導(dǎo)語：如何才能寫好一篇匹配算法論文，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】深度挖掘匹配算法 畢業(yè)論文管理 應(yīng)用

在畢業(yè)論文管理工作不斷加強(qiáng)的情況下，注重管理模式的更新和合理選用，提高匹配算法的針對(duì)性，才能真正提高高校教務(wù)管理水平。因此，對(duì)深度挖掘匹配算法在畢業(yè)論文管理中的應(yīng)用有比較全面的了解，才能為高校教務(wù)管理工作提供可靠參考依據(jù)。

1 深度挖掘匹配算法的相關(guān)分析

根據(jù)深度挖掘匹配算法在畢業(yè)論文管理中的應(yīng)用情況進(jìn)行全面分析來看，其主要包括如下兩個(gè)方面：

1.1 志愿自動(dòng)匹配算法的相關(guān)分析

對(duì)學(xué)生和課題的選擇關(guān)系進(jìn)行合理分析可知，兩者的最優(yōu)、最大匹配，最好是根據(jù)學(xué)生的實(shí)際情況量身定做，才能真正實(shí)現(xiàn)課題與學(xué)生的最完美匹配。因此，教師提出相關(guān)題目時(shí)，需要對(duì)學(xué)生的情況、特性和要求等進(jìn)行全面分析，才能在學(xué)生對(duì)課題的特性、關(guān)聯(lián)性等有一定了解的情況下，提高課題與學(xué)生的匹配概率，最終讓學(xué)生選定最合適的課題。在實(shí)踐過程中，志愿自動(dòng)匹配算法的合理運(yùn)用，需要根據(jù)畢業(yè)論文的管理流程，從教師出題開始。一般情況下，教師應(yīng)該先提出大題讓學(xué)生自由選擇，在匹配學(xué)生確定好以后將大題分成幾個(gè)小題，從而將每個(gè)小題分配給合適的學(xué)生。在這種情況下，教師設(shè)定的課題需要從修讀課程達(dá)到的分?jǐn)?shù)、難度、所屬類別等多個(gè)方面確定，并從教務(wù)管理系統(tǒng)中獲取學(xué)生的成績和選題積分點(diǎn)等，才能根據(jù)分?jǐn)?shù)線來判定學(xué)生是否符合相關(guān)選題。其中，選題的難度在簡(jiǎn)單、一般、難、很難和非常難幾個(gè)等級(jí)，對(duì)應(yīng)的成績是及格、良好、優(yōu)秀、極好。在實(shí)際進(jìn)行選題時(shí)，學(xué)生可以根據(jù)自己的情況選擇三個(gè)題目作為志愿，以在系統(tǒng)完成匹配后，自定將題目下發(fā)給學(xué)生。在實(shí)踐過程中，初始化志愿顯示的是學(xué)生的第一志愿，在經(jīng)過while、if、else、break、continue等流程后，系統(tǒng)會(huì)將題目和學(xué)生進(jìn)行適當(dāng)分類，以確保題目與學(xué)生的匹配最合理、最科學(xué)。由此可見，志愿自動(dòng)匹配算法是優(yōu)先對(duì)具有課題相關(guān)能力的學(xué)生進(jìn)行匹配的，在學(xué)生人數(shù)低于匹配數(shù)量的情況下，可繼續(xù)為積分點(diǎn)高、能力稍差的學(xué)生進(jìn)行匹配，對(duì)于確保課程成績與積分點(diǎn)的完美結(jié)合有著極大影響。

1.2 調(diào)劑學(xué)生算法的相關(guān)分析

在經(jīng)過上述算法進(jìn)行匹配后，根據(jù)學(xué)生的實(shí)際情況進(jìn)行深層挖掘，可以實(shí)現(xiàn)課題與剩余學(xué)生的完美調(diào)劑。因此，對(duì)上述階段中匹配失敗的學(xué)生志愿所選的教師、課題類別、難度等因素進(jìn)行深度挖掘，并將搜索結(jié)果作為匹配課題的依據(jù)，才能在縮小搜索范圍的情況下，找到與剩余學(xué)生最合適的課題。如果出現(xiàn)相近課題較多的情況，則需要有學(xué)生、工作人員共同協(xié)商，以確定最終和最適合學(xué)生的課堂。在實(shí)踐應(yīng)用中，調(diào)劑學(xué)生算法的運(yùn)用需要對(duì)需要調(diào)劑的學(xué)生進(jìn)行合理分析，并通過if、else、return、while、continue、else等多個(gè)流程，才能真正匹配出最適合學(xué)生的課題。

2 深度挖掘匹配算法在畢業(yè)論文管理中的實(shí)際應(yīng)用

根據(jù)深度挖掘匹配算法的實(shí)際應(yīng)用來看，在畢業(yè)論文管理中學(xué)生可以了解到最適合自己的課題信息，教師可以根據(jù)學(xué)生的積分點(diǎn)和成績等確定課題，從而避免選擇某一課題的學(xué)生過多或過少的情況出現(xiàn)，對(duì)于提高第一志愿自動(dòng)匹配成功率有著極大作用。因此，在實(shí)際應(yīng)用中，注重教師、課題類別、難度的合理設(shè)定，確保它們的排序科學(xué)，將課堂與學(xué)生的匹配關(guān)系看作是二分圖，并且，每個(gè)學(xué)生可以選擇的課題有三個(gè)，系統(tǒng)可以根據(jù)學(xué)生的實(shí)際情況進(jìn)行自動(dòng)匹配，最終深度挖掘與學(xué)生志愿匹配的課題。例如：志愿自動(dòng)匹配和調(diào)劑學(xué)生的總數(shù)都為102人，通過深度挖掘匹配算法匹配成功的人數(shù)分別為72人和90人，成功率達(dá)到了70%、88%。在不使用任何算法進(jìn)行匹配的情況下，兩者的成功率是52%左右。由此可見，在畢業(yè)論文管理系統(tǒng)中，深度挖掘匹配算法在科學(xué)應(yīng)用，可以為教務(wù)管理工作提供可靠參考依據(jù)，對(duì)于提高畢業(yè)論文管理工作人員的工作效率有著重要影響。

3 結(jié)語

綜上所述，在深度挖掘匹配算法不斷推廣的情況下，其在畢業(yè)論文管理中的實(shí)際應(yīng)用受到了很多教務(wù)管理工作人員的青睞。因此，充分發(fā)揮深度挖掘匹配算法的作用，提高深度挖掘匹配算法在畢業(yè)論文管理中的應(yīng)用效果，才能更好的滿足學(xué)生的選題需求。

參考文獻(xiàn)

[1]馮麗慧，馮立智.數(shù)據(jù)挖掘在畢業(yè)論文成績管理中的應(yīng)用研究[J].電腦知識(shí)與技術(shù)，2012，30：7150-7153.

[2]徐章韜.用信息技術(shù)深度挖掘課程內(nèi)容――以數(shù)學(xué)學(xué)科為例[J].教育發(fā)展研究，2015，12：29-33.

[3]連伊娜.深度挖掘高校檔案文化內(nèi)涵，更好為教育事業(yè)發(fā)展服務(wù)[J].黑龍江史志，2013，11：104-105.

作者簡(jiǎn)介

劉冰潔（1983-），女，江西省南昌市人。工程碩士學(xué)位?，F(xiàn)為江西交通職業(yè)技術(shù)學(xué)院副教授。研究方向?yàn)榇髷?shù)據(jù)、系統(tǒng)集成、智能化技術(shù)。

篇2

關(guān)鍵詞：入侵檢測(cè)；免疫原理；r連續(xù)位匹配；檢測(cè)集生成

中圖分類號(hào)：TP18文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)26-6348-03

Network Intrusion Detection Based on Immune Theory

WU Xiang1, HAN Liang2

(1.Naval Headquarters, Beijing 100841, China; 2.The East China Sea Fleet of Navy, Ningbo 315122, China)

Abstract: After analysis of the immune algorithm characteristics, the metaphor mechanism which is associated with the intrusion detection is extracted and studied in-depth. And then on the basis of artificial immune system, intrusion Detection system based on immune mechanism is built and the definition of system self and system non-self, immune matching rules set, and also the generation and life cycle of the immune detector are explained. Finally, the model is validated by the simulation experiments. The establishment of the immune intrusion detection system and the simulation work is the cornerstone of this research.

Key words: intrusion detection; immune theory; r contiguous bits matching; detector set generation

人體的免疫系統(tǒng)功能是通過大量不同類型的細(xì)胞之間的相互作用實(shí)現(xiàn)的[1-2]。在這些不同類型的細(xì)胞主要作用是區(qū)分“自體”和“非自體”?！白泽w”是指人體自身的細(xì)胞，而“非自體”是指病原體、毒性有機(jī)物和內(nèi)源的突變細(xì)胞或衰老細(xì)胞。淋巴細(xì)胞能對(duì)“非自體”成分產(chǎn)生應(yīng)答，以消除它們對(duì)機(jī)體的危害；但對(duì)“自體”成分，則不產(chǎn)生應(yīng)答，以保持內(nèi)環(huán)境動(dòng)態(tài)穩(wěn)定，維持機(jī)體健康。

可以看出入侵檢測(cè)系統(tǒng)和免疫系統(tǒng)具有一定程度的相似性。對(duì)于一個(gè)入侵檢測(cè)系統(tǒng)，特別是網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)，免疫系統(tǒng)的組成、結(jié)構(gòu)、特征、免疫機(jī)理、算法等都為入侵檢測(cè)系統(tǒng)設(shè)計(jì)有著重要的借鑒意義。它們要解決的問題都可以被描述為：識(shí)別“自體”和“非自體”，并消除“非自體”。

1自體和非自體的定義

計(jì)算機(jī)安全的免疫系統(tǒng)保護(hù)的是計(jì)算機(jī)系統(tǒng)的數(shù)據(jù)文件，所以將“自體”定義為計(jì)算機(jī)中合法的數(shù)據(jù)，這些數(shù)據(jù)包括合法用戶、授權(quán)活動(dòng)、原始源代碼、未被欺詐的數(shù)據(jù)等；將“非自體”定義為其它一切非法數(shù)據(jù)，這些數(shù)據(jù)包括自身遭受非法篡改的數(shù)據(jù)、病毒感染的數(shù)據(jù)以及外來數(shù)據(jù)等。

2免疫匹配規(guī)則

在計(jì)算機(jī)中，所有的數(shù)據(jù)都是以二進(jìn)制來表示的，這就表明在進(jìn)行仿真的過程中，使用免疫匹配規(guī)則的對(duì)象都應(yīng)該是針對(duì)二進(jìn)制字符串的，因此需要采用二進(jìn)制的匹配算法。采用何種二進(jìn)制字符串的匹配算法，這是一個(gè)十分關(guān)鍵的問題，因?yàn)橹挥胁捎昧撕线m的匹配算法，才能有效的構(gòu)造免疫檢測(cè)器集[4]。目前有很多的近似匹配算法，如r連續(xù)位的匹配算法、海明距離匹配算法等。r連續(xù)位匹配規(guī)則能更好地反映抗體綁定的真實(shí)提取，即能更真實(shí)地反映檢測(cè)器字符串與被檢測(cè)字符串的匹配情況，所以它比海明匹配規(guī)則更常用，因此文章采用r連續(xù)位的匹配算法。

r連續(xù)位的匹配規(guī)則可以描述如下：對(duì)于任意的兩個(gè)字符串x，y，如果兩個(gè)字符串x，y在相應(yīng)位置上至少連續(xù)r位相同，那么這兩個(gè)字符串是r連續(xù)位匹配的，即Match(x,y)|r=true。例如，如果設(shè)定r=5，字符串x=“10111010”和字符串y=“11011010”，由于它們?cè)谙鄳?yīng)位置4-8位上都為“11010”，因此這兩個(gè)字符串是匹配的。

在訓(xùn)練階段，首先隨機(jī)生成候選檢測(cè)器集合，然后讓候選檢測(cè)器與自體集進(jìn)行匹配，這個(gè)過程也叫陰性選擇過程。在匹配的過程中，那些與與自體集相匹配的候選檢測(cè)器就被丟棄，而不與自體集匹配的候選檢測(cè)器則作為成熟檢測(cè)器，存儲(chǔ)于檢測(cè)器集合中。

[1] Oscar A,Fabio A G, Fernando N,et al.Search and Optimization：A Solution Concept for Artificial Immune Networks: A Coevo? lutionary Perspective [C].Proceedings of 6th international conference on Artificial Immune systems，Brazil，2007：26-29.

[2] Hofmeyr, S, Forrest, S. Immunity by Design: An Artificial Immune System[C]//Proceedings of the 1999 Genetic and Evolution? ary Computation Conference,1999:1289-1296.

[3]楊進(jìn),劉曉潔,李濤,等.人工免疫中匹配算法研究[J].四川大學(xué)學(xué)報(bào):工程科學(xué)版，2008,40(3):126-131.

[4]馬莉.基于免疫原理的網(wǎng)絡(luò)入侵檢測(cè)器生成算法的研究[D].南京:南京理工大學(xué)碩士論文, 2006.

[5]卿斯?jié)h,蔣建春,馬恒太,等.入侵檢測(cè)技術(shù)研究綜述[J].通信學(xué)報(bào),2004,25(7):19-29.

[6]焦李成,杜海峰,劉芳,等.免疫優(yōu)化計(jì)算、學(xué)習(xí)與識(shí)別[M].北京:科學(xué)出版社, 2006.

[7] Dasgupta D，Gonzalez F.An Immunity-Based Technique to Characterize Intrusions in, Computer Networks [J].Special Issue on Artificial Immune Systems of the Journal IEEE Transactions on Evolutionary Comput- ation.2002，6(3)：281-291.

篇3

Abstract： With the rapid development of the city， the increasing number of cars， the city faces increasing traffic pressure， intelligent transportation system is one of the effective ways to solve the traffic congestion currently accepted， but to provide a reliable source of data for intelligent transportation systems an important issue in building intelligent transportation systems， floating car technology as newly

developed a traffic information collection methods， the practice has proved capable of reliable data source for intelligent transportation

systems. In order to grasp the macroscopic properties of the urban road traffic， the paper uses data preprocessing， coordinate conversion， map matching， statistical analysis and a more in-depth analysis of floating car data comparison， intuitive access to relevant features of the urban transport， urban transport planning and management decisions and people travel has some practical value.

