空间离群点的模型与跳跃取样查找算法

目前无论是查找一般的离群点，还是空间离群点，都强调非空间属性的偏离，但在图像处理、基于位置的服务等许多应用领域，空间与非空间属性要综合考虑。为此，首先提出了一个综合考虑两者的空间离群点定义，然后提出了一种新的基于密度的空间离群点查找方法——基于密度的跳跃取样空间离群点查找算法DBSODLS。由于已有的基于密度的离群点查找方法对每一点都要求进行邻域查询计算，故查找效率低，而该算法由于可充分利用已知的邻居信息，即不必计算所有点的邻域，从而能快速找到空间离群点。分析与试验结果表明，该算法时间性能明显优于目前已有的基于密度的算法。     

多代表点特征树与空间聚类算法

空间数据具有海量、复杂、连续、空间自相关、存在缺损与误差等的特点，要求空间聚类算法具有高效率，能处理各种复杂形状的簇，聚类结果与数据空间分布顺序无关，并且对离群点是健壮的等性能，已有的算法难以同时满足要求。本文提出了一个适合处理海量复杂空间数据的数据结构一多代表点特征树。基于多代表点特征树提出了适合挖掘海量复杂空间数据聚类算法CAMFT，该算法利用多代表点特征树对海量的数据进行压缩，结合随机采样的方法进一步增强算法处理海量数据的能力；同时，多代表点特征树能够保存复杂形状的聚类特征，适合处理复杂空间数据。实验表明了算法CAMFT能够快速处理带有离群点的复杂形状聚类的空间数据，结果与对象空间分布顺序无关，并且效率优于已有的同类聚类算法BLRCH与CURE。     

基于多分类器的复合决策树在遥感分类中的应用

提出二阶段分类方法,第一阶段利用多分类器进行各波段分类,第二阶段使用复合分裂准则构建复合决策树进行综合分类。实验表明,该方法分类精度优于最大似然分类法。     

基于光流周期特性的视频帧率上转篡改检测

视频帧率上转是视频时域篡改的一种常见篡改手段,它通过周期性地在两个视频帧中间插入中间帧的方式,实现将视频由低帧率转换到高帧率的目标.本文提出了一种基于光流周期特性的视频帧率上转篡改检测算法,首先将视频转为帧图像序列,然后采用Horn-Schunck光流法计算每帧图像每个像素点的光流矢量,并计算相邻帧图像光流的变化率.最后利用快速傅里叶变换对光流变化率数据进行频谱分析,根据最高谱线的幅值与平均幅值的比值阈值来判别视频是否经过篡改.实验表明,算法不仅能够准确识别待测视频是否经过帧率上转篡改,并且提高了视频压缩的鲁棒性能,具有一定的实际应用价值.     

同源视频Copy-Move篡改检测及恢复

针对同源视频序列的copy-move篡改方式, 提出一种通过度量图像内容间的相关性, 来实现对视频序列的copy-move篡改检测并恢复的方法. 首先将视频帧内容转化为一系列连续的图像帧, 对图像分块, 提取每帧图像的8个特征矢量, 再利用欧氏距离计算帧间相关性, 并通过添加偏差矩阵构造动态偏差阈值, 检测出copy-move篡改序列且精确至帧, 从而实现对视频序列的篡改检测与恢复. 实验表明, 该算法对同源视频序列的copy-move篡改检测及恢复能够取得理想的效果.     

