公开(公告)号：CN105335762B

公开(公告)日：2018-11-23

申请号：CN201510891078.1

申请日：2015-12-07

Applicant: 南京信息工程大学

Inventor： 傅德胜 ,  经正俊

IPC: G06K9/62

Abstract: 一种基于Legendre矩不变量和PSO‑LSSVM分类器的密级标识识别方法，所采取的识别方法为：将基于Legendre矩不变量和PSO‑LSSVM的理论运用于电子取证中的密级标识的识别中，首先通过对密级标识进行图像预处理后，计算图像的低阶Legendre矩不变量组成特征向量，然后利用PSO‑LSSVM分类器对密级标识图片进行分类识别。该方案有益效果在于一方面利用低阶Legendre矩不变量能够对图像的特征进行很好地刻画，且量在常见的攻击下包括几何攻击具有很好的稳定性，另一方面运用PSO‑LSSVM分类器使得分类器能够提高密级标识识别精度与速度。

公开(公告)号：CN105512682B

公开(公告)日：2018-11-23

申请号：CN201510890894.0

申请日：2015-12-07

Applicant: 南京信息工程大学

Inventor： 傅德胜 ,  经正俊

IPC: G06K9/62

Abstract: 一种基于Krawtchouk矩和KNN‑SMO分类器的密级标识识别方法，所采取的识别方法为：将基于Krawtchouk矩和KNN‑SMO的理论运用于电子取证中的密级标识的识别中，该方法首先通过对密级标识进行图像预处理后，通过计算图像的低阶Krawtchouk矩组成特征向量，然后利用KNN‑SMO分类器对密级标识图片进行分类识别。一方面利用低阶Krawtchouk矩能够对图像的特征进行很好地刻画，且量在常见的攻击下具有很好的稳定性，另一方面运用KNN‑SMO组合分类器使得分类器既具有KNN快速分类的能力也拥有SMO在克服小样本问题上的优势，从而提高了密级标识识别精度与速度。

公开(公告)号：CN105303199A

公开(公告)日：2016-02-03

申请号：CN201510896005.1

申请日：2015-12-08

Applicant: 南京信息工程大学

Inventor： 傅德胜 ,  经正俊

IPC: G06K9/62

CPC classification number: G06K9/6223 ,  G06K9/6256 ,  G06K9/627

Abstract: 一种基于内容特征和K-means的数据碎片类型识别方法，所采取的识别方法为：通过提取数据碎片的PCA-LDA特征，以此作为特征向量，利用K-means分类器对数据碎片类型进行分类识别。一方面利用PCA-LDA能够对数据碎片的特征进行很好的刻画，有利于提高识别的准确度；另一方面利用K-means分类器进行分类识别能够提高识别效率，从而提高了数据碎片的识别的精度和速度。

公开(公告)号：CN105335762A

公开(公告)日：2016-02-17

申请号：CN201510891078.1

申请日：2015-12-07

Applicant: 南京信息工程大学

Inventor： 傅德胜 ,  经正俊

IPC: G06K9/62

CPC classification number: G06K9/6269

Abstract: 一种基于Legendre矩不变量和PSO-LSSVM分类器的密级标识识别方法，所采取的识别方法为：将基于Legendre矩不变量和PSO-LSSVM的理论运用于电子取证中的密级标识的识别中，首先通过对密级标识进行图像预处理后，计算图像的低阶Legendre矩不变量组成特征向量，然后利用PSO-LSSVM分类器对密级标识图片进行分类识别。该方案有益效果在于一方面利用低阶Legendre矩不变量能够对图像的特征进行很好地刻画，且量在常见的攻击下包括几何攻击具有很好的稳定性，另一方面运用PSO-LSSVM分类器使得分类器能够提高密级标识识别精度与速度。

公开(公告)号：CN105512682A

公开(公告)日：2016-04-20

申请号：CN201510890894.0

申请日：2015-12-07

Applicant: 南京信息工程大学

Inventor： 傅德胜 ,  经正俊

IPC: G06K9/62

Abstract: 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法，所采取的识别方法为：将基于Krawtchouk矩和KNN-SMO的理论运用于电子取证中的密级标识的识别中，该方法首先通过对密级标识进行图像预处理后，通过计算图像的低阶Krawtchouk矩组成特征向量，然后利用KNN-SMO分类器对密级标识图片进行分类识别。一方面利用低阶Krawtchouk矩能够对图像的特征进行很好地刻画，且量在常见的攻击下具有很好的稳定性，另一方面运用KNN-SMO组合分类器使得分类器既具有KNN快速分类的能力也拥有SMO在克服小样本问题上的优势，从而提高了密级标识识别精度与速度。