關(guān)鍵詞： 城市道路交通；GPS浮動(dòng)車；宏觀特征

Key words： Urban Road Traffic；GPS Floating Car；Macroscopic Characteristics

中圖分類號(hào)：U496 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2013）03-0036-03

0 引言

隨著城市化進(jìn)程的不斷加快，更多的人進(jìn)入城市，交通擁擠日益成為城市發(fā)展的瓶頸，據(jù)公安部消息，截至2012年6月底，我國機(jī)動(dòng)車保有量達(dá)2.33億輛，汽車保有量達(dá)1.14億輛，大中城市中汽車保有量達(dá)到100萬輛以

上的城市數(shù)量達(dá)17個(gè)，私家車保有量達(dá)到8613萬量，占

汽車保有量的75.62%[1]。發(fā)展智能交通系統(tǒng)對(duì)于城市交通誘導(dǎo)、緩解交通擁堵已成為國內(nèi)外認(rèn)可的有效方式之一，隨著科技的發(fā)展進(jìn)步，浮動(dòng)車技術(shù)因其在交通信息采集方面建設(shè)周期短，投資少，覆蓋范圍廣，數(shù)據(jù)精度高，實(shí)時(shí)性強(qiáng)受天氣影響小等特點(diǎn)[2]越來越受到智能交通建設(shè)和研究領(lǐng)域的重視。浮動(dòng)車技術(shù)在國外起步比較早，取得了一定的研究進(jìn)展：英國的浮動(dòng)車數(shù)據(jù)系統(tǒng)FVD，主要用于交通信息的采集與分析，預(yù)測(cè)道路形成時(shí)間及時(shí)向用戶[3]；德國的浮動(dòng)車數(shù)據(jù)系統(tǒng)FCD，主要采集車輛的位置、速度、時(shí)間等信息，提取和分析交通信息，判斷交通狀態(tài)，及時(shí)向公眾，為公眾出行規(guī)劃提供參考依據(jù)[4]；美國的ADVANCE系統(tǒng)，該系統(tǒng)是浮動(dòng)車與檢測(cè)線圈相融合，預(yù)測(cè)旅行時(shí)間，為出行者提供實(shí)時(shí)的動(dòng)態(tài)路線誘導(dǎo)信息[5]；日本VICS系統(tǒng)，該系統(tǒng)能夠提供多種信息，為旅行者出行規(guī)劃提供參考[6]；韓國KORTIC，該系統(tǒng)結(jié)合浮動(dòng)車、環(huán)形線圈、閉路電視監(jiān)控進(jìn)行交通信息采集，把數(shù)據(jù)融合后提取交通信息，判斷交通狀態(tài)[7]。

浮動(dòng)車技術(shù)在國內(nèi)的研究起步比較晚，開始于2002年的北京交通大學(xué)利用少量的出租車進(jìn)行的北京市路網(wǎng)分析評(píng)介，但是目前發(fā)展比較快，在北京、上海、杭州、寧波等城市利用現(xiàn)有的出租車建立起了浮動(dòng)車系統(tǒng)，實(shí)時(shí)采集路網(wǎng)的交通信息。論文采用的數(shù)據(jù)為昆明市GPS浮動(dòng)車數(shù)據(jù)。

1 數(shù)據(jù)采集及預(yù)處理

1.1 數(shù)據(jù)格式 浮動(dòng)車就是在城市道路行駛的車輛（主要是公交車、出租車）上安裝具有位置信息采集功能的GPS設(shè)備，在車輛的運(yùn)行過車中通過無線網(wǎng)絡(luò)（GPRS、WIFI等）實(shí)時(shí)向控制中心傳回車輛的位置、時(shí)間、瞬時(shí)速度、車輛運(yùn)行方向、設(shè)備終端編號(hào)等信息的車輛。

1.2 浮動(dòng)車數(shù)據(jù)預(yù)處理

①剔除研究范圍之外的數(shù)據(jù)：研究用的數(shù)據(jù)時(shí)間范圍為：2010年12月01日00時(shí)00分00秒-2011年3月31日23時(shí)59分59秒的共計(jì)26984135條數(shù)據(jù)，研究的地理范圍為東經(jīng)102.647O-102.828O，北緯24.914O-25.117O的范圍，數(shù)據(jù)分析之前，剔除研究范圍之外的數(shù)據(jù)。

②剔除速度大于120km/h的數(shù)據(jù)：根據(jù)相關(guān)規(guī)定的道路的設(shè)計(jì)最高速度不得超過120km/h，包括高速公路，考慮到有繞城高速和二環(huán)快速路，刪除速度高于120km/h的數(shù)據(jù)。

③剔除前后時(shí)間間隔超出數(shù)據(jù)回傳時(shí)間間隔的數(shù)據(jù)：采用的數(shù)據(jù)回傳的時(shí)間間隔為15s，如果某一條數(shù)據(jù)與前后數(shù)據(jù)的之間的時(shí)間間隔超出15s則需要對(duì)該數(shù)據(jù)進(jìn)行剔除處理，算法如下：

Ti-Ti-1>15s且Ti+1-Ti>15s

則刪除數(shù)據(jù)i。

Ti為浮動(dòng)車傳回的第i條數(shù)據(jù)記錄的時(shí)刻。

1.3 坐標(biāo)轉(zhuǎn)換 浮動(dòng)車數(shù)據(jù)采用的坐標(biāo)為WGS-84大地坐標(biāo)系，而昆明市道路網(wǎng)數(shù)據(jù)采用的是北京1954平面坐標(biāo)系，為了能將浮動(dòng)車數(shù)據(jù)準(zhǔn)確的匹配到城市道路網(wǎng)上，必須對(duì)浮動(dòng)車數(shù)據(jù)進(jìn)行坐標(biāo)轉(zhuǎn)換，使浮動(dòng)車數(shù)據(jù)坐標(biāo)的坐標(biāo)系與道路網(wǎng)電子地圖數(shù)據(jù)坐標(biāo)保持一致。

1.4 地圖匹配 由于受GPS定位誤差及建筑物遮擋等因素的影響，GPS浮動(dòng)車數(shù)據(jù)并不完全準(zhǔn)確的定位于道路網(wǎng)電子地圖相應(yīng)的道路上，而是存在一定的偏差，為了準(zhǔn)確的研究城市道路交通的宏觀特征，需要把GPS浮動(dòng)車數(shù)據(jù)準(zhǔn)確匹配到城市道路網(wǎng)上，實(shí)現(xiàn)這一過程的算法稱之為地圖匹配算法。目前地圖匹配算法主要有點(diǎn)到點(diǎn)匹配算法、點(diǎn)到線匹配算法、線到線地圖匹配算法。

單獨(dú)的點(diǎn)到線的匹配算法只是采用投影距離大小比較確認(rèn)匹配點(diǎn)，沒有考慮到浮動(dòng)車行駛軌跡的連貫性，因而在交叉口和“Y”字口等地點(diǎn)會(huì)出現(xiàn)錯(cuò)誤匹配?？紤]到行駛軌跡的連貫性，采用點(diǎn)到線匹配結(jié)合歷史軌跡數(shù)據(jù)匹配算法。具體算法如下：

①GPS浮動(dòng)車數(shù)據(jù)點(diǎn)P（x，y），匹配算法為求點(diǎn)到線的最近點(diǎn)距離來確定匹配的路段，設(shè)道路L1和L2的方程為A1x+B1y+C1＝0和A2x+B2y+C2＝0，與點(diǎn)P到兩條道路的距離為：

d■=■（1）

d■=■（2）

如果d■＞d■則點(diǎn)P匹配到道路L1上。但是點(diǎn)到線的匹配算法存在缺陷，如圖1所示，點(diǎn)P4會(huì)被錯(cuò)誤匹配到L2上而不是匹配到L1上。

②此缺陷可以通過完成點(diǎn)到線的最近距離匹配之后，采用統(tǒng)計(jì)分析的方法，依據(jù)浮動(dòng)車數(shù)據(jù)的設(shè)備終端好及時(shí)間順序，判別P4點(diǎn)與前后各點(diǎn)同為一輛浮動(dòng)車的數(shù)據(jù)同時(shí)時(shí)間間隔不超過閥值，則可確定P4點(diǎn)在道路L2上。

2 交通宏觀特征分析

2.1 浮動(dòng)車不同速度區(qū)間比例分析 本論文為了便于研究選取2010年12月1日00時(shí)00分00秒至2010年12月31日00時(shí)59分59秒之間的浮動(dòng)車數(shù)據(jù)作為研究對(duì)象，進(jìn)行分析研究，其中分別選取工作日（星期一），周末（星期日）的數(shù)據(jù)進(jìn)行分析，研究之前刪除了數(shù)據(jù)中速度為零的數(shù)據(jù)，時(shí)間間隔為30分鐘，時(shí)間段為00時(shí)00分-23時(shí)00分。

從圖2中可以看出各階段速度的比例在一天當(dāng)中都是不斷變化的，這反映了道路交通的動(dòng)態(tài)特性。

①周日的浮動(dòng)車數(shù)據(jù)量比例低速區(qū)域（15>speed>=0）在7：30之前保持在10%左右7：30之后開始平緩的增加，到15：00左右達(dá)到20%左右，高速區(qū)（speed>=30）的比例從7：30開始有70%左右下降達(dá)到50%左右持平，中速區(qū)（30>speed>=15）也出現(xiàn)了一定程度的增加，這反映了周末人們7：30出行的不開始不斷增多導(dǎo)致交通狀況發(fā)生變化，車輛運(yùn)行速度開始減緩；

②周一的浮動(dòng)車數(shù)據(jù)量比例低速區(qū)域（15>speed>=0）在6：30之前保持在10%左右6：30之后開始急劇增加，8：30達(dá)到20%左右，之后出現(xiàn)小幅波動(dòng)，高速區(qū)（speed>=30）的比例從6：30開始有71%急劇下降達(dá)到50%左右持平，中速區(qū)（30>speed>=15）也出現(xiàn)了一定程度的上升，這反映了人們從6：30開始上班出行不斷增多導(dǎo)致交通運(yùn)行減緩。

③圖中可以看出周日的低速區(qū)增加、高速區(qū)下降要比周一緩慢，同時(shí)周一由于人們上下班時(shí)間相對(duì)固定，基本集中在8時(shí)30分到9時(shí)00分的原因，早上出行時(shí)間主要集中在6：30到8：30之間形成早高峰，下午下班的時(shí)間集中在17時(shí)00分到18時(shí)00分之間，因而17：00到19：00之間形成晚高峰，而周日則反映出人們出行的時(shí)段比較分散，早晚高峰不是很明顯。

④從晚上20時(shí)00分開始中速區(qū)和低速區(qū)的比例開始下降，高速區(qū)的比例開始升高，反映出了人們出行的減少，道路交通處于比較暢通的狀態(tài)。

2.2 全路網(wǎng)一星期七天交通狀況分析 通過對(duì)處理好的數(shù)據(jù)進(jìn)行分析獲取了一星期的昆明市研究區(qū)域全路網(wǎng)的不同時(shí)間段的速度分布特征如圖3所示。

通過對(duì)趨勢(shì)圖進(jìn)行分析，可以知道昆明市全路網(wǎng)的交通有以下特征：

①工作日與周末的交通狀況有明顯的不同，星期六和星期天從早上7：30才開始速度不斷下降進(jìn)入早高峰時(shí)段，全路網(wǎng)速度持續(xù)減慢到9：30左右速度開始低于30km/h，而且一直持續(xù)到12：30左右出現(xiàn)小幅的回升，之后幾乎保持小幅波動(dòng)，變化不是很大，到下午17：20左右速度又開始持續(xù)下降，回身保穩(wěn)定的時(shí)間為下午19：00整，這一時(shí)段為晚高峰，之后速度有小幅波動(dòng)，同時(shí)由于出行人數(shù)和車輛的減少，速度加快。

②工作日的速度從早上6：30開始持續(xù)降低，到8：30左右達(dá)到最低形成早高峰，之后基本保持穩(wěn)定，沒有出現(xiàn)大幅波動(dòng)，持續(xù)到12：20左右之后速度出現(xiàn)小幅替提升，中午13：30左右速度因?yàn)橄挛缟习喑鲂械纫蛩氐挠绊懰俣仍俅纬霈F(xiàn)降低，之后基本保持穩(wěn)定，到下午17：20左右又再一次降低持續(xù)至18：40，形成晚高峰，之后速度出現(xiàn)小幅波動(dòng)，并持續(xù)回升。

③從圖中可以看出，不論是周末還是工作日，凌晨4：40-6：50之間的速度是最高的，速度接近于35km/h，說明在這一時(shí)段出行的人數(shù)及車輛都比較少，交通運(yùn)行順暢。

④工作日的早高峰要比周末的早高峰提前40分鐘左右，同時(shí)工作日的早高峰形成快于周末，而且速度下降較快，另外工作日的晚高峰形成時(shí)間基本一致，保持穩(wěn)定的趨勢(shì)一致。

篇4

關(guān)鍵詞：車牌識(shí)別；人臉檢測(cè)；VC++；OpenCV

中圖分類號(hào)：TP311.52

1 引言

隨著社會(huì)科技的進(jìn)步和經(jīng)濟(jì)的迅猛發(fā)展，醫(yī)院的業(yè)務(wù)也日漸增多，如何為醫(yī)院提供一種安全、舒適、方便、快捷和開放的信息化生活空間，是本文重點(diǎn)討論的問題。下文中，依托先進(jìn)的科學(xué)技術(shù)，實(shí)現(xiàn)醫(yī)院內(nèi)部管理的高效、互動(dòng)和快捷。對(duì)醫(yī)院的出入口進(jìn)行實(shí)時(shí)智能監(jiān)控，達(dá)到維護(hù)治安和防止破壞的作用，及時(shí)的把一切可能發(fā)生的或即將發(fā)生的案件制止，以及對(duì)進(jìn)出醫(yī)院的可疑人物及車輛進(jìn)行信息采集，把安全隱患降低到最小，對(duì)確保醫(yī)院安全具有十分重要的作用。本論文工作，是基于VC++和openCV設(shè)計(jì)開發(fā)了一款實(shí)用的醫(yī)院車輛及人員進(jìn)出管理系統(tǒng)。能夠?qū)碓L車輛進(jìn)行自動(dòng)車牌識(shí)別，根據(jù)車輛的數(shù)據(jù)庫信息查詢，實(shí)現(xiàn)門禁系統(tǒng)的自動(dòng)控制；同時(shí)系統(tǒng)還包含人臉檢測(cè)模塊，能夠?qū)γ刻靵碓L的人員進(jìn)行人數(shù)統(tǒng)計(jì)。

2 系統(tǒng)總體設(shè)計(jì)

本系統(tǒng)功能主要分為兩大模塊：監(jiān)控管理和數(shù)據(jù)庫信息管理。具體功能圖如下所示：

3 系統(tǒng)詳細(xì)設(shè)計(jì)

打開和關(guān)閉攝像頭：通過調(diào)用opencv中的函數(shù)cvCaptureFromCAM（）；初始化從攝像頭中獲取視頻，獲得每一幀的圖像，并顯示在窗口的圖片控件上。通過調(diào)用opencv中的函數(shù)cvReleaseCapture（）；釋放資源，并將視頻窗口銷毀，實(shí)現(xiàn)關(guān)閉攝像頭的功能。

實(shí)時(shí)信息采集：通過函數(shù)cvSaveImage（）；將圖片保存，并進(jìn)行命名，可將當(dāng)前攝像頭所捕捉到的狀況進(jìn)行采集，可對(duì)進(jìn)出醫(yī)院的可疑人員和車輛進(jìn)行抓拍。

人臉檢測(cè)：在opencv中含有根據(jù)人臉模板訓(xùn)練的人臉分類haarcascade_frontalface_alt2.xml。通過加載分類器，可以對(duì)當(dāng)前幀的圖像中出現(xiàn)的人臉進(jìn)行識(shí)別，并通過cvCircle（）將人臉圈出，實(shí)現(xiàn)人臉檢測(cè)功能。通過檢測(cè)出來的人臉可以知道今天目前為止該醫(yī)院共進(jìn)出了多少人次，并將信息通過定時(shí)器定時(shí)刷新信息，反饋給保安人員。

