[發明專利]一種基于支持向量機的識別系統及識別方法

在審

• 申請號: 201710758761.7
• 申請日: 2017-08-29
• 公開（公告）號: CN107688829A
• 公開（公告）日: 2018-02-13
• 發明（設計）人: 屈喜龍;焦姸;黃麗蓉;李欣;彭慧;孫光;李博;黃會群
• 申請（專利權）人: 湖南財政經濟學院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京國坤專利代理事務所(普通合伙)11491
• 代理人: 黃耀鈞

1.一種基于支持向量機的識別系統，其特征在于，所述基于支持向量機的識別系統包括：數據訓練集獲取模塊，圖像數據差值處理模塊，樣本選取模塊，分類模型生產模塊，數據識別模塊；

數據訓練集獲取模塊：用于獲取數據樣本訓練集；數據樣本訓練集中包含有多個類別的數據樣本集合，每個類別的數據樣本集合中包含多個數據樣本；

圖像數據差值處理模塊：對數據訓練集中的圖像數據進行插值計算處理，提高圖像數據的準確性和圖片的精度，獲得更佳的圖像性能；

所述圖像數據差值處理模塊對圖像進行n次小波變換并保留小波變換后低頻部分的子圖像，則子圖像的寬度與高度均為原圖像的子圖像面積為原圖像面積的在子圖像內進行匹配；采用歸一化互相關度量方法，在子圖像上遍歷搜索，搜索過程中保留幾個相似度較高的匹配點；搜索結束后，將相似度較高的匹配點映射到原始待匹配圖像的搜索子區域中；

所述歸一化互相關度量方法的公式如下：

P(x,y)=[Σv=0nΣu=0mT(u,v)S(x+u,y+v)]2Σv=0nΣu=0mS2(x+u,y+v);]]>

S(x,y)表示原始待匹配圖像中坐標位置為(x,y)處像素點的灰度值，T(u,v)表示模板圖像中坐標位置為(u,v)處像素點的灰度值，模板圖像大小為m×n；

樣本選取模塊：用于執行選取同類樣本和異類樣本的步驟：對于數據樣本訓練集中的每一個數據樣本，隨機選取k個與該數據樣本屬于同一個類別的數據樣本作為同類樣本，隨機選取k個與該數據樣本屬于不同類別的數據樣本作為異類樣本；

所述樣本選取模塊數據融合中心對收集到的感知信息進行數據融合，并依據惡意節點的惡意攻擊模式計算全局的虛警概率；

第一步，根據各個節點的信噪比γ_i為每一個參與合作感知的次級用戶CR_i,i＝1…k設計一個權重然后對收集得到的信號能量統計量U_i進行線性加權得到最終的信號能量的統計量

第二步，分析虛警惡意攻擊模式對頻譜感知造成的影響，得到全局虛警概率P_f和攻擊概率p_a、攻擊閾值η、攻擊強度Δ之間的函數表達式如下：

Pf=Q(Σi=1kωi2(1+2γi)Q(Pd)+τsfs(Σi=1kωiγi+C1-C0σu2))]]>

其中：

分類模型生產模塊：用于對于差樣本對集合，采用支持向量機訓練得到相似性判斷模型，根據相似性判斷模型得到分類模型；

數據識別模塊包括：待識別數據樣本獲取單元，用于獲取待識別數據樣本；待識別差樣本對集合生成單元，用于分別從數據訓練集每一類別的樣本集合中隨機選取k個數據樣本，生成2k個待識別差樣本對，得到待識別差樣本對集合；相似性概率計算單元，用于利用分類模型對待識別差樣本對集合進行分析，得到待識別數據樣本與數據訓練集中每一類的相似性概率；類別確定單元，用于根據所述相似性概率，確定所述待識別數據樣本歸屬的類別；

所述數據識別模塊的抗RSD攻擊盲檢測數字指紋方法的具體步驟如下：

指紋數據幀的生成；利用分組移位置亂算法對指紋信息進行加密；采用幀編碼技術處理指紋信息，獲得指紋數據幀；

在DCT域嵌入指紋數據幀，對載體圖像進行分片，在每個完整分片中分別嵌入指紋數據幀，形成指紋數據幀的多個冗余版本；首先將載體圖像分成大小為S×S的分片，其中S＝2^k；然后按一定規則在每個分片中選擇m個8×8像素塊作為嵌入塊；最后在嵌入塊中分別嵌入指紋數據幀中的n個比特的數據；如果指紋數據幀的二進制長度為L，則應滿足L＝m×n；

