導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞關(guān)鍵詞：人臉識(shí)別；卷積神經(jīng)網(wǎng)絡(luò)；圖像識(shí)別；深度學(xué)習(xí)；模式識(shí)別

DOIDOI：10.11907/rjdk.171043

中圖分類號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2017）005018603

0引言

人臉識(shí)別是近年來(lái)模式識(shí)別、圖像處理、機(jī)器視覺(jué)、神經(jīng)網(wǎng)絡(luò)及認(rèn)知科學(xué)領(lǐng)域的研究熱點(diǎn)[12]。所謂人臉識(shí)別，是指給定一個(gè)靜態(tài)人臉圖像或動(dòng)態(tài)視頻，利用存儲(chǔ)有若干已知身份的人臉數(shù)據(jù)庫(kù)驗(yàn)證單個(gè)或多個(gè)人的身份[1]。作為生物特征識(shí)別的一個(gè)重要方面，人臉識(shí)別有著廣泛的應(yīng)用場(chǎng)景，如：檔案管理系統(tǒng)、公安系統(tǒng)的犯罪身份識(shí)別、銀行和海關(guān)的監(jiān)控、安全驗(yàn)證系統(tǒng)、信用卡驗(yàn)證等領(lǐng)域。在人臉識(shí)別巨大魅力的影響下，國(guó)內(nèi)互聯(lián)網(wǎng)公司也開(kāi)始了人臉識(shí)別應(yīng)用的探索，如百度推出的人臉考勤系統(tǒng)、阿里支付寶的刷臉登錄等功能都是人臉識(shí)別的具體應(yīng)用。目前，人臉識(shí)別的代表性方法主要有以下幾種：Turk和Pentland[3]提出的特征臉（Eigenface）方法；基于線性區(qū)別分析，Belhumeur 等[4]提出了Fisherface方法；基于統(tǒng)計(jì)理論，劍橋大學(xué)的 Samaria和Fallside[5]提出了隱馬爾科夫模型[5]（HMM），Lawrence 等[6]提出的通過(guò)多級(jí)自組織映射神經(jīng)網(wǎng)絡(luò)（SOM）[6]與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行人臉識(shí)別。上述方法雖然獲得了良好的識(shí)別正確率，但需要人工參與特征提取，然后將提取的特征送入分類器進(jìn)行識(shí)別，過(guò)程較為復(fù)雜。

卷積神經(jīng)網(wǎng)絡(luò)[79]是近年發(fā)展起來(lái)，并引起廣泛重視的一種高效深度學(xué)習(xí)識(shí)別算法，其已成為當(dāng)前語(yǔ)音分析和圖像處理領(lǐng)域的研究熱點(diǎn)。相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)而言，卷積神經(jīng)網(wǎng)絡(luò)具有權(quán)值共享、局部感知的優(yōu)點(diǎn)。局部感知的網(wǎng)絡(luò)結(jié)構(gòu)使其更接近于生物神經(jīng)網(wǎng)絡(luò)，權(quán)值共享大大減少了模型學(xué)習(xí)參數(shù)的個(gè)數(shù)，同時(shí)降低了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性。在圖像處理領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)體現(xiàn)得更為突出，多維的圖像數(shù)據(jù)可以直接作為網(wǎng)絡(luò)的輸入，特征提取和分類均集成在網(wǎng)絡(luò)中，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和訓(xùn)練分類器過(guò)程。除此之外，卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像中的位移、比例縮放、旋轉(zhuǎn)、傾斜或其它形式的變形具有很好的魯棒性。為了解決傳統(tǒng)人臉識(shí)別算法特征提取和訓(xùn)練分類器困難的問(wèn)題，本文借鑒Lenet-5[10]的結(jié)構(gòu)，設(shè)計(jì)一個(gè)適合ORL數(shù)據(jù)集人臉識(shí)別任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

1卷積神經(jīng)網(wǎng)絡(luò)

1.1用于ORL人臉識(shí)別的CNN

本文提出的7層卷積神經(jīng)網(wǎng)絡(luò)模型由輸入層、2個(gè)卷積層、2個(gè)降采樣層、一個(gè)全連接層和一個(gè)Sigmoid輸出層組成。卷積核的大小均為5×5，降采樣層Pooling區(qū)域的大小為2×2，采用Average Pooling（相鄰小區(qū)域之間無(wú)重疊），激活函數(shù)均采用Sigmoid函數(shù)。每一個(gè)卷積層或降采樣層由多個(gè)特征圖組成，每個(gè)特征圖有多個(gè)神經(jīng)元，上層的輸出作為下一層的輸入。此外，本文實(shí)驗(yàn)學(xué)習(xí)率的取值為常數(shù)1.5，該卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

1.2卷積層

卷積神經(jīng)網(wǎng)絡(luò)中的卷積層一般稱C層[11]（特征提取層）。卷積層的輸入來(lái)源于輸入層或者采樣層。卷積層中的每一個(gè)特征圖都對(duì)應(yīng)一個(gè)大小相同的卷積核，卷積層的每一個(gè)特征圖是不同的卷積核在前一層輸入的特征圖上作卷積，然后將對(duì)應(yīng)元素累加后加一個(gè)偏置，最后通過(guò)激活函數(shù)得到。假設(shè)第l層榫砘層，則該層中第j個(gè)特征圖的計(jì)算表達(dá)式如式（1）。

xlj=f（∑i∈Mjxl-1iklij+blj）（1）

這里的Mj表示選擇的上一層輸出特征圖的集合。

1.3降采樣層

降采樣層是對(duì)上一層的特征圖進(jìn)行下采樣處理，處理方式是在每一個(gè)特征圖內(nèi)部的相鄰小區(qū)域進(jìn)行聚合統(tǒng)計(jì)。常見(jiàn)的下采樣方式有兩種：Average Pooling和Max Pooling。其中，Average Pooling是取小區(qū)域內(nèi)像素的平均值，而Max Pooling是取小區(qū)域內(nèi)像素的最大值。降采樣層只是對(duì)輸入的特征圖進(jìn)行降維處理，不改變特征圖的個(gè)數(shù)。假設(shè)down表示下采樣操作，βlj表示乘性偏置，blj表示加性偏置，則降采樣層中某個(gè)特征圖的計(jì)算表達(dá)式如下：

xlj=f（βljdown（xl-1j）+blj）（2）

1.4輸出層

卷積神經(jīng)網(wǎng)絡(luò)的輸出層一般為分類器層，常用的有徑向基（RBF）函數(shù)輸出單元、Sigmoid輸出單元和Softmax回歸分類器。在ORL人臉識(shí)別任務(wù)中，采用Sigmoid函數(shù)輸出單元，輸出層的編碼采用非分布編碼“one-of-c”的方式。由于采用Sigmoid函數(shù)，每一個(gè)單元輸出值是0-1范圍內(nèi)的一個(gè)正數(shù)，代表該樣本屬于該單元對(duì)應(yīng)類別的概率。數(shù)值最大的那個(gè)單元即為樣本的預(yù)測(cè)類別。假設(shè)x為全連接層的輸出，則輸出層輸出結(jié)果的計(jì)算表達(dá)式如下：

y=f（wTx+b）（3）

其中，f表示激活函數(shù)，這里采用Sigmoid函數(shù)，Sigmoid函數(shù)表達(dá)式如下：

f（x）=11+e-x（4）

2實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)在Windows7 64位下的Matlab 2014a中進(jìn)行，采用Matlab深度學(xué)習(xí)工具箱DeepLearnToolbox。PC的內(nèi)存8G，CPU主頻為3.2GHZ。

ORL人臉數(shù)據(jù)集是在1992年至1994年之間由AT &T Cambridge實(shí)驗(yàn)室拍攝的人臉圖像所構(gòu)成。數(shù)據(jù)集中包含40個(gè)不同人物的臉部圖像，每個(gè)人物包含10張圖像，總共400張。每個(gè)類別中的臉部圖像在不同的時(shí)間拍攝得到，存在如下差異：①光線；②面部表情，如眼睛的閉合和睜開(kāi)狀態(tài)，面部是否帶有微笑的表情等；③一些面部細(xì)節(jié)上的差異，如是否佩戴眼鏡等。該數(shù)據(jù)集中所有人臉圖像均為灰度圖像，且圖像中人物面部朝向基本一致，都朝向正前方。

圖2為ORL數(shù)據(jù)集中部分人臉圖像。數(shù)據(jù)集中每個(gè)原始圖像大小為92*112像素，本文實(shí)驗(yàn)中對(duì)這些圖像進(jìn)行預(yù)處理，使每一幅圖像的尺寸調(diào)整為28*28，并對(duì)每一副圖像進(jìn)行歸一化處理，這里采用簡(jiǎn)單的除255的方式。隨機(jī)選取每一個(gè)類別的8張圖像作為訓(xùn)練樣本，剩下的2張作為測(cè)試樣本。因此，訓(xùn)練集有320個(gè)樣本，測(cè)試集有80個(gè)樣本。

2.1改變C3層卷積核個(gè)數(shù)對(duì)網(wǎng)絡(luò)的影響

卷積神經(jīng)網(wǎng)絡(luò)性能的好壞與卷積層卷積核的個(gè)數(shù)密切相關(guān)，但每一個(gè)卷積層應(yīng)該設(shè)置多少個(gè)卷積濾波器，目前并沒(méi)有數(shù)學(xué)理論指導(dǎo)。為了研究卷積核個(gè)數(shù)對(duì)網(wǎng)絡(luò)最終識(shí)別準(zhǔn)確率的影響，本文保持C1層卷積核個(gè)數(shù)不變，通過(guò)改變C3層卷積核的個(gè)數(shù)，形成新的網(wǎng)絡(luò)結(jié)構(gòu)，用訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練迭代次數(shù)均為60次，然后用測(cè)試集對(duì)每一種網(wǎng)絡(luò)結(jié)構(gòu)的性能進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果如表1所示。

從表1可以看出，當(dāng)C3層有10個(gè)卷積核時(shí)，網(wǎng)絡(luò)模型對(duì)測(cè)試集的識(shí)別正確率最高。卷積核的個(gè)數(shù)與識(shí)別準(zhǔn)確率并不成正比關(guān)系，當(dāng)卷積核個(gè)數(shù)過(guò)多時(shí)，網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率會(huì)下降，這是因?yàn)樵诰矸e核個(gè)數(shù)增加的同時(shí)，需要學(xué)習(xí)的參數(shù)也隨之增加，而數(shù)據(jù)集中訓(xùn)練樣本的規(guī)模較小，已不能滿足學(xué)習(xí)的要求。

2.2改變C1層卷積核個(gè)數(shù)對(duì)網(wǎng)絡(luò)的影響

由上述實(shí)驗(yàn)結(jié)果可知，C3層卷積核個(gè)數(shù)為10時(shí)，網(wǎng)絡(luò)識(shí)別效果最好。因此，為了研究卷積層C1層卷積核個(gè)數(shù)對(duì)識(shí)別準(zhǔn)確率的影響， C3層保留10個(gè)卷積核，改變C1層卷積核的個(gè)數(shù)構(gòu)造新的網(wǎng)絡(luò)結(jié)構(gòu)，用測(cè)試集針對(duì)不同網(wǎng)絡(luò)結(jié)構(gòu)就測(cè)試集和訓(xùn)練集的識(shí)別準(zhǔn)確率進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果如表2所示。

從表2的實(shí)驗(yàn)結(jié)果可以得到相同結(jié)論：卷積層卷積核的個(gè)數(shù)并非越多越好，卷積核個(gè)數(shù)過(guò)多，網(wǎng)絡(luò)需要學(xué)習(xí)的參數(shù)也隨之增加，當(dāng)訓(xùn)練集中樣本個(gè)數(shù)無(wú)法滿足學(xué)習(xí)需要時(shí)，網(wǎng)絡(luò)識(shí)別準(zhǔn)確率就會(huì)下降。

2.3與其它算法比較

為進(jìn)一步說(shuō)明本文所提卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的有效性和優(yōu)越性，將該結(jié)構(gòu)（C1層6個(gè)卷積核，C3層10個(gè)卷積核，學(xué)習(xí)率1.5）的實(shí)驗(yàn)結(jié)果與其它識(shí)別方法在ORL數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，結(jié)果如表3所示。可以看出，本文所提方法比Eigface、ICA的識(shí)別效果好，與2DPCA方法的識(shí)別準(zhǔn)確率一樣，比FisherFace方法的識(shí)別準(zhǔn)確率只低了0.20%，這進(jìn)一步證實(shí)了本文所提網(wǎng)絡(luò)結(jié)構(gòu)的有效性。

3結(jié)語(yǔ)

本文在理解Lenet-5結(jié)構(gòu)的基礎(chǔ)上，提出一種適用于ORL人臉數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果表明，本文提出的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，不僅避免了復(fù)雜的顯式特征提取過(guò)程，在ORL數(shù)據(jù)集上獲得98.30%的識(shí)別正確率，而且比大多數(shù)傳統(tǒng)人臉識(shí)別算法的效果都好。此外，本文還通過(guò)大量驗(yàn)就每個(gè)卷積層卷積核個(gè)數(shù)對(duì)網(wǎng)絡(luò)識(shí)別準(zhǔn)確率的影響進(jìn)行了詳細(xì)研究與分析，這對(duì)設(shè)計(jì)CNN網(wǎng)絡(luò)結(jié)構(gòu)具有一定的參考意義。

參考文獻(xiàn)參考文獻(xiàn)：

[1]李武軍，王崇駿，張煒，等.人臉識(shí)別研究綜述[J].模式識(shí)別與人工智能，2006，19（1）：5866.

[2]張翠平，蘇光大.人臉識(shí)別技術(shù)綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2000，5（11）：885894.

[3]YANG M H.Face recognition using kernel methods[J].Nips，2002（2）：14571464.

[4]祝秀萍，吳學(xué)毅，劉文峰.人臉識(shí)別綜述與展望[J].計(jì)算機(jī)與信息技術(shù)，2008（4）：5356.

[5]SAMARIA F，YOUNG S.HMMbased architecture for face identification[J].Image and Vision Computing，1994，12（8）：537543.

[6]LAWRENCE S，GILES C L，TSOI A C.Convolutional neural networks for face recognition[C].Proceedings CVPR'96，1996 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1996：217222.

[7]陳耀丹，王連明.基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法[J].東北師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，48（2）：7076.

[8]盧官明，何嘉利，閆靜杰，等.一種用于人臉表情識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)[J].南京郵電大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，36（1）：1622.

[9]李彥冬，郝宗波，雷航.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用，2016，36（9）：25082515.

[10]LCUN Y，BOTTOU L，BENGIO Y，et al.Gradientbased learning applied to document recognition[J].Proceedings of the IEEE，1998，86（11）：22782324.

