1037528H.264/AVC視頻編碼器的作用

1037528H.264/AVC視頻編碼器的作用DFS60B-BDCC00004神經(jīng)網(wǎng)絡等特征選擇算法對特征集進行優(yōu)化處理,以使得其對識別任務更加有利,具體的研究工作如下:1、論文先對幾種典型的脈內(nèi)調(diào)制信號進行研究,通過其時域波形圖、頻譜圖分析信號的調(diào)制特點。構建有效的雷達信號原始特征集,本文對幾種雷達信號進行了數(shù)據(jù)增強處理,轉換至頻域上提取復雜度特征、轉換至時頻域上提取小波脊頻級聯(lián)特征、經(jīng)過Wigner-Ville分布至時頻域上提取信息熵級聯(lián)特征、以及在時頻域上提取模糊函數(shù)特征。原始特征集雖從不同角度上更為全面地反映了信號的調(diào)制屬性,但也存在冗余現(xiàn)象,針對這一問題,文章采用Fisher-score特征選擇算法,對各維特征在類間及類內(nèi)距離進行打分,并對特征進行適當剔除,獲得優(yōu)質(zhì)特征子集,結合分類器提高分類性能。2、利用深度神經(jīng)網(wǎng)絡強大的自主學習能力,提出將深度特征選擇網(wǎng)絡應用于雷達信號識別研究中來。深度特征選擇網(wǎng)絡可以通過模型的訓練捕捉到原始特征集中各維特征于分類任務的敏感程度,度量出哪些特征更具區(qū)分度,哪些特征是冗余特征,以此對特征在輸入級別實現(xiàn)加權處理,來提高分類精度。文章通過模型參數(shù)擇優(yōu)實驗,調(diào)整模型參數(shù),獲得了較為滿意的實驗結果。同時,由于是針對具有明確物理意義的原始特征集展開的特征選擇工作,恰當?shù)匾?guī)避了利用深度學習網(wǎng)絡進行雷達信號識別時提取到的特征具有“黑箱性”無法解釋的問題,體現(xiàn)了算法的*性。3、針對深度特征選擇網(wǎng)絡存在的梯度擴散,易陷入局部的問題,引入基于堆疊收縮自動編碼器的特征選擇網(wǎng)絡進行雷達信號識別處理。該網(wǎng)絡采用無監(jiān)督貪心預訓練和有監(jiān)督細化微調(diào)的方式進行學習訓練,有效捕捉到各維特征對分類任務的影響情況,并予以加權處理,實現(xiàn)網(wǎng)絡分類性能的提升。同時,為了驗證該模型的普遍適用性,增加一組將經(jīng)過小波時頻變換的脊線特征直接作為輸入進行分類的實驗,實驗結果驗證了模型具有良好的普適性。已經(jīng)能夠輕易的對視頻內(nèi)容進行篡改,嚴重威脅數(shù)字視頻的完整性和真實性。面對上述問題,數(shù)字視頻技術應運而生。其中,數(shù)字視頻被動算法由于僅依靠數(shù)字視頻固有指紋進行檢測,無需預先嵌入信息而受到廣泛關注和研究。本論文研究數(shù)字視頻被動領域中的重壓縮視頻檢測技術。在大多數(shù)視頻篡改過程中,篡改者需要經(jīng)歷“視頻解壓縮-視頻內(nèi)容篡改-視頻重壓縮”三個步驟。檢測重壓縮視頻具有的重編碼痕跡不僅為篡改分析提供重要依據(jù),還能有效還原可疑視頻的壓縮歷史。重壓縮視頻檢測的主要難點在于:視頻編碼參數(shù)的多樣性（例如:時域編碼結構）使得重編碼痕跡具有復雜的特性。本論文根據(jù)視頻重壓縮過程前后時域編碼結構（即圖像組,Group of Pictures,簡稱GOP）是否一致,將重壓縮視頻檢測分為GOP結構錯位的重壓縮視頻檢測以及GOP結構對齊的重壓縮視頻檢測兩類問題。