由于传统的视频信息隐藏算法缺乏对人眼视觉感知特性的研究,本文提出一种基于视觉感知的3D-HEVC(3D High Efficiency Video Coding,3D-HEVC)帧间信息隐藏算法。首先,根据立体显著模型和大津阈值,将立体视频图像分为显著区域和非显著区域...
详细信息
由于传统的视频信息隐藏算法缺乏对人眼视觉感知特性的研究,本文提出一种基于视觉感知的3D-HEVC(3D High Efficiency Video Coding,3D-HEVC)帧间信息隐藏算法。首先,根据立体显著模型和大津阈值,将立体视频图像分为显著区域和非显著区域;然后,建立隐秘信息与量化参数QP(Quantization Parameter,QP)的映射关系,且针对不同的区域,利用隐秘信息根据余数相等原则相应的调制P帧或B帧的QP值;最后,用含隐秘信息的QP进行编码。实验结果表明,该算法平均每帧嵌入容量为246bit,相比于原始HTM13.0,所提算法编码重建立体视频序列的PSNR值和SSIM值平均下降0.0314dB和0.000 058,比特率仅平均增长0.0741%,且能对隐秘信息盲提取。
超分辨率重建在视频的传输和显示中起着重要的作用。为了既保证重建视频的清晰度,又面向用户实时显示,提出了一种采用精简卷积神经网络的快速视频超分辨率重建方法。所提的精简卷积神经网络体现在以下三点:首先,考虑到输入的尺寸大小会直接影响网络的运算速度,所提网络省去传统方法的预插值过程,直接对多个低分辨率输入视频帧提取特征,并进行多维特征通道融合。接着,为了避免网络中产生零梯度而丢失视频的重要信息,采用参数线性纠正单元(Parametric Rectified Linear Unit,PReLU)作为激活函数,并采用尺寸更小的滤波器调整网络结构以进行多层映射。最后,在网络末端添加反卷积层上采样得到重建视频。实验结果显示,所提方法相比有代表性的方法在PSNR和SSIM指标上分别平均提升了0.32dB和0.016,同时在GPU下达到平均41帧/秒的重建速度。结果表明所提方法可快速重建质量更优的视频。
关于时间序列分类的问题在过去十多年时间里已经引起极大的兴趣.并且已经有实验表明传统流行的分类算法像KNN等,已经很难处理时间序列的分类问题.基于Shapelet和DTW(动态时间规整,Dynamic Time Warping)的这一分类方法的时间复杂度又太...
详细信息
关于时间序列分类的问题在过去十多年时间里已经引起极大的兴趣.并且已经有实验表明传统流行的分类算法像KNN等,已经很难处理时间序列的分类问题.基于Shapelet和DTW(动态时间规整,Dynamic Time Warping)的这一分类方法的时间复杂度又太高.本文提出一种新的基于子段距离计算的时序分类方法,通过对时间序列进行切分然后对切分后的子段用k-shape算法进行聚类,在聚类结果中寻找两类时间序列各自比较有区分性的片段,并以此来作为分类的依据,该方法思路更为简单且时间复杂度不高.通过实验验证了我们算法的分类精度和适用性,并与shaplet算法相比我们算法在时间复杂度上更具优势.
暂无评论