现有的公钥密码研究大多是以增加椭圆曲线密码体制(ECC)的冗余操作来抵御差分功耗分析(DPA)攻击,但会降低ECC的运行效率,从而影响ECC在运算环境受限的密码设备中的使用。为此,以增强ECC的功耗安全和提高计算效率为目标,基于椭圆曲线同种映射理论,建立椭圆曲线等价变换模型,并设计一种能防御DPA攻击ECC的安全方法,通过变换椭圆曲线点乘运算的表现形式,消除点乘运算与泄漏的功耗信息的相关性,从而防御DPA攻击ECC。效率及安全性评估结果表明,该方法没有增加ECC的额外计算开销,且能够防御DPA攻击。
鉴于能量分析攻击对密码芯片安全性的严重威胁,对掩码技术进行研究,提出一种通过使用预处理函数对固定值掩码进行攻击的高阶差分功耗分析(HODPA)方案。利用功耗曲线上2个信息点的联合分布绕过掩码对加密系统的保护。开发以MEGA16单片机为核心的侧信道攻击平台,并在该平台上进行实验验证,结果表明,在不明确掩码具体数值的情况下,一阶DPA无法恢复出正确密钥,HODPA方案仅需约500条功耗曲线即可得到正确密钥,且正误密钥之间区分度高,具有较强的实用性。
针对Android系统粗粒度的权限机制及隐私保护机制安全性较低的问题,提出粒度可控的多域隔离隐私保护模型MDSDroid,并在Android系统上设计模型实现框架。通过定义模型变量以及访问控制策略,实现应用程序及其数据间的隔离和强安全访问控制机制。采用Z语言对模型进行形式定义,并运用形式验证工具Z/EVES进行形式分析,保证模型策略的正确执行,在增强系统安全的同时保护隐私数据的安全性。实验结果表明,该模型系统与Android原生系统相比具有较低的性能损耗。
针对传统高斯滤波器算法存在边缘模糊及局部伪影的问题,提出一种改进型均值滤波算法,以有效去除图像中的高密度脉冲噪声。通过求解图像直方图,检测图像直方图的左右2个峰值点,以查找出可疑的噪声点,进而使用灰度值确定其坐标。利用图像像素点周围灰度值的相似性,在局部窗口选择递归加权平均值代替被污染的图像像素点灰度值。结合自动选择Canny算子的双阈值方法,对灰度图像边缘进行检测。实验结果表明,该算法的算子滤波效果优于LOG算子和传统灰度Canny算子,且具有较好的稳定性。
在实际工程中多数监控摄像头是固定的,为了使计算能力有限的智能摄像头实时地进行人体行为识别,提出一种将无迭代双边二维主成分分析方法(NIB2DPCA)与高斯混合模型(GMM)相结合的行为识别方法。提取视频帧序列中运动前景的稠密光流,绘制运动矢量时空(MVFI)模板,利用NIB2DPCA对MVFI模板作特征抽取,通过GMM对特征数据建模从而实现行为分类。测试结果表明,与轨迹云比较法相比,该方法对视频中的行为信息进行了有效地压缩,使得计算耗时缩短了90%以上,同时保持了较高的识别率。
为克服步态轮廓变化对步态识别的不利影响,采用步态能量图改进对数Gabor相位一致性特征,提出一种新的步态识别方法。利用局部能量计算方法及频率扩展与噪声补偿策略,使提取的步态特征更具识别性和定位性,并对该步态特征进行线性判别分析降维。应用基于欧氏距离的最近邻分类器在CASIA和USF步态数据库上进行测试,结果表明该方法在个体携包行走、穿着和视角变化的情况下均能较好地识别步态轮廓,相比现有步态识别方法具有更高的正确识别率。
