专利交易市场

本发明公开基于深度学习的交通图像安全带分类方法，具体按照以下步骤实施：步骤1、构造数据集，并对数据集进行格式转换，随机分为训练集和测试集；步骤2、搭建具有SE模块的深层稠密残差网络并设计网络各层参数；步骤3、设置训练时需要的损失函数、网络优化算法及所有超参数，损失函数为加入正则化的交叉熵损失函数；步骤4、根据步骤3设置的损失函数、网络优化算法对步骤2构建的具有SE模块的深层稠密残差网络进行训练，得到网络模型；步骤5、对步骤1中的测试集通过步骤4中得到的网络模型权重进行预测，判断汽车驾驶员是否佩戴安全带。该方法能够增加安全带检测的准确度，减少虚警率和漏检率，以获取更高的安全带分类精度。

本发明公开了一种基于大数据的数字图像安全处理系统，涉及图像安全处理领域；本发明是通过采集分析单元获取动态解码信息从近端解锁车辆，且通过采集骑行人员的动态立体图像并对其进行立体轮廓化生成立体轮廓图，并通过立体轮廓图逐步优化预设框图集合内的预设立体图实现深度学习，且通过深度学习使系统中的预设立体图与骑行人员形态匹配生成人形动作框图，并通过大量的人形动作框图进行特征筛选反向匹配构建远程解码集合，通过生成的远程解码集合，当骑行人员靠近到车辆时则进行自动解锁车辆，且提醒骑行人员车辆的位置，提醒的方法通常为语音提醒或闪烁灯提醒。

本发明公开了一种基于ACO‑OFDM可见光通信的图像安全传输方法，其特征在于：在ACO‑OFDM系统的上层与物理层联合加密。该具体过程为：在ACO‑OFDM系统的上层基于菲涅耳衍射双随机相位加密技术对原始图像进行加密，并编码转换成计算全息图；然后，由原始图像的SHA‑256值与外部密钥混合确定两个二维超混沌系统的初始值，产生四个混沌序列，应用其中两个序列对传输的二进制比特流的奇数位与偶数位进行比特异或，应用另外两个序列对QAM符号流的实部和虚部进行混沌置乱，实现物理层的加密。本发明采用ACO‑OFDM系统的上层和物理层联合加密，进一步增强了图像传输的安全性。此外，上层将原始图像加密转换成二元实值计算全息图，提高了ACO‑OFDM系统的抗噪声性能。本发明适用于可见光收发设备间图像数据的安全传输。

本发明涉及人脸识别技术领域，公开基于PRO‑FaceS的人脸图像安全加密与认证方法，包括步骤：终端设备计算原始人脸图像的感知Hash函数值，生成密钥，基于PRO‑FaceS人脸加密模型和密钥对原始人脸图像加密，生成保护人脸图像；终端设备将感知Hash函数值和保护人脸图像存储至服务器；用户将需要认证的人脸图像上传至终端设备，终端设备计算感知Hash函数值并传入服务器，服务器根据感知Hash函数值定位相应的保护人脸图像，将保护人脸图像返回给终端设备；终端设备使用密钥对保护人脸图像进行图像恢复处理，计算恢复人脸图像和原始人脸图像的欧氏距离，得出认证结果。本发明结合安全性、可逆性的方法保护面部隐私。