針對重壓縮視頻的特殊情況-雙壓縮視頻,本文結合多種新技術對上述問題展開了深入研究,提出了四種創(chuàng)新的檢測算法。針對GOP結構錯位的重壓縮視頻在壓縮域留下的異常編碼痕跡,本文分析了視頻背景和前景區(qū)域中運動向量等編碼數(shù)據(jù)的統(tǒng)計特性,提出一種基于局部運動向量場分析的靜止背景視頻雙壓縮檢測算法。該算法利用局部運動向量場分析方法對背景區(qū)域進行宏塊級分割。通過對背景和前景區(qū)域賦予不同權重,抑制快速運動前景內(nèi)容的干擾并提取更為魯棒的加權預測殘差序列。然后采用時間域周期性分析算法對雙壓縮視頻進行檢測并估計原始視頻的GOP結構。由于充分考慮了背景和前景區(qū)域重編碼痕跡的不同特性,該算法比傳統(tǒng)算法對編碼參數(shù)的多樣性更為魯棒。針對GOP結構錯位的重壓縮視頻在像素域留下的異常編碼痕跡,本文分析了MPEG-4視頻像素域的塊效應痕跡,提出一種基于塊效應異常強度的雙壓縮視頻檢測算法。該算法首先利用去塊效應濾波器提取解壓幀的塊效應強度。塊效應強度序列結合宏塊類型統(tǒng)計模式計算特征序列。對特征序列采用時間域周期分析方法檢測雙壓縮視頻并估計原始視頻的GOP結構。由于采用了可靠的像素域異常塊效應度量方法,該算法比傳統(tǒng)算法對視頻內(nèi)容多樣性更為魯棒,特別是具有復雜紋理并緩慢運動的視頻內(nèi)容。為了自動從大量樣本中學習重編碼痕跡的特征表達,本文將近年來獲得廣泛研究的深度學習技術引入到GOP結構錯位.

1037528H.264/AVC視頻編碼器的作用DFS60B-BDCC00004縮視頻檢測問題中。提出了一種基于卷積神經(jīng)網(wǎng)絡的幀級H.264視頻雙壓縮痕跡檢測算法。該算法采用卷積神經(jīng)網(wǎng)絡技術區(qū)分重定位I幀和其他類型的P幀。與傳統(tǒng)的計算機視覺任務不同,所設計的卷積神經(jīng)網(wǎng)絡需要檢測人眼難以感知的重編碼痕跡。因此在網(wǎng)絡結構設計過程中,考慮加入提取高頻分量的預處理層抑制視頻內(nèi)容對分類性能的干擾。此外,該網(wǎng)絡還采用1×1卷積核以及平均池化層等結構減少過擬合現(xiàn)象。實驗結果表明該算法能夠準確的檢測幀級重定位I幀,為后續(xù)視頻級分析提供重要依據(jù)。在實際應用中,具備專業(yè)知識的篡改者往往可以從視頻文件中讀取相關的視頻編碼信息,利用與輸入視頻相同的編碼參數(shù)（例如:時域編碼結構）進行重壓縮,達到使重編碼痕跡難以被檢測的目的。針對這一類GOP結構對齊的重壓縮視頻,本文分析發(fā)現(xiàn)視頻質(zhì)量經(jīng)過多次同參數(shù)重壓縮后終將收斂到穩(wěn)定不變的狀態(tài)。而單次壓縮和雙次壓縮視頻具有不同的視頻質(zhì)量收斂速度。根據(jù)上述發(fā)現(xiàn),本文提出了一種基于質(zhì)量下降機制分析的同參數(shù)雙壓縮視頻檢測算法。該算法構建了多種宏塊模式用于有效表達重壓縮過程中視頻質(zhì)量的下降程度?？紤]不同編碼標準的具體技術特點,面向MPEG視頻和H.264視頻分別提出了兩套檢測特征,結合支持向量機分類器完成檢測。實驗結果表明該算法能夠有效檢測多種編碼設置下的同參數(shù)雙壓縮視頻。