奇偶量化的抗同步攻击音频水印方案

提出一种基于奇偶量化的音频水印算法,算法具有如下特点：（1）在音频信号的时间域上检索满足条件的同步信号区,同步信号区是一段具有一定长度且能量较大的音频信号;这种时间域上的同步检索具有较高的效率;（2）水印图像划分成若干块,把每一个水印分块及其分块编号嵌入在一个同步信号区的小波变换低频系数上,水印图像划分成分块循环嵌入到检索到的同步信号区,当含水印的音频信号被裁剪后,可以确保在其他音频段提取出正确的水印分块;（3）水印检测不需要参考原始音频信号,是一种盲检测水印算法。仿真实验证明了算法对常见的音频信号处理具有较好的鲁棒性和不可感知性,对同步攻击、抖动攻击具有很好的鲁棒性。     

基于模板子空间的快速固定音频检索方法

针对大容量模板库条件下固定音频检索面临检索速度慢的问题,提出一种基于模板子空间的快速固定音频检索方法.利用相同或相似音频数据间存在一定相关性的特点,采用基于模板子空间的方法快速筛选出相似度较高的候选模板集,对候选集内的所有模板进行精细检索以得到最终结果.实验结果表明,与已有方法相比,该方法可以在几乎不损失精度的情况下大幅提高检索速度.     

基于GPU加速的音频检索技术

由于数字音频数据量极大的特点,采用传统音频检索方法会导致等待时间过长。为加快音频检索时间,提出一种基于GPU加速的数字音频检索方法。利用数字音频的特征将连续的音频划分成等长的多个短时音频段,采用GPU加速算法计算每个短时音频段的特征值,将各段的特征值构成特征矩阵。使用后缀数组的变形算法找出2个特征值序列的公共特征段落集合,并将公共特征段落集合进行精化和整体匹配,从而得出检索结果。实验结果表明,该检索方法的准确率可以达到95%以上,与已有方法相比,可以大幅度地提高检索速度,加速比可以达到10倍以上。     

抗频率变换的采样计数音频检索方法

理想的音频检索方法可以准确、高效地从大规模音频数据库中识别所有音频。但是,目前还没有一种方法可以对所有噪声干扰鲁棒。基于Philips指纹的采样计数音频检索方法是目前最高效的方法之一,如果能解决其无法抵抗线性变换（时间缩放、频率变换）的缺点,则整个采样计数音频检索方法将进一步趋于理想。针对其中的频率变换问题,提出抗频率变换的采样计数音频检索方法,包括变频带间隔的查询指纹生成方法、多频率尺度的查询匹配方法,以及分步骤指纹提取和变过滤阈值两种加速策略。该方法可以抵抗70%到130%的频率变换,效果与目前最好的QUAD方法相当,并且可以扩展到任意使用Philips类的指纹的检索方法以增强其抵抗频率变换干扰的能力。     

基于模板匹配的自适应目标跟踪算法的实现

基于传统的目标跟踪方法,在图像检索过程中采用了自适应模板匹配方法,提高了目标跟踪的速度和可靠性,使目标跟踪的准确程度和算法的效率有了显著的提高,并给出了使用自适应模板匹配方法跟踪的试验仿真结果。     

基于分形特征的音频检索

提出利用分形几何抽取音频特征的全局化音频检索,将其学习阶段计算音频数据库中每个音频的分维作为特征向量,保存在音频特征数据库中,并建立索引。其检索阶段则首先计算查询音频的分维,然后从音频数据库中快速找出分维最相似的若干音频对象。分维刻画了音频的内在属性如自相似性,使其具有片段检索对匹配的起点不敏感、抗噪音、检索速度快等优点。用FRACTAL, MFCC和SOLAR 3种方法对数据集分别检索,实验结果表明基于分维的音频检索在性能和时间复杂度上有显著优势。     

