针对步态识别过程易受拍摄视角、外观变化等因素影响问题,提出一种融合点云步态模型与深度学习的步态识别算法。算法通过轻量级特征描述符(lightweight feature descriptor,LFD)提取图像特征,并将其进行特征配准;基于几何-匹配核预处理...针对步态识别过程易受拍摄视角、外观变化等因素影响问题,提出一种融合点云步态模型与深度学习的步态识别算法。算法通过轻量级特征描述符(lightweight feature descriptor,LFD)提取图像特征,并将其进行特征配准;基于几何-匹配核预处理增强识别技术(gait model-key point recognition and extraction,GM-KPRE)提取人体关键点信息,在支持向量机算法中引入径向基函数核进行步态分类和识别;在公开数据集CASIA-B和Market-1501-v15.09.15上进行实验验证,实验结果表明,算法能有效提高步态识别准确率和效率。展开更多
针对机器学习在流量异常检测中存在特征选择依赖经验、易受离群点影响导致鲁棒性差等问题,基于因素空间理论的“背景关系-背景分布-背景基”体系提出一种流量异常检测的基点分类方法。首先,数据预处理阶段使用KNN离群点检测算法去除数...针对机器学习在流量异常检测中存在特征选择依赖经验、易受离群点影响导致鲁棒性差等问题,基于因素空间理论的“背景关系-背景分布-背景基”体系提出一种流量异常检测的基点分类方法。首先,数据预处理阶段使用KNN离群点检测算法去除数据中的离群点,降低异常点对后续背景基提取的影响。其次,使用mRMR算法对数据特征进行排序,选择对分类最具影响力的特征标注为类别区分特征。然后,以内点判别法为理论基础优化背景基提取算法,提取训练数据中不同类别数据的背景基,得到各类别的单位认知包。最后,以单位认知包为核心构造基点分类算法(fundamental point classification algorithm,FPCA)实现异常流量的精准二分类。在NSL-KDD数据集上对所提方法的二分类实验准确率和F1-score分别达到92.48%和92.18%,检测性能优于同类型的其他机器学习方法。在CICIDS2017场景数据集上的测试进一步验证了所提方法在实际应用中的可行性。展开更多
文摘针对步态识别过程易受拍摄视角、外观变化等因素影响问题,提出一种融合点云步态模型与深度学习的步态识别算法。算法通过轻量级特征描述符(lightweight feature descriptor,LFD)提取图像特征,并将其进行特征配准;基于几何-匹配核预处理增强识别技术(gait model-key point recognition and extraction,GM-KPRE)提取人体关键点信息,在支持向量机算法中引入径向基函数核进行步态分类和识别;在公开数据集CASIA-B和Market-1501-v15.09.15上进行实验验证,实验结果表明,算法能有效提高步态识别准确率和效率。
文摘针对机器学习在流量异常检测中存在特征选择依赖经验、易受离群点影响导致鲁棒性差等问题,基于因素空间理论的“背景关系-背景分布-背景基”体系提出一种流量异常检测的基点分类方法。首先,数据预处理阶段使用KNN离群点检测算法去除数据中的离群点,降低异常点对后续背景基提取的影响。其次,使用mRMR算法对数据特征进行排序,选择对分类最具影响力的特征标注为类别区分特征。然后,以内点判别法为理论基础优化背景基提取算法,提取训练数据中不同类别数据的背景基,得到各类别的单位认知包。最后,以单位认知包为核心构造基点分类算法(fundamental point classification algorithm,FPCA)实现异常流量的精准二分类。在NSL-KDD数据集上对所提方法的二分类实验准确率和F1-score分别达到92.48%和92.18%,检测性能优于同类型的其他机器学习方法。在CICIDS2017场景数据集上的测试进一步验证了所提方法在实际应用中的可行性。