車牌識(shí)別：車輛檢測(cè)可以采用埋地線圈檢測(cè)、紅外檢測(cè)、雷達(dá)檢測(cè)技術(shù)、視頻檢測(cè)等多種方式。采用視頻檢測(cè)可以避免破壞路面、不必附加外部檢測(cè)設(shè)備、不需矯正觸發(fā)位置、節(jié)省開支，而且更適合移動(dòng)式、便攜式應(yīng)用的要求。

系統(tǒng)進(jìn)行視頻車輛檢測(cè)，需要具備很高的處理速度并采用優(yōu)秀的算法，在基本不丟幀的情況下實(shí)現(xiàn)圖像采集、處理。若處理速度慢，則導(dǎo)致丟幀，使系統(tǒng)無法檢測(cè)到行駛速度較快的車輛，同時(shí)也難以保證在有利于識(shí)別的位置開始識(shí)別處理，影響系統(tǒng)識(shí)別率。因此，將視頻車輛檢測(cè)與牌照自動(dòng)識(shí)別相結(jié)合具備一定的技術(shù)難度。

車牌識(shí)別流程如圖2所示：

圖2 車牌識(shí)別流程

車牌圖像處理：對(duì)于車牌圖像，由實(shí)時(shí)監(jiān)控錄像進(jìn)行實(shí)時(shí)保存，在進(jìn)入車牌識(shí)別過程時(shí)打開。用dlg.GetPathName（）得到圖片的路徑，將圖片打開。因?yàn)楸４娴膱D片是倒著的，所以將圖片顯示在圖片控件前需要將圖片進(jìn)行旋轉(zhuǎn)。利用函數(shù)cvCreateImage（）將圖片轉(zhuǎn)化為二值化時(shí)的大小，用函數(shù)cvCvtColor（）轉(zhuǎn)化為灰度圖，并用cvSmooth（）進(jìn)行高斯濾波，為圖片二值化做準(zhǔn)備。

圖片二值化：所有灰度大于或等于閾值的像素被判定為屬于特定物體，其灰度值為255表示，否則這些像素點(diǎn)被排除在物體區(qū)域以外，灰度值為0，表示背景或者例外的物體區(qū)域。程序中沒有用opencv函數(shù)庫中的cvAdaptiveThreshold（）和cvThreshold（）進(jìn)行二值化，而是通過調(diào)用AdaptiveThreshold（）獲得第一個(gè)閾值，將最大像素的*0.7作為第二個(gè)閾值，進(jìn)行圖片二值化，并將這兩個(gè)閾值用來做邊緣檢測(cè)函數(shù)cvCanny（）的參數(shù)。

牌照定位：本程序中通過對(duì)二值化的圖像進(jìn)行邊緣檢測(cè)后，在對(duì)得到的圖片進(jìn)行垂直和水平掃描，在對(duì)水平方向從左往右掃描的過程中，對(duì)最大信息量的區(qū)域圈出，然后進(jìn)行垂直分割，將得到的區(qū)域即為車牌區(qū)域，之后再用cvResize（）將得到的圖片變?yōu)榻y(tǒng)一的大小。也就是車牌定位的過程為：水平分割、垂直分割、二值化牌照字符分割。完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行識(shí)別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個(gè)位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。

牌照字符識(shí)別：字符識(shí)別方法主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。基于模板匹配算法首先將分割后的字符二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進(jìn)行匹配，選擇最佳匹配作為結(jié)果?；谌斯ど窠?jīng)網(wǎng)絡(luò)的算法有兩種：一種是先對(duì)字符進(jìn)行特征提取，然后用所獲得特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種方法是直接把圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別出結(jié)果。

是否放行：在識(shí)別車牌號(hào)之后，將得到的車牌號(hào)的字符串與數(shù)據(jù)庫中的車牌號(hào)的字符串進(jìn)行對(duì)比，如果數(shù)據(jù)庫中有該車牌則是醫(yī)院的車，放行，否則不放行。

4 論文下一步的工作

本系統(tǒng)基本實(shí)現(xiàn)了醫(yī)院車輛進(jìn)出的自動(dòng)化管理，以及進(jìn)出人員的人次統(tǒng)計(jì)。但是目前系統(tǒng)只實(shí)現(xiàn)了一個(gè)攝像頭的視頻監(jiān)控，這還不能滿足目前醫(yī)院多個(gè)監(jiān)控?cái)z像頭同時(shí)工作的現(xiàn)狀。因此，論文下一步的改進(jìn)工作，是實(shí)現(xiàn)醫(yī)院內(nèi)多個(gè)監(jiān)控?cái)z像頭的同時(shí)調(diào)取與管理。

參考文獻(xiàn)：

[1]鐘志光，盧君，劉偉榮.Visual C++.NET 數(shù)字圖象處理實(shí)例與解析[M].北京：清華大學(xué)出版社，2003，6.

[2]何斌，馬天予，王運(yùn)堅(jiān)，朱紅蓮.Visual C++ 數(shù)字圖象處理第二版[M].北京：人民郵電出版社，2002.

[3]夏良正.數(shù)字圖象處理[M].南京：東南大學(xué)出版社，1999，9.

[4]葛亮.Visual C++從入門到實(shí)踐[M].北京：清華大學(xué)出版社，2009.

[5]康曉林，袁建州.Visual C++6.0實(shí)用教程[M].北京：電子工業(yè)出版社，2008.

篇5

關(guān)鍵詞：記事本系統(tǒng) 桌面平臺(tái) C#

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-9082（2015）12-0013-01

引言

早期的記事本系統(tǒng)只提供最基本的功能，例如文字查找功能。較新版本的Windows所搭載的新版記事本可以支持查找及替換功能，記事本亦集成了一個(gè)簡(jiǎn)單的日志功能，每一次打開文件，都可以記下一個(gè)新的時(shí)間標(biāo)簽。

但隨著計(jì)算機(jī)操作體驗(yàn)的不斷提高，傳統(tǒng)記事本系統(tǒng)已經(jīng)完全不能滿足人們的日常生活需要。本論文開發(fā)的這套記事本系統(tǒng)，集成了備忘錄模塊、登錄模塊、分類存儲(chǔ)模塊等多個(gè)模塊，滿足了人們?cè)谟浭卤竟δ苌系闹T多要求[1]。

如今信息技術(shù)發(fā)展飛速，特別是C#技術(shù)，因?yàn)樗兄芎玫慕换バ浴㈧`活性、安全性和擴(kuò)展性，讓此技術(shù)在應(yīng)用中越來越廣泛，因此也必然的進(jìn)入到了文字編輯軟件的開發(fā)中[2]。此系統(tǒng)的主要目的是讓文字編輯存儲(chǔ)更加方便，讓日常生活記錄筆記的過程更快速、方便和科學(xué)，使用本系統(tǒng)用戶可以根據(jù)自己的需要來存儲(chǔ)備忘錄，不會(huì)耽誤重要的事情，反之亦然，大大方便了用戶的日常生活。

一、系統(tǒng)總體介紹

整個(gè)記事本系統(tǒng)分為五大模塊，分別是登錄模塊、主界面模塊、文字搜索模塊、文字替換模塊、字體設(shè)置模塊。記事本系統(tǒng)五大組成模塊如圖1所示：

圖1 記事本系統(tǒng)組成模塊

二、模塊設(shè)計(jì)

1.登錄模塊

登錄時(shí)需要輸入用戶名和密碼，然后才能登錄。在用戶登錄時(shí)，要判斷用戶是否存在，若存在，判斷用戶輸入的用戶名和密碼是否能夠匹配成功，如果正確匹配，關(guān)閉登錄窗口，進(jìn)入系統(tǒng)主窗體。如果用戶存在，但是用戶名和密碼不匹配，那么提示用戶輸入的密碼錯(cuò)誤。記錄用戶輸入密碼錯(cuò)誤的次數(shù)，如果輸錯(cuò)超過3次，則窗體自動(dòng)關(guān)閉，登錄失敗。本系統(tǒng)采用SQL Server數(shù)據(jù)庫，登錄模塊數(shù)據(jù)表如表1所示：

表1 登錄模塊數(shù)據(jù)表

2.主界面模塊

本系統(tǒng)的系統(tǒng)主界面包括一個(gè)菜單欄和文本欄。菜單欄包含本系統(tǒng)的所有功能的菜單，包括新建記事本、刪除記事本、分類管理、文字搜索、文字替換、字體設(shè)置、關(guān)于CHENE記事本等多個(gè)功能。而多行文本框是用來顯示和編輯記事本內(nèi)容的。主界面模塊所用的數(shù)據(jù)表如表2所示：

表2 記事本信息表

3.文字搜索模塊

本模塊的功能類似于操作系統(tǒng)中的Ctrl+F功能，在文檔中根據(jù)關(guān)鍵字查找調(diào)用內(nèi)置的查詢功能，輸入關(guān)鍵字，點(diǎn)擊確定，如果搜索到關(guān)鍵字，就會(huì)出現(xiàn)搜索結(jié)果，并統(tǒng)計(jì)出共有幾個(gè)相匹配的關(guān)鍵字，并且會(huì)以高亮顯示。這一點(diǎn)在日常文字編輯中非常的實(shí)用，無論是字詞定位還是尋找線索都是非常有用的。

4.文字替換模塊

本模塊的功能類似于操作系統(tǒng)中的Ctrl+H功能，在使用過程中會(huì)有非常多的技巧。有時(shí)編輯的文本有很多空格和空行還有一些相同或重復(fù)的文字，刪除和處理這些文字相當(dāng)麻煩。因此只需要使用左側(cè)菜單欄里的“文字替換”功能， 輸入需要替換或者刪除的文字就可以完成自動(dòng)替換功能。

三、系統(tǒng)實(shí)現(xiàn)

1.登錄界面的實(shí)現(xiàn)

界面采用當(dāng)今最為流行的扁平化設(shè)計(jì)，當(dāng)用戶輸入用戶名和密碼之后，還可以按En回車鍵登錄系統(tǒng)，實(shí)現(xiàn)的原理是：在輸入密碼的文本框的KeyPress事件下，判斷是否按了回車鍵，如果按了就會(huì)激發(fā)“登錄”按鈕的Click事件。

2.主界面的實(shí)現(xiàn)

使用文本框來顯示和編輯記事本內(nèi)容。整體界面依舊采用扁平化設(shè)計(jì)，界面整潔清晰。分類管理主要利用了TreeView控件顯示所有的日志分類和日志標(biāo)題，當(dāng)單擊某個(gè)日志標(biāo)題時(shí)，右側(cè)文本框?qū)臄?shù)據(jù)庫取出并顯示出該日志的內(nèi)容。

3.文字搜索/替換模塊的實(shí)現(xiàn)

本模塊的實(shí)現(xiàn)主要采用串的模式匹配的KMP算法[3]，該算法較一般串的模式匹配算法有較大的改進(jìn)，主要是消除了主串指針的回溯，從而使算法效率有了某種程度的提高。

本系統(tǒng)的開發(fā)主要實(shí)現(xiàn)了以下目標(biāo)：（1）靈活的新增記事本功能。（2）由于使用這套系統(tǒng)的普通用戶在計(jì)算機(jī)的操作水平上可能不太夠，因此本系統(tǒng)具有比較方便實(shí)用的人機(jī)界面（3）對(duì)于已經(jīng)存檔的記事本，能夠高效的分類顯示。（4）在使用過程中能夠方便的使用文字查找和替換功能。（5）由于不同用戶的不同需要，編輯文本的同時(shí)能夠更改顯示的字體。

參考文獻(xiàn)

[1]谷震離， 胡付田. 記事本應(yīng)用程序的開發(fā)與設(shè)計(jì)[J]. 許昌學(xué)院學(xué)報(bào).2003（2）

[2]程文瑋. 數(shù)據(jù)庫管理[J]. 廣州大學(xué)學(xué)報(bào)（自然科學(xué)版） [J].2005（2）

篇6

隨著不斷發(fā)展的識(shí)別技術(shù)以及計(jì)算機(jī)技術(shù)的逐步成熟，指紋技術(shù)成為生物識(shí)別技術(shù)中最為突出的方法之一。本文主要介紹了指紋技術(shù)的工作原理和過程以及在社會(huì)保障平臺(tái)中的應(yīng)用。進(jìn)一步說明了指紋技術(shù)在社會(huì)保障平臺(tái)中的應(yīng)用架構(gòu)和方法，以及帶給社會(huì)保障工作的諸多便捷。從而驗(yàn)證了指紋技術(shù)在社會(huì)保障平臺(tái)中的應(yīng)用是非常廣泛的。

【關(guān)鍵詞】指紋技術(shù)指紋IC卡社會(huì)保障平臺(tái)

1 指紋技術(shù)發(fā)展背景

社會(huì)不斷進(jìn)步發(fā)展，過去的身份識(shí)別方法已經(jīng)無法滿足人們的要求，目前包括指紋在內(nèi)的生物識(shí)別技術(shù)逐漸受到人們的歡迎。面對(duì)社會(huì)保障工作中存在的相關(guān)問題，指紋技術(shù)逐漸被引入。

作為存在時(shí)間較長、價(jià)格低廉、非侵害、方便可靠的指紋技術(shù)是目前最佳的解決方案。指紋技術(shù)具有自己獨(dú)特的特征，它主要依靠對(duì)指紋進(jìn)行全局和局部特征的詳細(xì)分析來識(shí)別一個(gè)人的身份。因?yàn)槲覀兠總€(gè)人的十指將產(chǎn)生超過4900個(gè)分別獨(dú)立的特征。所以說指紋技術(shù)具有其他技術(shù)所無法比擬的可靠性。

就指紋技術(shù)在社會(huì)保障平臺(tái)的應(yīng)用來看，關(guān)于公積金、養(yǎng)老保險(xiǎn)、民政救助、戶籍管理和職業(yè)介紹等經(jīng)過幾年的發(fā)展后，在計(jì)算機(jī)信息管理系統(tǒng)方面的建設(shè)已經(jīng)具有一定成效。另外，通過對(duì)先進(jìn)的科學(xué)技術(shù)加以充分利用，并且采用計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)和指紋1C卡技術(shù)，這樣可以保障日常事務(wù)實(shí)現(xiàn)社會(huì)化的管理服務(wù)。

2 指紋技術(shù)具體工作原理

2.1 工作原理

因?yàn)槊總€(gè)人的指紋具有唯一性，所以可以確定以指紋作為識(shí)別身份的一種手段。指紋技術(shù)并不是直接對(duì)指紋圖像進(jìn)行識(shí)別，它跟其它模式識(shí)別技術(shù)一樣，需要從圖像中提取關(guān)鍵特征，然后再針對(duì)特征圖像進(jìn)行識(shí)別匹配。我們從生理上可以看出，人們理想中的指紋圖像是一幅黑白相間的二值圖像。但是，一般指紋的獲得都是采用按壓的方式，這就會(huì)受到很多外在因素的影響，而這些因素都會(huì)造成原始的指紋灰度圖像不能直接用來進(jìn)行匹配與識(shí)別，所以，選擇合適的特征來描述指紋是非常有必要的。

