摘要：现有安全数码相机不能识别二次获取图像且必须直接参与含水印数字照片的认证过程.针对上述问题,本文从含水印数字照片的密钥生成与传递方式入手,提出一种基于状态参数的新型安全数码相机模型.该模型通过设计相机密钥设置函数———级联-混沌映射,隐蔽地生成安全数码相机的相机密钥,然后以相机密钥和照片拍摄时相机的取景模式、焦距、拍摄时间等状态参数为明文数据,利用Hash函数计算出含水印数字照片的密钥,讨论分析了该模型中密钥的保密性和难伪造性,建立了相机与密钥的多对一非线性映射关系.实验结果表明,相机密钥或状态参数改变时,密钥的变化量近似均匀分布.

摘要：为提高密文图像安全性和算法的可逆性,提出一种抵抗唯密文攻击的可分离加密域可逆信息隐藏算法.图像拥有者将图像不重叠地分块后,采用不同密钥分别异或加密块内像素的高3位和低5位,再进行块置乱得到密文图像.信息隐藏者利用像素波动性和无损压缩技术获得较大的嵌入容量,以位翻转方式隐藏附加信息,并通过记录像素波动性实现算法的完全可逆.图像接收者既可无差错提取信息,又可无损恢复原始图像.选取Uncompressedcolor image database图像集中的图像进行实验,结果表明,在数量为20,50,70,100的密文图像集上实施唯密文攻击所得流密码正确率均为50%左右,有效地提高了算法抵抗唯密文攻击的能力;与3种同类算法相比,该算法的隐藏容量分别提升了145.69%,148.21%,240.85%,且得到的解密图像质量均提高约5 dB.

摘要：快速准确地获得脑部核磁共振图像中海马体的体积变化情况,对阿尔兹海默症等疾病的诊断具有重要意义。海马体在大脑中占比很小且与周边结构的边界不明显,使得基于深度学习的核磁共振影像海马体分割具有一定难度。针对上述问题本文提出一种利用边界增强损失训练含注意力机制网络的海马体分割算法,主要贡献在于:1)设计了一种含注意力机制的U形三维卷积神经网络;2)提出一种边界增强的损失函数。在解决海马体与背景因为尺寸相差过大而带来的类不平衡问题的同时,使网络在训练时更注重对海马体边界的学习。在欧洲阿尔兹海默病协会和阿兹海默症神经影像学倡议数据集上,分析讨论了本文提出的损失函数和网络结构的性能。与目前几种先进的基于深度学习的三维分割算法进行了对比分析,实验结果表明本文提出的算法性能更优,达到了89.41%的Dice精度与人工分割精度相近。

摘要：为提高文档水印方法的篡改检测性能和安全性,设计一种关键字符双重验证的Word文档脆弱水印方法。首先记录文档中的关键字符和非关键字符,将每个字符生成的8比特水印信息嵌入自身字符的特殊属性里以抵抗一般篡改;为提高检测关键字符篡改的能力,将关键字符生成的8比特水印信息作为第二重水印信息嵌入到非关键字符的其它特殊属性里以抵抗拼贴攻击,从而实现对关键字符的双重验证;通过统计实验,讨论了水印嵌入在字符特殊属性中对文档大小的影响。实验结果表明,在字符的特殊属性中嵌入水印能增加含水印文档的安全性,在非关键字符中嵌入双重水印能提高算法的篡改检测性能。

摘要：高倍率单幅人脸图像超分辨率重建是一项具有实用价值但困难的任务。在人脸超分辨率任务中,端到端网络超分辨率图像较模糊,图像真实性和人眼视觉效果较差。针对上述问题,文中提出基于多任务对抗和抗噪对抗学习的人脸超分辨率算法。算法分为端到端网络学习阶段和网络参数微调阶段。为了提高端到端学习效果,设计深度多任务拉普拉斯金字塔网络,并结合多任务对抗学习。主任务为端到端学习,子任务为优化对抗学习惩罚项函数。为了改进通过对抗学习并微调主任务网络参数后的效果,在对抗学习的判别器优化过程中,融入抗噪对抗学习。实验表明,文中算法能使人脸超分辨率图像更具有图像真实性,更符合人眼视觉习惯。

摘要：生成式对抗网络(Generative adversarial networks,GANs)是一种有效模拟训练数据分布的生成方法,其训练的常见问题之一是优化Jensen-Shannon(JS)散度时可能产生梯度消失问题.针对该问题,提出了一种解码约束条件下的GANs,以尽量避免JS散度近似为常数而引发梯度消失现象,从而提高生成图像的质量.首先利用U-Net结构的自动编码机(Auto-encoder,AE)学习出与用于激发生成器的随机噪声同维度的训练样本网络中间层特征.然后在每次对抗训练前使用设计的解码约束条件训练解码器.其中,解码器与生成器结构相同,权重共享.为证明模型的可行性,推导给出了引入解码约束条件有利于JS散度不为常数的结论以及解码损失函数的类型选择依据.为验证模型的性能,利用Celeba和Cifar10数据集,对比分析了其他6种模型的生成效果.通过实验对比Inception score(IS)、弗雷歇距离和清晰度等指标发现,基于样本特征解码约束的GANs能有效提高图像生成质量,综合性能接近自注意力生成式对抗网络.

