首页 > 其他 > 详细

翻拍特征提取及SVM分类

时间:2018-05-27 00:45:33      阅读:86      评论:0      收藏:0      [点我收藏+]

标签:没有   灰度化   ec2   方法   拍照   相减   重新   识别   bsp   

如下介绍DCT、灰度图及DWT分别对正常及翻拍的特征提取,并将其用于SVM训练模型及对新数据的预测。根据不同方式数据的翻拍检测实验结果可得出鲁棒性DWT>DCT>灰度图。

一、DCT特征:

1、 从DCT特征图发现特征

对JPG的二次压缩存在明显的特征(二次压缩导致在左上角的连续区域外出现非0即非黑的像素点)

正常:

技术分享图片

翻拍:

 技术分享图片

 

2、 提取DCT分类的特征

从DCT特征图里分别从横向纵向分相同区域提取分类特征(对区域里存在非0像素点的设为1不存在的设为0)

 技术分享图片

3、 实验结果

改变图片尺寸及降低图片质量对识别率有一定的影响,降低影响可根据实际的图片数据重新训练分类模型。对不同手机(拍照机器)有很大的影响,若训练数据里未出现过相应型号的手机数据,会存在识别率低的情况。

A、 原图,识别速度很慢(训练一样)

 技术分享图片

B、 降低图片质量,尺寸不变(训练数据为此种类型的数据),识别效果很好

 技术分享图片

C、仅改变图片尺寸后,识别率下降(训练数据片尺寸没有修改)

 技术分享图片

二、灰度图特征

1、描述

将图片进行灰度化,再按照DCT特征提取的区域划分的方式,对存在255像素点的区域设置为1否则为0的方式进行特征提取

2、实验结果

对固定手机固定拍照方式的分类准确,但对不同的拍照手机及障碍物有很大的影响,建议不采用此种特征方式。

三、DWT特征

1、获取噪音

噪音与拍照的环境有很大关系,同样的环境会留下一些特定的噪音。屏幕存在刷新频率对着拍照会留下特定规律的噪音。将图片进行灰度化,通过小波变换对灰度图去噪,再将两者相减即可得到噪音

原灰度图:

 技术分享图片

去噪:

 技术分享图片

噪音:

 技术分享图片

2、 将多种噪音特征加入分类特征

分别用3种不同的小波方法“wavedec2-waverec2”、 “wavedec-waverec”及“dwt2-idwt2”提取噪音,并获取各噪音的均值、方差、斜度及峰值共12个特征值当作分类的特征。

3、实验结果

调整图片尺寸不影响检测准确率,因而识别速度很快。对不同的拍摄方式及拍照手机的适用性很好。

 技术分享图片

 

四、SVM分类

1、 训练模型

获取实际的900张E+或SFA数据,不同型号手机分三类(对电脑、手机、电视屏)各300张分别翻拍。对900张原图、900张翻拍图片分别用以上DCT特征提取方式形成一个特征矩阵(1800 row * 区域数 cols,同时生成一个行数为1800列数为1的标签矩阵(用1代代表原图、2代表翻拍),SVM根据数据及数据标签训练得到模型

 技术分享图片

2、 识别

用“训练模型”的方式去提取待识别图片或图片集的特征,再根据已训练的模型预测图片或图片集的标签类别

翻拍特征提取及SVM分类

标签:没有   灰度化   ec2   方法   拍照   相减   重新   识别   bsp   

原文:https://www.cnblogs.com/hepc/p/9094895.html

(0)
(0)
   
举报
评论 一句话评论(0
0条  
登录后才能评论!
© 2014 bubuko.com 版权所有 鲁ICP备09046678号-4
打开技术之扣,分享程序人生!
             

鲁公网安备 37021202000002号