而指紋技術(shù)在社會(huì)保障平臺(tái)中的工作原理其實(shí)就是提前在系統(tǒng)中進(jìn)行建檔，再將個(gè)人的指紋特征值存儲(chǔ)于計(jì)算機(jī)或者IC卡中。當(dāng)我們需要開展社保業(yè)務(wù)時(shí)，特定的指紋采集器就會(huì)手機(jī)用戶的指紋特征信息，這個(gè)時(shí)候采集到的信息再同計(jì)算機(jī)和IC卡存儲(chǔ)中的指紋信息進(jìn)行比對(duì)，兩者信息完全無誤時(shí)則用戶驗(yàn)證成功便可領(lǐng)取相應(yīng)的保險(xiǎn)金，并且此次的采集信息會(huì)記錄下來留存于計(jì)算機(jī)中；反之，則無法獲得相應(yīng)的保險(xiǎn)金。

2.2 構(gòu)建指紋識(shí)別系統(tǒng)

2.2.1 建立指紋數(shù)據(jù)庫

通過獲取樣本，并且提取其基本特征，最終形成樣本庫。系統(tǒng)在這一階段主要負(fù)責(zé)對(duì)指紋的采集，采集完成再進(jìn)行加工處理，生成細(xì)化后的黑白二值圖像。以此為基礎(chǔ)，提取關(guān)鍵特征和人的身份信息進(jìn)行存檔，建立指紋數(shù)據(jù)庫。

2.2.2 建立指紋鑒定模塊

現(xiàn)在已經(jīng)進(jìn)入指紋的分類識(shí)別階段，這一階段是將待識(shí)別的指紋圖像進(jìn)行采集完成，提取關(guān)鍵特征，在數(shù)據(jù)庫進(jìn)行搜索與之相匹配的身份，最終來判定身份的正確與否。主要涉及到建立模式識(shí)別的匹配算法，具體包括五個(gè)模塊：指紋采集、圖像處理、特征提取、特征匹配和數(shù)據(jù)庫。

3 主要工作流程

3.1 錄入圖像的具體流程

（1）最先采集需要受保人的四枚活體指紋， 錄入過程中指紋的圖像質(zhì)量要高于500DPI。

（2）每個(gè)受保人都需要進(jìn)行四枚平面捺印指紋的采集。

（3）受保人的照片同時(shí)需要拍攝記錄。

（4）錄入有關(guān)受保人的個(gè)人詳細(xì)信息資料。

（5）完成信息進(jìn)行社保中心主機(jī)數(shù)據(jù)的存入。

（6）制卡，發(fā)卡。

3.2 信息對(duì)比整個(gè)流程

（1）受保人直接出示IC卡

（2）計(jì)算機(jī)管理系統(tǒng)對(duì)客戶IC卡中的信息和指紋特征進(jìn)行進(jìn)行讀取。

（3）受保人重新在YLC指紋小鍵盤上輸入指紋，并輸入密碼，或者出示平捺印指紋，再輸入密碼。

（4）負(fù)責(zé)人進(jìn)行受保人的指紋特征對(duì)比

（5）受保人的信息和計(jì)算機(jī)留存的信息匹配的話可直接進(jìn)新社保業(yè)務(wù)的辦理，并且此次交易信息將會(huì)存入IC卡和社保主機(jī)，反之，則無法進(jìn)行交易。

（6）完成交易。

3.3 指紋采集方式

職工在進(jìn)行第一次的指紋采集時(shí)，需要采取活體和卡片兩種指紋方式進(jìn)行采集。活體指紋采集是用來證明這個(gè)指紋是用戶本人的行為，并且可以建立豐富的數(shù)據(jù)資料庫，方便以后進(jìn)行比對(duì)?？ㄆ讣y采集則主要用于計(jì)算機(jī)的留存，還可以進(jìn)行用戶使用時(shí)進(jìn)行身份驗(yàn)證。

4 指紋技術(shù)的組成

（1）社會(huì)保障卡信息采集服務(wù)系統(tǒng)主要涵蓋：參保人信息建檔、參保人生存核查、服務(wù)器遠(yuǎn)程數(shù)據(jù)交換、系統(tǒng)安全、數(shù)據(jù)庫數(shù)據(jù)管理、打印模塊幾個(gè)功能模塊。

社會(huì)保障卡信息采集服務(wù)系統(tǒng)采用指紋技術(shù)作為主要信息識(shí)別方式，針對(duì)受保人進(jìn)行業(yè)務(wù)辦理的身份驗(yàn)證，以受保人的各種圖文信息包含身份證、照片等作為輔助審核的手段，最終目的旨在建立一個(gè)計(jì)算機(jī)化、方便快捷、安全可靠、具有多功能綜合性的圖文信息管理和生存核搜櫓は低場(chǎng)

（2）社會(huì)保障核心平臺(tái)的整體構(gòu)成：社會(huì)保險(xiǎn)包括養(yǎng)老、失業(yè)、醫(yī)療、工傷、生育五部分，而社會(huì)保障核心平臺(tái)的構(gòu)建則是以其為基礎(chǔ)進(jìn)行劃分，其參考數(shù)據(jù)來源于受保人的參保單位、定點(diǎn)醫(yī)療機(jī)構(gòu)、銀行等信息系統(tǒng)，通過與這些外部系統(tǒng)進(jìn)行數(shù)據(jù)連接，方便對(duì)受保人的信息數(shù)據(jù)進(jìn)行查詢。

（3）主要硬件：計(jì)算機(jī)，指紋錄入采集設(shè)備，指紋比對(duì)采集設(shè)備，1C卡片，數(shù)碼相機(jī)及掃描儀等。

5 指紋技術(shù)在社會(huì)保障平臺(tái)的應(yīng)用

指紋技術(shù)應(yīng)用于社會(huì)保障平臺(tái)在兩方面比較突出，一方面對(duì)于一些人惡意冒領(lǐng)或者盜領(lǐng)保險(xiǎn)金的現(xiàn)象可以起到遏止作用；另一方面同社保核心平臺(tái)涵蓋養(yǎng)老、失業(yè)、醫(yī)療、工傷、生育等應(yīng)用系統(tǒng)進(jìn)行合理接軌，最終達(dá)到社保管理的現(xiàn)代化和規(guī)范化的要求。

6 結(jié)論

指紋技術(shù)作為人類身份識(shí)別的一種手段，具有一定的先進(jìn)性、可靠性和唯一性，在全球范圍內(nèi)都得到廣泛應(yīng)用，國外的社保管理機(jī)構(gòu)也普遍應(yīng)用指紋技術(shù)來作為參保人的身份認(rèn)證。而我國社會(huì)保障平臺(tái)對(duì)指紋技術(shù)的引入更加便利了其正常的工作。同時(shí)，計(jì)算機(jī)技術(shù)的快速發(fā)展也為其提供了有利條件，匹配算法的可靠性也不斷提高，指紋技術(shù)己經(jīng)非常實(shí)用。

參考文獻(xiàn)

[1]張大鵬.模式識(shí)別與圖像處理并行.黑龍江哈爾濱工業(yè)大學(xué)出版社，2011.

[2]馬東升.指紋技術(shù)在社會(huì)保障平臺(tái)中的應(yīng)用.安防科技，2007（5）：55-56.

[3]張承杰.基于指紋單點(diǎn)登錄的協(xié)同辦公系統(tǒng)研究與設(shè)計(jì).碩士學(xué)位論文，2007.

[4]李月景.圖像識(shí)別技術(shù)及其應(yīng)用.北京：機(jī)械工業(yè)出版社，2009.

[5]陸永寧.非接觸IC卡原理與應(yīng)用.北京：電子工業(yè)出版社，2006.

作者簡(jiǎn)介

胡永果，學(xué)士學(xué)位。現(xiàn)為山東省滕州市社會(huì)養(yǎng)老保險(xiǎn)事業(yè)處助理工程師。主要研究方向?yàn)橛?jì)算機(jī)。

篇7

關(guān)鍵詞：飛機(jī)故障檢測(cè)； 分段概率提?。籕AR數(shù)據(jù)；FP-Tree；子序列匹配

中圖分類號(hào)：TP301 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： As about high repetition and large volume of data in airplane fault detection data as well as low efficiency and accuracy of monitoring algorithm， this paper， based on PAA packed data， utilizes Segmental Probability to extract， adjust FP-Growth and establish FP-Tree， thereby reducing repetition degree of data and improving its searching speed. In addition， algorithm on the basis of segmental distance and subsequence match is proposed. In this paper， the real QAR data of flight will be adopted to verify reliability and accurateness of the algorithm.

Key words： airplane fault detection；segmental probability extract；QAR data；FP-Tree；subsequence matc

1QAR數(shù)據(jù)建立分段后的樹形結(jié)構(gòu)

飛機(jī)飛行狀態(tài)通常是穩(wěn)定的，即QAR數(shù)據(jù)的屬性值大量重復(fù)出現(xiàn)[1-2]，如此使得分段后的數(shù)據(jù)規(guī)律跟關(guān)聯(lián)規(guī)則挖掘中大量項(xiàng)目同時(shí)出現(xiàn)的情況很類似[3]，因而可以把每個(gè)數(shù)據(jù)段當(dāng)作一個(gè)項(xiàng)集，采用類似頻繁項(xiàng)集挖掘的方法對(duì)其進(jìn)一步信息整合，將類似的數(shù)據(jù)段集中到相近的位置，相同數(shù)據(jù)段只計(jì)算一次，提高數(shù)據(jù)搜索匹配的效率。

分段概率提取后的21元組的元素順序既定[4]，在使用FP-Growth算法進(jìn)行建樹操作之前，不需第一步掃描數(shù)據(jù)庫并按各項(xiàng)支持?jǐn)?shù)進(jìn)行排序，只需直接進(jìn)行類似FP-Growth模式增長的建樹操作。需要增加的是在該FP樹的每個(gè)葉子節(jié)點(diǎn)上要添加一個(gè)indexList鏈表，用以記錄所有重復(fù)了從根節(jié)點(diǎn)到葉子節(jié)點(diǎn)的所有數(shù)據(jù)域的數(shù)據(jù)段，即每條從根節(jié)點(diǎn)到葉子節(jié)點(diǎn)的路徑都代表一個(gè)數(shù)據(jù)段，而indexList則記錄了跟本路徑相同的所有數(shù)據(jù)段標(biāo)記。建樹過程可通過以下示例對(duì)分段后所形成數(shù)據(jù)段S={ 0：[0，...， 0， 0.97， 0.03， 0， 0 ]T， 1： [ 0，...， 0， 0.94， 0.06 ， 0， 0]T， 2： [0，...， 0， 0.98， 0.02 ， 0， 0]T， 3：[ 0，...， 0， 0.97， 0.03， 0， 0]T}的處理具體描述如下：

①創(chuàng)建T的根節(jié)點(diǎn)，標(biāo)號(hào)為“null”（如圖1中的（1）），T節(jié)點(diǎn)含有如下成員：節(jié)點(diǎn)數(shù)據(jù)（data），指向其子節(jié)點(diǎn)的指針和指向其右節(jié)點(diǎn)的指針；

②讀取下一段數(shù)據(jù)（現(xiàn)在是第一個(gè)元組）0：[0，...， 0， 0.97， 0.03， 0， 0 ]T，在T中從根節(jié)點(diǎn)開始搜索。首先搜索0， T中如果有此節(jié)點(diǎn)，接著搜索下一個(gè)元素0.97；T中沒有此節(jié)點(diǎn)，于是不用再繼續(xù)搜索，直接建立整個(gè)0：[0，...， 0， 0.97， 0.03， 0， 0 ]T序列的子樹（如圖1中（2）所示，其中多個(gè)連續(xù)重復(fù)出現(xiàn)的符號(hào)在圖中只出現(xiàn)一次，并在其節(jié)點(diǎn)數(shù)據(jù)后的括號(hào)中標(biāo)注其連續(xù)出現(xiàn)的次數(shù)，如圖5-1中的（2）中根節(jié)點(diǎn)的左子節(jié)點(diǎn)0.0（15）表示0.0共連續(xù)出現(xiàn)了15次），建立到葉子節(jié)點(diǎn)后，看該葉子節(jié)點(diǎn)是否存在名為indexList的一個(gè)索引鏈表，若存在，則直接將正在處理的數(shù)據(jù)段的段號(hào)添加到indexList中若不存在則為該葉子節(jié)點(diǎn)創(chuàng)建indexList鏈表，并添加當(dāng)前段號(hào)到indexList中；

③重復(fù)過程②，直到S中的最后一個(gè)數(shù)據(jù)段處理完畢，對(duì)S的第二段數(shù)據(jù)處理后fp樹如圖1中的（3）所示。S全部數(shù)據(jù)段處理完畢后fp樹如圖1中的（4）所示。

2子序列匹配定位故障數(shù)據(jù)段

樹型數(shù)據(jù)結(jié)構(gòu)由于其前綴共享的特點(diǎn)，能夠避免數(shù)據(jù)操作過程中大量的重復(fù)操作，大幅提高數(shù)據(jù)處理效率。數(shù)據(jù)大爆炸環(huán)境下，為高效處理數(shù)據(jù)，無不考慮引入樹型結(jié)構(gòu)改進(jìn)算法，例如文獻(xiàn)[5]中將DFST-Tree結(jié)構(gòu)引入數(shù)據(jù)流挖掘算法研究，而在人工智能與數(shù)據(jù)挖掘方向的prifix前綴樹與FP-Growth等算法更是久負(fù)盛名。目前樹型結(jié)構(gòu)用于匹配查詢方向的算法如k-d樹查詢[6]及子樹匹配，前者是從k-d樹中查詢給定序列，給定序列并非樹型結(jié)構(gòu)；后者則用于查詢兩棵樹的結(jié)構(gòu)是否類似，但是并不關(guān)心樹的節(jié)點(diǎn)數(shù)據(jù)。本文基于FP-Growth算法對(duì)分段后的源數(shù)據(jù)序列建立樹形結(jié)構(gòu)，然后根據(jù)故障模型進(jìn)行序列匹配，定位到可能出現(xiàn)故障的數(shù)據(jù)段。序列匹配定位算法的具體描述如下：

先序遍歷fp樹，從根節(jié)點(diǎn)到每個(gè)葉節(jié)點(diǎn)的路徑都是一個(gè)數(shù)據(jù)段的代表，從根節(jié)點(diǎn)搜索到葉節(jié)點(diǎn)的匹配過程如下：

①計(jì)算加入當(dāng)前節(jié)點(diǎn)后該條路徑上所有點(diǎn)與故障模型的距離，若距離小于給定閾值，檢查當(dāng)前節(jié)點(diǎn)是否為葉子節(jié)點(diǎn)，若是轉(zhuǎn)③，若不是葉子節(jié)點(diǎn)轉(zhuǎn)②；若距離大于給定閾值則剪去該節(jié)點(diǎn)及其所有左子節(jié)點(diǎn)并轉(zhuǎn)②。

②轉(zhuǎn)入當(dāng)前節(jié)點(diǎn)的左子樹并重復(fù)步驟①。

③當(dāng)前節(jié)點(diǎn)已經(jīng)是葉子節(jié)點(diǎn)，且從根節(jié)點(diǎn)到葉子節(jié)點(diǎn)整條路徑上所有點(diǎn)與故障模型的距離不超過給定閾值，則該條路徑所代表的數(shù)據(jù)段即為與故障模型匹配成功，得到葉子節(jié)點(diǎn)的indexList鏈表，即為故障數(shù)據(jù)段位置鏈表，本條路徑匹配完畢。

