构,该结构可以对不同尺度的帧间变化进行建模。然后,使用长短期记忆网络(LSTM)来捕捉多尺度差分特征的长期变化模式。根据实验可知,本章所提出的框架可以实现比传统方法和基于3D卷积的方法更先进的帧删除检测性能。
基于深度学习的数字视频删帧取证方法研究
这是一篇关于视频删帧取证,深度学习,多尺度差分,深度特征,视频块一致性的论文, 主要内容为数字视频作为一种信息载体被广泛的应用在各个领域,已经成为人们生活中不可缺少的一部分。但是,随着数字视频编辑技术的不断发展,数字视频的完整性和原始性遭到巨大的威胁。在各种视频篡改技术中,帧删除作为一种最基础的编辑技术被广泛应用于视频篡改。因此,研究视频删帧篡改取证技术具有非常重大的意义。近几年,基于深度学习的方法在图像篡改检测、深度伪造检测等问题上取得了巨大的成功。因此,本文针对视频删帧篡改和深度学习进行研究,提出了三种基于深度学习的视频删帧篡改取证算法:(1)针对视频删帧取证高质量训练数据集缺乏的问题,提出了一种基于深度特征的方法检测视频帧删除伪造。该方法首先使用在Image Net数据集上预训练的Alex Net的深度特征计算视频相邻帧之间的畸变水平。然后,使用提出的一种基于局部平均畸变水平的特征增强方法消除视频内容的波动,得到相对畸变水平。最后,使用广义ESD测试来检测视频中的帧删除点。实验结果表明,该方法不需要利用删帧取证数据集进行训练并且性能优于现有的手工提取特征的方法。(2)针对提出的基于深度特征的方法性能欠佳的问题,提出了一种基于视频块一致性的视频篡改检测算法。该算法首先按照一定的比例以空间域为轴将视频划分为固定数量的视频块,其中每个视频块都是具有相同类别属性(伪造的或者真实的)的视频。然后,使用基于深度特征的检测算法从每个视频块中得到相对畸变水平,使用平均法对每个视频块的相对畸变水平进行融合。最后使用广义ESD测试对融合后的相对畸变水平序列进行异常检测,从而识别并定位视频中的删帧点。实验结果表明,该方法能够有效提高视频篡改检测算法的检测性能。(3)为了应对视频内容中强信号特征的消极影响,提出了一种基于深度学习的单镜头视频帧删除检测方法。提出的方法分别从视频的相邻帧和长期连续帧中捕获帧删除伪造的痕迹。该方法是一种简单、有效的帧删除伪造检测框架,计算量小,性能优越。具体来说,首先提出了一种新颖的多尺度差分卷积神经网络(MSDCNN)结构,该结构可以对不同尺度的帧间变化进行建模。然后,使用长短期记忆网络(LSTM)来捕捉多尺度差分特征的长期变化模式。根据实验可知,本章所提出的框架可以实现比传统方法和基于3D卷积的方法更先进的帧删除检测性能。
基于相关滤波的目标跟踪算法研究与实现
这是一篇关于目标跟踪,相关滤波,深度特征,目标重检测,尺度自适应的论文, 主要内容为计算机视觉作为人工智能时代的“眼睛”,广泛应用于机器学习、图像信号处理以及控制工程等多个领域。而目标跟踪技术是计算机视觉的主要分支及研究热点,也在无人驾驶、军事打击、视频监控以及人机交互等领域得以应用。基于相关滤波的目标跟踪算法是一种常见的视觉跟踪方法,它借助反映目标之间相似程度的相关性指标,将目标、待测区域视作信号,计算两者之间的相关性,相关性越高,得到的滤波器模型响应越强,并将响应峰值区域预测为跟踪目标区域。核化相关滤波(Kernelized Correlation Filter,KCF)算法是一种经典的相关滤波类跟踪算法,它具有较高的精确度与速度。但该算法也存在着一些问题,对其展开的工作内容如下:(1)针对算法的外观模型在跟踪过程中不足以应对跟踪目标外观的多样性变化,算法鲁棒性不足问题。通过高斯混合模型获得多组跟踪目标的外观样本集,基于该模型产生的样本数据对滤波器模型训练、更新,以应对目标的外观多样性变化,提升算法鲁棒性。另外算法采用表征目标能力较差的手工特征提取目标信息导致在复杂场景下难以将目标与背景信息有效区分问题。采用Res Net-50网络层提取输入图像的深度特征,替换KCF算法原先使用的手工特征,加强对目标的表征能力。(2)针对算法在发生跟踪目标信息丢失现象时,会基于一个误差较大的滤波器模型继续训练直至完全丢失目标,缺少跟踪重检测的问题。