篇2

關(guān)鍵詞:諧波分析;FFT;加窗插值;多譜線插值;小波變換

引言

隨著我國(guó)電網(wǎng)規(guī)模的日益擴(kuò)大，電網(wǎng)的諧波污染也逐漸嚴(yán)重，如何快速有效地檢測(cè)和分析網(wǎng)絡(luò)中的諧波成分是一個(gè)大家非常關(guān)心的問(wèn)題。

1電力系統(tǒng)諧波分析的常用方法

1．1采用模擬濾波器硬件電路檢測(cè)諧波的方法

模擬濾波器諧波檢測(cè)如圖1所示。該法原理直觀明了，成本低，但其測(cè)量精度依賴于濾波器的元件參數(shù)［1］。

1．2基于神經(jīng)網(wǎng)絡(luò)理論的諧波檢測(cè)方法

文獻(xiàn)［2］提出了一種基于固定三角基函數(shù)的人工神經(jīng)網(wǎng)絡(luò)諧波分析方法，新模型更直觀，收斂速度快。但構(gòu)建神經(jīng)網(wǎng)絡(luò)需要時(shí)間來(lái)訓(xùn)練樣本、神經(jīng)網(wǎng)絡(luò)構(gòu)造方法缺乏統(tǒng)一的規(guī)范、訓(xùn)練樣本數(shù)量龐大。

1．3基于傅里葉變換的諧波檢測(cè)方法

為盡可能地減少FFT算法中出現(xiàn)的頻譜泄漏效應(yīng)和柵欄效應(yīng)以及其他的誤差，現(xiàn)總結(jié)兩種方法:(1)插值算法加窗插值法通過(guò)加窗減小頻譜泄漏、插值消除柵欄效應(yīng)引起的誤差。理想的窗函數(shù)需同時(shí)具有兩個(gè)特性:一是主瓣窄;二是低旁瓣峰值和高旁瓣衰減率。研究比較成熟的窗函數(shù)有:三角窗、矩形窗、Blackman窗、Nuttall窗等［3-5］。常用窗的頻域特性如表1所示。(2)雙峰譜線修正算法文［6］提出了一種基于兩根譜線的加權(quán)平均來(lái)修正幅值的雙峰譜線修正算法，實(shí)驗(yàn)結(jié)果證明了其有效性和易實(shí)現(xiàn)性。

1．4基于小波分析的諧波檢測(cè)方法

三層小波包分解示意圖如圖2所示。單一的諧波檢測(cè)方法已經(jīng)不能滿足要求，所以現(xiàn)在就是要集合幾種諧波檢測(cè)方法的優(yōu)點(diǎn)來(lái)提取更精確更合理的方法。小波變換和加窗的FFT結(jié)合也得到了廣泛研究［7］，圖3、圖4仿真出了小波變換的頻域?qū)崿F(xiàn)和FFT實(shí)現(xiàn)。綜上所述，研究加混合卷積窗以及多譜線插值的改進(jìn)FFT有更大的應(yīng)用前景，小波包對(duì)高、低頻段進(jìn)行相同尺度的分解，提高信號(hào)分析分辨率，提供了更多的信號(hào)特征。

2諧波測(cè)量的發(fā)展趨勢(shì)

隨著電網(wǎng)相關(guān)技術(shù)和設(shè)備不斷的變化，需要不斷改進(jìn)和更新諧波檢測(cè)方法，未來(lái)諧波檢測(cè)的主要發(fā)展趨勢(shì)為:(1)電力系統(tǒng)受非穩(wěn)態(tài)諧波影響，諧波檢測(cè)需要逐步由穩(wěn)態(tài)諧波檢測(cè)轉(zhuǎn)向非穩(wěn)態(tài)諧波檢測(cè)。針對(duì)非穩(wěn)態(tài)波形畸變，尋求新方法，如神經(jīng)網(wǎng)絡(luò)、小波變換等。(2)諧波測(cè)量需要由確定性、慢時(shí)變性轉(zhuǎn)為隨機(jī)性、快速性以及諧波實(shí)時(shí)跟蹤，研究新的諧波特性辨識(shí)方法。(3)諧波檢測(cè)需要諧波監(jiān)測(cè)、實(shí)時(shí)分析與控制目標(biāo)相結(jié)合，實(shí)現(xiàn)測(cè)量與控制網(wǎng)絡(luò)化、智能化、集成一體化。(4)諧波檢測(cè)需要建立一套完整的諧波檢測(cè)理論體系和完善的功率定義和理論，通過(guò)新理論提出新方法滿足研究實(shí)踐需求。

3結(jié)束語(yǔ)

集合多種諧波分析方法的優(yōu)點(diǎn)研制出一種高精度、高速度的混合諧波分析法勢(shì)在必行，這必將推動(dòng)學(xué)術(shù)領(lǐng)域研究新的諧波特性辨識(shí)和快速變化諧波跟蹤方法，為諧波研究和治理提供有力的保障。

參考文獻(xiàn):

［1］陳冬紅．電力系統(tǒng)諧波測(cè)量和分析方法研究［D］．南京:河海大學(xué)，2005．

［2］王小華，何怡剛．基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)高精度頻率諧波分析［J］．中國(guó)電機(jī)工程學(xué)報(bào)，2007，27(34):102-106．

［3］溫和，騰召勝，曾博，等．基于三角自卷積窗的介損角測(cè)量算法及應(yīng)用［J］．電工技術(shù)學(xué)報(bào)，2010，25(7):192-198．

［4］溫和，騰召勝，卿柏元，等．Hanning自卷積窗及其在諧波分析中的應(yīng)用［J］．電工技術(shù)學(xué)報(bào)，2009，24(2):164-169．

［5］曾博，唐求，卿柏元，等．基于Nuttall自卷積窗的改進(jìn)FFT譜分析方法［J］．電工技術(shù)學(xué)報(bào)，2014，29(7):59-65．

［6］龐浩，李東霞，俎云霄，等．應(yīng)用FFT進(jìn)行電力系統(tǒng)諧波分析的改進(jìn)型算法［J］．中國(guó)電機(jī)工程學(xué)報(bào)，2003，23(6):50-54．

篇3

關(guān)鍵詞：深度學(xué)習(xí)；器材管理；深度信念網(wǎng)絡(luò)；效率；損耗

1.引言

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的延伸和進(jìn)一步發(fā)展，它基于機(jī)器學(xué)習(xí)，從廣義上講是機(jī)器學(xué)習(xí)的一種，但與機(jī)器學(xué)習(xí)有較大不同，深度學(xué)習(xí)的模型和人腦皮層結(jié)構(gòu)有較大相似，從某種意義上講，深度學(xué)習(xí)是智能學(xué)習(xí)，可對(duì)復(fù)雜數(shù)據(jù)進(jìn)行有效處理[1]。深度學(xué)習(xí)模型既可以作為特征提取器，也可以用作特征分類器，并且二者可以同時(shí)應(yīng)用，直接得到想要的分類結(jié)果。器材有成千上萬(wàn)種，每種器材的性能、數(shù)量、有效期、生產(chǎn)廠家這些基本要素Ю戳舜罅康氖據(jù)，而深度學(xué)習(xí)應(yīng)用于大數(shù)據(jù)挖掘方面，實(shí)踐中已經(jīng)取得較好的效果。現(xiàn)在是一個(gè)“大數(shù)據(jù)+深度學(xué)習(xí)”的時(shí)代。本文研究在器材管理中如何運(yùn)用深度學(xué)習(xí)，來(lái)探尋器材管理中蘊(yùn)含的內(nèi)在規(guī)律，通過(guò)得出的管理規(guī)則進(jìn)行器材管理，來(lái)提高器材管理的信息化水平。

2.深度學(xué)習(xí)的典型模型

深度學(xué)習(xí)基礎(chǔ)是受限玻爾茲曼機(jī)（RBM），玻爾茲曼機(jī)（ BM）可以認(rèn)為是一種能量模型。即參數(shù)空間中每一種情況均有一個(gè)標(biāo)量形式的能量與之對(duì)應(yīng)。對(duì)全連通玻爾茲曼機(jī)進(jìn)行簡(jiǎn)化，其限制條件是在給定可見(jiàn)層或者隱層中的其中一層后，另一層的單元彼此獨(dú)立，即為受限玻爾茲曼機(jī)。深度學(xué)習(xí)的典型模型主要有：自動(dòng)編碼器（AE），卷積神經(jīng)網(wǎng)絡(luò)（CNN），深度信念網(wǎng)絡(luò)（DBN）三種[2]。

（1）自動(dòng)編碼器

自編碼器的基本原理：將輸入的原始信號(hào)進(jìn)行編碼，使用編碼得到的新信號(hào)重建原始信號(hào)，求得重建的元信號(hào)與原始信號(hào)相比重建誤差最小。它的優(yōu)點(diǎn)是可以有效的提取信號(hào)中的主要特征，減少信息冗余，提高信息處理效率。模式分類中經(jīng)常用到的以下方法：K均值聚類、稀疏編碼、主成分分析等均可理解為是一個(gè)自動(dòng)編碼器。

（2）卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）善于提取數(shù)據(jù)局部特征，模型復(fù)雜度較低，權(quán)值的數(shù)量較少，它組合局部感受野（滑動(dòng)窗口）、權(quán)重共享（減少自由參數(shù)數(shù)量）、和空間或時(shí)間上的子采樣這3 種結(jié)構(gòu)去確保平移和變形上的不變性。

（3）深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)（DBN）主要采用貪婪逐層訓(xùn)練方法。簡(jiǎn)言之通過(guò)預(yù)先訓(xùn)練與反向調(diào)節(jié)來(lái)訓(xùn)練整個(gè)DBN網(wǎng)絡(luò)：在預(yù)先訓(xùn)練階段，先逐個(gè)訓(xùn)練每一個(gè)受限玻爾茲曼機(jī)RBM，逐層疊加，并將下一層的RBM 的輸出作為上一層RBM 的輸入； 在反向調(diào)節(jié)階段可以采用BP訓(xùn)練，通過(guò)誤差函數(shù)進(jìn)行反向調(diào)節(jié).

3.基于深度信念網(wǎng)絡(luò)（DBN）的器材管理方法

器材管理的目的是在最大器材利用率下所用資金最少，耗費(fèi)管理人員精力最少。從模型分析上來(lái)說(shuō)，這是一個(gè)求最優(yōu)化模型的問(wèn)題。深度信念網(wǎng)絡(luò)在求取最優(yōu)化方面具有一定的優(yōu)越性。深度信念網(wǎng)絡(luò)（DBN）的優(yōu)點(diǎn)：（1）采用并行結(jié)構(gòu)，可同時(shí)處理多組數(shù)據(jù)，計(jì)算效率得到較大提升，對(duì)處理大數(shù)據(jù)有優(yōu)勢(shì)；（2）可以用較小的模型參數(shù)波動(dòng)得到較高的分類結(jié)果，模型穩(wěn)定性較好[3]。

對(duì)器材管理者來(lái)說(shuō)如何制定性價(jià)比最高的器材采購(gòu)方案，最優(yōu)的器材下發(fā)方案，最優(yōu)的器材存儲(chǔ)方案是急需解決的三個(gè)問(wèn)題。

器材采購(gòu)方案：其制定主要基于器材的價(jià)格，儲(chǔ)存年限，采購(gòu)批次，采購(gòu)量，售后服務(wù)等因素，針對(duì)每種器材的上述指標(biāo)進(jìn)行量化打分，再根據(jù)每種器材的側(cè)重點(diǎn)分配量化系數(shù)，整合成10種數(shù)據(jù)輸入。將這些數(shù)據(jù)輸入到訓(xùn)練好的深度信念網(wǎng)絡(luò)（DBN）中得出每種器材的采購(gòu)點(diǎn)數(shù)，根據(jù)點(diǎn)數(shù)決定采購(gòu)的器材數(shù)量、品種、規(guī)格和型號(hào)。

器材的下發(fā)方案：器材的下發(fā)要考慮不同單位的需求，現(xiàn)有庫(kù)存情況，近期器材補(bǔ)充情況，近期大項(xiàng)工作需求情況，根據(jù)不同情況對(duì)不同單位，不同器材，具體工作設(shè)定不同顏色的標(biāo)簽，通過(guò)標(biāo)簽整合，將這些數(shù)據(jù)輸入到訓(xùn)練好的深度信念網(wǎng)絡(luò)（DBN）中得到具體的下?lián)芊桨浮?/p>

器材儲(chǔ)存方案：儲(chǔ)存主要包括使用單位庫(kù)存情況，倉(cāng)庫(kù)庫(kù)存情況，供貨單位協(xié)議代儲(chǔ)情況，運(yùn)用深度信念網(wǎng)絡(luò)（DBN）對(duì)器材消耗情況進(jìn)行分析，進(jìn)而得出，單位庫(kù)存的數(shù)質(zhì)量，使用單位庫(kù)存的數(shù)質(zhì)量，供貨單位協(xié)議代儲(chǔ)數(shù)質(zhì)量，使三者處于一個(gè)最優(yōu)化狀態(tài)，既不影響使用，又可降低庫(kù)存空間的需求，減少資金占用。

4. 實(shí)驗(yàn)結(jié)果

本文采用深度信念網(wǎng)絡(luò)（DBN）對(duì)1000種器材采購(gòu)、運(yùn)輸、庫(kù)存、消耗使用以及不同品牌的通用器材采購(gòu)成本進(jìn)行了實(shí)驗(yàn)分析，通過(guò)深度信念網(wǎng)絡(luò)（DBN）的優(yōu)化，采購(gòu)效率提高10%，運(yùn)輸時(shí)間縮短20%，庫(kù)存量降低15%，使用消耗準(zhǔn)確度提高5%，采購(gòu)成本降低18%。

5. 未來(lái)發(fā)展與展望

深度學(xué)習(xí)方法在器材管理中的應(yīng)用還處于初步探索之中，但是初步運(yùn)用表明，其在“大數(shù)據(jù)+云計(jì)算”時(shí)代，對(duì)提高器材管理的信息化水平具有較大的實(shí)用價(jià)值和經(jīng)濟(jì)價(jià)值，用于器材管理的深度學(xué)習(xí)模型，還較為簡(jiǎn)單，還有進(jìn)一步發(fā)展的空間，實(shí)踐應(yīng)用中對(duì)器材數(shù)據(jù)特征的提取還有待加強(qiáng)，只有深刻的理解器材管理的特征及需求，才能有針對(duì)性的建立模型，提高模型的可靠性和有效性。使器材管理水平更上一層樓，使器材管理跟上信息化發(fā)展的步伐。

參考文獻(xiàn)：

[1] 孫志軍，薛磊，許陽(yáng)明.基于深度學(xué)習(xí)的邊際Fisher分析特征提取算法[J].電子與信息學(xué)報(bào)，2013，35（4）：805-811.

[2] 孫志軍，薛磊，許陽(yáng)明，等.深度學(xué)習(xí)研究綜述[J].計(jì)算機(jī)應(yīng)用研究， 2012， 29（ 8） ： 2806 - 2810.

[3] 胡曉林，朱軍.深度學(xué)習(xí)―――機(jī)器學(xué)習(xí)領(lǐng)域的新熱點(diǎn)[J].中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊， 2013，9（ 7） ： 64 - 69.

作者簡(jiǎn)介：

康克成（1981.04-）河北昌黎人，研究生，碩士，工程師，中國(guó)人民92819部隊(duì)，研究方向：信息與通信工程；

王強(qiáng)（1981.02-）山東膠州人，本科，助理工程師，中國(guó)人民92819部隊(duì)，研究方向：裝備管理；

篇4

【關(guān)鍵詞】：高速公路 防逃 人臉識(shí)別 高清視

中圖分類號(hào)：U412.36+6 文獻(xiàn)標(biāo)識(shí)碼：A

人臉識(shí)別的分類與概述

人臉識(shí)別就是通過(guò)計(jì)算機(jī)提取人臉的特征，并根據(jù)這些特征進(jìn)行身份驗(yàn)證。人臉與人體的其他生物特征(指紋、虹膜等)一樣與生俱來(lái)，它們所具有的唯一性和不易被復(fù)制的良好特性為身份鑒別提供了必要的前提；同其他生物特征識(shí)別技術(shù)相比，人臉識(shí)別技術(shù)具有操作簡(jiǎn)單、結(jié)果直觀、隱蔽性好的優(yōu)越性。人臉識(shí)別一般包括三個(gè)步驟：人臉檢測(cè)、人臉特征提取和人臉的識(shí)別與驗(yàn)證。其處理流程如圖

輸入圖像 人臉圖像人臉特征輸出結(jié)果

人臉識(shí)別的一般步驟

人臉識(shí)別方法繁多，早期研究較多的方法有基于幾何特征的人臉識(shí)別方法和基于模板匹配的人臉識(shí)別方法。目前人臉識(shí)別方法主要研究及應(yīng)用的是基于統(tǒng)計(jì)的識(shí)別方法、基于連接機(jī)制的識(shí)別方法以及其它一些綜合方法。下面是這幾類方法的基本介紹：[2]

（1）基于幾何特征的人臉識(shí)別方法

幾何特征矢量是以人臉器官如眼睛、鼻子、嘴巴等的形狀和幾何關(guān)系為基礎(chǔ)的特征矢量，其分量通常包括人臉指定兩點(diǎn)間距離、曲率、角度等。早期的研究者Brunelli[3]等人采用改進(jìn)的積分投影法提取出用歐式距離表征的35維人臉特征矢量用于人臉識(shí)別。Huang Chung Lin等人[4]采用動(dòng)態(tài)模板[5,6,7]與活動(dòng)輪廓模型提取出人臉器官的輪廓[8,9,10]?；趲缀翁卣鞯娜四樧R(shí)別方法有如下優(yōu)點(diǎn)：符合人類識(shí)別人臉的機(jī)理，易于理解；對(duì)每幅圖像只需要存儲(chǔ)一個(gè)特征矢量，存儲(chǔ)量??；對(duì)光照變化不敏感。但這種方法同樣存在一些問(wèn)題，如從圖像中提取這些特征比較困難；對(duì)強(qiáng)烈的表情變化和姿態(tài)變化的魯棒性差等。