3實(shí)驗(yàn)結(jié)果及分析

取航空公司CAB737-800型飛機(jī)的2008年8月份的25個(gè)航班記錄，每個(gè)航班記錄序列的長度為6089～11949不等，數(shù)據(jù)分段段長取100，數(shù)據(jù)符號(hào)化范圍為0到20。飛機(jī)故障通常情況下不是由單一因素引起，面與飛機(jī)故障有關(guān)的不同屬性在飛機(jī)發(fā)生故障過程中的重要程序也各不相同，根據(jù)專家經(jīng)驗(yàn)給出的空中顛簸故障屬性重要度調(diào)查表[7-8]，垂直加速度屬性是對(duì)空中顛簸故障發(fā)生的最重要影響屬性，因此主要針對(duì)該故障數(shù)據(jù)的垂直加速度屬性數(shù)據(jù)實(shí)驗(yàn)。

文獻(xiàn)[9-10]通過研究并驗(yàn)證k-d樹的特點(diǎn)和優(yōu)勢(shì)，對(duì)QAR數(shù)據(jù)進(jìn)行符號(hào)化并建立了多維時(shí)序飛行數(shù)據(jù)的子序列，并驗(yàn)證了k-d樹查找的速度相比于順序掃描的明顯優(yōu)勢(shì)，適用于大規(guī)模時(shí)序飛行序列中子序列的相似性搜索。其實(shí)驗(yàn)結(jié)果如表1所示。

表1清晰表明了k-d樹查找的速度遠(yuǎn)快于順序掃描的速度，適合大規(guī)模時(shí)序飛行序列中子序列的相似性搜索。但是在k-d查詢之前所需的建樹時(shí)間依然不容忽視，本文通過分段符號(hào)化并概率提取然后再建樹查詢，分段及離散化共用時(shí)間平均為310.1ms，建樹和查詢所用時(shí)間之和平均僅為2.5ms。綜合表1和表2，顯然分段后的查詢時(shí)間僅為不分段就順序查詢的一半，而采用樹形結(jié)構(gòu)查詢之后搜索時(shí)間再一次得到提升，從建樹到查詢結(jié)束的總時(shí)間低于k-d樹的H查詢時(shí)間。

另外子序列查找過程中以查找到的類似故障數(shù)據(jù)段為目標(biāo)輸出，并將類似故障數(shù)據(jù)段輸出到到文件，當(dāng)檢測(cè)數(shù)據(jù)為模擬的非故障數(shù)據(jù)時(shí)，輸出文件無內(nèi)容，而當(dāng)檢測(cè)數(shù)據(jù)為模擬的故障數(shù)據(jù)時(shí)，輸出文件中會(huì)得到如圖2的結(jié)果，其中“文件0”是一個(gè)待檢測(cè)的故障數(shù)據(jù)文件，“異常數(shù)據(jù)段0”則是故障模型中的一個(gè)故障點(diǎn)代表，與其相似的數(shù)據(jù)段表示采集到該待檢測(cè)數(shù)據(jù)的航班有可能會(huì)發(fā)生與故障模型相同的故障。實(shí)驗(yàn)得到故障相似數(shù)據(jù)段之后可以根據(jù)其數(shù)據(jù)段號(hào)（比如圖2中“數(shù)據(jù)段42”的“42”）來定位故障發(fā)生的具置。由此可見本程序可以正確識(shí)別出并定位本類型的故障數(shù)據(jù)段，具有相當(dāng)?shù)膮⒖純r(jià)值。

綜上可知本文所用方法對(duì)于大規(guī)模數(shù)據(jù)處理具有足夠的正確率和高效性。

4小結(jié)

本文主要介紹了針對(duì)突發(fā)故障點(diǎn)數(shù)據(jù)段的檢測(cè)和定位方法，在PAA表示方法的基礎(chǔ)上進(jìn)一步對(duì)QAR數(shù)據(jù)進(jìn)行分段細(xì)化，將故障點(diǎn)鎖定在更小的數(shù)據(jù)段內(nèi)，對(duì)于時(shí)序數(shù)據(jù)來說，能夠定位到更貼近故障突發(fā)的時(shí)間段；通過基于樹的子序列查詢算法提高了搜索查詢的效率的同時(shí)保證了查詢的正確性，實(shí)驗(yàn)證明本文采用算法是有效可行的。

參考文獻(xiàn)

[1] 王天明.基于QAR數(shù)據(jù)的飛行安全模型研究[D]：[碩士學(xué)位論文].天津：中國民航大學(xué).航空自動(dòng)化系，2008.

[2] 閆偉. QAR飛行時(shí)序數(shù)據(jù)相似性搜索算法研究[D]. 天津： 中國民航大學(xué)， 2010： 21-25.

[3] 趙恒. 數(shù)據(jù)挖掘中聚類若干問題研究[D]. 西安： 西安電子科技大學(xué)， 2005 ： 10-11.

[4] Jong P.Yoon，Jieun Lee，Sung Kim.Trend Similarity and Prediction in Time-Series Database.Proceeding of SPIE，2000，4057：13-20.

[5] Tomas Flouri， Jan Janousˇek， and Borˇivoj Melichar. Subtree Matching by Pushdown Automata. ComSIS， Special Issue， April 2010， 7（2） ：331-357.

[6] 張國振. 多元時(shí)序飛行數(shù)據(jù)子序列的相似性搜索算法研究[D]：[碩士學(xué)位論文]. 天津：中國民航大學(xué). 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院， 2011.

[7] Chakrabarti，K. et al.， Locally adaptive dimensionality reduction for indexing large time series databases. ACM Trans on Database Systems， 27， 2002： 188-228.

[8] Kamran Rokhsaz， Linda K. Kliment， and Alhambra L. Yee， etc. Comparison of Two Business Jets C Usage and Flight Loads. 2013 Aviation Technology， Integration， and Operations Conference August 12-14， 2013， Los Angeles， CA.

篇8

關(guān)鍵詞：棒材計(jì)數(shù)系統(tǒng)；圖像識(shí)別；灰度加權(quán)閉值算法

中圖分類號(hào)：TN911.73 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：

一、圖像識(shí)別的概念與模型

自然界的景物一般都是空域三維描述，但視覺系統(tǒng)或稱之為一般的傳感器系統(tǒng)，所獲得的信息通常是空域二維的。在這個(gè)二維信息—圖像中，人們卻能充分理解所觀察到的空域三維景物，從它的色彩、形狀、到它是什么、它是干什么的等。在這個(gè)觀察、識(shí)別、理解的過程中，實(shí)際包含了許多知識(shí)的學(xué)習(xí)和積累。圖像識(shí)別就是用現(xiàn)代信息處理與計(jì)算技術(shù)來完成人的識(shí)別、理解過程。顯然，它包括成像、圖像處理與識(shí)別這三個(gè)步驟。

圖像識(shí)別主要是指依據(jù)輸入的空域二維圖形信息f(x, y, t)，根據(jù)圖像識(shí)別模型，進(jìn)行相關(guān)的圖像運(yùn)算，分析并提取圖像的識(shí)別特征，然后建立分類器按圖像特征對(duì)圖像進(jìn)行分類識(shí)別運(yùn)算，圖像類別可表示為Ci ，i∈（l, 2,…, n）, n為正整數(shù)。首先要進(jìn)行的是邊緣提取、圖像分割等圖像預(yù)處理，然后再進(jìn)行特征提取和識(shí)別工作。

圖像特征析取器的主要任務(wù)是：

（1）用什么特征描述圖像以便識(shí)別；

（2）如何提取這些特征。析取器輸出的是可供分類器運(yùn)算的特征參量T(x, y, t)。圖像識(shí)別分類器主要是依據(jù)一定的分類準(zhǔn)則等，如統(tǒng)計(jì)分類原則、模糊運(yùn)算準(zhǔn)則等，對(duì)輸入的特征參量T(x, y, t)進(jìn)行一定的運(yùn)算后，判決輸出圖像是哪一類圖像。

二、棒材計(jì)數(shù)系統(tǒng)的國內(nèi)外研究現(xiàn)狀

1.國外的研究現(xiàn)狀

1992年，Renzo ，Offoiach 設(shè)計(jì)了主要針對(duì)最終打包層疊棒材的計(jì)數(shù)和分裝置。在該裝置中，通過處理棒材的層疊等情況，最后再經(jīng)機(jī)械裝置整平，最后進(jìn)入計(jì)數(shù)階段。2003年，日本Kojima Kat2suhiro，Niimi Kiyoaki，Yano Taizo為兼顧計(jì)數(shù)的準(zhǔn)確性和快速性，采用了圖像計(jì)數(shù)方案。在該方案中，用光源以一定角度照射棒材端面獲得清晰圖像，最終對(duì)采集圖像處理而得到在線棒材的數(shù)量?？梢?，國外也采用了兩種方案，機(jī)電法重在解決棒材的不規(guī)則狀態(tài)，圖像法需在一定計(jì)數(shù)精度的基礎(chǔ)上考慮實(shí)時(shí)性。

2.國內(nèi)的研究現(xiàn)狀

2003年4月，王培珍，楊維翰，沈玉梁首次提出了基于融合技術(shù)的棒材定值圖像識(shí)別理論。該方案首先用CCD 采集棒材定支包裝時(shí)的端面圖像，再用閾值化和基于邊界的方法初始分割圖像，最后進(jìn)行融合、去粘連及計(jì)數(shù)，這在一定程度上提高了計(jì)數(shù)的準(zhǔn)確性。該方法過于依賴二值圖的質(zhì)量，實(shí)際應(yīng)用中難以保證質(zhì)量要求。

2004年，羅三定，沙莎，賈維嘉等人針對(duì)如何識(shí)別圖像中的棒材、如何區(qū)分圖像中已計(jì)數(shù)部分和未計(jì)數(shù)部分以及如何控制分鋼裝置移動(dòng)到指定位置等問題，較為系統(tǒng)地論述了圖像法實(shí)現(xiàn)在線棒材計(jì)數(shù)和分離問題， 并設(shè)計(jì)了相應(yīng)的在線視覺計(jì)數(shù)控制系統(tǒng)，基本完成了棒材在線計(jì)數(shù)系統(tǒng)的計(jì)數(shù)和分離任務(wù)。

2004年12月，李俊飛在詳細(xì)分析影響攝像技術(shù)采集棒材特征的各種因素和干擾的基礎(chǔ)上，開發(fā)了一種棒材計(jì)數(shù)裝置并有所創(chuàng)新：①數(shù)抓采集箱用于隔離外界干擾；②快速準(zhǔn)確的圖像識(shí)別算法；③噴液裝置使端面成像易于被識(shí)別；④采集的數(shù)據(jù)參與過程管理。基本解決了棒材在線計(jì)數(shù)問題，但分鋼還要靠人工判斷和處理，僅僅實(shí)現(xiàn)了計(jì)數(shù)系統(tǒng)部分自動(dòng)化。

2005年10月，梁治國，徐科，徐金梧等人提出了基于結(jié)構(gòu)光的棒材自動(dòng)計(jì)數(shù)技術(shù)方案。具體做法是，將線型激光垂直照射處于冷床上的棒材，通過面陣CCD攝像機(jī)采集激光圖像，并細(xì)化處理激光線條后，用BP神經(jīng)網(wǎng)絡(luò)計(jì)算并恢復(fù)棒材截面上部分輪廓的空間坐標(biāo)。另外，作者還提出了局部輪廓形心的概念，根據(jù)棒材的部分輪廓得到棒材形心的分布，通過聚類法確定棒材形心的數(shù)目，從而得到各種情況下棒材的數(shù)目。該方案首次將結(jié)構(gòu)光引入棒材計(jì)數(shù)系統(tǒng)，具有一定的精度。

2006年，章家?guī)r，金俊，姚有領(lǐng)提出了基于多傳感器技術(shù)的螺紋鋼在線自動(dòng)計(jì)數(shù)的方法，繼承了雙傳感器在線棒材計(jì)數(shù)的思想，在此基礎(chǔ)上，通過改變位移傳感器的安裝位置，計(jì)數(shù)系統(tǒng)得到進(jìn)一步發(fā)展。但是，對(duì)于棒材出現(xiàn)的某些特殊情況沒有考慮，故計(jì)數(shù)精度難免會(huì)降低。同年，郭國營，劉冀偉，柴愛紅等人發(fā)表了棒材定支數(shù)包裝與理論質(zhì)量計(jì)量論文。其中，作者以計(jì)數(shù)系統(tǒng)實(shí)用化為目標(biāo)，在圖像處理中引入了投影法和雙系統(tǒng)方案，雙系統(tǒng)分別實(shí)現(xiàn)計(jì)數(shù)和校核。在一定程度上提高了計(jì)數(shù)精度。李弟平，羅三定針對(duì)幫材計(jì)數(shù)實(shí)時(shí)性要求，結(jié)合應(yīng)用環(huán)境特點(diǎn)，提出了一種基于幾何特征的改進(jìn)模板匹配算法，并將該算法應(yīng)用于棒材計(jì)數(shù)系統(tǒng)，有效提高了棒材的識(shí)別準(zhǔn)確率，通過四方向弦過濾，減少匹配點(diǎn)數(shù)目，提高了匹配效率。并針對(duì)大直徑棒材提出了割點(diǎn)匹配的方法，匹配速度提高至原來的4倍，解決了大棒材實(shí)時(shí)計(jì)數(shù)的問題。

2006年4月，余曉流，馬欣藝，儲(chǔ)劉火等人提出一種新型棒材自動(dòng)計(jì)數(shù)與控制裝置。其基本原理是，先通過機(jī)械裝置依次把棒材整齊排列、分離，再利用計(jì)數(shù)裝置接受到光電傳感器的脈沖數(shù)計(jì)數(shù)捆。該裝置利用機(jī)電法完全實(shí)現(xiàn)了棒材的計(jì)數(shù)和定支打捆，但對(duì)于小直徑棒材須進(jìn)一步改進(jìn)。6月，在滿足生產(chǎn)條件的前提下，李弟平，羅三定通過分析各種圖像分割算法，提出了一種基于多因素的圖像分割算，以滿足實(shí)時(shí)性要求。理論與實(shí)踐證明，該算法能有效分割出目標(biāo)棒材，并能顯著提高目標(biāo)分割的效率。總之，對(duì)于在線棒材的計(jì)數(shù)問題，提出并應(yīng)用了機(jī)電和圖像兩種計(jì)數(shù)方案，有的甚至初步解決了在線計(jì)數(shù)統(tǒng)的計(jì)數(shù)和分離問題，為以后研究奠定了一定理論基礎(chǔ)和積累了實(shí)際經(jīng)驗(yàn)。

三、結(jié)束語

展望未來，利用數(shù)字圖像處理技術(shù)和模式識(shí)別技術(shù)，對(duì)棒材圖像、特別是棒材區(qū)域進(jìn)行準(zhǔn)確、高效的檢測(cè)識(shí)別是解決棒材計(jì)數(shù)的一種有效手段。為了去除由于背景帶給棒材圖像的干擾，要對(duì)類圓物體進(jìn)行分割，分割以后，圖像中并不是每一個(gè)獨(dú)立的區(qū)域就代表是一個(gè)類圓物體。雖然采用灰度加權(quán)閉值算法盡量避免其過分割的現(xiàn)象，但仍不能完全避免；另外，圖像邊緣存在的不完整的類圓物體，也應(yīng)盡量不把它們識(shí)別為類圓物體。因此采用基于類圓圓心、類圓邊緣及半徑等特征的識(shí)別原理和識(shí)別算法，把只有符合一定要求的獨(dú)立區(qū)域才識(shí)別為類圓物體。完成棒材的識(shí)別后，每識(shí)別出一個(gè)類圓心計(jì)數(shù)器加1，累加器反映棒材數(shù)目，最后累加器總數(shù)目即是棒材總數(shù)。

參考文獻(xiàn)：

1. Kajii S, Umehara S, Oouchi T. Automatic Separating Device for Bar Steel

Continuously Transported by Chain Conveyer [P]. 日本專利: JP57126315,

1982208206.