基于模板匹配及区域信息融合提取的快速目标跟踪算法

提出了一种基于融合的快速目标跟踪算法。该方法将目标预测模型、目标模板匹配以及目标空间信息融合到统一框架内。该方法通过预测模型,预测下一帧中目标候选区域,从而降低模板匹配方法的搜索区域。然后在预测模型预测的搜索范围内进行目标的模板匹配,同时,提取目标的区域信息来辅助目标的模板跟踪方法。最终跟踪结果由目标模板跟踪以及目标的空间信息共同决定。本方法由于采用了目标的预测模型,从而能够减少目标的搜索范围,降低因目标的全图搜索造成的时间开销。并且由于减少了搜索区域,剔除了部分相似的匹配窗口,从而提高了跟踪时匹配的精度。本算法结合了目标模板跟踪和目标区域信息的优点,能够增强目标跟踪过程准确度。由于加入了目标的区域信息,对目标跟踪中出现的漂移现象更加鲁棒。实验结果表明,本方法在进行目标跟踪过程中对出现的漂移、遮挡等问题更加鲁棒、稳定。     

基于熵的音频指纹检索技术研究与实现

介绍了一种基于熵的音频指纹检索技术,该技术采用音频的熵特征作为音频的指纹特征(AFP),在检索中,该指纹特征可以用多种串匹配算法进行信息比对。实验采用最大公共字串(LCS)、编辑距离(Levenshtein Distance)和动态时间规整(DTW)算法实现指纹特征匹配,并采用一定数量的歌曲文件作为实验的测试集。每首歌曲都有一个带有不同的较大失真的音频文件或由不同歌唱家演唱的不同版本,这些带有不同的较大失真的音频文件由原曲经过不同的严重音频处理得到,比如添加噪声、加快速度、剪辑等。实验结果显示,使用的3种匹配算法均可以将训练集中所有的歌曲正确地识别出来,从而证明了基于熵的音频指纹检索技术具有准确性、鲁棒性、区分性等优良性质。     

基于仿真模板和SuperGlue的舰船匹配检测

舰船检测在各个领域都有广泛的应用价值。针对经典模板匹配算法在模板与实际场景图像存在灰度偏差和角度偏差时检测准确度受限的问题，提出一种基于仿真模板特征匹配的舰船目标检测方法。基于目标的先验三维数字模型仿真生成目标模板，以适应实际场景的多角度变化；采用基于SuperGlue算法的目标匹配方法，并定义良好匹配的判别表达式；同时为提高姿态角的准确性，采用基于姿态角邻域采样的由粗粒度到细粒度的姿态角调整策略，进而确保好的匹配效果。多组不同观测角度下的匹配实验结果的mIoU达到0.76,目标整体检测准确性较好，相较采用固定正射模板匹配的方式，其准确性和稳定性更佳。     

基于压缩感知和音频指纹的固定音频检索方法

针对现有音频检索中样本音频特征库数据量较大且检索速率慢问题, 本文提出一种基于压缩感知和音频指纹降维的固定音频检索方法. 在音频检索的训练阶段, 首先, 对样本音频信号进行稀疏化处理, 并通过压缩感知算法对稀疏化后的音频数据进行压缩; 其次, 提取压缩信号的音频指纹; 再次, 引入音频指纹离散基尼系数通过计算音频指纹各维度的离散基尼系数对指纹实施降维, 最终得到检索特征库. 在音频检索阶段用和训练阶段相同的算法提取待检音频的特征与音频特征库数据匹配得出检索结论. 实验结果表明, 所提音频检索方法在确保较好的检索准确率的基础上, 大幅度减小了样本音频数据库的存储量, 提高了音频的检索速率.     

音频信息检索的研究及实现

介绍了常见的基于内容的音频检索的关键技术和音频特征提取的一般方法，讨论了其中基于隐马尔科夫(HMM)模型识别音频例子的关键问题，并在此基础上给出了一个基于内容的音频信息检索系统的框架和实例。     

基于马尔可夫随机场与活动轮廓的运动目标分割

针对视频序列图像中的运动目标分割，提出了将马尔可夫随机场模型和活动轮廓模型相结合的运动目标分割算法。该算法首先利用马尔可夫随机场模型的运动检测算法，得到运动目标的初始模板。在此基础上提取出活动轮廓模型的初始轮廓点，然后构造活动轮廓模型的能量函数。用改进的贪婪算法求得能量函数最小值，提取出运动目标的精确轮廓，从而得到具有精确边缘的运动目标。实验结果表明该算法能有效地分割和提取出视频序列中的运动目标。     

