-
公开(公告)号：CN119272791A
公开(公告)日：2025-01-07
申请号：CN202410695251.X
申请日：2024-05-31
Applicant: 宁波大学
Abstract: 本发明公开了一种基于路径规划和像素翻转的鲁棒二维码隐写方法，包括秘密信息嵌入和秘密信息提取两大步骤，其中秘密信息嵌入包括原始二维码图像生成、二进制秘密生成、含密二维码图像及密钥生成三个步骤，秘密信息提取包括二维码图像重建、二进制秘密提取、秘密校验解密三个步骤。本发明基于路径规划和像素翻转的鲁棒二维码隐写方法，利用了二维码容错率高的特点。通过模拟电脑鼠在“二维码迷宫”中寻道的路径规划算法和对二维码像素进行翻转的方法，具有鲁棒性强、安全性高、不易察觉的优点，能够利用二维码图像有效传递秘密信息。
-
公开(公告)号：CN111564163B
公开(公告)日：2023-12-15
申请号：CN202010382185.2
申请日：2020-05-08
Applicant: 宁波大学
Abstract: 本发明公开了一种基于RNN的多种伪造操作语音检测方法，包括如下步骤：1)获取原始语音样本，对所述原始语音样本进行M种伪造处理，得到M个伪造操作后的语音和1个未经处理的原始语音，对上述语音进行特征提取，得到训练语音样本的LFCC矩阵，送入RNN分类器网络中进行训练，得到一个多分类的训练模型；2)得到一段测试语音，对该测试语音进行特征提取，得到测试语音数据的LFCC矩阵，送入由步骤1)训练好的RNN分类器中进行分类，每一个测试语音得到一个输出概率，合并所有输出概率作为最后的预测结果：如果预测结果是原始语音，则测试语音被识别为原始语音；如果预测结果是经过某一伪造操作的语音，则测试语音被识别为进行相应伪造操作的伪造语音。(56)对比文件乌婷婷 等.针对多种伪造操作的数字语音取证算法《.无线通信技术》.2019,(第3期),第37-45页.陈柱欣.基于深度神经网络的声纹欺骗检测研究《.中国优秀硕士学位论文全文数据库-信息科技辑》.2020,(第1期),第I136-340页.
-
公开(公告)号：CN111477247B
公开(公告)日：2023-08-11
申请号：CN202010249328.2
申请日：2020-04-01
Applicant: 宁波大学
IPC: G10L25/24 , G10L25/30 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于GAN的语音对抗样本生成方法，其特征在于：所述方法包括，对原始语音数据样本x进行预处理；将预处理后的原始语音数据样本x输入生成器G，得到对抗扰动G(x)，使用公式(1)构建对抗样本，公式(1)为xadv＝x+G(x)；将对抗样本xadv输入到判别器D以及经过梅尔倒谱系数MFCC特征提取器后输入到目标网络f中；计算目标网络的损失lf、判别器的对抗损失lGAN、铰链损失lhinge、均方差损失l2以及判别器的损失lD，由此得到生成器G训练时的损失函数l；将S4获得的损失函数l通过梯度反传更新生成器和判别器的参数，并通过公式(10)得到最佳生成器，公式(10)为将原始样本x加载到由S5得到的最佳生成器中，构建得到相应的对抗样本。本发明能有效生成最小扰动，且能确保语音质量。
-
公开(公告)号：CN111462765B
公开(公告)日：2023-08-01
申请号：CN202010255058.6
申请日：2020-04-02
Applicant: 宁波大学
IPC: G10L19/018
Abstract: 本发明涉及一种基于一维卷积核的自适应音频复杂度表征方法，包括，S1，输入载体x，密信m；S2，根据x、m确定大小为1×n、移动步长为1的一维卷积核k，设定权重参数w，其中w＞0；S3，重构音频A’，并求取音频残差D；S4，划定帧长，求取帧内特征参数值δ；S5，求取帧的复杂度C；S6，对采样值进行不同复杂度下、不同二进制位的失真代价ρ统计；S7，输出帧的复杂度C或失真代价ρ。该方法具有计算简便，参数自适应的优点。
-
公开(公告)号：CN115225309B
公开(公告)日：2023-06-13
申请号：CN202210544265.2
申请日：2022-05-19
Applicant: 宁波大学
IPC: H04L9/40 , H04L9/32 , G10L21/013 , G10L19/24
Abstract: 本发明公开了一种基于变速变调的语音对抗样本防御方法，其对采集的语音样本进行变速变调操作；然后将采集的语音样本和变速变调操作后得到的语音音频分别输入到自动语音识别系统中，自动语音识别系统输出两者的识别结果；接着计算两者的识别结果的字符改变率；再通过比较字符改变率与阈值的大小来判定语音样本为语音正常样本还是为语音对抗样本；优点是其针对语音识别系统的语音对抗样本进行防御，提高语音识别系统的安全性与鲁棒性，在保证语音正常样本识别准确率的条件下，提高了语音对抗样本的防御效率，降低了语音对抗样本的攻击成功率。
-
Patent Agency Ranking
