基于改进支持向量机的高维隐写盲检测方法

摘要：

针对高维大样本空间中支持向量机( SVM)存在计算复杂度高、分类精度低等问题，在随机子空间方法与主成分分析方法的基础上，提出一种特征加权支持向量机的高维隐写盲检测方法。通过随机子空间对原始高维样本的特征空间进行随机采样，产生多个低维的特征子集，在特征子集中采用主成分分析法进行特征提取，并利用卡方统计计算特征权重，运用特征加权核函数训练各基SVM分类器，并用多数投票法融合各基分类器结果得到最终分类结果。对HUGO隐写算法的实验结果表明，该方法能有效降低SVM计算复杂度，与传统方法相比，具有较高的隐写检测率和更快的分类速度。

关键词：隐写检测、随机子空间方法、主成分分析、支持向量机、高维特征

分类号：TP309(计算技术、计算机技术)

在线出版日期：2015-07-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：121-125