篇9

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目（61173122，61262032）；湖南省自然科學(xué)基金資助項(xiàng)目（12JJ6059， 12JJ2038）

作者簡(jiǎn)介：高煥芝（1976-），女，河北唐山人，中南大學(xué)博士研究生

通訊聯(lián)系人，Email：

摘要：針對(duì)當(dāng)前移動(dòng)設(shè)備身份認(rèn)證方法或易破解、或難實(shí)現(xiàn)、或成本高的問題，提出一種新的基于手機(jī)加速度傳感器的人體感知身份認(rèn)證方法.該方法利用當(dāng)前手機(jī)普遍內(nèi)置的加速度傳感器采集人體運(yùn)動(dòng)數(shù)據(jù)（通常為動(dòng)態(tài)手勢(shì)），結(jié)合經(jīng)典匹配算法LCS，提出限制匹配窗口的近似判等最長公共子序列算法，對(duì)采樣點(diǎn)序列限制區(qū)間匹配，針對(duì)浮點(diǎn)數(shù)據(jù)對(duì)采樣點(diǎn)距離近似判等，進(jìn)行數(shù)據(jù)匹配實(shí)現(xiàn)身份認(rèn)證，并基于云計(jì)算模型實(shí)現(xiàn)了手機(jī)身份認(rèn)證平臺(tái).較之已有的基于手勢(shì)身份認(rèn)證方法，有效降低了針對(duì)模仿動(dòng)作攻擊的接受錯(cuò)誤率，非攻擊認(rèn)證相等錯(cuò)誤率為2%，而模仿動(dòng)作攻擊的相等錯(cuò)誤率降低至5%.該系統(tǒng)具有易于在各類移動(dòng)設(shè)備系統(tǒng)部署，不需要額外的設(shè)備等優(yōu)勢(shì)，且基于生物特征原理，特別加強(qiáng)了抵抗模仿動(dòng)作攻擊的健壯性，不易被破解.

關(guān)鍵詞：加速度傳感器；身份認(rèn)證；近似判等最長公共子序列；云計(jì)算

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

Accelerometer Based Authentication Method in WLALCS

GAO Huanzhi1， GUO Yundi1，2， LIU Qing1，2， CHEN Zailiang1，2， ZOU Beiji1，2

（1.School of Information Science and Engineering， Central South Univ，Changsha，Hunan410083， China；

2. Mobile Health Ministry of EducationChina Mobile Joint Laboratory， Changsha，Hunan410083， China ）

Abstract：Aiming at problems in authentication methods of mobile devices， such as being easy to crack or difficult to implement or high costs， this paper presented a new mobile phone acceleration sensor authentication method on human perception. To use the current widespread acceleration sensor in mobile phones to capture human motion data （typically dynamic gesture）， we proposed an authentication algorithm named Window Limited Approximate Longest Common Sequence （WLALCS） based on the classical matching algorithm LCS. And we implemented an authentication system on cloud computing model. Compared with the existing gesture and accelerometer based authentication methods， this method effectively reduced the equal error rate on imitate action attack. Nonimitate attack authentication EER （Equal Error Rate） is 2%， and imitate attack authentication EER is 5%. This system is easy to deploy on any smart phone systems and does not need any additional sensors. Based on the biological characteristics， we reinforced the robustness towards mimicry attack.

Key words：accelerometer； authentication； Window Limited Approximate Lonest Common Sequence（WLALCS） ； cloud computing

傳統(tǒng)的身份認(rèn)證方法有用戶名密碼、PIN、文本形式和九宮格等，此類方法輸入口令的時(shí)候很容易被竊取，從而仿冒真實(shí)用戶身份，簡(jiǎn)單的口令容易被破解，復(fù)雜的口令造成用戶記憶上的不便.因此，需要一種新的更為有效的身份認(rèn)證方式，要求簡(jiǎn)單易用、安全可靠.生物特征認(rèn)證技術(shù)的興起對(duì)傳統(tǒng)身份認(rèn)證方法起到了很好的補(bǔ)充和完善作用.

基于生物特征[1]的身份認(rèn)證，由于其安全、可靠和便利等特點(diǎn)，越來越受到人們的重視，生物特征識(shí)別技術(shù)在過去的十幾年中取得了長足的進(jìn)展，生物特征認(rèn)證方法主要有人臉認(rèn)證[2]、指紋認(rèn)證[3]、虹膜認(rèn)證[4]和手寫簽名認(rèn)證[5]等.然而在手持設(shè)備身份認(rèn)證方面，以上認(rèn)證技術(shù)存在技術(shù)成本高、需要特定的硬件設(shè)施和易被仿冒等缺點(diǎn).

隨著2010年以來智能手機(jī)市場(chǎng)的爆發(fā)式增長，當(dāng)前的手機(jī)普遍帶有加速度傳感器（三軸加速度傳感器、陀螺儀等），同時(shí)結(jié)合手機(jī)本身能夠運(yùn)行軟件的特性，為低成本、高效率實(shí)現(xiàn)基于重力加速度傳感器的人體行為感知方法與身份認(rèn)證帶來了契機(jī).

近年來智能終端普遍裝備了越來越豐富的傳感器，出現(xiàn)了新的身份認(rèn)證方法.如利用三軸加速計(jì)進(jìn)行的步態(tài)身份認(rèn)證[6-8]，利用三軸加速計(jì)把簡(jiǎn)單運(yùn)動(dòng)軌跡與密碼對(duì)應(yīng)的身份認(rèn)證[9-10]等.

每個(gè)人對(duì)持有的物體進(jìn)行空間移動(dòng)（通常為手持物體在空間中劃動(dòng)筆畫，但不限于用手）時(shí)，其動(dòng)作角度、力度和速度等都具有自己的個(gè)體特征，通過智能手機(jī)內(nèi)置加速度傳感器則可獲取用戶移動(dòng)手機(jī)時(shí)的這些空間動(dòng)作信息.針對(duì)用戶對(duì)手機(jī)完成的空間移動(dòng)數(shù)據(jù)的個(gè)體特征進(jìn)行分析，可實(shí)現(xiàn)身份認(rèn)證.這種認(rèn)證方法的好處是在數(shù)據(jù)采集過程中不依賴場(chǎng)景、光照、用戶體征完整性（視力、聽力和語言等）以及額外的設(shè)備，實(shí)現(xiàn)成本低，方便易用，可用于需要身份認(rèn)證的場(chǎng)合，在即將進(jìn)入移動(dòng)互聯(lián)網(wǎng)的時(shí)代浪潮下，具有廣闊的應(yīng)用前景.

基于手勢(shì)的身份認(rèn)證方法，文獻(xiàn)[11]受到步態(tài)識(shí)別的啟發(fā)，從生物特征的角度進(jìn)行了可行性分析，通過加速度傳感器采集手勢(shì)數(shù)據(jù)，并通過監(jiān)督和非監(jiān)督降維進(jìn)行分類，通過數(shù)據(jù)分析，提出手勢(shì)運(yùn)動(dòng)可作為人體行為的生物特征，并可應(yīng)用于小群體的身份認(rèn)證的結(jié)論.文獻(xiàn)[12]結(jié)合文獻(xiàn)[13]中基于手勢(shì)識(shí)別的認(rèn)證方法在非模仿動(dòng)作攻擊場(chǎng)景下得到了良好的效果，對(duì)基于加速度傳感器采集手勢(shì)特征的身份認(rèn)證方法前景給出了積極的觀點(diǎn).文獻(xiàn)[13-15]描述了幾種基于手機(jī)三軸加速計(jì)進(jìn)行手勢(shì)身份認(rèn)證的方法，文獻(xiàn)[14]基于特定的手勢(shì)進(jìn)行認(rèn)證，不允許用戶自定義個(gè)性化的手勢(shì).文獻(xiàn)[15]中的方法需要較多的訓(xùn)練樣本才能達(dá)到較為理想的相等錯(cuò)誤率（Equal Error Rate，EER），文獻(xiàn)[13]中的工作更側(cè)重于人機(jī)交互的手勢(shì)識(shí)別精度，而認(rèn)證方面，在非攻擊認(rèn)證情況下取得了較好效果，但對(duì)于針對(duì)性模仿動(dòng)作攻擊，EER依然為10%，無法應(yīng)用于關(guān)鍵性信息的加密認(rèn)證.

移動(dòng)設(shè)備的身份認(rèn)證，要求具備易用性與實(shí)時(shí)性的特征，即要求僅需要較小的樣本，不受周邊環(huán)境影響，同時(shí)驗(yàn)證花費(fèi)時(shí)間短.需要大樣本訓(xùn)練的基于學(xué)習(xí)的方法（如HMM[16]等）、基于視覺（使用攝像頭）和語音等方法都會(huì)受到一定的限制.

本文基于動(dòng)態(tài)規(guī)劃原理、最長公共子序列（Longest Common Sequence， LCS）[17]算法，設(shè)計(jì)了一個(gè)限制匹配窗口的近似判等最長公共子序列（Window Limited Approximate Longest Common Sequence， WLALCS）算法，并以動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping， DTW）[18]作為輔助判斷條件，在Lumia1520和PC服務(wù)器上實(shí)現(xiàn)了基于云計(jì)算的手機(jī)身份認(rèn)證原型系統(tǒng).該系統(tǒng)整個(gè)認(rèn)證過程在50 ms左右，系統(tǒng)不受光照和噪聲等環(huán)境影響，通過20名20～30歲的實(shí)驗(yàn)者一周時(shí)間進(jìn)行手勢(shì)動(dòng)作攻擊實(shí)驗(yàn)結(jié)果，該系統(tǒng)有效將模仿動(dòng)作攻擊的認(rèn)證過程相等錯(cuò)誤率（EER）降低至5%，有效地改善了基于三軸加速計(jì)的手勢(shì)身份認(rèn)證方法在模仿動(dòng)作攻擊時(shí)的不健壯性.

1WLALCS認(rèn)證算法

本文針對(duì)利用加速度傳感器提取動(dòng)作特征進(jìn)行身份認(rèn)證問題，基于LCS設(shè)計(jì)了WLALCS算法，同時(shí)以DTW算法作為針對(duì)模板與驗(yàn)證數(shù)據(jù)序列累積距離輔助判斷條件.

1.1數(shù)據(jù)獲取及處理

利用Lumia搭載的WP8系統(tǒng)內(nèi)置三軸加速度傳感器獲取運(yùn)動(dòng)數(shù)據(jù)，結(jié)合軟件設(shè)置，用戶將按鈕按下為動(dòng)作起點(diǎn)，系統(tǒng)開始記錄用戶動(dòng)作的加速度數(shù)據(jù)；按鈕松開為手勢(shì)終點(diǎn)，系統(tǒng)停止記錄.

采樣頻率為60 Hz，獲取數(shù)據(jù)為時(shí)間序列的x，y和z三軸加速度g（g為重力加速度，取9.8 m/s2）的浮點(diǎn)數(shù)，并對(duì)數(shù)據(jù)平滑處理以消除沖擊噪聲.

1.2WLALCS算法思想

對(duì)于時(shí)間序列X，設(shè)X.length為X的采樣點(diǎn)個(gè)數(shù)，X[i]為時(shí)間順序第i個(gè)采樣點(diǎn).設(shè)待匹配序列T為模板序列，S為樣本序列.

1.2.1數(shù)據(jù)篩選

由于人完成特定動(dòng)作的時(shí)間有一定的不穩(wěn)定性，而人類的反應(yīng)時(shí)間一般在0.3 s，針對(duì)采樣頻率， 0.3×60 = 18，實(shí)驗(yàn)時(shí)取允許采樣點(diǎn)個(gè)數(shù)誤差為20，即對(duì)于長度與模板相差超過20的數(shù)據(jù)將直接拒絕.

1.2.2最長公共子序列（LCS）

最長公共子序列算法是基于動(dòng)態(tài)規(guī)劃的經(jīng)典線性序列匹配算法，子序列為線性序列順序連續(xù)或非連續(xù)子集，最長公共子序列指兩個(gè)或多個(gè)線性序列的最長非連續(xù)公共部分，可有效表示兩個(gè)線性序列的編輯距離和相似度[17].

算法描述如下[19]：

兩個(gè)序列T和S的最長公共子序列為LCS（T，S），LCSdp（i，j）表示由序列T的T[1]～T[i]組成的子序列與序列S的S[1]～S[j]組成的子序列的最長公共部分，即該動(dòng)態(tài)規(guī)劃算法的子問題，如式（1）所示，LCSdp（T.length，S.length）即為LCS（T，S）的結(jié)果.

LCST，S=LCSdpT.length，S.length.（1）

由規(guī)則EQUAL（T[i]，S[i]）判定T[i]與S[i]相等關(guān)系.當(dāng)EQUAL（T[i]，S[i]）分別為TRUE和FALSE時(shí)，LCSdp采取不同的遞推規(guī)則.EQUAL（T[i]，S[i]）為TRUE時(shí)，規(guī)則如式（2）所示，為FALSE時(shí)，規(guī)則為式（3）所示.

LCSdpi，j=maxLCSdpi-1，j-1+1

LCSdpi-1，j

LCSdpi，j-1， （2）

LCSdpi，j=maxLCSdpi-1，j

LCSdpi，j-1.（3）

1.2.3限制匹配窗口

由于人有一定的反應(yīng)時(shí)間，故模板和測(cè)試數(shù)據(jù)序列的動(dòng)作起點(diǎn)往往是沒有完全對(duì)齊的，在做LCS時(shí)枚舉匹配起點(diǎn)，并限制匹配窗口大小，取最長匹配結(jié)果為最終匹配結(jié)果，即Window limited.取T和S采樣點(diǎn)較少的一個(gè)的采樣點(diǎn)個(gè)數(shù)為匹配窗口大小，這里假設(shè)S.length < T.length，枚舉匹配起點(diǎn)start由1至T.length-S.length，設(shè)每個(gè)start對(duì)應(yīng)的T[start]～T[start+S.length-1]的采樣點(diǎn)組成的序列為P，則WLALCS（T，S）為：

WLALCST，S=max[LCS（P，S）]. （4）

1.2.4近似判等

對(duì)于式（2），由于獲取的數(shù)據(jù)序列為浮點(diǎn)數(shù)，對(duì)于相近的采樣點(diǎn)很難完全相等，故可規(guī)定兩點(diǎn)距離小于一定閾值時(shí)判定兩點(diǎn)相等，即近似判等.