（2）基于模板匹配的人臉識(shí)別方法

模板匹配大都采用歸一化相關(guān)，直接計(jì)算兩幅圖之間的匹配程度。最簡(jiǎn)單的人臉模板就是將人臉看成一個(gè)橢圓[10,11]。另一種方法就是將人臉用一組獨(dú)立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板等，采用彈性模板方法提取這些模板特征[12]。Brunelli等人專門(mén)比較了基于幾何特征的人臉識(shí)別方法和基于模板匹配的人臉識(shí)別方法，他們得出的結(jié)論是：基于幾何特征的人臉識(shí)別方法具有識(shí)別速度快和內(nèi)存要求小等優(yōu)點(diǎn)，但基于模板匹配的識(shí)別率要高于基于幾何特征的識(shí)別率。

（3）基于統(tǒng)計(jì)的人臉識(shí)別方法

基于統(tǒng)計(jì)特征的識(shí)別方法包括基于特征臉的方法和基于隱馬爾可夫模型的方法。特征臉（Eigenface）方法[13]是從主成分分析導(dǎo)出的一種人臉識(shí)別和描述技術(shù)。主成分分析實(shí)質(zhì)上是K-L展開(kāi)的網(wǎng)絡(luò)遞推實(shí)現(xiàn)，K-L變換是圖像壓縮中的一種最優(yōu)正交變換，其生成矩陣一般為訓(xùn)練樣本的總體散布矩陣。特征臉?lè)椒ň褪菍四樀膱D像區(qū)域看作是一種隨機(jī)向量，因此可以采用K-L變換獲得其正交K-L基底。對(duì)應(yīng)其中較大特征值的基底具有與人臉相似的形狀，因此又稱之為特征臉。

隱馬爾可夫模型（HMM）是用于描述信號(hào)統(tǒng)計(jì)特性的一組統(tǒng)計(jì)模型?；谌四槒纳系较隆淖蟮接业慕Y(jié)構(gòu)特征，Samaria等人[14]首先將1-D HMM和2-D Pseudo HMM用于人臉識(shí)別。Kohir等[15]采用1-D HMM將低頻DCT系數(shù)作為觀察矢量獲得了好的識(shí)別效果。Eickeler等[16]采用2-DPseudo HMM識(shí)別DCT壓縮的JPEG圖像中的人臉圖像。Nefian等[17]采用嵌入式HMM識(shí)別人臉。

（4）基于連接機(jī)制的人臉識(shí)別方法（神經(jīng)網(wǎng)絡(luò)彈性圖匹配）

基于連接機(jī)制的識(shí)別方法，包括一般的神經(jīng)網(wǎng)絡(luò)方法和彈性圖匹配(Elastic Graph Matching)方法。神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別應(yīng)用中有很長(zhǎng)的歷史[18]。Demers 等[19]提出采用PCA方法提取人臉圖像特征，用自相關(guān)神經(jīng)網(wǎng)絡(luò)進(jìn)一步壓縮特征，最后采用一個(gè)多層處理器來(lái)實(shí)現(xiàn)人臉識(shí)別。Laurence等[20]通過(guò)一個(gè)多級(jí)的SOM實(shí)現(xiàn)樣本的聚類，將卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于人臉識(shí)別。Lin等[21]采用基于概率決策的神經(jīng)網(wǎng)絡(luò)（PDBNN）方法。最近，徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)因具有逼近性好、空間描述緊湊和訓(xùn)練速度快等特點(diǎn)而被用于人臉識(shí)別。Gutta等[22]提出了將RBF與樹(shù)分類器結(jié)合起來(lái)進(jìn)行人臉識(shí)別的混合分類器結(jié)構(gòu)，后來(lái)他們用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行了針對(duì)部分人臉的識(shí)別研究[23]，他們的研究表明利用部分人臉也可以有效地識(shí)別人臉。Er等[24]采用PCA進(jìn)行維數(shù)壓縮，再用LDA抽取特征，然后基于RBF進(jìn)行人臉識(shí)別。Haddadnia 等[25]基于PZMI（Pseudo Zernike Moment Invariant）特征，并采用混合學(xué)習(xí)算法的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別。此外，Lucas 等采用連續(xù)的n-tuple網(wǎng)絡(luò)識(shí)別人臉。

彈性圖匹配方法是一種基于動(dòng)態(tài)鏈接結(jié)構(gòu)的方法[26]。在人臉圖像上放置一組矩形網(wǎng)格節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)的特征用該節(jié)點(diǎn)處的多尺度Gabor幅度特征描述，各節(jié)點(diǎn)之間的連接關(guān)系用幾何距離表示，從而構(gòu)成基于二維拓?fù)鋱D的人臉描述。根據(jù)兩個(gè)圖像中各節(jié)點(diǎn)和連接之間的相似性可以進(jìn)行人臉識(shí)別。Wiskott等[27]將人臉特征上的一些點(diǎn)作為基準(zhǔn)點(diǎn)，強(qiáng)調(diào)了人臉特征的重要性。他們采用每個(gè)基準(zhǔn)點(diǎn)存儲(chǔ)一串具有代表性的特征矢量，大大減少了系統(tǒng)的存儲(chǔ)量。Würtz 等[28]只使用人臉面部的特征，進(jìn)一步消除了結(jié)構(gòu)中的冗余信息和背景信息，并使用一個(gè)多層的分級(jí)結(jié)構(gòu)。Grudin等[29]也采用分級(jí)結(jié)構(gòu)的彈性圖，通過(guò)去除了一些冗余節(jié)點(diǎn)，形成稀疏的人臉描述結(jié)構(gòu)。Nastar等[30]提出將人臉圖像I(x,y)表示為可變形的3D網(wǎng)格表面（x, y, I(x,y)），將人臉匹配問(wèn)題轉(zhuǎn)換為曲面匹配問(wèn)題，利用有限元分析的方法進(jìn)行曲面變形，根據(jù)兩幅圖像之間變形匹配的程度識(shí)別人臉。

（5）基于形變模型的方法

基于形變模型的方法是一個(gè)受到重視的方法。通過(guò)合成新的視覺(jué)圖像，可以處理姿態(tài)變化的問(wèn)題。Lanitis等[31]通過(guò)在人臉特征邊沿選擇一些稀疏的基準(zhǔn)點(diǎn)描述人臉的形狀特征，然后將形狀變形到所有人臉圖像的平均形狀，再根據(jù)變形后的形狀進(jìn)行紋理（灰度）變形，形成與形狀無(wú)關(guān)的人臉圖像。然后分別對(duì)形狀和灰度進(jìn)行PCA變換，根據(jù)形狀和紋理的相關(guān)性，用PCA對(duì)各自的結(jié)果進(jìn)一步分析，最終得到描述人臉的AAM（Active Appearance Model）模型。通過(guò)改變這些參數(shù)可得到不同變化的人臉圖像，模型參數(shù)能夠用于人臉識(shí)別。Romdhani 等[32]采用激光掃描儀獲得人臉的3D數(shù)據(jù)，分別對(duì)一些基準(zhǔn)點(diǎn)構(gòu)成的形狀和基準(zhǔn)點(diǎn)的灰度（或彩色）完成PCA，得到3D人臉形狀和灰度（彩色）基圖像，通過(guò)變化參數(shù)就可獲得不同的3D人臉模型。通過(guò)施加一些先驗(yàn)約束可以避免合成不真實(shí)的人臉圖像。利用線性形狀和紋理誤差，通過(guò)3D模型向2D輸入圖像的自動(dòng)匹配實(shí)現(xiàn)人臉識(shí)別。

項(xiàng)目采用的識(shí)別算法

人臉自動(dòng)識(shí)別技術(shù)經(jīng)過(guò)多年來(lái)的研究已經(jīng)積累了大量研究成果。但是仍然面臨很多問(wèn)題，尤其是在非約束環(huán)境下的人臉識(shí)別。結(jié)合本研究項(xiàng)目及應(yīng)用環(huán)境綜合考慮，采用特征臉?lè)椒▽?duì)視屏資料中的司機(jī)臉部進(jìn)行提取識(shí)別。

特征臉?lè)椒ㄊ?0年代初期由Turk和Pentland提出算法，具有簡(jiǎn)單有效的特點(diǎn), 也稱為基于主成分分析（principal component analysis，簡(jiǎn)稱PCA）的人臉識(shí)別方法。把人臉圖像空間線性投影到一個(gè)低維的特征空間。PCA實(shí)質(zhì)上是K-L展開(kāi)的網(wǎng)絡(luò)遞推實(shí)現(xiàn)。K-L變換是圖像壓縮技術(shù)中的一種最優(yōu)正交變換。人們將它用于統(tǒng)計(jì)特征提取。從而形成子空間法模式識(shí)別的基礎(chǔ)。若將K-L變換用于人臉識(shí)別，則需假設(shè)人臉處于低維線性空間。由高維圖像空間K-L變換后，可得到一組新的正交基，由此可以通過(guò)保留部分正交基獲得正交K-L基底。如將子空間對(duì)應(yīng)特征值較大的基底按照?qǐng)D像陣列排列，則可以看出這些正交基呈現(xiàn)出人臉的形狀。因此這些正交基也稱為特征臉，這種人臉的識(shí)別方法也叫特征臉?lè)ā?/p>

特征子臉技術(shù)的基本思想是：從統(tǒng)計(jì)的觀點(diǎn)，尋找人臉圖像分布的基本元素，即人臉圖像樣本集協(xié)方差矩陣的特征向量，以此近似地表征人臉圖像。這些特征向量稱為特征臉（Eigenface）。

利用這些基底的線性組合可以描述、表達(dá)和逼近人臉圖像，因此可以進(jìn)行人臉識(shí)別與合成。識(shí)別過(guò)程就是將人臉圖像映射到由特征臉張成的子空間上，比較其與已知人臉在特征臉空間中的位置，具體步驟如下：[33]

（1）初始化，獲得人臉圖像的訓(xùn)練集并計(jì)算特征臉，定義為人臉空間；

（2）輸入待識(shí)別人臉圖像，將其映射到特征臉空間，得到一組權(quán)值；

（3）通過(guò)檢查圖像與人臉空間的距離判斷它是否為人臉；

（4）若為人臉，根據(jù)權(quán)值模式判斷它是否為數(shù)據(jù)庫(kù)中的某個(gè)人。

1. 計(jì)算特征臉

假設(shè)人臉圖像包含個(gè)像素,因此可以用維向量Γ表示。如人臉訓(xùn)練集由幅人臉圖像構(gòu)成,則可以用表示人臉訓(xùn)練集。

其均值為：

（2-1）

每幅圖像與均值的差為：

（2-2）

構(gòu)造人臉訓(xùn)練集的協(xié)方差矩陣：

（2-3）

其中 。

協(xié)方差矩陣的正交分解向量即為人臉空間的基向量，也即特征臉。

一般比較大（通常大于1000），所以對(duì)矩陣直接求解特征向量是不可能的，為此引出下列定理：

SVD定理：設(shè)是一秩為的維矩陣，則存在兩個(gè)正交矩陣：

（2-4）

（2-5）

以及對(duì)角陣：

（2-6）

滿足

其中：為矩陣和的非零特征值，和分別為和對(duì)應(yīng)于的特征矢量。上述分解成為矩陣的奇異值分解（SVD），為的奇異值。

推論：

（2-7）

由上述定理可知：

人臉訓(xùn)練集所包含的圖像一般要比圖像的像素?cái)?shù)小的多，因此可以轉(zhuǎn)求矩陣

（2-8）

的特征向量，M為人臉訓(xùn)練集圖像總數(shù)。

矩陣的特征向量由差值圖像與線性組合得到：

=（2-9）

實(shí)際上，m（m

（2-10）

識(shí)別

基于特征臉的人臉識(shí)別過(guò)程由訓(xùn)練階段和識(shí)別階段兩個(gè)階段組成。在訓(xùn)練階段,每個(gè)己知人臉映射由特征臉張成的子空間上,得到m維向量：

（2-11）

距離閾值定義如下：

（2-12）

在識(shí)別階段，首先把待識(shí)別的圖像映射到特征臉空間，得到向量

（2-13）

與每個(gè)人臉集的距離定義為

（2-14）

為了區(qū)分人臉和非人臉，還需計(jì)算原始圖像與其由特征臉空間重建的圖像之間的距離：

（2-15）

其中：

（2-16）

采用最小距離法對(duì)人臉進(jìn)行分類，分類規(guī)則如下：

（1）若，則輸入圖像不是人臉圖像；

（2）若，則輸入圖像包含未知人臉；

（3）若，則輸入圖像為庫(kù)中的某個(gè)人臉。

實(shí)際上，特征臉?lè)从沉穗[含在人臉樣本集合內(nèi)部的信息和人臉的結(jié)構(gòu)關(guān)系。將眼睛、面頰、下頜的樣本集協(xié)方差矩陣的特征向量稱為特征眼、特征頜和特征唇，統(tǒng)稱特征子臉。特征子臉在相應(yīng)的圖像空間中生成子空間，稱為子臉空間。計(jì)算出測(cè)試圖像窗口在子臉空間的投影距離，若窗口圖像滿足閾值比較條件，則判斷其為人臉。

基于特征分析的方法，也就是將人臉基準(zhǔn)點(diǎn)的相對(duì)比率和其它描述人臉臉部特征的形狀參數(shù)或類別參數(shù)等一起構(gòu)成識(shí)別特征向量，這種基于整體臉的識(shí)別不僅保留了人臉部件之間的拓?fù)潢P(guān)系，而且也保留了各部件本身的信息，而基于部件的識(shí)別則是通過(guò)提取出局部輪廓信息及灰度信息來(lái)設(shè)計(jì)具體識(shí)別算法。現(xiàn)在Eigenface(PCA)算法已經(jīng)與經(jīng)典的模板匹配算法一起成為測(cè)試人臉識(shí)別系統(tǒng)性能的基準(zhǔn)算法；而自1991年特征臉技術(shù)誕生以來(lái)，研究者對(duì)其進(jìn)行了各種各樣的實(shí)驗(yàn)和理論分析，F(xiàn)ERET測(cè)試結(jié)果也表明，改進(jìn)的特征臉?biāo)惴ㄊ侵髁鞯娜四樧R(shí)別技術(shù)，也是具有最好性能的識(shí)別方法之一。

該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計(jì)算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。其技術(shù)的核心實(shí)際為"局部人體特征分析"和"圖形/神經(jīng)識(shí)別算法。"這種算法是利用人體面部各器官及特征部位的方法。如對(duì)應(yīng)幾何關(guān)系多數(shù)據(jù)形成識(shí)別參數(shù)與數(shù)據(jù)庫(kù)中所有的原始參數(shù)進(jìn)行比較、判斷與確認(rèn)。Turk和Pentland提出特征臉的方法，它根據(jù)一組人臉訓(xùn)練圖像構(gòu)造主元子空間，由于主元具有臉的形狀，也稱為特征臉,識(shí)別時(shí)將測(cè)試圖像投影到主元子空間上，得到一組投影系數(shù)，和各個(gè)已知人的人臉圖像比較進(jìn)行識(shí)別。

結(jié)束語(yǔ)

從目前國(guó)情來(lái)講，在一段時(shí)間內(nèi)高速公路收費(fèi)還會(huì)繼續(xù)存在，某些司機(jī)逃費(fèi)的僥幸心也同樣會(huì)有。通過(guò)帶路徑識(shí)別功能的 RFID 復(fù)合卡作為通行卡，利用 RFID 卡的信息對(duì)車(chē)輛進(jìn)行跟蹤，在不增加硬件投入的情況下，直接可以給車(chē)道收費(fèi)系統(tǒng)提供抓拍高清圖像，以及其它報(bào)警聯(lián)動(dòng)系統(tǒng)提供圖像等，可有效解決高速公路沖卡逃費(fèi)問(wèn)題，可廣泛應(yīng)用于封閉式管理的公路收費(fèi)系統(tǒng)。

參考文獻(xiàn)：

[1]江艷霞. 視頻人臉跟蹤識(shí)別算法研究. 上海交通大學(xué)博士學(xué)位論文，2007.