在空域構造具有固定間距、固定差分值的差分特征點網格；在已經嵌有數字指紋的載體圖像中，以某像素點(i₀,j₀)為起點，按照行距和列距均為D的方式在圖像中嵌入差分特征點，從而在整個圖像中形成了一個矩形網格；

RSD攻擊參數的獲取；首先獲取空域上的疑似網格點，然后通過設置種子點、候選點的方式結合“平行四邊形法則”確定近似網格平行四邊形，最后通過邊延拓近似網格平行四邊形進行最大限度延拓，為攻擊類型判斷和參數計算提供精確的平行四邊形；

數字指紋提取的圖像校正，根據所得到的RSD攻擊參數，對掩蔽圖像進行校正，具體分為：如果α≠0，則將掩蔽圖像逆時針旋轉α角；如果那么將掩蔽圖像水平扭曲角，且令如果則將掩蔽圖像以為比例系數進行橫向縮放；而如果則將掩蔽圖像以為比例系數進行縱向縮放；

圖像同步定位以及指紋提取和恢復，某個嵌入塊為B＝(I_ij)_8×8，F＝(F_uv)_8×8為B的DCT系數，其中I_ij為DCT嵌入塊B的第i行j列個像素值，F_uv為DCT系數矩陣中的第u行v列個像素值，設在嵌入塊嵌入n比特的指紋數據，待嵌入的指紋比特分別記為w_i(i＝1,2,…,n)，選取的嵌入位置為uv_i(i＝1,2,…,n)。

2.一種如權利要求1所述基于支持向量機的識別系統的識別方法，其特征在于，所述的識別方法包括以下步驟：

步驟一：獲取數據訓練集

用于獲取數據樣本訓練集；所述數據樣本訓練集中包含有多個類別的數據樣本集合，每個類別的數據樣本集合中包含多個數據樣本；

步驟二：對數據訓練集中的圖像數據進行插值計算處理

對數據訓練集中的圖像數據進行插值計算處理，提高圖像數據的準確性和圖片的精度，獲得更佳的圖像性能；

步驟三：選取樣本

用于執行選取同類樣本和異類樣本的步驟；對于所述數據樣本訓練集中的每一個數據樣本，隨機選取k個與該數據樣本屬于同一個類別的數據樣本作為同類樣本，隨機選取k個與該數據樣本屬于不同類別的數據樣本作為異類樣本；

步驟四：分類模型生產模塊

用于對于所述差樣本對集合，采用支持向量機訓練得到相似性判斷模型，根據所述相似性判斷模型得到分類模型；

采用核函數為高斯徑向基函數的支持向量機訓練得到所述相似性判斷模型；可以根據一個相似性判斷模型得到分類模型，也可以根據多個相似性判斷模型得到分類模型；當根據一個相似性判斷模型得到分類模型時，所述分類模型可以與所述相似性判斷模型相同；當根據多個相似性判斷模型得到分類模型時，所述分類模型可以是多個相似性判斷模型的集合；

設x，z∈X，X屬于R(n)空間，非線性函數Φ實現輸入空間X到特征空間F的映射，其中F屬于R(m)，n<<m；根據核函數技術有：

K(x，z)＝<Φ(x)，Φ(z)>；

其中：<，>為內積，K(x，z)為核函數；從公式可以看出，核函數將m維高維空間的內積運算轉化為n維低維輸入空間的核函數計算，從而解決了在高維特征空間中計算的維數災難；

本步驟中的高斯徑向基函數指的是徑向基函數中的高斯核函數。

所謂徑向基函數,就是某種沿徑向對稱的標量函數；通常定義為空間中任一點x到某一中心xc之間歐氏距離的單調函數，可記作k(||x-xc||),其作用往往是局部的,即當x遠離xc時函數取值很小；

最常用的徑向基函數是高斯核函數,形式為k(||x-xc||)＝exp{-||x-xc||^2/2*σ^2)}其中xc為核函數中心,σ為函數的寬度參數,控制了函數的徑向作用范圍；

步驟五：采用分類模型進行數據識別；待識別數據樣本獲取單元，用于獲取待識別數據樣本；待識別差樣本對集合生成單元，用于分別從所述數據訓練集每一類別的樣本集合中隨機選取k個數據樣本，生成2k個待識別差樣本對，得到待識別差樣本對集合；相似性概率計算單元，用于利用所述分類模型對所述待識別差樣本對集合進行分析，得到所述待識別數據樣本與所述數據訓練集中每一類的相似性概率；類別確定單元，用于根據所述相似性概率，確定所述待識別數據樣本歸屬的類別。