設(shè)定ratio_errdis判等閾值，定義S[i]與T[i]的距離為三軸坐標(biāo)差的絕對(duì)值與T所有采樣點(diǎn)對(duì)應(yīng)坐標(biāo)最大值和最小值的差的比值的和，即

DistanceTi，Si=

∑x，y，zpTi.p-Si.pmaxT.p-minT.p.（5）

則當(dāng)Distance（T[i]，S[i]）

1.2.5序列相似度

定義序列相似度為WLALCS（T，S）的匹配長度與模版T的長度的比值.即序列相似度matched_proportion為：

matched_proportioin=WLALCST，ST.length. （6）

1.2.6算法復(fù)雜度

由于采樣點(diǎn)個(gè)數(shù)與模板相差20以上的樣本將被直接排除，故枚舉起點(diǎn)的復(fù)雜度可視為常數(shù)，WLALCS的時(shí)間和空間復(fù)雜度都為O（T.length?S.length）.

1.3動(dòng)態(tài)時(shí)間規(guī)整

動(dòng)態(tài)時(shí)間規(guī)整（DTW）是基于動(dòng)態(tài)規(guī)劃的對(duì)線性序列進(jìn)行模式匹配的經(jīng)典算法，文獻(xiàn)[13]在手勢(shì)識(shí)別方法上對(duì)該算法有了詳細(xì)的描述，本研究使用此方法作為輔助判斷方法，閾值參數(shù)會(huì)相對(duì)放寬.算法簡(jiǎn)單描述如下：

DTW（T，S）為序列T與S的DTW距離，DTWdp（i，j）表示由序列T的T[1]～T[i]組成的子序列與序列S的S[1]～S[j]組成的子序列的最優(yōu)DTW距離，DTWdp（T.length，S.length）即為DTW（T，S）的結(jié)果，如式（7）所示.最優(yōu)子問題遞推規(guī)則如式（8）所示.

DTWT，S=DTWdpT.length，S.length. （7）

DTWdpi，j=minDTWdpi-1，j-1

DTWdpi-1，j

DTWdpi，j-1+

DistanceTi，Sj. （8）

DTW的時(shí)間和空間復(fù)雜度都為O（T.length?S.length）.

2云計(jì)算認(rèn)證平臺(tái)

目前流行的移動(dòng)設(shè)備操作系統(tǒng)復(fù)雜多樣，主流的有Android， IOS， Windows Phone等，但即使相同的Android系統(tǒng)，也因?yàn)榘姹静煌oAPP開發(fā)者的軟件適配帶來很多麻煩.同時(shí)，現(xiàn)有設(shè)備的CPU浮點(diǎn)運(yùn)算能力與3～5年前的PC機(jī)相仿，雖然運(yùn)行論文所提算法沒有問題，但對(duì)于未來提高認(rèn)證精度而可能會(huì)采用的更為復(fù)雜的算法，移動(dòng)設(shè)備的硬件壓力將越來越大.目前移動(dòng)互聯(lián)網(wǎng)已進(jìn)入3G時(shí)代，而4G技術(shù)也正在興起.本文所采集的每組手勢(shì)數(shù)據(jù)僅為1～5 kB，足夠在普通應(yīng)用場(chǎng)所進(jìn)行快速數(shù)據(jù)交換.

云計(jì)算是一種新興的計(jì)算模型，對(duì)用戶透明，用戶無需了解云計(jì)算的具體機(jī)制即可獲得需要的服務(wù)[20].基于云計(jì)算認(rèn)證平臺(tái)的實(shí)現(xiàn)，使得客戶端的開發(fā)只需要考慮數(shù)據(jù)的采集和發(fā)送，整個(gè)認(rèn)證過程在云端進(jìn)行，極大地提高了開發(fā)效率和身份認(rèn)證算法的運(yùn)行效率，降低APP開發(fā)的適配壓力，解放了移動(dòng)設(shè)備CPU和存儲(chǔ)設(shè)備，對(duì)未來利用云端的手勢(shì)數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析也帶來了便利.

2.1總體設(shè)計(jì)

客戶端為移動(dòng)設(shè)備，服務(wù)端為計(jì)算機(jī)服務(wù)器.客戶端將采集的手勢(shì)數(shù)據(jù)發(fā)送至服務(wù)器，在服務(wù)器進(jìn)行匹配認(rèn)證，并將認(rèn)證數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)服務(wù)器，以供未來研究分析.并返回結(jié)果給客戶端.數(shù)據(jù)傳輸遵循TCP/IP協(xié)議，客戶端通過無線網(wǎng)發(fā)送數(shù)據(jù)，系統(tǒng)總體設(shè)計(jì)如圖2所示.系統(tǒng)自頂向下分為數(shù)據(jù)處理云端、數(shù)據(jù)交換接口、客戶端、用戶，系統(tǒng)結(jié)構(gòu)如圖3所示.

2.2實(shí)現(xiàn)

2.2.1數(shù)據(jù)處理云端

數(shù)據(jù)處理云端，實(shí)驗(yàn)采用普通酷睿雙核，4 GB內(nèi)存PC機(jī)，基于WPF開發(fā)的集數(shù)據(jù)接收發(fā)送、存儲(chǔ)、管理、匹配認(rèn)證、圖形化分析于一體的服務(wù)器軟件，能夠?qū)崟r(shí)偵聽用戶數(shù)據(jù)，存儲(chǔ)歷史認(rèn)證數(shù)據(jù)，對(duì)用戶認(rèn)證信息進(jìn)行快速反饋.

2.2.2數(shù)據(jù)交換接口

客戶端與服務(wù)器的數(shù)據(jù)交換使用TCP/IP協(xié)議，通過客戶端與服務(wù)器建立TCP鏈接.客戶端采集的手勢(shì)數(shù)據(jù)以文件流形式通過TCP鏈接發(fā)送至服務(wù)器，數(shù)據(jù)格式為：

1）指令行，標(biāo)定數(shù)據(jù)文件處理方式，以@開頭.

2）用戶信息，標(biāo)定發(fā)送數(shù)據(jù)的用戶.

3）手勢(shì)數(shù)據(jù).

2.2.3客戶端

客戶端通過調(diào)用傳感器的API獲取用戶手勢(shì)數(shù)據(jù)，在手勢(shì)結(jié)束后對(duì)數(shù)據(jù)打包進(jìn)行發(fā)送.

3實(shí)驗(yàn)結(jié)果與分析

本文針對(duì)認(rèn)證系統(tǒng)對(duì)模仿動(dòng)作攻擊的健壯性，設(shè)計(jì)不同組別的手勢(shì)，并令參與實(shí)驗(yàn)人員了解手勢(shì)的執(zhí)行方式和執(zhí)行時(shí)間，并且所有實(shí)驗(yàn)者完全在視覺暴露的環(huán)境下執(zhí)行手勢(shì)，互相作為模仿動(dòng)作攻擊對(duì)象.

3.1實(shí)驗(yàn)結(jié)果

通過對(duì)序列相似度認(rèn)證閾值threshold的研究，對(duì)于模仿動(dòng)作攻擊數(shù)據(jù)，受試者工作特征（receiver operating characteristic，ROC）曲線如圖4所示.

圖4中，F(xiàn)AR為認(rèn)假率（False Accept Rate），F(xiàn)RR為拒真率（False Reject Rate），對(duì)于模仿動(dòng)作攻擊認(rèn)證，EER達(dá)到5%，優(yōu)于文獻(xiàn)[7]和[8]中的10%.對(duì)于非模仿動(dòng)作攻擊認(rèn)證，所提方法的EER也達(dá)到了2%，優(yōu)于文獻(xiàn)[7]和[8]中的3%.認(rèn)證效果對(duì)比如表1所示.

3.2實(shí)驗(yàn)分析

由圖4可知，隨著threshold值的增加，用戶的認(rèn)證難度加大，同時(shí)對(duì)模仿動(dòng)作攻擊的防御能力也隨之增強(qiáng).而在模仿動(dòng)作攻擊成功率降低至較低水平時(shí)，用戶認(rèn)證的成功率依然比較可觀.

不同的人做手勢(shì)的時(shí)候，由于個(gè)人習(xí)慣、肌肉強(qiáng)度和骨骼結(jié)構(gòu)不同等方面的影響，動(dòng)作不同階段特別是變換速度與方向的時(shí)候會(huì)有較大的差別，大多數(shù)情況下完成一個(gè)動(dòng)作的時(shí)間乃至一個(gè)動(dòng)作的不同階段的時(shí)間會(huì)有不同，僅從采樣點(diǎn)累積距離角度出發(fā)，不能很好地反映這方面的差異.論文所提算法采用了限制窗口的近似最長公共子序列方法，有效地反映了模板與測(cè)試數(shù)據(jù)之間局部運(yùn)動(dòng)速度特點(diǎn)的差異和整體動(dòng)作的采樣點(diǎn)匹配比例，在模仿動(dòng)作欺騙攻擊的防御上起到了更好的效果.

4總結(jié)

針對(duì)基于手機(jī)加速度傳感器進(jìn)行身份認(rèn)證方法中，對(duì)于模擬動(dòng)作攻擊的健壯性不強(qiáng)的問題，進(jìn)行了算法研究，提出WLALCS算法在保持正常認(rèn)證環(huán)境下的認(rèn)證精度的前提下，有效提高了模擬動(dòng)作攻擊的抵抗力.

通過模擬動(dòng)作攻擊實(shí)驗(yàn)，建立了近2 000個(gè)手勢(shì)的模仿動(dòng)作攻擊手勢(shì)數(shù)據(jù)庫，通過實(shí)驗(yàn)，所提算法WLALCS的EER達(dá)到了2%，模仿動(dòng)作攻擊EER達(dá)到了5%，對(duì)于模仿攻擊具有了更好的防御性，提高了認(rèn)證系統(tǒng)的安全性.

研究基于NOKIA Lumia1520，個(gè)人計(jì)算機(jī)實(shí)現(xiàn)了云計(jì)算模型認(rèn)證系統(tǒng).WLALCS算法結(jié)合基于云計(jì)算模型的認(rèn)證系統(tǒng)，有效減輕了不同系統(tǒng)移動(dòng)終端開發(fā)的適配壓力，解放了移動(dòng)終端的CPU和存儲(chǔ)壓力，認(rèn)證算法的運(yùn)行效率不再受限于移動(dòng)終端CPU配置的高低，為未來實(shí)現(xiàn)更為復(fù)雜精細(xì)的認(rèn)證系統(tǒng)提供了條件.認(rèn)證歷史數(shù)據(jù)存儲(chǔ)在云端，也使針對(duì)動(dòng)作特征的大數(shù)據(jù)分析成為可能.

參考文獻(xiàn)

[1]PANKANTI S， BOLLE R，JAIN A.Biometrics： the future of identification[J]. Computer， 2000， 33（2）： 46-49.

[2]WALLACE R，MCLAREN M，MCCOOL C，et al. Crosspollination of normalization techniques from speaker to face authentication using gaussian mixture models[J]. Information Forensics and Security， IEEE Transactions on， 2012， 7（2）： 553-562.

[3]NANNI L， BRAHNAM S， LUMINI A. Biohashing applied to orientationbased minutia descriptor for secure fingerprint authentication system[J]. Electronics letters， 2011， 47（15）： 851-853.

[4]BANERJEE S， MUKHOPADHYAY S， RONDONI L. Multiimage encryption based on synchronization of chaotic lasers and iris authentication[J]. Optics and Lasers in Engineering， 2012， 50（7）： 950-957.

[5]SCHEIDAT T， KMMEL K， VIELHAUER C. Short term template aging effects on biometric dynamic handwriting authentication performance[C]//Communications and Multimedia Security. Berlin：Springer Berlin Heidelberg， 2012： 107-116.

[6]GAFUROV D， HELKALA K， SNDROL T. Biometric gait authen tication using accelerometer sensor[J]. Journal of computers， 2006， 1（7）： 51-59.

[7]TAMVIRUZZAMAN M， AHAMED S I， HASAN C S，et al. ePet： when cellular phone learns to recognize its owner[C]//Proceedings of the 2nd ACM Workshop on Assurable and Usable Security Configuration. ACM， 2009： 13-18.

[8]DERAWI M，NICKEL C，BOURS P，et al.Unobtrusive userauthentication on mobile phones using biometric gait recognition[C]//Intelligent Information Hiding and Multimedia Signal Processing （IIHMSP）， 2010 Sixth International Conference on. Piscataway， N J： IEEE， 2010： 306-311.

[9]PATEL S N，PIERCE J，ABOWD G.A gesturebased authentication scheme for untrusted public terminals[C]//Proceedings of the 17th Annual ACMS Ymposium on User Interface Software and Technology. New York： ACM Press ，2004：157-160.

[10]CHONG M，MARSDEN G.Exploring the use of discrete gestures for authentication[M]. Berlin： Springer Berlin Heidelberg， 2009： 205-213.

[11]FARELLA E，O’MODHRAIN S，BENINI L， et al. Gesture signature for ambient intelligence applications： a feasibility study[M]. Berlin： Springer Berlin Heidelberg， 2006： 288-304.

[12]LIU J， ZHONG L， WICKRAMASURIYA J， et al. User evaluation of lightweight user authentication with a single triaxis accelerometer[C]//Proceedings of the 11th International Conference on HumanComputer Interaction with Mobile Devices and Services. NewYork： ACM， 2009： 15.

[13]LIU J， ZHONG L， WICKRAMASURIYA J， et al. uWave： accelerometerbased personalized gesture recognition and its applications[J]. Pervasive and Mobile Computing， 2009， 5（6）： 657-675.

[14]OKUMURA F， KUBOTA A， HATORI Y， et al. A study on biometric authentication based on arm sweep action with acceleration sensor[C]//Intelligent Signal Processing and Communications.ISPACS'06，International Symposium on. Piscataway， N J： IEEE， 2006： 219-222.

[15]MATSUO K， OKUMURA F， HASHIMOTO M， et al. Arm swing identification method with template update for long term stability[M]. Berlin： Springer Berlin Heidelberg， 2007： 211-221.

[16]RABINER L， JUANG B. An introduction to hidden Markov models[J]. ASSP Magazine， IEEE， 1986， 3（1）： 4-16.

[17]HUNT J，SZYMANSKI T.A fast algorithm for computing longest common subsequences[J]. Communications of the ACM， 1977， 20（5）： 350-353.

[18]MYERS C，HABINER L.A Comparative study of several dynamic timewarping algorithms for connected word[J]. Bell System Technical Journal， 1981，60（7）：1389-1409.

篇10

摘 要：現(xiàn)在成像設(shè)備視角不能直接拍攝超寬照片，集裝箱智能大門系統(tǒng)對(duì)通過車輛定位后采集多張圖片進(jìn)行識(shí)別和檢驗(yàn)處理。文章提出基于視頻流的集裝箱智能大門的全景圖像采集方法，主要對(duì)車輛定位與全景圖像采集、圖像拼接方法進(jìn)行研究并設(shè)計(jì)，旨在為智能大門系統(tǒng)集裝箱箱號(hào)識(shí)別、箱體殘損檢驗(yàn)提供全景照片，以進(jìn)一步優(yōu)化智能大門系統(tǒng)。

關(guān)鍵詞：智能大門；集裝箱；全景圖；視頻流

中圖分類號(hào)：F253.9 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： Container intelligent gate system through which can identify multiple pictures was taken from the vehicle positioning and inspection process. In this paper， based on streaming video intelligent container door panoramic image acquisition method， mainly of vehicle positioning and container panoramic image acquisition and image fusion methods are studied and the program design. The purpose is for container intelligent gate system identification， the photos of the damaged inspection provide full container appearance， to further optimize the intelligent gate system.