[2]Brunelli R and Poggio T., Feature Recognition: Features Versus Templates. IEEE Transactions on

PAMI, 1993, 15(10):1042 -1052.

[3]李剛. 基于特征臉?lè)ǖ恼嫒四樧R(shí)別研究. 國(guó)防科學(xué)技術(shù)大學(xué)碩士學(xué)位論文，2002.11

[4]JOHN CANNY. A Computational Approach to Edge Detection. IEEE TRANSACTIONS ON PATTERN

ANALYSIS AND MACHINE INTELLIGENCE, VOL.PAMI-8, NO.6, NOVEMBER 1986.

[5]張建飛、陳樹(shù)越等. 基于支持向量基的交通視頻人車(chē)識(shí)別研究[J]. 電視技術(shù)，2011

[6]肖波、樊友平等. 復(fù)雜背景下基于運(yùn)動(dòng)特征的人面定位[J]. 重慶大學(xué)學(xué)報(bào)，2002

[7] 《中華人民共和國(guó)交通部公路聯(lián)網(wǎng)收費(fèi)技術(shù)要求》，交通部

[8] 《廣東省高速公路聯(lián)網(wǎng)收費(fèi)系統(tǒng)》，DB44 127-2003，廣東省質(zhì)量技術(shù)監(jiān)督局

[9] 《視頻安防監(jiān)控?cái)?shù)字錄像設(shè)備》,GB 20815-2006

[10]《安全防范工程技術(shù)規(guī)范》，GB 50348-2004

篇5

獨(dú)立分量分析(independentcomponentanalysis,ICA)是基于信號(hào)高階統(tǒng)計(jì)量的信號(hào)處理方法,其基本含義是將多道觀測(cè)信號(hào)按照統(tǒng)計(jì)獨(dú)立的原則通過(guò)優(yōu)化算法分解為若干獨(dú)立成分,前提是各源信號(hào)為彼此統(tǒng)計(jì)獨(dú)立的非高斯信號(hào)。與主分量分析(prin-cipalcomponentanalysis,PCA)相比,ICA不僅實(shí)現(xiàn)了信號(hào)的去相關(guān),而且要求各高階統(tǒng)計(jì)量獨(dú)立。1994年,Comon[1]系統(tǒng)地分析了瞬時(shí)混迭信號(hào)盲源分離問(wèn)題,提出了ICA的概念與基本假設(shè)條件,并基于累積量直接構(gòu)造了目標(biāo)函數(shù),進(jìn)而指出ICA是PCA的擴(kuò)展和推廣。20世紀(jì)90年代中期,Bell和Sejnowski[2]提出隨機(jī)梯度下降學(xué)習(xí)算法,即最大熵ICA算法(Infomax-ICA)。近年ICA在眾多領(lǐng)域得到廣泛應(yīng)用,主要得益于Lee等提出的擴(kuò)展ICA算法[3]、Hyvarinen的定點(diǎn)ICA算法[4]與Cardoso的JADE算法[5]。

2ICA模型

設(shè)有m個(gè)未知的源信號(hào)si(t),i=1~m,構(gòu)成一個(gè)列向量s(t)=[s1(t),s2(t),…,sm(t)]T,設(shè)A是一個(gè)n×m維矩陣,一般稱為混合矩陣(mixingmatrix)。設(shè)x(t)=[x1(t),x2(t),…,xn(t)]T是由n個(gè)觀測(cè)信號(hào)xi(t),i=1~n構(gòu)成的列向量,n(t)為n維附加噪聲,其瞬時(shí)線性混合模型(圖1)表示為下式:x(t)=As(t)+n(t),n≥m(1)一般情況下,噪聲可以忽略不計(jì)。則ICA模型可以簡(jiǎn)化為:x(t)=As(t),n≥m(2)ICA的命題是:對(duì)任何t,根據(jù)已知的x(t)在A生物醫(yī)學(xué)工程研究JournalofBiomedicalEngineeringResearch未知的條件下求解未知的s(t)。這就構(gòu)成一個(gè)無(wú)噪聲的盲分離問(wèn)題。ICA的思路是設(shè)置一個(gè)解混矩陣W(W∈Rm×n),使得x經(jīng)過(guò)W變換后得到n維輸出列向量y(t),即y(t)=Wx(t)=WAs(t)(3)如果通過(guò)學(xué)習(xí)實(shí)現(xiàn)了WA=I(I為單位陣),則y(t)=s(t),從而達(dá)到分離源信號(hào)的目的。根據(jù)概率論中心極限定理,兩個(gè)獨(dú)立隨機(jī)變量和的高斯性通常比原來(lái)任何一個(gè)的高斯性都要強(qiáng)。信號(hào)分離的過(guò)程,就是神經(jīng)網(wǎng)絡(luò)輸出的各分量非高斯性(即獨(dú)立性)增強(qiáng)的過(guò)程。由于沒(méi)有任何參照目標(biāo),學(xué)習(xí)只能是自組織的。學(xué)習(xí)過(guò)程的第一步是建立以W為變量的目標(biāo)函數(shù)L(W),如果某個(gè)W能使L(W)達(dá)到極值,該W即為所需的解;第二步是用一種有效的算法求解W。按照L(W)定義的不同和求W的算法不同,可以構(gòu)成各種ICA算法。目標(biāo)函數(shù)的定義可以分為基于高階統(tǒng)計(jì)和基于信息論的方法。

3ICA判據(jù)與算法

用ICA解決BSS問(wèn)題,一般基于以下假設(shè):①各源信號(hào)si(t)統(tǒng)計(jì)獨(dú)立;②觀測(cè)信號(hào)數(shù)n≥源信號(hào)數(shù)m;③各源信號(hào)si(t)中至多允許有一個(gè)高斯分布的信號(hào)源;④各傳感器引入的噪聲很小。ICA理論及分離算法的關(guān)鍵在于如何度量分離結(jié)果的獨(dú)立性。

3.1基于非高斯最大化的ICA

直觀的說(shuō),非高斯性是ICA模型估計(jì)的關(guān)鍵。采用峭度(kurtosis)和負(fù)熵(negentropy)可以度量非高斯性的大小。

3.1.1基于峭度高階統(tǒng)計(jì)量的判據(jù)隨機(jī)變量y(t)沒(méi)有歸一化的峭度,也稱作四階累積量,定義為:kurt(y)=E{y4}-3(E{y2})2=C4[y4](4)對(duì)高斯信號(hào)變量來(lái)說(shuō),它的kurtosis等于零;但對(duì)大多數(shù)非高斯隨機(jī)變量而言,它們的kurtosis有正也有負(fù)。聲音信號(hào)等具有正kurtosis值的信號(hào)稱為超高斯信號(hào),生物醫(yī)學(xué)信號(hào)、圖像信號(hào)、通信信號(hào)等具有負(fù)kurtosis值的信號(hào)稱作亞高斯信號(hào)。由于該度量方法在理論和計(jì)算上都非常簡(jiǎn)單,因此廣泛用于ICA和相關(guān)領(lǐng)域。

3.1.2基于負(fù)熵的ICA目標(biāo)函數(shù)由信息論理論可知,在所有具有等方差的隨機(jī)變量中,高斯分布的隨機(jī)變量的信息熵最大,非高斯性越強(qiáng),其信息熵越小。這表明熵能用于非高斯性的測(cè)量。負(fù)熵定義如下:J(y)∝H(ygauss)-H(y)(5)其中,H(y)=∫f(y)logf(y)dy,ygauss是一與y具有相同協(xié)方差的高斯隨機(jī)變量。負(fù)熵總是非負(fù)的,并只有當(dāng)y是高斯分布時(shí)為零。實(shí)際應(yīng)用中為簡(jiǎn)化計(jì)算,通常要對(duì)負(fù)熵加以近似[6]:J(y)∝[E{G(y)}-E{G(ν)}]2(6)其中,ν為零均值單位方差的高斯向量,y的均值為零,且是單位方差;G(•)可取為G1(u)=1a1log-cosha1u(1≤a1≤2)或G2(u)=-exp(-u2/2)等非二次函數(shù)。這種近似得到的負(fù)熵,給出了古典的kurto-sis和負(fù)熵在非高斯性測(cè)量上的一種很好的折衷,其近似概念簡(jiǎn)單,計(jì)算快速,具有較好的魯棒性。

3.2基于信息論的ICA

3.2.1基于極大似然(ML)估計(jì)的ICA在ICA模型中可以直接定義似然函數(shù)(對(duì)數(shù)形式)如下:logL=∑Tt=1∑ni=1logfi(wWix(t))+Tlog|detW|(7)其中,fi為獨(dú)立分量si的密度函數(shù)(假設(shè)pdf已知),x(t)(t=1,2,…,T)是x的實(shí)現(xiàn),該式也可表示為:1TlogL=E{∑ni=1logfi(wTix)}+log|detW|(8)在實(shí)際的ML估計(jì)中,獨(dú)立分量的pdf也不必精確的估計(jì)出來(lái)。事實(shí)上,只要能夠確定獨(dú)立分量的超高斯或亞高斯性即可。但是,對(duì)獨(dú)立分量先驗(yàn)知識(shí)的錯(cuò)誤認(rèn)知,會(huì)導(dǎo)致完全錯(cuò)誤的結(jié)果。

3.2.2基于信息最大化的ICAInfomax算法充分利用神經(jīng)網(wǎng)絡(luò)的知識(shí),其原理是最大化一個(gè)具有非線性輸出神經(jīng)網(wǎng)絡(luò)的輸出熵(或信息流)。假設(shè)x是一個(gè)輸出形式為Φi(wiTx)的神經(jīng)網(wǎng)絡(luò)輸入,這里Φi是一些非線性標(biāo)量函數(shù),wi是神經(jīng)網(wǎng)絡(luò)的權(quán)向量,得到最大化輸出的熵為:H(Φ1,…,Φn)=H(x)+E{log│detF/W(x)│}(9)式中F(x)=(Φ1(w1Tx),…,Φn(wnTx))。57第4期趙浩等•獨(dú)立分量分析在生物醫(yī)學(xué)信號(hào)處理中的應(yīng)用E{log│detF/W(x)│}=∑Ni=1E{logΦ′i(wiTx)}+log│detW│(10)比較式(8)與式(10),可以看出輸出熵同似然函數(shù)的期望值有相同的形式。在此處,獨(dú)立分量的pdf被函數(shù)Φ′i代替。如果此處的非線性函數(shù)Φ′i采用相應(yīng)于累計(jì)的分布函數(shù),比如說(shuō)Φ′I(•)=fi(•),那么輸出熵則等于似然值。所以Infomax和MLE是等價(jià)的。

3.2.3基于最小互信息(MMI)的ICA根據(jù)信息論中互信息的定義,考慮到線性關(guān)系y(t)=Wx(t),可得基于最小互信息的目標(biāo)函數(shù)I(y1,y2,…yn)=∑iH(yi)-H(x)-log|detW|(11)最小化該式即可得到分離矩陣W,使yi(t)趨于相互獨(dú)立。

3.3ICA的學(xué)習(xí)算法

ICA的學(xué)習(xí)算法可分為兩類,一類是求取相關(guān)目標(biāo)函數(shù)的極值,另一類是基于隨機(jī)梯度方法的自適應(yīng)算法。一種好的學(xué)習(xí)算法應(yīng)保證解的正確性,并且算法簡(jiǎn)單,收斂速度快。近年Lee等提出了擴(kuò)展ICA算法[3],該算法在迭代過(guò)程中不需要計(jì)算信號(hào)的高階統(tǒng)計(jì)量,收斂速度快,可實(shí)現(xiàn)亞高斯和超高斯信號(hào)的同步分離。FastICA算法是一種基于負(fù)熵或極大似然估計(jì)等獨(dú)立性判決準(zhǔn)則的分離算法[4],該算法是基于定點(diǎn)遞推算法得到的。FastICA收斂速度快,不需要選擇步長(zhǎng),獨(dú)立成分可以逐個(gè)估計(jì),并具有很多神經(jīng)算法的優(yōu)點(diǎn),如計(jì)算簡(jiǎn)單,需求的內(nèi)存小,是并行的?；谪?fù)熵的一維FastICA算法能估計(jì)其中的一個(gè)獨(dú)立分量,或者說(shuō)是一個(gè)投影,其步驟如下:(1)中心化觀測(cè)數(shù)據(jù),使其均值為零;并對(duì)觀測(cè)數(shù)據(jù)進(jìn)行白化預(yù)處理,初始權(quán)值向量W;(2)利用定點(diǎn)準(zhǔn)則計(jì)算下一個(gè)ICA基本向量的估計(jì):W(k)=E{xg(W(k-1)Tx)}-E{g′(WT(k-1)x)}W(12)式中g(shù)(•)為g1(u)=tanh(a1u)(1<a1<2,經(jīng)常置a1=1)或g2(u)=uexp(-u2/2);(3)將W(k)標(biāo)準(zhǔn)化,即W(k)除以它的范數(shù),W(k)=W(k)/W(k);(4)如果不收斂,則返回第2步。

4ICA在生物醫(yī)學(xué)信號(hào)處理中的應(yīng)用

生物醫(yī)學(xué)信號(hào)的采集設(shè)備一般由各類傳感器、運(yùn)算放大器、濾波器、AD/DA轉(zhuǎn)換、預(yù)處理等模塊構(gòu)成,生物醫(yī)學(xué)信號(hào)比較微弱,一般處在微伏級(jí),暴露于大量的背景噪聲和傳感器噪聲中,并且電路可能存在不同的內(nèi)部時(shí)鐘和傳輸轉(zhuǎn)換時(shí)延,各通道間存在串?dāng)_和迭加,干擾信號(hào)的幅度可能比有用信號(hào)的幅度還要強(qiáng),具有較強(qiáng)的非平穩(wěn)性和隨機(jī)性等普遍特征。如何在保證信號(hào)特征基本不變的前提下,對(duì)其進(jìn)行去噪提純,繼而進(jìn)行信號(hào)的特征提取和壓縮,改善其存儲(chǔ)、檢索及模式自動(dòng)識(shí)別等問(wèn)題,是醫(yī)療自動(dòng)化和信息化的重要課題。由于ICA是根據(jù)觀測(cè)信號(hào)和源信號(hào)的概率分布來(lái)估計(jì)各源信號(hào),考慮信號(hào)的高階統(tǒng)計(jì)特性,因而能有效的提升信號(hào)的信噪比,是一種非常有效的處理方法。眾多的科技工作者已經(jīng)把ICA用于生物醫(yī)學(xué)信號(hào)的研究。其中,Lee等把擴(kuò)展ICA用于EEG和fM-RI數(shù)據(jù)的處理[3];Common提出的基于高階累計(jì)量的算法也被用于分離胎兒和母體的ECG[7];FastICA固定點(diǎn)算法也被用于EEG和MEG數(shù)據(jù)———腦的電子和電磁活動(dòng)行為[8],等等。但是,各算法的最優(yōu)結(jié)果和各算法的魯棒性還有待進(jìn)一步確定,這也正是我們當(dāng)前的研究方向。