结合密钥和随机标准正交基的音频伪装方案

传统基于Tangram的音频伪装方法所采用的变换模型为仿射变换模型,变换精度低且不满足基本的正交关系,从而无法保证秘密音频与公开音频之间的拟合精度,同时当分段变换音频为恒值序列时,需添加随机扰动以保证变换后音频的恢复质量,由此会降低信道传输音频的听觉质量。针对此问题,提出一种结合密钥和随机标准正交基的音频伪装方法。首先对秘密音频和公开音频分段,利用密钥构造随机标准正交基;其次通过秘密音频小段在随机标准正交基上的投影来对秘密音频小段进行表达,从中选取包括均值幅值较大的前k个投影系数,并记录对应的索引位置;再次通过EMD-q密写方法嵌入到对应的公开音频小段中形成信道公开传输音频;最后通过信道公开传输音频提取的变换参数结合密钥重构秘密音频。实验表明,所提方法可充分利用随机标准正交基重构不同精度的秘密音频,且随着选取的幅值系数增多,恢复的秘密音频质量也越来越好,同时所述策略严格依赖于密钥,只有掌握正确密钥的用户才能进行高精度的重构。     

基于运动信息与马尔可夫彩色聚类的运动目标分割

针对视频序列图像中的运动目标分割,论文提出了将运动检测和马尔可夫彩色聚类相结合的运动目标分割算法。该算法首先利用基于统计模型的运动检测算法,通过后处理,得到运动目标的初始模板。然后,利用区域生长算法进行彩色图像的初始分割,在初始分割的基础上应用马尔可夫随机场模型进行彩色聚类,得到具有精确边缘的分割区域。最后,将运动目标的初始模板和彩色精确分割结合起来提取出具有精确边缘的运动目标。实验结果表明该算法能有效地分割和提取出视频序列中的运动目标。     

基于单状态HMM的音频分类方法研究

经典的隐马尔可夫模型(HMM)是一种基于统计信号的模型,它在基于内容的音频检索系统中具有重要的作用。根据音频分类重类型轻内容的特性,将单状态的HMM用于音频分类,克服了多状态HMM在模型初始化时状态初始概率和转移概率赋值带有假设不准确的缺点。实验结果表明基于单状态的HMM模型音频分类方法能有效地减少误识率,提高音频分类的精确度。     

一种基于PCA-BP神经网络的示例优选方法

在音频示例检索的研究中,针对示例数据量大而导致计算代价大、检索时间长和噪声鲁棒性差等问题,提出了一种基于主成分分析（PCA）和BP神经网络（BPNN）的示例优选方法。以信号鲁棒性评分为依据构建数据集合,使用主成分分析得到段级特征,消除数据冗余,减少输入变量,最后利用BPNN对保留成分进行建模预测。用PCA-BPNN模型对实验数据进行了验证性测试和分析,结果表明,该方法可以准确而高效地从一段音频中选取鲁棒性好的示例。     

一种面向基于内容视频检索的音频场景分割方法

视频数据中的音频流包含了丰富的语义信息.在基于内容的视频检索中,对音频信息的分析是不可分割的一部分.本文主要讨论基于内容的音频场景分割,分析各种音频特征及提取方法,并在此基础上提出一种新的音频流分割方法,根据六种音频类型(语音、音乐、静音、环境音、纯语音、音乐背景下的语音和环境音背景下的语音)的音频特征对视频数据中的音频流分割音频场景.实验证明该方法是有效的,在保证一定的分割精度的同时,准确率和查全率都得到了较大的提高.     

Pseudo-zernike moments-based audio content authentication algorithm robust against feature-analysed substitution attack

Content-based audio content authentication algorithms provide a method to solve the veracity and integrity of audio content. On the basic of pseudo-Zernike moments, an audio content authentication algorithm robust against feature-analysed substitution attack is proposed, which is aimed at some insecure issues in the existing content-based audio content authentication schemes. Firstly, the audio signal is cut into non-overlapping frames and each frame is divided into two segments, and each segment is scrambled. Then, synchronization codes generated by pseudo random sequence and watermark bits generated by pseudo-Zernike moments are embedded in the first and second segment, respectively, which are completed by quantizing the modulus of pseudo-Zernike moments. The scrambled segments used to generate and extract watermark are unknown to attackers. So, it is difficult for attackers to get the watermark generated and extracted to perform feature-analysed substitution attack. The synchronization code and watermark embedding method proposed is inaudible and has excellent ability to tolerance against common signal processing operations. Compared with the existing audio watermark algorithms based on pseudo-Zernike moments, the algorithm increases the embedding capacity and improves the security of the watermarking system.