通过计算跟踪误差并将其作为跟踪置信度以判断相邻两帧视频图像是否跟踪成功,若计算出的跟踪误差大于设定的阈值则判定算法跟踪失败,在此基础上进行跟踪失败重检测机制,放弃当前的目标预测位置,将前一帧图像目标跟踪框视作中心点,增大对当前帧目标的搜寻区域以对目标进行重新定位。(3)针对算法在跟踪过程中的跟踪目标框始终是固定尺寸大小,当跟踪目标发生尺度变化时算法性能会有所下降,如尺度增大超出目标框时会丢失部分目标信息,当尺度减小至目标占框比例较低时会掺杂过多的冗余背景信息问题。通过添加一个额外的尺度滤波器,当算法经位置滤波器确定跟踪目标后,以此时估计的目标位置为中心,对目标框进行不同比例的尺度变换,将变换后的样本数据与该尺度滤波器相关操作,选择响应峰值样本作为最终的尺度输出,从而使跟踪目标框能基于目标尺度自适应变化。汇总对KCF算法的优化思路并基于目标跟踪检测基准(Object Tracking Benchmark,OTB2015)数据集在MATLAB平台上进行仿真实验,证明了优化方案的可行性。同时将优化后的KCF算法与多种相关滤波类以及深度学习类跟踪算法进行了对比实验,保证了优化方案的可靠性。
基于相关滤波的目标跟踪算法研究与实现
这是一篇关于目标跟踪,相关滤波,深度特征,目标重检测,尺度自适应的论文, 主要内容为计算机视觉作为人工智能时代的“眼睛”,广泛应用于机器学习、图像信号处理以及控制工程等多个领域。而目标跟踪技术是计算机视觉的主要分支及研究热点,也在无人驾驶、军事打击、视频监控以及人机交互等领域得以应用。基于相关滤波的目标跟踪算法是一种常见的视觉跟踪方法,它借助反映目标之间相似程度的相关性指标,将目标、待测区域视作信号,计算两者之间的相关性,相关性越高,得到的滤波器模型响应越强,并将响应峰值区域预测为跟踪目标区域。核化相关滤波(Kernelized Correlation Filter,KCF)算法是一种经典的相关滤波类跟踪算法,它具有较高的精确度与速度。但该算法也存在着一些问题,对其展开的工作内容如下:(1)针对算法的外观模型在跟踪过程中不足以应对跟踪目标外观的多样性变化,算法鲁棒性不足问题。通过高斯混合模型获得多组跟踪目标的外观样本集,基于该模型产生的样本数据对滤波器模型训练、更新,以应对目标的外观多样性变化,提升算法鲁棒性。另外算法采用表征目标能力较差的手工特征提取目标信息导致在复杂场景下难以将目标与背景信息有效区分问题。采用Res Net-50网络层提取输入图像的深度特征,替换KCF算法原先使用的手工特征,加强对目标的表征能力。(2)针对算法在发生跟踪目标信息丢失现象时,会基于一个误差较大的滤波器模型继续训练直至完全丢失目标,缺少跟踪重检测的问题。通过计算跟踪误差并将其作为跟踪置信度以判断相邻两帧视频图像是否跟踪成功,若计算出的跟踪误差大于设定的阈值则判定算法跟踪失败,在此基础上进行跟踪失败重检测机制,放弃当前的目标预测位置,将前一帧图像目标跟踪框视作中心点,增大对当前帧目标的搜寻区域以对目标进行重新定位。(3)针对算法在跟踪过程中的跟踪目标框始终是固定尺寸大小,当跟踪目标发生尺度变化时算法性能会有所下降,如尺度增大超出目标框时会丢失部分目标信息,当尺度减小至目标占框比例较低时会掺杂过多的冗余背景信息问题。通过添加一个额外的尺度滤波器,当算法经位置滤波器确定跟踪目标后,以此时估计的目标位置为中心,对目标框进行不同比例的尺度变换,将变换后的样本数据与该尺度滤波器相关操作,选择响应峰值样本作为最终的尺度输出,从而使跟踪目标框能基于目标尺度自适应变化。汇总对KCF算法的优化思路并基于目标跟踪检测基准(Object Tracking Benchmark,OTB2015)数据集在MATLAB平台上进行仿真实验,证明了优化方案的可行性。同时将优化后的KCF算法与多种相关滤波类以及深度学习类跟踪算法进行了对比实验,保证了优化方案的可靠性。
基于深度学习的数字视频删帧取证方法研究