Key words： smart door； container； panorama； the video stream

0 引 言

集裝箱智能大門[1]作為集裝箱中心站與運(yùn)輸車輛交接的門戶，其通行的效率以及數(shù)據(jù)的安全準(zhǔn)確是至關(guān)重要的。隨著技術(shù)發(fā)展，新技術(shù)應(yīng)用于在集裝箱智能大門系統(tǒng)中。系統(tǒng)需對(duì)通過車輛定位后采集多張圖片進(jìn)行識(shí)別和檢驗(yàn)處理，現(xiàn)在成像設(shè)備視角不能直接拍攝超寬照片。根據(jù)上述情況，本文提出全景圖像技術(shù)應(yīng)用在智能大門系統(tǒng)。主要解決由窄視角成像設(shè)備獲?。ň哂兄丿B區(qū)域的）多幅圖片通過拼接生成超寬視場(chǎng)圖像或全景圖像[2-3]。集裝箱全景圖片為智能大門進(jìn)行后續(xù)處理提供基礎(chǔ)圖片，是一種對(duì)集裝箱智能大門功能、性能及安全可靠性能提升的一種方法。

目前，圖像拼接算法主要分為基于頻域的相位相關(guān)分析方法以及基于時(shí)域的特征匹配算法。相位相關(guān)分析法最早由Kuglin[4]等人提出，該方法通過傅里葉變換快速獲得兩幅圖像的平移量，之后Reddy[5]等人實(shí)現(xiàn)將相位相關(guān)方法擴(kuò)展到對(duì)于存在旋轉(zhuǎn)、縮放的圖像配準(zhǔn)領(lǐng)域，鄭志彬[6]等人提出對(duì)于存在平移、旋轉(zhuǎn)、縮放三者作用的圖像進(jìn)行配準(zhǔn)拼接。上述方法對(duì)于3種變化效果較好，對(duì)復(fù)雜的智能大門系統(tǒng)速度和效果也會(huì)下降。還有學(xué)者：張?jiān)品錥7]設(shè)計(jì)了基于DSP的實(shí)時(shí)圖像拼接技術(shù)，設(shè)計(jì)了一套基于DSP經(jīng)緯儀實(shí)時(shí)拼接系統(tǒng)實(shí)現(xiàn)圖像實(shí)時(shí)拼接，該方法圖像快速拼接中以相位相關(guān)特點(diǎn)，不適合速度不定的集卡集裝箱圖像采集。宋戈[8]將多個(gè)固定攝像頭或單個(gè)移動(dòng)攝像頭的內(nèi)容進(jìn)行拼接獲得更加高分辨率的圖像，該方法會(huì)大幅圖提高系統(tǒng)成本。

集裝箱卡車所載箱型和進(jìn)入車道速度不能確定，所以每幀圖像相差也是不能確定。為了降低設(shè)備運(yùn)行成本，又能得到集裝箱全景圖像。本文對(duì)系統(tǒng)結(jié)構(gòu)、車輛定位與圖像采集進(jìn)行設(shè)計(jì)，然后重點(diǎn)對(duì)視頻序列全景圖像快速獲取方法介紹。本文首先，介紹視頻序列中以紋理特性相似特性選取關(guān)鍵幀。然后，采用SURF[9]（Speeded Up Robust Features）進(jìn)行提取柱面投影[10]的匹配特征，并采用基于K-D樹的最近鄰搜索BBF算法得到特征點(diǎn)之間的匹配關(guān)系。采用基于RANSAC方法，以Sampson距離劃分局內(nèi)點(diǎn)和局外點(diǎn)來提高算法的魯棒性。最后，采用加權(quán)平均法對(duì)關(guān)鍵幀進(jìn)行融合。

1 全景圖像采集方法概述

集裝箱卡車在進(jìn)入車道口時(shí)，集裝箱圖像采集開始工作，通過5個(gè)相機(jī)分別抓拍集裝箱的左、頂、右、前、后箱的視頻流和圖像。在這個(gè)過程中，攝像機(jī)是靜止的，而集卡是運(yùn)動(dòng)的，運(yùn)用幀之間紋理特征相鄰兩幀間的差異選取關(guān)鍵幀，然后進(jìn)行圖像拼接。這樣，當(dāng)集裝箱卡車駛離視頻區(qū)域時(shí)，就可以得到最后的集裝箱卡車完整圖片。視頻流全景圖像拼接中幀到幀拼接圖像方式是采用增量更新的方法，全景圖像生成過程中不會(huì)造成運(yùn)動(dòng)目標(biāo)的突然消失。首先選取關(guān)鍵幀I■x，y，然后計(jì)算當(dāng)前關(guān)鍵幀與之前接圖像g的變換關(guān)系。最后拼接到之前的拼接的圖像I■x，y結(jié)果如圖1所示。

集裝箱全景圖像采集系統(tǒng)主要由網(wǎng)絡(luò)攝像機(jī)、千兆交換機(jī)、NVR、紅外對(duì)射開關(guān)、泛光燈、PLC、服務(wù)器組成。圖像采集服務(wù)器根據(jù)PLC信號(hào)對(duì)視頻進(jìn)行提取。網(wǎng)絡(luò)攝像機(jī)作為視頻監(jiān)控系統(tǒng)部分，完成視頻的采集、壓縮和簡(jiǎn)單處理功能。網(wǎng)絡(luò)攝像機(jī)通過交換機(jī)將數(shù)字化的圖像數(shù)據(jù)送到硬盤錄像機(jī)。經(jīng)裁剪、比例壓縮及數(shù)據(jù)格式轉(zhuǎn)換后，數(shù)據(jù)傳輸于工控機(jī)。系統(tǒng)設(shè)備安裝關(guān)系如圖2所示。

2 車輛定位與圖像采集

2.1 車輛定位與圖像采集

當(dāng)一輛載有集裝箱的卡車通過通道的大門時(shí)，因?yàn)榧t外觸發(fā)器的高度小于集裝箱上沿的最低高度，所以在卡車前行的過程中會(huì)發(fā)生遮擋和連通的兩種狀態(tài)，拍攝就是利用這兩種狀態(tài)的變化進(jìn)行圖像和視頻流的采集。集裝箱的長箱、雙箱、短箱也是根據(jù)紅外對(duì)射開關(guān)觸況區(qū)分。本節(jié)設(shè)計(jì)中只要A■、A■、A■、A■中間一個(gè)發(fā)生通斷即判斷為雙箱，這大大提高箱型區(qū)分準(zhǔn)確率。集裝箱圖像采集過程如流程圖3所示。

當(dāng)卡車上裝載的集裝箱為雙箱時(shí)，在車行進(jìn)中A■觸發(fā)器由接通變?yōu)檎趽酰珹■觸發(fā)器變化接通遮擋接通遮擋。同時(shí)后面的A■、A■觸發(fā)器都被遮擋，則L■觸發(fā)拍照，L■、L■、L■同時(shí)被觸發(fā)錄像。即前面相機(jī)觸發(fā)拍照，左、上、下3個(gè)相機(jī)觸發(fā)開始錄像。行進(jìn)過程A■、A■觸發(fā)器接通，則L■觸發(fā)拍照，L■、L■、L■同時(shí)被觸發(fā)結(jié)束錄像。同時(shí)根據(jù)A■、A■、A■、A■的觸況判斷為雙箱。雙箱相機(jī)控制時(shí)機(jī)如圖4所示。

當(dāng)卡車上裝載的集裝箱為長箱時(shí)，在車行進(jìn)中A■觸發(fā)器由接通變?yōu)檎趽酰珹■觸發(fā)器變化接通遮擋。同時(shí)后面的A■、A■觸發(fā)器都被遮擋，則L■觸發(fā)拍照，L■、L■、L■同時(shí)被觸發(fā)錄像。即前面相機(jī)觸發(fā)拍照，左、上、下3個(gè)相機(jī)觸發(fā)開始錄像。行進(jìn)過程中行進(jìn)過程A■、A■觸發(fā)器接通，則L■觸發(fā)拍照，L■、L■、L■同時(shí)被觸發(fā)結(jié)束錄像。同時(shí)根據(jù)A■、A■、A■、A■的觸況判斷為長箱。長箱相機(jī)控制圖如雙箱。

當(dāng)卡車上裝載的集裝箱為單箱時(shí)，在車行進(jìn)中A■觸發(fā)器由接通變?yōu)檎趽?，A■觸發(fā)器變化接通遮擋接通。同時(shí)后面的A■、A■觸發(fā)器都被遮擋，則L■觸發(fā)拍照，

L■、L■、L■同時(shí)被觸發(fā)錄像。即前面相機(jī)觸發(fā)拍照，左、上、下3個(gè)相機(jī)觸發(fā)開始錄像。行進(jìn)過程中行進(jìn)過程

A■、A■觸發(fā)器接通，則L■觸發(fā)拍照，L■、L■、L■同時(shí)被觸發(fā)結(jié)束錄像。同時(shí)根據(jù)A■、A■、A■、A■的觸況判斷為單箱。單箱相機(jī)控制時(shí)機(jī)如圖5所示。

2.2 PLC與上位軟件控制相機(jī)方法

每個(gè)車道的千兆路由器與網(wǎng)絡(luò)攝像機(jī)相連：定義拍攝前方的攝像機(jī)為L■，拍攝后方的攝像機(jī)為L■，拍攝左方的攝像機(jī)為L■，拍攝上方的攝像機(jī)為L■，拍攝右方的攝像機(jī)為L■。對(duì)于何時(shí)拍照的判斷過程是由PLC系統(tǒng)完成。上位軟件通過與PLC的協(xié)議進(jìn)行控制相機(jī)進(jìn)行拍照。

定義相機(jī)的拍照相機(jī)命令為1，相對(duì)相機(jī)不需要拍照的命令為0；相機(jī)錄像開始為11，相機(jī)結(jié)束錄像為00。以相機(jī)L■、

L■、L■、L■、L■的命令邏輯狀態(tài)組成4位二進(jìn)制數(shù)據(jù)。通過PLC將相機(jī)拍照命令發(fā)送給全景照片采集服務(wù)器。4對(duì)紅外對(duì)射開關(guān)，代號(hào)分別為：A■、A■、A■、A■。對(duì)射開關(guān)動(dòng)作為0或1：當(dāng)條件為1時(shí)觸發(fā)器接通，反之0時(shí)觸發(fā)器被遮擋。其觸發(fā)狀態(tài)標(biāo)志是邏輯0，接通標(biāo)志狀態(tài)是邏輯1；PLC通過紅外觸發(fā)器的邏輯狀態(tài)來進(jìn)行集裝箱車類型及位置判斷。表1為標(biāo)準(zhǔn)車3種情況下，箱號(hào)識(shí)別PLC與上位軟件控制相機(jī)通信協(xié)議。

3 全景圖像拼接

3.1 視頻序列關(guān)鍵幀的選取

集裝箱卡車通過智能大門時(shí)候，攝像機(jī)采集到的視頻序列的幀之間有重合部分?？紤]視頻序列紋理特性相似特性選取關(guān)鍵幀[11]。目前描述紋理特征的算法很多，本文考慮使用二階矩、熵和局部平穩(wěn)性等3個(gè)特征，由此它們構(gòu)造的紋理特征向量V為：

V=f■，f■，f■ （1）

其中：

f■=∑■■∑■■P■i，j■ （2）

f■為二階矩陣特征；

f■=∑■■∑■■P■i，jlogP■i，j （3）

f■為熵特征；

f■=∑■■∑■■■P■i，j （4）

f■為局部平穩(wěn)特征。

假設(shè)當(dāng)前關(guān)鍵幀為i，下一個(gè)需要比較的幀編號(hào)為j，兩個(gè)幀之間的相似度如式（5）所示：

di，j=V■-V■≥T （5）

其中：i，ji≠j為視頻序列號(hào)；T是相似度量的閾值，鄰圖像的位姿信息的精確度只需滿足重合區(qū)域大于30%，而通常的采集頻率可保證的重合區(qū)域?yàn)?0%。可以看出，兩幀相鄰越近，其相似度越大，差值di，j越小，而隨著幀之間的距離增加，相似度減小、差值逐漸增大。當(dāng)di，j≥T，選取j幀為關(guān)鍵幀；否則，i繼續(xù)為當(dāng)前關(guān)鍵幀，與下一采集到幀繼續(xù)計(jì)算相似度，用于選取下一關(guān)鍵幀。

為了提高圖片質(zhì)量，第一幀、最后一幀均為關(guān)鍵幀。也就是紅外對(duì)射開關(guān)觸發(fā)開始，采集視頻中第一幀；結(jié)束觸發(fā)時(shí)不管di，j≥T是否成立，均選取最后關(guān)鍵幀。

3.2 關(guān)鍵幀的特征選取和配準(zhǔn)

系統(tǒng)中相機(jī)是固定的，在相鄰幀之間會(huì)有相對(duì)較小的幾何變換，主要空間變換有剛性、仿射、透視4種模型。根據(jù)齊次坐標(biāo)，用式（6）描述上述關(guān)系模型。

■=H■×■=■×■ （6）

其中：x，y，1■和x■，y■，1■分別為相鄰兩關(guān)鍵幀視圖的齊次坐標(biāo)。圖像配準(zhǔn)最終目的就是求出這8個(gè)參數(shù)值。

本文圖像采集是集裝箱卡車通過車道，紅外對(duì)射開關(guān)給出起止信號(hào)，從中選取關(guān)鍵幀。由于車輛基本平穩(wěn)通過車道，車輛行進(jìn)中，圖像采集范圍基本不變，兩個(gè)相鄰關(guān)鍵幀間也會(huì)出現(xiàn)透視變換。透視變換矩陣H如式（7）所示：

H■=■ （7）

其中8個(gè)參數(shù)h■、h■、h■、h■、h■、h■、h■、h■都是未知。所以需要至少4對(duì)SURF特征匹配點(diǎn)，設(shè)為x■，y■， x■，y■， x■，y■， x■，y■和x■■，y■■， x■■，y■■， x■■，y■■， x■■，y■■，具體估算方法如式（8）所示：

■×■=■ （8）

當(dāng)確定相鄰關(guān)鍵幀之間的幾何關(guān)系后，本文在兩個(gè)關(guān)鍵幀中選擇前一個(gè)作為基準(zhǔn)圖像，然后將其他非基準(zhǔn)圖像根據(jù)變換模型轉(zhuǎn)換到基準(zhǔn)圖像的坐標(biāo)系中。

圖像的匹配中，相比SIFT算法，SURF的特征點(diǎn)對(duì)光照、尺度、旋轉(zhuǎn)具有不變性，在保證獨(dú)特性、重復(fù)度、魯棒性的同時(shí)，計(jì)算速度上有明顯優(yōu)勢(shì)。因此方法適合需要快速運(yùn)算的智能大門系統(tǒng)，本論文提取柱面投影后的關(guān)鍵幀的SURF特征點(diǎn)。然后，使用隨機(jī)抽樣一致算法尋找RANSAC兩幅圖像間的最佳的匹配點(diǎn)，并剔除誤匹配點(diǎn)。