检索结果

Select

1. 基于深度图的3D-HEVC鲁棒视频水印算法

曹海燕, 冯桂, 韩雪, 方定邦, 黄鑫达

计算机应用 2019, 39 (3): 869-873. DOI: 10.11772/j.issn.1001-9081.2018081676

摘要（598）

PDF （750KB）（372）

针对多视点加深度格式的3D视频中深度图鲁棒性不足的问题，提出了一种基于深度图的3D鲁棒视频水印算法。首先，将深度图不重叠的划分为4×4大小的块，计算每一块像素域的均方差，并设置一个阈值来区分纹理块和平坦块；其次，对纹理块计算区域块的能量值，根据计算的能量值设置一个阈值来选择性嵌入水印比特位；最后，获取每个块变换量化后的DC系数，根据获取的DC系数值构造3×3的可逆矩阵，对可逆矩阵进行QR分解，将水印嵌入在分解后的Q矩阵中。所提算法保证了平均峰值信噪比不变，且不同量化参数（QP）值（25、30、35、40）的重编码攻击下的平均误码率为14.9%。从测试的结果来看，该算法具有较好鲁棒性和嵌入容量，同时对视频的质量影响很小。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于簇内能耗最优的设备到设备缓存通信内容共享算法

佟飘, 龙隆, 韩雪, 邱大伟, 胡茜

计算机应用 2018, 38 (6): 1703-1708. DOI: 10.11772/j.issn.1001-9081.2017123015

摘要（446）

PDF （941KB）（342）

针对设备到设备（D2D）缓存通信中，终端设备电池容量有限且设备之间数据传输能耗过大导致文件卸载率下降的问题，提出一种簇内节点能耗最优的缓存通信内容共享算法（CCSA）。首先，鉴于用户终端的随机分布特性，将网络中的用户节点建模为泊松簇过程，基于节点设备能量、通信距离建立卸载模型，设计自适应簇首选择权值公式；其次，遍历节点的能量与距离加权和并采用贪婪算法局部最优原则选取簇首节点，从而对用户节点通信距离进行优化，确保用户能耗最低以延长其生存周期，同时提高系统的卸载率。实验结果表明，与成簇随机选簇首（Random）、非成簇的能耗优化（EC）算法相比，所提算法在网络能耗最优时，系统生存周期延长了约60个百分点、72个百分点。CCSA能够提高卸载率且降低系统的卸载能耗。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于帧内预测模式多划分的HEVC鲁棒视频水印算法

蔡春亭, 冯桂, 王驰, 韩雪

计算机应用 2017, 37 (6): 1772-1776. DOI: 10.11772/j.issn.1001-9081.2017.06.1772

摘要（523）

PDF （778KB）（570）

针对现有基于高效视频编码（HEVC）标准的水印算法鲁棒性不足的问题，提出一种基于帧内预测模式多划分的HEVC鲁棒视频水印算法。首先，针对嵌入水印后帧内误差传播的问题，对4×4亮度块进行可嵌区域的选择，并计算4×4亮度块的纹理方向；其次，将33种角度预测模式划分为四种模式集，依次记为：上水平、下水平、上垂直、下垂直；最后，将当前以及下一待嵌入水印的值与模式集建立映射关系，通过判断当前4×4块属于哪个模式集来进行水印的嵌入，并将33种角度模式截断为其中一种模式集。解码端通过纹理方向和预测模式集提取水印。实验结果表明，所提算法的平均峰值信噪比维持不变，且在重编码攻击下的误码率（BER）为14.1%。由此可知，该算法对视频质量影响很小，在鲁棒性上可以抵抗重编码的攻击。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于粒子滤波重采样与变异操作的改进粒子群算法

韩雪, 程奇峰, 赵婷婷, 张利民

计算机应用 2016, 36 (4): 1008-1014. DOI: 10.11772/j.issn.1001-9081.2016.04.1008

摘要（498）

PDF （928KB）（415）

针对标准粒子群优化(PSO)算法在求解过程中存在求解精度低、搜索后期收敛速度慢等问题,提出一种基于粒子滤波重采样步骤与变异操作相结合的改进PSO算法——RSPSO。该算法充分利用重采样中具有较大权值的粒子被保留和复制、较小权值的粒子被舍弃的特点,并利用已有的变异操作方法克服粒子匮乏的缺点,大大增强了PSO算法中后期搜索阶段的局部搜索能力。在不同基准函数下对RSPSO算法和标准PSO算法以及文献中其他改进算法进行对比。实验结果表明, RSPSO算法的收敛速度较快,同时其搜索精度和解的稳定性均有所提高,且能够全局地解决多峰问题。

参考文献 | 相关文章 | 多维度评价

Select

5. 基于序列分解的复杂系统的时序预测方法

韩雪梅; 徐从富; 沈慧峰

计算机应用

摘要（1939）

PDF （720KB）（914）

现实中的时序数据，往往取自于复杂系统，表现出长记忆效应与短时不规则波动同时并存。传统的时序数据的分析和预测方法一般对不同层次的影响不加以区分，而是为其建立一个统一的模型，这使得在对复杂系统建模时需要用大量的参数予以表征，影响预测效率与精度。为此采用新的方法，将序列数据本身进行多平滑因子分解，对分解后的序列进行多尺度的采样并分别建模、预测，最后将结果整合。该方法应用于股票的实验表明，即使对起伏波动很大的时间序列，也能够得到较好的预测结果。