4.1分離生物醫(yī)學(xué)信號(hào)中干擾或噪聲

醫(yī)學(xué)信號(hào)中常用的腦電信號(hào)是利用放置在頭皮不同位置的導(dǎo)聯(lián)紀(jì)錄的一組數(shù)據(jù),極易受一些干擾成分的影響,如眼球運(yùn)動(dòng)偽跡、眨眼、心電偽跡和工頻干擾,這些干擾成分會(huì)對(duì)腦電信號(hào)的分析處理產(chǎn)生很多不良的影響。作為研究和臨床使用的EEG信號(hào),如何在有非自然信號(hào)污染的EEG信號(hào)中提取神經(jīng)元基本特征是研究人員面臨的問(wèn)題[9,10]。文獻(xiàn)[11]將小波分析和ICA相結(jié)合,用小波軟門(mén)限法提高腦電的信噪比,再利用ICA分離出源信號(hào),有效地去除了腦電中的噪聲和心電干擾。應(yīng)用ICA分離這些信號(hào)和噪聲的根據(jù)是:腦活動(dòng)與其他信號(hào)(如眼電、心電等)是不同的生理過(guò)程,即它們相互之間是統(tǒng)計(jì)獨(dú)立的,符合ICA模型的假設(shè)條件。在噪聲干擾確定并可人為生成(如腦電中的工頻干擾)時(shí)[12],或干擾具有明確生理意義時(shí),即干擾信號(hào)和有用生理信號(hào)可被看作是由相對(duì)獨(dú)立的不同的源產(chǎn)生的情況下,可將噪聲或干擾分離成獨(dú)立的源信號(hào)。我們利用MATLAB進(jìn)行如下試驗(yàn):圖3為3路同步測(cè)量的腦電和眼動(dòng)信號(hào),從原信號(hào)及其功率譜可見(jiàn),腦電信號(hào)中含有眼動(dòng)干擾和60Hz的工頻干擾。由于腦電數(shù)據(jù)庫(kù)沒(méi)有提供同步測(cè)量的工頻信號(hào),我們構(gòu)造兩個(gè)60Hz工頻干擾源P1=sin(2*pi*60*t);P2=cos(2*pi*60*t),與3路源信號(hào)構(gòu)成5路信號(hào),然后采用FastICA算法分離這5路信號(hào)。將分離后的眼電、工頻干擾信號(hào)置零后,再重構(gòu)源信號(hào)。圖4為不含眼動(dòng)和工頻干擾的腦電信號(hào),從重構(gòu)結(jié)果及其頻譜可見(jiàn),腦電信號(hào)在100點(diǎn)和700點(diǎn)附近的眼動(dòng)干擾明顯消除,60Hz的工頻干擾也得到了很好的抑制,試驗(yàn)取得了良好效果。

4.2特征提取

在生物醫(yī)學(xué)信號(hào)和圖像處理中,常需要提取信號(hào)的狀態(tài)特征,作為診斷和識(shí)別的依據(jù),通常提取特征都是基于信號(hào)的低階統(tǒng)計(jì)特性,而ICA充分利用了信號(hào)的高階相關(guān)性,能有效的提取信號(hào)在生理意義上的本質(zhì)特征,分離出與待分析信號(hào)相對(duì)穩(wěn)定的獨(dú)立分量模式,進(jìn)而可以用作信號(hào)的特征提取或分類[13,6]。郭曉靜,等[13]分析處理不同心理作業(yè)的思維腦電信號(hào),初步發(fā)現(xiàn)了與心理作業(yè)相對(duì)應(yīng)的腦電獨(dú)立分量的特征,并用于心理作業(yè)的分類,為腦機(jī)接口技術(shù)提供了新的方法。

篇6

關(guān)鍵詞：航空器損傷探測(cè)；智能識(shí)別；航空器無(wú)人機(jī)巡檢；點(diǎn)云數(shù)據(jù)

近年來(lái)，我國(guó)航空運(yùn)輸業(yè)處于高速發(fā)展時(shí)期，擁有世界前列的民航客機(jī)保有量和客運(yùn)總周轉(zhuǎn)量，但民航客機(jī)數(shù)量的不斷增多也帶來(lái)了更多的航空器損傷事件。航空器的損傷形式一般包括疲勞損傷、應(yīng)力腐蝕裂紋、耐環(huán)境退化、磨損、摩擦、碎裂、凹陷、劃傷、外來(lái)物損傷（FOD）以及由雷擊或強(qiáng)熱導(dǎo)致的損傷。不同類型的損傷在航空器各個(gè)區(qū)域所發(fā)生的概率不同，如飛機(jī)大翼前緣容易受到FOD損傷，飛機(jī)頂部區(qū)域容易出現(xiàn)疲勞損傷等。對(duì)于航空器而言，一個(gè)微小的損傷有可能導(dǎo)致重大空難事故，及時(shí)預(yù)防檢測(cè)航空器損傷是保證航空器持續(xù)適航的重要手段，對(duì)飛行安全起到至關(guān)重要的作用。如何采用更加有效的技術(shù)手段確保精準(zhǔn)探測(cè)航空器損傷是現(xiàn)今需要研究的課題。

1航空器損傷檢測(cè)通用方法

航空器損傷檢測(cè)有多種方法，較為明顯的損傷在例行檢查過(guò)程中可通過(guò)肉眼或借助手電筒、反光鏡、放大鏡等簡(jiǎn)單輔助工具識(shí)別。雖然每次短停都檢查飛機(jī)的外表面，但是因環(huán)境影響和損傷的細(xì)微特性，僅依靠目視和簡(jiǎn)單工具容易出現(xiàn)漏檢，采用技術(shù)更先進(jìn)的無(wú)損檢測(cè)方法對(duì)飛機(jī)外表面進(jìn)行檢測(cè)將更有保證。根據(jù)損傷檢測(cè)手段的不同，航空器損傷檢測(cè)大致可分為目視檢測(cè)法和無(wú)損檢測(cè)法兩類。

1.1目視檢測(cè)法

目視檢查是航空器完整性檢查中最基本、最常用的方法，也是保證飛行安全的重要檢查手段之一，指通過(guò)人眼或輔助設(shè)備對(duì)飛機(jī)表面進(jìn)行直接觀察以發(fā)現(xiàn)表面損傷，并根據(jù)技術(shù)規(guī)范對(duì)損傷做出判斷和評(píng)價(jià)。在進(jìn)行其他無(wú)損檢測(cè)之前，凡是能目視的部分都必須經(jīng)過(guò)目視檢查，包括：從飛行前繞機(jī)一周檢查，借助照明設(shè)備和放大鏡對(duì)機(jī)體表面仔細(xì)檢查；借助內(nèi)窺鏡和反光鏡對(duì)機(jī)體內(nèi)部表面檢查等。目視檢查的優(yōu)勢(shì)是簡(jiǎn)單易操作，不足之處是人眼和工具存在局限性，以及一些特定區(qū)域接近困難，對(duì)航空器某些細(xì)微損傷不能有效檢測(cè)。檢查過(guò)程中需要檢測(cè)人具備細(xì)致入微的觀察力和準(zhǔn)確的工具使用方法，人為因素影響較大，個(gè)體的先天差異性很可能會(huì)影響到檢測(cè)結(jié)果的精確程度。

1.2無(wú)損檢測(cè)法

無(wú)損檢測(cè)（NDT）指在不改變、不損害材料和工件的狀態(tài)及性能的情況下，對(duì)材料和/或制件進(jìn)行宏觀缺陷檢測(cè)、幾何特性測(cè)量以及化學(xué)成分、組織結(jié)構(gòu)和力學(xué)性能變化的評(píng)定，并就材料或制件對(duì)特定應(yīng)用的適用性進(jìn)行評(píng)價(jià)的一種方法。在檢查微小缺陷或目視檢查不能勝任的情況下，需采用無(wú)損檢測(cè)方法對(duì)飛機(jī)是否存在損傷進(jìn)行檢測(cè)。根據(jù)物理原理的不同，有多種無(wú)損檢測(cè)方法，工程應(yīng)用中普遍采用渦流檢測(cè)（ET）、滲透檢測(cè)（PT）、磁粉檢測(cè)（MT）、射線照相檢測(cè)（RT）和超聲檢測(cè)（UT）五種常規(guī)無(wú)損檢測(cè)方法。其中，射線照相檢測(cè)和超聲檢測(cè)用于檢測(cè)結(jié)構(gòu)內(nèi)部缺陷，磁粉檢測(cè)和渦流檢測(cè)可以檢測(cè)結(jié)構(gòu)表面和近表面缺陷，滲透檢測(cè)只能檢測(cè)結(jié)構(gòu)表面開(kāi)口缺陷。已獲工程應(yīng)用的其他無(wú)損檢測(cè)方法包括聲發(fā)射檢測(cè)、計(jì)算機(jī)層析成像檢測(cè)、全息干涉/錯(cuò)位散斑干涉檢測(cè)、泄漏檢測(cè)、目視檢測(cè)和紅外檢測(cè)等。相比目視檢測(cè)，無(wú)損檢測(cè)優(yōu)勢(shì)明顯，檢查精準(zhǔn)度更高，檢查效果更為直觀，缺點(diǎn)是設(shè)備針對(duì)性過(guò)強(qiáng)，通用性不足，某些設(shè)備操作復(fù)雜程度高影響到檢測(cè)效率，檢測(cè)人員需掌握更多的設(shè)備使用方法以達(dá)到應(yīng)對(duì)飛機(jī)不同種類缺陷檢測(cè)的目的。

2無(wú)人機(jī)損傷智能識(shí)別巡檢方案

隨著人工智能、大數(shù)據(jù)挖掘分析等科學(xué)技術(shù)的發(fā)展及設(shè)備制造工業(yè)的不斷成熟，無(wú)人機(jī)產(chǎn)品體系愈發(fā)豐富，應(yīng)用范圍越來(lái)越廣闊。由于無(wú)人機(jī)具備高空、遠(yuǎn)距離、快速、自行作業(yè)的能力，在巡檢領(lǐng)域的應(yīng)用可突破現(xiàn)有技術(shù)手段的局限性，實(shí)現(xiàn)范圍大、效率高、檢測(cè)準(zhǔn)、無(wú)死角的檢測(cè)效果，是未來(lái)替代人工檢測(cè)的一種新的補(bǔ)充手段。

2.1無(wú)人機(jī)巡檢檢測(cè)流程設(shè)計(jì)

航空器損傷的形態(tài)及類別相當(dāng)復(fù)雜，既有常見(jiàn)的已知類別的損傷樣本，也存在部分損傷類別樣本極少甚至缺失的情況。考慮到航空器無(wú)人機(jī)巡檢的要求，如何從復(fù)雜背景中準(zhǔn)確地識(shí)別少樣本甚至零樣本航空器損傷（可能是很細(xì)小的目標(biāo)），是航空器無(wú)人機(jī)巡檢的重點(diǎn)及難點(diǎn)工作。如圖1所示，航空器無(wú)人機(jī)巡檢一般涵蓋下面幾個(gè)重要節(jié)點(diǎn)和程序。第一步：需對(duì)航空器劃分測(cè)區(qū)，進(jìn)行激光雷達(dá)掃描，生成航空器三維模型；第二步：以航空器三維模型為基礎(chǔ)，設(shè)置關(guān)鍵掃描點(diǎn)，自動(dòng)生成精細(xì)化巡檢航線，可以保證預(yù)設(shè)高精度圖像采集和采集點(diǎn)位的一致性；第三步：將精細(xì)化巡檢航線導(dǎo)入無(wú)人機(jī)，搭載載荷一鍵起飛，自動(dòng)化巡檢，獲取可見(jiàn)光和點(diǎn)云數(shù)據(jù)；配合無(wú)人機(jī)指揮保障系統(tǒng)，可以實(shí)現(xiàn)不同環(huán)境下高頻次、全自主經(jīng)常巡檢和定期巡檢；第四步：對(duì)可見(jiàn)光和點(diǎn)云數(shù)據(jù)進(jìn)行分析，生成民航航空器狀態(tài)評(píng)定記錄；第五步：對(duì)分析數(shù)據(jù)進(jìn)行歸類整理，建立民航航空器的全壽命健康數(shù)據(jù)管理記錄，形成合理的檢查周期和標(biāo)準(zhǔn)的“經(jīng)常、定期”檢查方案。

2.2航空器智能識(shí)別算法應(yīng)用分析

上述第四步對(duì)可見(jiàn)光和點(diǎn)云數(shù)據(jù)分析、生成民航航空器狀態(tài)評(píng)定記錄是航空器無(wú)人機(jī)巡檢的關(guān)鍵核心技術(shù)和技術(shù)難點(diǎn)。目前，主流的深度學(xué)習(xí)算法需要大量樣本數(shù)據(jù)集進(jìn)行訓(xùn)練才能取得比較好的結(jié)果，項(xiàng)目早期存在樣本不足的問(wèn)題。為此，擬首先采用傳統(tǒng)模型驅(qū)動(dòng)的識(shí)別算法，對(duì)可能的損傷目標(biāo)進(jìn)行識(shí)別和初篩，再對(duì)初篩得到的疑似區(qū)域以人機(jī)交互的方式進(jìn)行人工復(fù)檢，去除識(shí)別錯(cuò)誤的損傷，這樣既能大大減小人工的工作量，又能實(shí)現(xiàn)全覆蓋檢測(cè)。在進(jìn)行上述檢測(cè)的同時(shí)積累損傷數(shù)據(jù)圖片，當(dāng)數(shù)據(jù)集充分時(shí)即可建立深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，實(shí)現(xiàn)更好更快的智能損傷識(shí)別算法。綜上分析，為了克服初期損傷樣本少和圖像干擾強(qiáng)的雙重影響，民航航空器無(wú)人機(jī)巡檢項(xiàng)目擬采用以“模型+數(shù)據(jù)”驅(qū)動(dòng)的航空器損傷智能識(shí)別算法，算法整體結(jié)構(gòu)如圖2所示。擬采用的航空器損傷智能識(shí)別算法包括兩個(gè)階段：基于模型驅(qū)動(dòng)的損傷識(shí)別階段和基于模型及數(shù)據(jù)融合的損傷識(shí)別階段。1）基于模型驅(qū)動(dòng)的損傷識(shí)別階段首先，基于可見(jiàn)光相機(jī)和激光雷達(dá)，分別采集彩色圖像和三維點(diǎn)云，將兩類數(shù)據(jù)進(jìn)行空間及時(shí)間上的像素級(jí)對(duì)齊配準(zhǔn)；然后，分析不同類型表觀損傷的發(fā)生機(jī)理、空間分布特性、圖像特征和形態(tài)幾何特征，分別提取典型損傷的時(shí)頻空間紋理特征和幾何特征；最后，構(gòu)建融合紋理特征和幾何特征的航空器損傷模型，基于該模型實(shí)現(xiàn)候選損傷區(qū)域的識(shí)別。該階段中，由于圖像數(shù)據(jù)中存在大量噪聲干擾，檢測(cè)結(jié)果不可避免地存在錯(cuò)檢。為此，設(shè)計(jì)人機(jī)交互模式，通過(guò)人工核查的方式對(duì)該階段發(fā)現(xiàn)的可疑目標(biāo)進(jìn)行確認(rèn)。經(jīng)過(guò)確認(rèn)的損傷不僅能夠作為檢測(cè)結(jié)果直接應(yīng)用，還將作為樣本數(shù)據(jù)進(jìn)行積累，用于第二階段中深度學(xué)習(xí)模型的訓(xùn)練。2）基于模型及數(shù)據(jù)融合的損傷識(shí)別階段首先，構(gòu)建航空器損傷圖像的模擬樣本庫(kù)和真實(shí)樣本庫(kù)，其中，模擬樣本庫(kù)通過(guò)對(duì)抗生成網(wǎng)絡(luò)構(gòu)建，真實(shí)樣本庫(kù)通過(guò)人工標(biāo)注和第一階段人工核查確認(rèn)兩種途徑不斷積累損傷圖像樣本；然后，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)從第一階段建立的損傷檢測(cè)模型中提取損傷先驗(yàn)知識(shí)，結(jié)合先驗(yàn)知識(shí)與小樣本、弱監(jiān)督學(xué)習(xí)，實(shí)現(xiàn)融合先驗(yàn)知識(shí)與模擬樣本數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練；在此基礎(chǔ)上，利用不斷擴(kuò)增的真實(shí)樣本庫(kù)，將損傷識(shí)別能力從模擬樣本遷移到真實(shí)樣本，獲得基于數(shù)據(jù)驅(qū)動(dòng)的檢測(cè)結(jié)果；最后，將模型驅(qū)動(dòng)檢測(cè)結(jié)果與數(shù)據(jù)驅(qū)動(dòng)檢測(cè)結(jié)果進(jìn)行目標(biāo)級(jí)融合，從而完成最終的航空器損傷識(shí)別任務(wù)。擬采用方案的優(yōu)點(diǎn)包括：不需要前期漫長(zhǎng)的數(shù)據(jù)積累，在早期缺乏有效樣本的階段，以模型驅(qū)動(dòng)方式提取可疑目標(biāo)，并通過(guò)人機(jī)交互方式實(shí)現(xiàn)檢測(cè)結(jié)果的核查，在有效降低工作量的同時(shí)保證識(shí)別準(zhǔn)確性；使用過(guò)程中數(shù)據(jù)樣本不斷增加，算法的識(shí)別精度也將隨之提升。

