10.3969/j.issn.1000-3428.2015.06.022
基于改进支持向量机的高维隐写盲检测方法
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。
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
TP309(计算技术、计算机技术)
2015-07-02(万方平台首次上网日期,不代表论文的发表时间)
共5页
121-125