利用模式噪声聚类分析的视频非同源篡改检测

利用模式噪声相关性分析视频篡改取证的方法存在阈值影响的问题,提出一种基于模式噪声聚类分析的篡改检测方法。首先用滤波器提取视频帧噪声,然后以这些视频帧噪声的统计特性作为样本,用基于密度的聚类算法得到低密度区域对象,检测出被篡改的帧。实验结果表明,该算法能够有效鉴定视频是否被篡改。     

融合前景判别和圆形搜索的目标跟踪算法

针对运动目标在发生遮挡、形变、旋转和光照等变化时会导致跟踪误差大甚至丢失目标以及传统跟踪算法实时性差的问题,提出了一种融合前景判别和圆形搜索（CS）的目标跟踪算法。该算法采用了图像感知哈希技术来描述与匹配跟踪目标,跟踪过程使用了两种跟踪策略相结合的方法,能够有效地解决上述问题。首先,根据目标运动方向的不确定性和帧间目标运动的缓慢性,通过CS算法搜索当前帧局部（目标周围）最佳匹配位置;然后,采用前景判别PBAS算法搜索当前帧全局最优目标前景;最终,选取两者与目标模板相似度更高者为跟踪结果,并根据匹配阈值判断是否更新目标模板。实验结果表明,所提算法在精度、准确率和实时性上都比MeanShift算法更好,在目标非快速运动时有较好的跟踪优势。     

基于集成学习双流神经网络的实时面部篡改视频检测模型

恶意面部篡改对社会安全和稳定存在负面影响，对面部篡改后的视频图像进行准确的检测是一个十分重要的课题。为了解决视频检测模型实时性较差的问题，提出一种基于集成学习双流循环神经网络的面部篡改视频检测模型，并引入集成学习中的投票机制。首先，接收少量连续的序列帧，通过卷积神经网络进行空间特征的提取，同时引入中心差分卷积进行空间域的篡改伪影增强。然后，将连续的序列帧进行差分，以增强时间域上的篡改伪影，同时通过卷积神经网络进行时间特征的提取。随后，将空间域和时间域的双流特征向量进行拼接，通过循环神经网络进行特征提取。在循环神经网络特征提取过程中，逐帧的特征信息被保留下来作为后续辅助帧级分类器的输入，同时循环神经网络的最终输出作为视频级判别器的输入。最后，引入集成模型的投票机制整合多个辅助帧级判别器和视频级判别器的输出，并通过引入权重超参数γ来平衡辅助帧级判别器和视频级判别器的重要程度，帮助模型提高检测准确率。在FaceForensics++数据集上，与主流检测模型进行对比，所提模型平均准确率提升了0.4%和1.0%。同时，所提模型可以仅使用较少连续帧进行篡改检测，提高了模型的实时性。     

人脸伪造检测泛化性方法综述

深度学习技术的快速发展为深度伪造的研究提供了强有力的工具,人眼越来越难区分伪造视频图像的真假。伪造的视频图像会对社会生活造成巨大的负面影响,如:金融欺诈、假新闻传播、人身欺凌等。目前,基于深度学习的假脸检测技术在多个基准数据库(如FaceForensics++)上已经达到了较高的准确率,但在跨数据库上的检测精度远低于源数据库内的检测精度,即许多检测方法难以推广到不同的或未知的伪造类型上。专注于基于深度学习的人脸伪造检测方法泛化性研究,首先对伪造检测常用的数据库进行简单介绍和比较;其次从数据、特征和学习策略3个方面对视频图像篡改检测方法的泛化性进行分类总结和分析;最后讨论未来人脸篡改检测泛化性的发展方向和挑战。     

基于动态阈值的帧复制粘贴篡改检测

帧复制粘贴是一种常见的时域篡改方式,篡改者采用这种方式来移除视频中某段内容,如犯罪现场、犯罪证据等.针对这种篡改,已经有不少方案被提出,但是它们有两个缺点：一采用固定的阈值;二时间复杂度很高.大部分被篡改视频会经过再压缩处理,由于视频压缩基本是有损压缩,可能会导致固定阈值失去应有作用.因此,本文提出一种基于动态阈值的被动取证算法,来增强算法的鲁棒性,并且通过引入字典排序算法来缩小帧匹配时的搜索范围,成功降低了时间复杂度.文章采用精确度、召回率和平均每帧计算时间来对提出算法的性能进行评估,结果表明本算法在这三方面都优于其他算法,而且具有更好的鲁棒性.