2.3建立航空器檢測(cè)體系

通過(guò)可見(jiàn)光數(shù)據(jù)和激光點(diǎn)云，分析生成航空器巡檢報(bào)告，通過(guò)無(wú)人機(jī)巡檢及時(shí)發(fā)現(xiàn)故障隱患，有效提高了航空器運(yùn)行狀態(tài)的可靠性，同時(shí)，通過(guò)持續(xù)的信息監(jiān)控，建立航空器的科學(xué)管理體系。1）提升航空器檢查和監(jiān)控能力。監(jiān)測(cè)和監(jiān)控是航空器日常維護(hù)的“眼睛”，只有對(duì)航空器的各部件的運(yùn)行狀態(tài)進(jìn)行全面、合理的監(jiān)控，才能及時(shí)了解航空器及部件的狀況，從而對(duì)航空器進(jìn)行綜合評(píng)估。重點(diǎn)是做好關(guān)鍵部件的狀態(tài)監(jiān)測(cè)。2）積累數(shù)據(jù)分析和問(wèn)題判別的經(jīng)驗(yàn)。在日常維護(hù)中注重經(jīng)驗(yàn)的積累，做好數(shù)據(jù)的收集和分析過(guò)程的記錄，將設(shè)備問(wèn)題與解決方案進(jìn)行系統(tǒng)的對(duì)比，積累經(jīng)驗(yàn)。3）建立科學(xué)的維護(hù)管理體系。深化運(yùn)維計(jì)劃的管理，支撐合理的維護(hù)周期和標(biāo)準(zhǔn)的維護(hù)方案，并根據(jù)實(shí)際情況對(duì)不同機(jī)型航空器制定差異化的維護(hù)計(jì)劃，同時(shí)強(qiáng)化維護(hù)過(guò)程管理，保障和提高維護(hù)質(zhì)量。

3結(jié)束語(yǔ)

本文探討了通過(guò)內(nèi)置航空器損傷智能識(shí)別算法的無(wú)人機(jī)巡檢技術(shù)對(duì)航空器實(shí)施探測(cè)的一種理論方法，其中具體細(xì)節(jié)仍有待實(shí)現(xiàn)和標(biāo)準(zhǔn)化，如無(wú)人機(jī)自主飛行、無(wú)人機(jī)航線定位、無(wú)人機(jī)探測(cè)航線的確立、激光雷達(dá)三維建模等。利用無(wú)人機(jī)巡檢技術(shù)實(shí)施航空器損傷檢測(cè)仍處于探索研究階段，本文提出的方法可為未來(lái)各航空公司、飛機(jī)制造商建立更完善更有效的無(wú)人機(jī)巡檢損傷探測(cè)方法提供初步的解決方案及設(shè)計(jì)思路。

參考文獻(xiàn)

[1]謝小榮，楊小林.飛機(jī)損傷檢測(cè)[M].北京：航空工業(yè)出版社，2006.

篇7

關(guān)鍵詞：內(nèi)部威脅；檢測(cè)模型；信息泄露；網(wǎng)絡(luò)安全；

作者：吳良秋

0、引言

隨著大數(shù)據(jù)、云計(jì)算蓬勃發(fā)展，計(jì)算機(jī)相關(guān)產(chǎn)品在我們生活中扮演著重要角色，我們?cè)谙硎艿耐瑫r(shí)，信息安全成了不可忽視的安全隱患，數(shù)據(jù)的非法獲取成了互聯(lián)網(wǎng)環(huán)境下的巨大威脅，特別是內(nèi)部威脅，具有一定的透明性，發(fā)生在安全邊界之內(nèi)，相對(duì)于外部攻擊更隱蔽，對(duì)整個(gè)網(wǎng)絡(luò)安全環(huán)境提出了嚴(yán)峻挑戰(zhàn)。

美國(guó)防部海量數(shù)據(jù)庫(kù)[1]監(jiān)測(cè)、分析和識(shí)別單位雇員的行為是否給國(guó)防部帶來(lái)危險(xiǎn)；2013年斯諾登事件中內(nèi)部人員通過(guò)私人渠道公開(kāi)內(nèi)部數(shù)據(jù)引起媒體廣泛關(guān)注；2017年3月，Dun&Bradstreet(鄧白氏)的52GB數(shù)據(jù)庫(kù)遭到泄露，這個(gè)數(shù)據(jù)庫(kù)中包括了美國(guó)一些大型企業(yè)和政府組織(包括AT&T，沃爾瑪、WellsFargo，美國(guó)郵政甚至美國(guó)國(guó)防部)的3300多萬(wàn)員工的信息和聯(lián)系方式等；2014年1月，韓國(guó)信用局內(nèi)部員工竊取了2000萬(wàn)銀行和信用卡用戶的個(gè)人數(shù)據(jù)，造成韓國(guó)歷史上最嚴(yán)重的數(shù)據(jù)泄露事件，但這只是內(nèi)部威脅安全的冰山一角。SailPoint的調(diào)查顯示，被調(diào)查者中20%的人表示只要價(jià)錢(qián)合適會(huì)出賣(mài)自己的工作賬號(hào)和密碼。即時(shí)內(nèi)部威脅檢測(cè)系統(tǒng)(ITDS)是一項(xiàng)昂貴而復(fù)雜的工程，但是情報(bào)界，國(guó)防部，公司都在研究相關(guān)檢測(cè)模型。

截止2016年4月公安部部署打擊整治網(wǎng)絡(luò)侵犯公民個(gè)人信息犯罪專項(xiàng)行動(dòng)以來(lái)，全國(guó)公安機(jī)關(guān)網(wǎng)絡(luò)安全保衛(wèi)部門(mén)已經(jīng)查破刑事案件1200余起，抓獲犯罪嫌疑人3300余人，其中銀行、教育、電信、快遞、證券、電商網(wǎng)站等行業(yè)內(nèi)部人員270余人[2]。

國(guó)內(nèi)外內(nèi)部威脅事件不斷發(fā)生，內(nèi)部威脅應(yīng)對(duì)形式嚴(yán)峻，需要社會(huì)各界的高度重視，首要工作是分析內(nèi)部威脅的特征，從而研究可能的應(yīng)對(duì)方案。

1、內(nèi)部威脅的產(chǎn)生

1.1、相關(guān)術(shù)語(yǔ)

內(nèi)部威脅，一般存在于某一個(gè)企業(yè)或組織的內(nèi)部，內(nèi)部的人員與外界共同完成對(duì)團(tuán)隊(duì)信息的盜竊和交易。

定義1內(nèi)部威脅攻擊者一般是指企業(yè)或組織的員工(在職或離職)、承包商以及商業(yè)伙伴等，其應(yīng)當(dāng)具有組織的系統(tǒng)、網(wǎng)絡(luò)以及數(shù)據(jù)的訪問(wèn)權(quán)。

內(nèi)部人外延是指與企業(yè)或組織具有某種社會(huì)關(guān)系的個(gè)體，如在職員工，離職員工，值得注意的是承包商與商業(yè)伙伴擴(kuò)展了內(nèi)部人的范圍，即“合伙人”也是潛在的內(nèi)部攻擊者；內(nèi)涵則是具有系統(tǒng)訪問(wèn)權(quán)。

定義2內(nèi)部威脅是指內(nèi)部威脅攻擊者利用合法獲得的訪問(wèn)權(quán)對(duì)組織信息系統(tǒng)中信息的機(jī)密性、完整性以及可用性造成負(fù)面影響的行為。

內(nèi)部威脅的結(jié)果是對(duì)數(shù)據(jù)安全造成了破壞，如機(jī)密性(如數(shù)據(jù)竊取)、完整性(如數(shù)據(jù)篡改)以及可用性(如系統(tǒng)攻擊)等。

企業(yè)或者組織信息化程度已經(jīng)深入日常管理，盡管企業(yè)或組織努力保護(hù)自身數(shù)據(jù)，但身份盜竊、數(shù)據(jù)庫(kù)泄露和被盜密碼問(wèn)題仍然是企業(yè)組織面臨的主要挑戰(zhàn)。如今，組織面臨的最大挑戰(zhàn)之一是內(nèi)部人士的系統(tǒng)濫用，他們的行為深深植根于不遵守監(jiān)管標(biāo)準(zhǔn)。已經(jīng)確定，信息安全防御中最薄弱的環(huán)節(jié)是人，這意味著最嚴(yán)重的威脅來(lái)自內(nèi)部人員。

因此，內(nèi)部威脅產(chǎn)生，主要有兩方面原因：(1)主體原因，即攻擊者有攻擊的能力，行為完成一次攻擊；(2)客體原因，一次攻擊能成功都是因?yàn)楸还魧?duì)象存在漏洞或者缺乏監(jiān)管。

1.2、內(nèi)部威脅的分類

內(nèi)部威脅[3]有三種主要的分類：偶然的、惡意的和非惡意的。

偶然的威脅通常是由錯(cuò)誤引起的。例如，由于粗心大意、對(duì)政策的漠視、缺乏培訓(xùn)和對(duì)正確的事情的認(rèn)識(shí)，員工可能不會(huì)遵循操作流程。惡意的威脅是指故意破壞組織或使攻擊者受益。例如，信息技術(shù)(IT)管理員因心懷不滿而破壞IT系統(tǒng)，使組織陷入停頓。在許多事件中，當(dāng)前和以前的管理員都是因各種動(dòng)機(jī)故意造成系統(tǒng)問(wèn)題。非惡意的威脅是人們故意采取的行動(dòng)，而不打算破壞組織。在非惡意威脅中，其動(dòng)機(jī)是提高生產(chǎn)力，而錯(cuò)誤的發(fā)生是由于缺乏培訓(xùn)或?qū)φ?、程序和風(fēng)險(xiǎn)的認(rèn)識(shí)。

1.3、內(nèi)部威脅特征

⑴高危性內(nèi)部威脅危害較外部威脅更大，因?yàn)楣粽呔哂薪M織知識(shí)，可以接觸核心資產(chǎn)(如知識(shí)產(chǎn)權(quán)等)，從而對(duì)組織經(jīng)濟(jì)資產(chǎn)、業(yè)務(wù)運(yùn)行及組織信譽(yù)進(jìn)行破壞以造成巨大損失。如2014年的美國(guó)CERT的網(wǎng)絡(luò)安全調(diào)查顯示僅占28%的內(nèi)部攻擊卻造成了46%的損失。

⑵隱蔽性由于攻擊者來(lái)自安全邊界內(nèi)部，所以內(nèi)部威脅具有極強(qiáng)的偽裝性，可以逃避現(xiàn)有安全機(jī)制的檢測(cè)。

⑶透明性攻擊者來(lái)自安全邊界內(nèi)部，因此攻擊者可以躲避防火墻等外部安全設(shè)備的檢測(cè)，導(dǎo)致多數(shù)內(nèi)部攻擊對(duì)于外部安全設(shè)備具有透明性.

⑷復(fù)雜性(1)內(nèi)外勾結(jié)：越來(lái)越多的內(nèi)部威脅動(dòng)機(jī)與外部對(duì)手關(guān)聯(lián)，并且得到外部的資金等幫助；(3)合伙人：商業(yè)合作伙伴引發(fā)的內(nèi)部威脅事件日益增多，監(jiān)控對(duì)象群體擴(kuò)大；(3)企業(yè)兼并：當(dāng)企業(yè)發(fā)生兼并、重組時(shí)最容易發(fā)生內(nèi)部威脅，而此時(shí)內(nèi)部檢測(cè)難度較大；(4)文化差異：不同行為人的文化背景會(huì)影響其同類威脅時(shí)的行為特征。

2、內(nèi)部威脅模型

學(xué)界曾經(jīng)對(duì)內(nèi)部威脅提出過(guò)諸多的行為模型，希望可以從中提取出行為模式，這部分主要的工作開(kāi)始于早期提出的SKRAM模型與CMO模型，兩個(gè)模型都從內(nèi)部攻擊者的角度入手，分析攻擊者成功實(shí)施一次攻擊所需要具備的要素，其中的主觀要素包括動(dòng)機(jī)、職業(yè)角色具備的資源訪問(wèn)權(quán)限以及技能素養(yǎng)，客觀要素則包括目標(biāo)的內(nèi)部缺陷的訪問(wèn)控制策略以及缺乏有效的安全監(jiān)管等。

根據(jù)內(nèi)部威脅產(chǎn)生的原因，內(nèi)部威脅的模型也可分為兩類：基于主體和基于客體。其中基于主體模型主要代表有CMO模型和SKRAM模型，這也是最早的內(nèi)部威脅模型。

2.1、基于主體的模型

CMO模型[4]是最早用于內(nèi)部攻擊的通用模型，這都是單純從攻擊者的主觀方面建立的模型，沒(méi)有考慮到客觀因素，如由于資源所有者內(nèi)部缺陷的訪問(wèn)控制策略及其缺乏切實(shí)有效的安全監(jiān)管。攻擊者成功實(shí)施一次攻擊主觀方面所需要具備的要素即：(1)能力(Capability)，進(jìn)行內(nèi)部攻擊的能力，包括文化層次，技術(shù)水平等能力；(2)動(dòng)機(jī)(Motive)，內(nèi)部攻擊的動(dòng)機(jī)，有因?yàn)楣ぷ鞑粷M，換取利益等；(2)機(jī)會(huì)(Opportunity)，不是每個(gè)人都有機(jī)會(huì)攻擊，有攻擊的能力，也有動(dòng)機(jī)，但是還得有合適的機(jī)會(huì)把動(dòng)機(jī)轉(zhuǎn)化人實(shí)際行動(dòng)。

SKRAM模型[5]是Parker等人在早期的CMO模型基礎(chǔ)上進(jìn)行的改進(jìn)，即需要具備的要素有：(1)技能(Skills)，也即是內(nèi)部攻擊者的能力；(2)知識(shí)(Knowledge)，包括內(nèi)部攻擊者的知識(shí)水平，文化素養(yǎng)；(3)資源(Resources)，職業(yè)角色具備的資源訪問(wèn)權(quán)限；(4)Authority；(5)動(dòng)機(jī)(Motives)。

Jason等人[6]提出內(nèi)部人員成為了具有攻擊動(dòng)機(jī)的內(nèi)部攻擊者，主觀要素是用戶的自身屬性，主要影響、反映內(nèi)部人的當(dāng)前心理狀態(tài)，這些要素主要包括三類：一類是包括內(nèi)部人的人格特征等內(nèi)在心理特征，另一類包括精神病史或違法犯罪史等檔案信息以及現(xiàn)實(shí)中可以表征心理狀態(tài)變化的諸多行為，最后一類則是內(nèi)部人在組織中的職位、能力等組織屬性。

2.2、基于客體的模型

CRBM模型[7](Role-BasedAccessControl)是基于角色訪問(wèn)控制。通過(guò)擴(kuò)展基于角色的訪問(wèn)控制模型來(lái)克服內(nèi)部威脅的局限性，引入了CRBM(復(fù)合基于角色的監(jiān)視)方法。CRBM繼承了RBAC的優(yōu)點(diǎn)，將角色結(jié)構(gòu)映射為三個(gè)：組織角色(OrganizationRole，OR)、應(yīng)用程序角色(ApplicationRole，AR)和操作系統(tǒng)角色(OperatingSystemRole，OSR)。

李殿偉等人[8]將訪問(wèn)控制與數(shù)據(jù)挖掘相結(jié)合，設(shè)計(jì)了一種基于角色行為模式挖掘的內(nèi)部威脅檢測(cè)模型，提出了一種基于用戶角色行為準(zhǔn)則、行為習(xí)慣與實(shí)際操作行為匹配的內(nèi)部威脅預(yù)警方法。文雨等人[9]提出一種新的用戶跨域行為模式分析方法。該方法能夠分析用戶行為的多元模式，不需要依賴相關(guān)領(lǐng)域知識(shí)和用戶背景屬性，針對(duì)用戶行為模式分析方法設(shè)計(jì)了一種面向內(nèi)部攻擊的檢測(cè)方法，并在真實(shí)場(chǎng)景中的5種用戶審計(jì)日志，實(shí)驗(yàn)結(jié)果驗(yàn)證了其分析方法在多檢測(cè)域場(chǎng)景中分析用戶行為多元模式的有效性，同時(shí)檢測(cè)方法優(yōu)于兩種已有方法：?jiǎn)斡驒z測(cè)方法和基于單一行為模式的檢測(cè)方法。