这是一篇关于视频删帧取证,深度学习,多尺度差分,深度特征,视频块一致性的论文, 主要内容为数字视频作为一种信息载体被广泛的应用在各个领域,已经成为人们生活中不可缺少的一部分。但是,随着数字视频编辑技术的不断发展,数字视频的完整性和原始性遭到巨大的威胁。在各种视频篡改技术中,帧删除作为一种最基础的编辑技术被广泛应用于视频篡改。因此,研究视频删帧篡改取证技术具有非常重大的意义。近几年,基于深度学习的方法在图像篡改检测、深度伪造检测等问题上取得了巨大的成功。因此,本文针对视频删帧篡改和深度学习进行研究,提出了三种基于深度学习的视频删帧篡改取证算法:(1)针对视频删帧取证高质量训练数据集缺乏的问题,提出了一种基于深度特征的方法检测视频帧删除伪造。该方法首先使用在Image Net数据集上预训练的Alex Net的深度特征计算视频相邻帧之间的畸变水平。然后,使用提出的一种基于局部平均畸变水平的特征增强方法消除视频内容的波动,得到相对畸变水平。最后,使用广义ESD测试来检测视频中的帧删除点。实验结果表明,该方法不需要利用删帧取证数据集进行训练并且性能优于现有的手工提取特征的方法。(2)针对提出的基于深度特征的方法性能欠佳的问题,提出了一种基于视频块一致性的视频篡改检测算法。该算法首先按照一定的比例以空间域为轴将视频划分为固定数量的视频块,其中每个视频块都是具有相同类别属性(伪造的或者真实的)的视频。然后,使用基于深度特征的检测算法从每个视频块中得到相对畸变水平,使用平均法对每个视频块的相对畸变水平进行融合。最后使用广义ESD测试对融合后的相对畸变水平序列进行异常检测,从而识别并定位视频中的删帧点。实验结果表明,该方法能够有效提高视频篡改检测算法的检测性能。(3)为了应对视频内容中强信号特征的消极影响,提出了一种基于深度学习的单镜头视频帧删除检测方法。提出的方法分别从视频的相邻帧和长期连续帧中捕获帧删除伪造的痕迹。该方法是一种简单、有效的帧删除伪造检测框架,计算量小,性能优越。具体来说,首先提出了一种新颖的多尺度差分卷积神经网络(MSDCNN)结构,该结构可以对不同尺度的帧间变化进行建模。然后,使用长短期记忆网络(LSTM)来捕捉多尺度差分特征的长期变化模式。根据实验可知,本章所提出的框架可以实现比传统方法和基于3D卷积的方法更先进的帧删除检测性能。
城市供水管道泄漏的高精准辨识方法
这是一篇关于供水管道泄漏检测,人工特征,深度特征,特征融合,注意力机制的论文, 主要内容为供水管道是城市供水管网系统中的重要组成部分。由于一些人为或者自然老化等原因导致供水管道破损产生泄漏,如果不能及时发现泄漏,不仅会造成大量的资源浪费,而且还会产生其他的连带危害。当供水管道发生泄漏时,如果能快速准确的识别出泄漏具有重大意义。本文调研了国内外利用声信号进行供水管道泄漏检测的研究现状,发现目前供水管道泄漏检测采用的方法只考虑了信号的人工特征或深度学习特征,没有充分利用信号的所有信息,同时,有文献指出将人工特征和深度学习特征结合使用可以提高检测的效果。在此思路的启发下,本文提出了基于人工特征和深度学习特征融合使用的供水管道泄漏辨识方法,主要工作如下:(1)供水管道泄漏信号的人工可辨识特征和深度特征的提取。利用现场信号建立数据库,通过在时域、频域、倒谱域、变换域多个角度分析信号,提取到了谱宽参数、奇异谱值、小波包能量、AR模型系数和MFCC系数五类稳定的人工可辨识特征;构建了1D-Res Net网络,提取到了泄漏信号的深度特征,并对人工特征和深度特征辨识的有效性进行了验证。(2)结合供水管道泄漏信号的人工特征和深度特征本身的特点,提出并实现了三种人工特征和深度特征融合网络。目前常用的特征融合方法主要是特征拼接、加权求和等,而基于注意力模块可以提取信号的通道和空间等高维特征进一步反映信号本质特性的优势,本文构建了三种人工特征和深度特征融合网络,分别为基于拼接的特征融合网络、基于空间注意力的特征融合网络和基于AFF的特征融合网络。(3)算法的现场测试。采用多种指标比较了三种特征融合网络、人工特征利用SVM分类方法以及1D-Res Net网络的性能,发现人工特征的加入有助于提高网络的识别准确率以及网络的抗噪声性能,且基于AFF的特征融合网络效果最佳,该模型在二类别信号数据集(泄漏跟不漏信号)的测试准确率高达100%,在三类别信号数据集(大漏、小漏和不漏信号)的测试准确率也有94.16%,能够高效的辨识供水管道是否发生泄漏以及泄漏的程度,具有良好的抗噪声能力和泛化能力。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码小屋 ，原文地址：https://m.bishedaima.com/lunwen/54424.html
