检索结果

Select

1. 基于动态网络的非线性置乱扩散同步图像加密

郭媛, 王学文, 王充, 姜津霖

《计算机应用》唯一官方网站 2022, 42 (1): 162-170. DOI: 10.11772/j.issn.1001-9081.2021071220

摘要（325）

HTML （13）

PDF （3822KB）（73）

具有置乱-扩散结构的传统图像加密中的置乱与扩散通常相互独立，易被单独针对破解，且加密过程非线性弱，导致算法安全性差，为此提出了一种具有强非线性的置乱扩散同步图像加密算法。首先，构造新型sine-cos混沌映射，以拓宽控制参数范围，并改善序列分布的随机性；然后，用明文像素与混沌序列的异或和作为混沌初始值产生混沌序列，用其构建不同明文的不同像素的网络结构，同时利用扩散值动态更新网络值，使网络具有动态性；最后，使用单像素串行置乱-扩散使置乱与扩散产生交叉作用，整体上达到置乱和扩散的同步，从而有效抵抗分离攻击。另外，依照网络结构转移像素操作，使串行路径具有非线性和不可预测性，从而保证算法的非线性与安全性，并且利用相邻节点像素和进行动态扩散，从而提高明文的相关性。实验结果表明，该算法加密安全性高，明文敏感性强，并在抗统计攻击、差分攻击、选择明文攻击等方面效果尤佳。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于张量核范数与3D全变分的背景减除

陈利霞, 班颖, 王学文

计算机应用 2020, 40 (9): 2737-2742. DOI: 10.11772/j.issn.1001-9081.2020010005

摘要（461）

PDF （950KB）（476）

针对常用背景减除方法忽略前景时空连续性的问题，以及动态背景对前景提取的干扰问题，基于张量鲁棒主成分分析（TRPCA）提出了一种改进的背景减除模型。该模型利用改进的张量核范数对背景进行约束，加强了背景的低秩性，保留了视频的空间信息；然后用3D全变分（3D-TV）对前景进行正则化约束，考虑了目标在时空上的连续性，有效地抑制了动态背景和目标移动对前景提取造成的干扰。实验结果表明，所提算法能有效地分离视频中的前景和背景，且与高阶鲁棒主成分分析（HoRPCA）、带有新核范数的张量鲁棒主成分分析（TRPCA-TNN）和基于克罗内克基的鲁棒主成分分析（KBR-RPCA）等方法相比，综合评判指标F-measure值均处于最优或次优状态。由此可见，所提算法有效地提高了前景背景分离的准确度，抑制了复杂天气和目标移动对前景提取的干扰。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于改进CPMs和SqueezeNet的轻量级人体骨骼关键点检测模型

强保华, 翟艺杰, 陈金龙, 谢武, 郑虹, 王学文, 张世豪

计算机应用 2020, 40 (6): 1806-1811. DOI: 10.11772/j.issn.1001-9081.2019101866

摘要（609）

PDF （1242KB）（419）

针对目前的人体骨骼关键点检测模型参数多、训练时间长和检测速度慢的问题，提出了一种将人体骨骼关键点检测模型CPMs与小型卷积神经网络模型SqueezeNet相结合的检测方法。首先，采用4个Stage的CPMs(CPMs-Stage4)对人物图像进行关键点检测；然后，在CPMs-Stage4中引入SqueezeNet的Fire Module网络结构，利用Fire Module结构大大压缩模型参数，得到一种新的轻量级人体骨骼关键点检测模型SqueezeNet15-CPMs-Stage4。在扩展的LSP数据集上的验证结果显示，与CPMs相比，SqueezeNet15-CPMs-Stage4模型在训练时间上减少86.68%，在单张图像检测时间上减少44.27%，准确率达到90.4%；与改进的VGG-16、DeepCut和DeeperCut 三种参照模型相比，SqueezeNet15-CPMs-Stage4模型在训练时间、检测速度和准确率方面均是最优的。实验结果表明，所提模型不仅检测准确率高，而且训练时间短、检测速度快，能够有效降低人体骨骼关键点检测模型的训练成本。

参考文献 | 相关文章 | 多维度评价

Select

4. 结合加权Schatten- p范数与3D全变分的前景检测

陈利霞, 刘俊丽, 王学文

计算机应用 2019, 39 (4): 1170-1175. DOI: 10.11772/j.issn.1001-9081.2018092038

摘要（416）

PDF （811KB）（232）

针对低秩与稀疏方法一般将前景看作背景中存在的异常像素点，从而使得在复杂场景中前景检测精确度下降的问题，提出一种结合加权Schatten- p范数与3D全变分（3D-TV）的前景检测模型。该模型首先将观测数据三分为低秩背景、运动前景和动态干扰；然后利用3D全变分来约束运动前景，并加强对前景目标时空连续性的先验考虑，有效抑制了不连续动态背景异常点的随机扰动；最后利用加权Schatten- p范数约束视频背景的低秩性能，去除噪声干扰。实验结果表明，与鲁棒主成分分析（RPCA）、高阶RPCA（HoRPCA）和张量RPCA（TRPCA）等模型相比，所提模型的综合衡量指标F-measure值是最高的，查全率与查准率也处于最优或次优状态。由此可知，所提模型在动态背景、恶劣天气等复杂场景中能有效提高运动目标的提取精确度，且提取的前景目标视觉效果较好。

参考文献 | 相关文章 | 多维度评价