传统网格生长法对孔洞数量庞大且孔洞类型复杂的三维网格模型修复效果不佳。针对该问题,将泊松方程应用于三角网格模型的孔洞修补。利用原始模型信息建立泊松方程,对输入模型曲面进行全局拟合,根据孔洞信息裁剪拟合得到的预测曲面并与原始孔洞模型缝合,通过孔洞边界区域法向量信息调整修补曲面的三角面片方向,达到特征增强的目的。实验结果表明,该算法对于结构复杂的多孔洞三维模型修补效果较好,对噪声鲁棒性强,在保留模型原始信息的同时能够准确还原孔洞区域特征。
针对公共区域下的智能视频监控问题,提出一种新的从视频中检测人群异常行为的方法。利用混合高斯模型提取视频中的人群运动前景,在运动前景区域内使用等间距抽样法提取特征点。在人群特征提取阶段,给出光流特征提取方法,通过Lucas-Kanade法计算特征点的光流场,并统计计算全局特征点的光流方向直方图、光流大小直方图和光流加速度直方图,将融合3种直方图的综合光流直方图作为人群特征,使用支持向量机对特征数据进行训练和预测,判断人群中是否存在异常行为。实验结果表明,与基于社会力模型和纯光流方向直方图的方法相比,该方法能够有效、实时地检测人群中的异常行为,在UMN数据集中的检测率达到97%以上。
基于暗原色先验的去雾算法估计出的透射图清晰度低,采用软抠图优化透射图时算法复杂度高,耗时大。而应用经典引导滤波优化时,算法复杂度低,但恢复出的图像在景深跳变处存在光晕现象。为解决上述问题,提出一种快速去雾算法,将颜色衰减先验代替暗原色先验,通过建立线性模型简化求解透射图的过程,从而快速得到原始估计的透射图。将估计的透射图作为引导滤波的输入图像,先对其下采样再进行滤波处理,以降低算法复杂度。对输出图像的平坦区域和边缘区域采用不同的插值算法进行插值,得到原始大小的透射图。实验结果表明,该算法能够快速有效地恢复出无雾图像以及图像的细节信息和色彩,在保证图像质量的前提下,大幅提高算法的运行效率,降低算法复杂度,满足实际应用中的实时性要求。
为有效利用电力资源,改进电力供需结构,建立面向电力负载的短期预测模型。利用层次分析法,对负载预测的影响因素做权重筛选,优化输入参数。通过主成分分析法对样本数据进行线性组合,压缩数据,提高网络泛化能力。引入L-M算法完善反向传播(BP)算法,加快收敛速度。同时结合改进的遗传算法,自适应调整交叉变异概率,对BP神经网络的初始权重进行动态赋值。在真实数据集上的实验结果表明,相较于传统神经网络模型,提出的模型能够加快神经网络的收敛速度,同时提高预测精度,电力负载的实际值与预测值的相对误差小于3%。
为实现准确的自动睡眠分期,且满足泛化能力的需求,基于脑电(EEG)和肌电(EMG)多特征,提出一种自动睡眠分期方法。以MIT-BIH多导睡眠数据库中样本的EEG和EMG为分析对象,采用离散小波变换对原始数据进行滤波预处理,提取EEG的α,β,θ,δ节律波和高频成分的能量比,利用样本熵算法提取EEG的非线性特征。将特征参数输入支持向量机分类器中进行样本训练与分类识别。实验结果表明,该方法的分期准确率可以达到92.94%,相比基于EEG的睡眠分期方法平均准确率提高3.96%,交叉验证平均准确率达82.68%,具有较好的泛化能力。
在传统基于HTTP的自适应流媒体(HAS)系统中,当多个用户共享同一瓶颈链路时,客户端存在不公平、不稳定、网络资源利用不充分的问题。为此,提出一种HAS全局优化策略。在软件定义网络控制器上部署全局优化模块实现全局优化,在制定策略时,将用户体验质量的全局优化和路径规划相结合,根据网络状况和用户体验需求,得到客户端的最优请求码率和最佳路径。仿真结果表明,与未经优化的HAS系统相比,该策略能够有效提高用户体验质量,并且使公平性和稳定性得到改善。