摘要：随着深度学习技术在工业领域的大量部署,应用于运输、装卸、包装、分拣等环节的自动化系统成为仓储物流行业的研究热点。针对机器人箱体拆垛场景提出一个点云中心预测-聚类网络(center prediction-clustering network,CPCN),对箱体垛进行实例分割,并计算每个箱体的上表面中心坐标。CPCN在传统的语义-实例联合分割结构的基础上,为实例分割分支设计了中心预测模块和中心强化模块。中心预测模块帮助定位实例中心以避免中心点分割错误,中心强化模块令属于同一实例的点在特征空间中向中心聚集,二者有效增强了实例特征的辨识能力。在实例特征处理部分设计的中心-实例聚类方法直接对实例特征进行距离度量来计算实例标签,大幅减少了计算时间。在箱体数据集上进行的实验表明,与现有方法相比CPCN在实例分割任务中的平均精确率最低提高了0.7个百分点,最高提高了17.2个百分点,预测实例中心的准确率达到94.4%,中心偏移量低至13.70 mm,且推理速度快于同类型的联合分割网络,对于箱体拆垛任务更有针对性,具有良好的应用价值。

摘要：深度卷积生成式对抗网络(Deep convolutional generative adversarial networks,DCGANs)是一种改进的生成式对抗网络,尽管生成图像效果比传统GANs有较大提升,但在训练方法上依然存在改进的空间.本文提出了一种基于训练图像子样本集构建的DCGANs训练方法.推导给出了DCGANs的生成样本、子样本与总体样本的统计分布关系,结果表明子样本集分布越趋近于总体样本集,则生成样本集也越接近总体样本集.设计了基于样本一阶颜色矩和清晰度的特征空间的子样本集构建方法,通过改进的按概率抽样方法使得构建的子样本集之间近似独立同分布并且趋近于总体样本集分布.为验证本文方法效果,利用卡通人脸图像和Cifar10图像集,对比分析本文构建子样本集与随机选取样本的DCGANs训练方法以及其他训练策略实验结果.结果表明,在Batchsize约为2000的条件下,测试误差、KL距离、起始分数指标有所提高,从而得到更好的生成图像.

摘要：零系数嵌入能有效提高基于直方图平移的JPEG图像可逆信息隐藏(RDH)的嵌入容量,但会产生较大的文件增长和视觉失真。在研究零系数嵌入频率选择和块选择策略的基础上,提出一种能有效降低文件增长和失真的零系数JPEG图像RDH算法。首先分析零系数嵌入对中间符号零游程长度的影响,得到在不同频率下零系数嵌入的模拟文件增量,并定义用于零系数嵌入频率选择的模拟单位文件增量;然后把用于块选择的块平滑度函数定义为两个恒定特征的加权和,分析讨论零系数嵌入的两个恒定特征选取、处理及其权重选取策略;最后设计一种能降低文件增长和失真的零系数JPEG图像RDH算法。实验结果表明:与非零嵌入算法相比,零系数的嵌入容量可增加8~17倍,算法的视觉质量平均可增加1.2~2.5 dB,尤其对于较小的质量因子;与现有零系数嵌入算法相比,算法的视觉质量平均增加1.8~2.3 dB,单位文件增量平均减少0.22~0.36。

摘要：为提高工业机器人码垛的智能化水平,将数字孪生技术与机器人码垛作业流程相结合,研究并设计了工业机器人码垛数字孪生系统。分析了码垛数字孪生系统架构,规划并设计了系统的功能模块和运行机制,阐述了工业机器人数字孪生系统数据集成模块、虚拟场景构建模块、虚拟机器人码垛模块和可视化辅助服务模块的实现方法,融合真实码垛场景下的机器人作业数据,实现了对基于数字孪生技术的工业机器人码垛虚拟可视化仿真与策略优化的信息反馈。设计并开发了面向工业机器人码垛作业的数字孪生系统,以物理码垛场景数据为例,验证了本系统的有效性,为探索数字孪生技术在工业机器人智能码垛的应用进行了尝试。