公开(公告)号：CN111785274A
公开(公告)日：2020-10-16
申请号：CN202010600719.4
申请日：2020-06-28
Applicant: 宁波大学
Abstract: 本发明涉及一种针对语音识别系统的黑盒对抗样本攻击方法，其特征在于：包括，S1，种群初始化；S2，计算种群中个体的适应度值；S3，判断个体的适应度值是否满足设定条件，若是，则获得对抗样本，若否，则执行S4；S4，对种群中的个体进行选择操作获取精英个体；S5，对种群中获取精英个体后的剩余个体进行交叉操作；S6，对剩余个体执行变异操作；S7，将执行变异操作后的剩余个体与精英个体构成下一代并返回执行S1。该方法在无法获得目标语音识别网络的条件下，仅利用目标语音识别网络提供的语音到文本的翻译功能，便能够成功地生成目标语音识别系统的对抗样本，实用性强。
-
公开(公告)号：CN111754377A
公开(公告)日：2020-10-09
申请号：CN201910233053.0
申请日：2019-03-26
Applicant: 宁波大学
IPC: G06T1/00
Abstract: 本发明涉及一种数字隐写用的无失真子校验矩阵集合生成方法，采用该无失真子校验集合生成方法所生成的2×2规格的无失真子校验矩阵具有最少的元素，其占用成本低的传输空间；2×2规格的无失真子校验矩阵内部有且仅有四个元素，所对应的变化空间小，便于枚举得到适合任一个原始载体信息的2×2规格的最佳无失真子校验矩阵；由于将2×2小规格的无失真子校验矩阵运用到秘密信息的嵌入过程，确保了将秘密信息嵌入到载体信息内的嵌入速度；在得到无失真子校验矩阵的过程中，设置了除数值“0”、“1”以外的三种变量“X”、“Y”和“Z”，以保证针对各种嵌入情形列表所对应生成无失真子校验矩阵的唯一性。
-
公开(公告)号：CN110803406A
公开(公告)日：2020-02-18
申请号：CN201910993388.2
申请日：2019-10-18
Applicant: 宁波大学
Abstract: 本发明公开了一种基于深度学习的智能分类垃圾箱，包括垃圾箱主体结构和智能分类控制器，垃圾箱主体结构包括箱体，箱体内设置有垃圾收纳室以及多个垃圾仓，收纳室底部为活动底板，当活动底板打开时，收纳室与位于其下的垃圾仓连通，初始状态，一个垃圾仓位于收纳室的正下方，活动底板处于关闭状态，智能分类控制器包括识别模块、控制模块、无线通信模块、供电模块、用于安装在智能终端通信设备中的APP模块、垃圾分类选择模块和驱动模块，供电模块与控制模块连接，控制模块分别与识别模块、垃圾分类选择模块、驱动模块和无线通信模块连接，无线通信模块与APP模块连接；优点是可以实现垃圾自动分类，垃圾分类准确度高，且成本较低。
-
公开(公告)号：CN106531159B
公开(公告)日：2019-06-18
申请号：CN201611129639.5
申请日：2016-12-09
Applicant: 宁波大学
IPC: G10L15/06 , G10L15/08 , G10L19/012 , G10L19/02 , G10L21/0208 , G10L25/51
Abstract: 本发明公开了一种基于设备本底噪声频谱特征的手机来源识别方法，其对每个手机对应的语音子库中的每个语音样本进行近静音段估计提取，对每个近静音段进行后处理并拼接整合成最终近静音段；然后根据每个手机对应的所有最终近静音段获取对应的测试语音子库；接着获取所有手机对应的通用背景噪声模型；之后获取每个手机的每个最终本底噪声及其频谱分布特征；再通过构建总训练集和总测试集，并分别得到训练特征空间和测试特征空间；最后对训练特征空间和测试特征空间先后进行降维和归一化，再对归一化后的训练特征空间进行模型训练，利用训练好的多分类模型对总测试集中的每个近静音段进行分类判别；优点是识别准确率高、稳定性好，且计算复杂度低。
-
公开(公告)号：CN109785848A
公开(公告)日：2019-05-21
申请号：CN201910079177.8
申请日：2019-01-28
Applicant: 宁波大学
IPC: G10L19/00 , G10L19/008 , G10L15/08
Abstract: 本发明公开了一种基于比例因子系数差值的AAC双压缩音频检测方法，其获取AAC单压缩音频和AAC双压缩音频；然后获取AAC单压缩音频的第一特征向量和第二特征向量，及AAC双压缩音频的第一特征向量和第二特征向量；再融合AAC单压缩音频的第一特征向量和第二特征向量得到AAC单压缩音频的特征向量，融合AAC双压缩音频的第一特征向量和第二特征向量得到AAC双压缩音频的特征向量；利用特征向量进行LIBSVM分类器训练；利用LIBSVM分类器模型对待检测的AAC音频的特征向量进行测试；优点是其能实现低码率转高码率的AAC双压缩音频及同码率的AAC双压缩音频的有效检测，且检测准确率高、计算复杂度较低、鲁棒性较强。
-
-
-
-
-
-
-
-
-
Search Results
127
records
(took 0.036 seconds)
