射频指纹是设备硬件的固有特征, 与发射信号本身无关, 因此常用于通信抗欺骗中。本文基于射频指纹的原理, 采用神经网络对接收机所获得的原始信号样本进行处理, 包括 I/Q序列、幅度/相位、星座图的二值图和星座图的颜色密度图 4种信号表现形式, 达到抗欺骗效果。在信干噪比为-30~30 dB的情况下, 信号的识别准确率最高可达 99.93%。相较于现有文献, 本文所提的基于深度学习的方法可适应不同信干噪比的通信场景, 在欺骗信号与合法信号同时存在的复杂通信环境下实现抗欺骗。

目标计数作为一项基础的技术,在许多领域都有广泛的应用,如人群计数、细胞计数、车辆计数等。随着互联网时代的信息爆炸,视频数据呈指数级增长,如何快速、准确地获得目标的数量是用户普遍关心的主要问题之一。得益于计算机视觉技术的快速发展,基于传统机器学习的计数方法正逐步向基于深度学习的方法转变,并在计数的准确性上取得了实质性的进展。介绍了目标计数的研究背景和应用领域,根据模型任务分类,归纳了三类常用的计数模型框架,并从不同的角度分别介绍了近10年来基于计算机视觉技术的模型方法。然后介绍了在人群计数、细胞计数和车辆计数领域中常用的几种公开数据集,并横向比较了各个模型之间的性能。最后总结了现阶段的目标计数模型还存在的不足,并对未来的研究方向进行了展望。

在人群计数统计时存在相机透视、人群重叠、人群遮挡等众多干扰因素,使人群计数的准确性不高。针对这一问题,提出一种多尺度融合的深度人群计数算法。首先,利用VGG-16网络的部分结构提取出人群底层特征信息;其次,以膨胀卷积理论为基础,构建多尺度特征提取模块,实现多尺度上下文特征信息的提取,降低模型参数量;最后通过将底层细节特征信息和高层语义特征信息融合的方式,提升模型计数性能和密度图质量。在三个公开数据集上对不同算法进行测试。实验结果表明,与其他人群计数算法相比,所提算法的平均绝对误差和方均误差均有不同程度的降低,说明所提算法具有较好的准确性、鲁棒性及良好的泛化性。

针对现有人群密度估计方法在实际应用中容易受到环境干扰、适应性不强等限制, 提出一种基于多信息卷积神经网络的人群密度估计方法。首先, 根据样本数据的特点生成数据密度图标注与数据增强; 然后, 为适应不同真实场景的巨大差异, 提取图像的色调、色饱和度、灰度(HSG)信息作为训练数据的输入, 并利用共享卷积层、结合两个子网络不同卷积深度的特征构建网络模型; 最后, 对网络输出的密度图进行积分, 得到相应的人数。与主流方法对比, 在Shanghaitech数据集上进行的相关实验证明了所提方法的良好性能。