2.3、基于人工智能的模型

傳統(tǒng)的內(nèi)部威脅檢測(cè)模型主要是基于異常檢測(cè)、基于角色等相關(guān)技術(shù)，隨著人工智能的興起，利用機(jī)器學(xué)習(xí)等相關(guān)算法來(lái)建立內(nèi)部威脅模型占據(jù)主要地位。這種模型，建立網(wǎng)絡(luò)用戶的正常行為輪廓，并利用不同的機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練，實(shí)現(xiàn)了檢測(cè)準(zhǔn)確率高的優(yōu)點(diǎn)，但是效率較低。

Szymanski[10]等人使用遞歸數(shù)據(jù)挖掘來(lái)描述用戶簽名和監(jiān)視會(huì)話中的結(jié)構(gòu)和高級(jí)符號(hào)，使用一個(gè)類SVM來(lái)測(cè)量這兩種特征的相似性。郭曉明[11]等提出一種基于樸素貝葉斯理論的內(nèi)部威脅檢測(cè)模型。通過(guò)分析多用戶對(duì)系統(tǒng)的命令操作行為特征，對(duì)多用戶命令樣本進(jìn)行訓(xùn)練，構(gòu)建樸素貝葉斯分類器。Yaseen等人[12]研究了關(guān)系數(shù)據(jù)庫(kù)系統(tǒng)中的內(nèi)部威脅。介紹知識(shí)圖譜(KG)，展示內(nèi)部人員知識(shí)庫(kù)和內(nèi)部人員對(duì)數(shù)據(jù)項(xiàng)的信息量；引入約束和依賴圖(CDG)，顯示內(nèi)部人員獲取未經(jīng)授權(quán)知識(shí)的路徑；使用威脅預(yù)測(cè)圖(TPG)，顯示內(nèi)部人員每個(gè)數(shù)據(jù)項(xiàng)的威脅預(yù)測(cè)價(jià)值(TPV)，當(dāng)內(nèi)部威脅發(fā)生時(shí)，TPV被用來(lái)提高警報(bào)級(jí)別。梁禮[13]等人提出基于實(shí)時(shí)告警的層次化網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估方法，包含服務(wù)、主機(jī)和網(wǎng)絡(luò)三級(jí)的網(wǎng)絡(luò)分層風(fēng)險(xiǎn)評(píng)估模型，通過(guò)加權(quán)的方式計(jì)算網(wǎng)絡(luò)各層的安全風(fēng)險(xiǎn)值。分別以實(shí)驗(yàn)室網(wǎng)絡(luò)環(huán)境及校園網(wǎng)環(huán)境為實(shí)例驗(yàn)證了方法的準(zhǔn)確性和有效性。

2.4、基于交叉學(xué)科的模型

隨著內(nèi)部威脅的不斷發(fā)展，內(nèi)部威脅的研究領(lǐng)域不斷擴(kuò)展，基于心理學(xué)、社會(huì)學(xué)等方面也出現(xiàn)新的研究思路。

TesleemFagade等人[14]提出了信息安全如何嵌入到組織安全文化中。組織文化被描述為在人、過(guò)程和政策之間保持聯(lián)系的共同價(jià)值觀、行為、態(tài)度和實(shí)踐。建議將安全管理與治理結(jié)合到組織行為和行動(dòng)文化中，這是最有效的。習(xí)慣性行為傳播，通常需要共同努力打破常規(guī)。如果組織想要養(yǎng)成安全行為的習(xí)慣，那么也許一個(gè)與組織安全文化的方向一致的長(zhǎng)期目標(biāo)是一種更好的方法，而不是專注于快速認(rèn)證狀態(tài)，然后假設(shè)所有的技術(shù)和人工過(guò)程都是安全的。組織安全文化被定義為被接受和鼓勵(lì)的假設(shè)、態(tài)度和感知，目的是保護(hù)信息資產(chǎn)，從而使信息安全的屬性和習(xí)慣得以實(shí)現(xiàn)。

匡蕾[15]采用了基于蜜罐技術(shù)的檢測(cè)模型；B.A.Alahmadi[16]等人對(duì)用戶的網(wǎng)絡(luò)行為建立關(guān)聯(lián)，從而檢測(cè)出潛在的內(nèi)部威脅。首先從用戶瀏覽的網(wǎng)頁(yè)中提取出文本信息，建立向量；其次建立詞向量與語(yǔ)言獲得和詞匯計(jì)數(shù)，然后通過(guò)建立的Word-LIWC關(guān)系矩陣與已有的LIWC-OCEAN關(guān)系矩陣結(jié)合得到詞向量的關(guān)系矩陣。OCEAN代表大五人格：開(kāi)放性(Openness)、盡責(zé)性(Conscientiousness)、外傾性(Extraversion)、宜人性(Agreeableness)、情緒穩(wěn)定性(Neuroticism)；計(jì)算用戶瀏覽的新網(wǎng)頁(yè)中的詞向量OCEAN值與日常值的歐氏距離，根據(jù)距離的大小判定行為的異常。

3、內(nèi)部威脅常用數(shù)據(jù)集

目前有很多公開(kāi)的數(shù)據(jù)集，如：KDD99數(shù)據(jù)集，SEA數(shù)據(jù)集、WUIL數(shù)據(jù)集和CERT-IT數(shù)據(jù)集，表1對(duì)主要數(shù)據(jù)集進(jìn)行了對(duì)比。

⑴KDD99數(shù)據(jù)集：KDD99[17](DataMiningandKnowledgeDiscovery)，記錄4，898，431條數(shù)據(jù)，每條數(shù)據(jù)記錄包含41個(gè)特征，22種攻擊，主要分為以下四類攻擊：拒絕服務(wù)攻擊(denialofservice，DoS)、遠(yuǎn)程到本地的攻擊(remotetolocal，R2L)用戶到遠(yuǎn)程的攻擊(usertoremote，U2R)和探測(cè)攻擊(probing)。

Putchala[18]將GRU應(yīng)用于物聯(lián)網(wǎng)領(lǐng)域的入侵檢測(cè)，在KDD99數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，得到的準(zhǔn)確率高于99%?；诰矸e神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)算法在KDD99的實(shí)驗(yàn)下，比經(jīng)典BP神經(jīng)網(wǎng)絡(luò)和SVM算法有提高。

⑵SEA數(shù)據(jù)集：SEA數(shù)據(jù)集涵蓋70多個(gè)UNIX系統(tǒng)用戶的行為日志，這些數(shù)據(jù)來(lái)自于UNIX系統(tǒng)acct機(jī)制記錄的用戶使用的命令。SEA數(shù)據(jù)集中每個(gè)用戶都采集了15000條命令，從用戶集合中隨機(jī)抽取50個(gè)用戶作為正常用戶，剩余用戶的命令塊中隨機(jī)插入模擬命令作為內(nèi)部偽裝者攻擊數(shù)據(jù)。

⑶WUIL數(shù)據(jù)集：WUIL數(shù)據(jù)集通過(guò)借助Windows的審計(jì)工具，他們實(shí)驗(yàn)記錄20個(gè)用戶的打開(kāi)文件/目錄的行為，每條記錄包含事件ID、事件時(shí)間以及事件對(duì)象及其路徑信息(如文件名與文件路徑)。

⑷CERT-IT數(shù)據(jù)集：CERT-IT(InsiderThreat)數(shù)據(jù)集[19]來(lái)源于卡耐基梅隆大學(xué)(CarnegieMellonUniversity)的內(nèi)部威脅中心，該中心由美國(guó)國(guó)防部高級(jí)研究計(jì)劃局(DARPA)贊助，與ExactData公司合作從真實(shí)企業(yè)環(huán)境中采集數(shù)據(jù)構(gòu)造了一個(gè)內(nèi)部威脅測(cè)試集。該中心迄今為止最富有成效的內(nèi)部威脅研究中心，其不僅建立了2001年至今的700多例內(nèi)部威脅數(shù)據(jù)庫(kù)，還基于豐富的案例分析不同內(nèi)部威脅的特征，提出了系統(tǒng)破壞、知識(shí)產(chǎn)權(quán)竊取與電子欺詐三類基本的攻擊類型，由此組合形成復(fù)合攻擊以及商業(yè)間諜攻擊；此外CERT還建立了內(nèi)部威脅評(píng)估與管理系統(tǒng)MERIT用于培訓(xùn)安全人員識(shí)別、處理內(nèi)部威脅。CERT完整數(shù)據(jù)集有80G，全部以csv格式記錄用戶行為，包括文件訪問(wèn)權(quán)限、文件各種屬性以及用戶對(duì)文件的增刪改查、Email收發(fā)、移動(dòng)存儲(chǔ)設(shè)備、打印機(jī)等硬件設(shè)備使用記錄、HTTP訪問(wèn)及系統(tǒng)登錄、工作崗位及工作部門(mén)等信息。CERT數(shù)據(jù)集提供了用戶全面的行為觀測(cè)數(shù)據(jù)以刻畫(huà)用戶行為模型。

⑸MasqueradingUserData數(shù)據(jù)集：MasqueradingUserData[20]，模擬真是用戶入侵系統(tǒng)。整個(gè)數(shù)據(jù)集由50個(gè)文件組成，每個(gè)文件對(duì)應(yīng)一個(gè)用戶。該文件包含100行和50列，每一列對(duì)應(yīng)于50個(gè)用戶中的一個(gè)。每一行對(duì)應(yīng)一組100個(gè)命令，從命令5001開(kāi)始，以命令15000結(jié)束。文件中的條目是0或1。0代表相應(yīng)的100個(gè)命令沒(méi)有受到感染。狀態(tài)1代表它們被感染了。

⑹其他數(shù)據(jù)集：Mldata[21]數(shù)據(jù)集包含了869個(gè)公開(kāi)的數(shù)據(jù)集，主要是基于機(jī)器學(xué)習(xí)的數(shù)據(jù)，包含視頻流和鍵值集群和服務(wù)度量的Linux內(nèi)核統(tǒng)計(jì)數(shù)據(jù)、HDF5等。

表1常用數(shù)據(jù)集比較

表1常用數(shù)據(jù)集比較

4、展望

隨著網(wǎng)絡(luò)系統(tǒng)不斷龐大，互聯(lián)網(wǎng)技術(shù)不斷更新，防范網(wǎng)絡(luò)攻擊需要綜合網(wǎng)絡(luò)測(cè)量、網(wǎng)絡(luò)行為分析、網(wǎng)絡(luò)流量異常檢測(cè)及相關(guān)檢測(cè)模型在處理數(shù)據(jù)時(shí)的最新研究成果，并且還需要有能力分析國(guó)內(nèi)外各種最新網(wǎng)絡(luò)態(tài)勢(shì)。內(nèi)部威脅的傳統(tǒng)檢測(cè)方法在模型的特征抽取和模版匹配有一定的局限性，隨著人工智能、云計(jì)算、大數(shù)據(jù)等新技術(shù)的成熟，這些前沿技術(shù)在特征抽取和模式匹配時(shí)，檢測(cè)效率和準(zhǔn)確率有較大提升，目前內(nèi)部威脅熱門(mén)研究方向包括：

4.1、人工智能方向

人工智能已經(jīng)日趨成熟，各行各業(yè)都在融合人工智能、機(jī)器學(xué)習(xí)等相關(guān)算法技術(shù)，在內(nèi)部威脅檢測(cè)領(lǐng)域也是一個(gè)熱點(diǎn)。

利用當(dāng)前互聯(lián)網(wǎng)領(lǐng)域前沿的數(shù)據(jù)分析技術(shù)、克隆技術(shù)、神經(jīng)網(wǎng)絡(luò)算法、人工智能算法等，在數(shù)據(jù)采集、身份認(rèn)證、日志管理、漏洞檢測(cè)、操作審計(jì)環(huán)節(jié)上改進(jìn)，從而大力提高檢測(cè)的質(zhì)量和效率。

4.2、云平臺(tái)方向

篇8

【關(guān)鍵詞】3D打??；馬爾可夫隨機(jī)場(chǎng)；建筑結(jié)構(gòu)

0 引言

3D打印，是快速成型技術(shù)的一種，它是一種以三維設(shè)計(jì)軟件數(shù)據(jù)為基礎(chǔ)，運(yùn)用液體、粉末等可粘合材料，通過(guò)逐層累加的方式來(lái)構(gòu)造物體的技術(shù)[1]。以具有周期短、成本低、操作簡(jiǎn)單、精準(zhǔn)度高為特點(diǎn)的3D打印技術(shù)的發(fā)展與逐漸成熟，是第三次工業(yè)革命的重要標(biāo)志之一[2]。

本文結(jié)合3D打印技術(shù)的主要特點(diǎn)，介紹在建筑結(jié)構(gòu)中應(yīng)用3D打印技術(shù)的方法，同時(shí)提出以照片建模方式來(lái)簡(jiǎn)化3D建模過(guò)程，以改善傳統(tǒng)手動(dòng)建模時(shí)間長(zhǎng)、難度大的不足，并通過(guò)機(jī)器學(xué)習(xí)及遺傳算法給出合理的建筑結(jié)構(gòu)，盡可能的減少不合理的結(jié)構(gòu)設(shè)計(jì)。

1 圖像處理

3D打印所需的數(shù)據(jù)通常是通過(guò)CAD等三維軟件制作生成，往往制作周期長(zhǎng)、難度大，本文提出通過(guò)照片的方式建模。

1.1圖像去噪

與日常3D打印物體相比，建筑結(jié)構(gòu)的打印實(shí)體通常比較大，且圖像質(zhì)量無(wú)法保證，因此需對(duì)圖像進(jìn)行去噪處理。本文采用馬爾可夫去噪方法[3]：

1.將圖片轉(zhuǎn)換為灰度，便于簡(jiǎn)化計(jì)算；

2.假設(shè)本圖片是理想圖片沒(méi)有噪點(diǎn)，而且有噪點(diǎn)的圖片噪點(diǎn)數(shù)量比較少，那么理想圖片和噪點(diǎn)圖片對(duì)應(yīng)像素間必然相關(guān)；

3.我們同樣可以假設(shè)在一個(gè)小范圍內(nèi)，每個(gè)像素同其周?chē)南袼亻g也必然存在聯(lián)系；

4.可以將他們之間的聯(lián)系用能量表示：

公式1-1

這里可以改變相鄰像素的位置，以期達(dá)到更好的效果

公式1-2

式中的m、n分別表示距離像素xi的距離。

1.2 圖像分割和輪廓提取

圖像分割可以看作是將有相似密度的像素群進(jìn)行分類的過(guò)程，同樣可以采用馬爾可夫方法[4]：

1.將圖像劃分為n個(gè)區(qū)域，使得同一區(qū)域的像素同其他區(qū)域像素相對(duì)獨(dú)立；

2.計(jì)算每個(gè)像素在這些區(qū)域的能量；

3.計(jì)算每個(gè)像素對(duì)應(yīng)區(qū)域：

公式1-3

其中如果考慮相鄰像素的影響，可以將加入公式中

公式1-4

公式中是對(duì)應(yīng)相鄰像素能量的變化閥值。

4.降溫并設(shè)置對(duì)應(yīng)閥值。

2 結(jié)構(gòu)建模

對(duì)于以上得到的輪廓信息，還不足以直接生成3D模型，因?yàn)樵撔畔⑹窃诙S平面的，缺少深度信息。對(duì)于深度信息的恢復(fù)，常見(jiàn)的方法有從明暗恢復(fù)形狀，從紋理恢復(fù)形狀，從陰影恢復(fù)形狀，利用多光源信息等。由于對(duì)于建筑結(jié)構(gòu)，很多信息是已知的，所以可以直接從已知的知識(shí)中重建形狀。

2.1 3D重建

對(duì)于簡(jiǎn)單的結(jié)構(gòu)，比如立方體、圓柱體，可以根據(jù)立體幾何知識(shí)加以重建；對(duì)于復(fù)雜的結(jié)構(gòu)，可以采用馬爾可夫隨機(jī)場(chǎng)確定相應(yīng)結(jié)構(gòu)[5]。

1.參數(shù)化每個(gè)超像素點(diǎn)的位置和方向信息；

2.發(fā)掘圖像特征和深度信息；

3.發(fā)掘連接結(jié)構(gòu)、共面結(jié)構(gòu)和共線結(jié)構(gòu)；

4.采用機(jī)器學(xué)習(xí)技術(shù)，利用以上知識(shí)恢復(fù)重建3D結(jié)構(gòu)。

實(shí)際操作中，對(duì)于不準(zhǔn)確的恢復(fù)可采用貝塞爾曲線加以修復(fù)：

公式2-1

2.2 建筑構(gòu)造

對(duì)于建筑構(gòu)造，可以采用遺傳算法，給出合理的建筑結(jié)構(gòu)，盡可能的減少不合理的結(jié)構(gòu)設(shè)計(jì)。以平屋面建筑構(gòu)造為例[6]：

1.初始化種群：立墻、女兒墻、變形縫、雨水口、煙囪、屋面檢修孔、屋面出入口、檐溝、挑檐等構(gòu)造；

2.適應(yīng)度計(jì)算：對(duì)構(gòu)造個(gè)體在不同位置及大小進(jìn)行適應(yīng)度計(jì)算；

3.選擇運(yùn)算：選擇不同個(gè)體進(jìn)行遺傳操作；

4.交叉運(yùn)算：以某一概率相互交換某兩個(gè)個(gè)體之間的部分染色體；

5.變異運(yùn)算：對(duì)個(gè)體的某一個(gè)或某一些基因值按某一較小的概率進(jìn)行改變；

6.重復(fù)以上過(guò)程，直到得到可接受的結(jié)果。

3 探 討

圖像處理部分，圖像去噪本文采用了馬爾可夫去噪方法，針對(duì)不同圖像不同噪點(diǎn)強(qiáng)度，相鄰像素的選擇也不完全相同；圖像分割和輪廓提取，也同樣需要控制閥值和冷卻溫度來(lái)確保準(zhǔn)確度；結(jié)構(gòu)建模部分，機(jī)器學(xué)習(xí)實(shí)例的數(shù)量以及圖像與訓(xùn)練實(shí)例的相似度，對(duì)3D重建的準(zhǔn)確度影響很大；同時(shí)，遺傳算法中個(gè)體適應(yīng)度及變異運(yùn)算也需要針對(duì)不同構(gòu)造加以修正。

由于機(jī)器學(xué)習(xí)技術(shù)的興起，也可以考慮將機(jī)器學(xué)習(xí)算法（比如卷積神經(jīng)網(wǎng)絡(luò)）應(yīng)用于建模部分。比如訓(xùn)練二維圖像和3D結(jié)構(gòu)之間的關(guān)系，預(yù)測(cè)已知圖像的3D結(jié)構(gòu)。但這種方式目前訓(xùn)練樣本往往很大，訓(xùn)練速度慢，機(jī)器要求高。但其準(zhǔn)確性和智能性卻是其他算法無(wú)法比擬的。

因此，在實(shí)際建模過(guò)程中，每個(gè)環(huán)節(jié)都需要人工干預(yù)，對(duì)錯(cuò)誤和不足及時(shí)進(jìn)行修正；同時(shí)，這種建模方式的精度自然要低于純手動(dòng)建模的方式，但效率要比純手動(dòng)建模高很多。

4 結(jié) 語(yǔ)

本文介紹了3d打印在建筑結(jié)構(gòu)中的應(yīng)用，給出了一般的建模過(guò)程，并針對(duì)每個(gè)步驟給出了解決方案，同時(shí)也分析了照片建模的不足。相信隨著3D打印技術(shù)的進(jìn)步，必將推動(dòng)建筑相關(guān)行業(yè)的發(fā)展與成熟。

[1] Huaiyu Wu. 3D printing： 3D creation via intelligent digitization. Beijing： Publishing House of Electronics Industry， 2014 （in Chinese） 吳懷宇. 3D打?。喝S智能數(shù)字化創(chuàng)造. 北京： 電子工業(yè)出版社， 2014

[2]The Third Industrial Revolution；The Digitisation of Manufacturing Will Transform the Way Goods are Made and Change the Politics of Jobs Too[J/OL].The Economist，2012.

[3]Z.Ghahramani.An introduction to Hidden Markov Models and Bayesian networks.International Journal of Pattern Recognition and Artificial Intelligence，15：：9-42，2001.

[4]Tama？s Szira？nyi.Image Segmentation Using Markov Random Field Model in Fully Parallel Cellular Network Architectures.Real-Time Imaging 6， 195-211，2000.

[5]Ashutosh Saxena，Min Sun，Andrew Y. Ng.Learning 3-D Scene Structure from a Single Still Image. International Journal of Computer Vision （IJCV）， Aug 2007.

[6]J. F. GONC？ALVES.A GENETIC ALGORITHM FOR THE RESOURCE CONSTRAINED

MULTI-PROJECT SCHEDULING PROBLEM.AT&T Labs Research Technical Report：TD- 668LM4.2006

姓名：宋全記

出生年月：1981年06月

性別：男

學(xué)歷：碩士

職稱：講師

工作單位及教學(xué)系：四川建筑職業(yè)技術(shù)學(xué)院 信息工程系

研究方向：計(jì)算機(jī)應(yīng)用

篇9

【關(guān)鍵詞】光學(xué)遙感觀測(cè)技術(shù)；IDI保險(xiǎn)；建筑高度；建筑陰影

1引言

建筑工程質(zhì)量潛在缺陷保險(xiǎn)（InherentDefectsInsurance，以下簡(jiǎn)稱IDI保險(xiǎn)）是工程質(zhì)量類保險(xiǎn)的一種，是承包建筑工程在竣工后的保險(xiǎn)期限內(nèi)，針對(duì)因勘察設(shè)計(jì)缺陷、施工缺陷或材料缺陷等竣工時(shí)尚未發(fā)現(xiàn)的潛在缺陷造成的建筑結(jié)構(gòu)、防水工程或其他約定項(xiàng)目出現(xiàn)影響安全或使用的物質(zhì)損失保險(xiǎn)。我國(guó)于2005年引入IDI保險(xiǎn)，先后在北京、上海等城市開(kāi)展試點(diǎn)運(yùn)行。目前，IDI保險(xiǎn)在國(guó)內(nèi)處于推廣期，主要應(yīng)用于住宅項(xiàng)目。根據(jù)各試點(diǎn)城市制定的IDI保險(xiǎn)實(shí)施細(xì)則，建筑結(jié)構(gòu)安全是IDI保險(xiǎn)中風(fēng)險(xiǎn)最大的一項(xiàng)，具體包括建筑整體或局部倒塌、地基不均勻沉降等[1]。因此，建筑物安全隱患排查、研究建筑基礎(chǔ)和主體結(jié)構(gòu)損壞的現(xiàn)象和機(jī)理，并實(shí)現(xiàn)快速準(zhǔn)確的風(fēng)險(xiǎn)預(yù)測(cè)是IDI保險(xiǎn)風(fēng)險(xiǎn)管理的主要任務(wù)。當(dāng)前，IDI保險(xiǎn)關(guān)于建筑物的監(jiān)測(cè)和風(fēng)險(xiǎn)管理，主要依靠保險(xiǎn)公司工作人員和第三方監(jiān)測(cè)機(jī)構(gòu)。隨著IDI保險(xiǎn)的推廣以及投保項(xiàng)目數(shù)量和類型的增加，人工的監(jiān)測(cè)效率會(huì)大大降低[2]。所以需要一種技術(shù)手段，能夠?qū)δ繕?biāo)區(qū)內(nèi)所有建筑物進(jìn)行全覆蓋、長(zhǎng)時(shí)間、連續(xù)和高精度的形變監(jiān)測(cè)與風(fēng)險(xiǎn)分析，協(xié)助保險(xiǎn)公司進(jìn)行風(fēng)險(xiǎn)管理[3]。光學(xué)遙感觀測(cè)技術(shù)是一種監(jiān)測(cè)范圍廣、成本低、效率高，可以長(zhǎng)期定點(diǎn)監(jiān)測(cè)的遙感觀測(cè)手段[4]。一方面，光學(xué)遙感觀測(cè)技術(shù)在建筑物識(shí)別、建筑物高度推算等方面都達(dá)到了較高的計(jì)算精度，可以對(duì)建筑物的主體結(jié)構(gòu)進(jìn)行大范圍、周期性的監(jiān)測(cè)；另一方面，對(duì)比多時(shí)相遙感數(shù)據(jù)，可以掌握建筑的傾斜和沉降情況。光學(xué)遙感觀測(cè)技術(shù)在這兩方面的研究成果均可應(yīng)用于IDI保險(xiǎn)行業(yè)的風(fēng)險(xiǎn)評(píng)估，為IDI保險(xiǎn)行業(yè)建立完善的建筑物風(fēng)險(xiǎn)評(píng)估體系提供支持。

2光學(xué)遙感觀測(cè)技術(shù)在建筑高度計(jì)算方面應(yīng)用的研究概況

光學(xué)遙感觀測(cè)技術(shù)是遙感技術(shù)的一種，利用可見(jiàn)光、近紅外和短波紅外傳感器對(duì)地物進(jìn)行特定電磁譜段的成像觀測(cè)，獲取和分析被觀測(cè)對(duì)象的光學(xué)特征信息。近年來(lái)，光學(xué)成像、電子學(xué)與空間技術(shù)的飛速發(fā)展，高空間、高光譜和高時(shí)間分辨率遙感技術(shù)不斷取得突破，光學(xué)遙感觀測(cè)技術(shù)已成為目前對(duì)地觀測(cè)和空間信息觀測(cè)領(lǐng)域中應(yīng)用最為廣泛的技術(shù)手段[5]。在光學(xué)遙感觀測(cè)技術(shù)中，獲取建筑物高度的主要方法為陰影側(cè)高法，該方法根據(jù)遙感圖像中建筑陰影長(zhǎng)度推算建筑高度，然后進(jìn)一步分析建筑變化。

2.1陰影測(cè)高法原理介紹

陰影與建筑物高度關(guān)系如圖1所示。其中，H為建筑物高度；L為陰影長(zhǎng)度；α、β分別為衛(wèi)星和太陽(yáng)的高度角；δ為太陽(yáng)和衛(wèi)星方位角的交角。建筑物高度計(jì)算方法為：當(dāng)太陽(yáng)和衛(wèi)星在建筑物兩側(cè)時(shí)，建筑物高度H的計(jì)算方法可簡(jiǎn)化為[6]：陰影測(cè)高法首先在遙感圖像中識(shí)別和提取目標(biāo)建筑的陰影，然后根據(jù)陰影長(zhǎng)度、衛(wèi)星方位角、太陽(yáng)高度角計(jì)算建筑高度。該方法只需要單張高分辨率遙感影像就可建立建筑物與陰影的成像集合模型。常用的陰影側(cè)高法主要有分類法、邊緣檢測(cè)法、閾值法[7]。

2.2分類法

分類法首先對(duì)遙感圖像進(jìn)行分割，然后使用同質(zhì)像素組成大小不同的對(duì)象，最后根據(jù)對(duì)象的形狀、大小、紋理、空間關(guān)系等特征提取建筑物及其陰影。如田峰等[8]提出利用多尺度分割將遙感圖像分割成若干對(duì)象，結(jié)合光譜、形狀、形態(tài)學(xué)陰影指數(shù)等特征面向?qū)ο蠓诸?，相?duì)準(zhǔn)確提取出建筑物的陰影并計(jì)算陰影的長(zhǎng)度，進(jìn)行城市建筑物高度估計(jì)。結(jié)果顯示，90%的估計(jì)結(jié)果絕對(duì)誤差小于1m。分類法是當(dāng)前應(yīng)用最廣泛的利用陰影計(jì)算建筑物高度的方法。該方法可以有效對(duì)遙感圖像進(jìn)行分割，準(zhǔn)確地提取建筑物和建筑陰影，具有較高的計(jì)算準(zhǔn)確度。近年來(lái)，隨著深度學(xué)習(xí)算法在圖像分割領(lǐng)域的快速發(fā)展，利用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)遙感圖像進(jìn)行特征提取、語(yǔ)義分割同樣取得了較好的效果。如徐昭洪等[9]提出利用改進(jìn)的U-net模型對(duì)建筑物區(qū)域進(jìn)行像素級(jí)分割，獲取其輪廓和尺寸信息，實(shí)驗(yàn)結(jié)果表明改進(jìn)的U-net模型對(duì)遙感圖像中建筑物的分割提取具有更高的精度，且對(duì)建筑密集區(qū)的小間隔建筑物的區(qū)分能力更強(qiáng)。

2.3邊緣檢測(cè)法

邊緣檢測(cè)方法通過(guò)檢測(cè)遙感圖像中不同區(qū)域的邊界灰度變化實(shí)現(xiàn)區(qū)域分割。如張祚等[10]提出基于建筑陰影形成的原理，提出綜合利用邊緣密度和HSV（hue-saturation-value，色調(diào)-飽和度-明度模型）顏色模型識(shí)別GoogleEarth二維影像中的高層建筑陰影，利用在線計(jì)算太陽(yáng)高度角的工具，快速完成建筑高度和陰影長(zhǎng)度的估算。龍恩等[11]提出基于同名特征的思想，實(shí)現(xiàn)平頂直邊型建筑高度提取。在對(duì)同名直邊檢測(cè)與精確定位過(guò)程中，將其轉(zhuǎn)化為陰影邊界檢測(cè)，主要采用基于邊緣的圖像分割和專家知識(shí)相結(jié)合的建筑物陰影提取技術(shù)。邊緣檢測(cè)方法可以保留圖像重要的結(jié)構(gòu)信息，適合遮蔽少、房屋形體簡(jiǎn)單且較為獨(dú)立的情況，當(dāng)影像空間分辨率不夠高、房屋類型多樣，或者樓房間相互遮擋時(shí)，會(huì)降低建筑物提取的精度，無(wú)法保證高精度的建筑物提取結(jié)果[12]

2.4閾值法

閾值分割是一種簡(jiǎn)單有效的基于像素的圖像分割技術(shù)，該方法根據(jù)每個(gè)像素點(diǎn)的特征值和閾值的大小關(guān)系，將像素點(diǎn)劃分為不同類別[13]。如XinHuang等[14,15]提出的形態(tài)學(xué)建筑指數(shù)（MBI）和形態(tài)學(xué)陰影指數(shù)（MSI）就是閾值分割方法中常用的特征依據(jù)。首先利用MBI和MSI構(gòu)建特征圖像，然后根據(jù)設(shè)定閾值將圖像劃分為建筑、陰影和其他地物，最后利用其他方法對(duì)目標(biāo)區(qū)域進(jìn)行細(xì)化處理。閾值法主要優(yōu)點(diǎn)在于實(shí)現(xiàn)簡(jiǎn)單、運(yùn)算效率高。但遙感圖像顏色復(fù)雜，包含圖像元素較多，要達(dá)到較高的圖像分割精度，需要在設(shè)計(jì)閾值計(jì)算方法時(shí)，結(jié)合圖像本身的顏色特征以及空間特征。

3其他應(yīng)用場(chǎng)景

隨著IDI保險(xiǎn)行業(yè)的發(fā)展與推廣，其承保項(xiàng)目會(huì)從住宅項(xiàng)目逐漸擴(kuò)展到包括市政項(xiàng)目在內(nèi)的各類工程，例如，高速公路建造工程、地鐵建設(shè)工程、旅游區(qū)建設(shè)、橋梁、水壩等。光學(xué)遙感觀測(cè)技術(shù)憑借其長(zhǎng)期大面積捕獲影像信息的優(yōu)勢(shì)可以在多個(gè)方面提供數(shù)據(jù)和技術(shù)支持。例如，高速公路建造工程中，選址期間可結(jié)合多期歷史遙感影像數(shù)據(jù)分析選址沿線的地址環(huán)境，以及發(fā)生自然災(zāi)害的可能性。同時(shí)，還可以對(duì)工程進(jìn)度進(jìn)行監(jiān)測(cè)。地鐵建設(shè)項(xiàng)目中，利用光學(xué)遙感觀測(cè)技術(shù)可以對(duì)沿線的地面沉降進(jìn)行監(jiān)測(cè)分析。旅游區(qū)建設(shè)中，可以利用該技術(shù)對(duì)地質(zhì)景觀元素特征進(jìn)行解譯以及進(jìn)行地質(zhì)景觀特征值的三維量測(cè)與統(tǒng)計(jì)。