[发明专利]一种基于Legendre矩不变量和PSO-LSSVM分类器的密级标识识别方法

说明书

一种基于Legendre矩不变量和PSO‑LSSVM分类器的密级标识识别方法，所采取的识别方法为：将基于Legendre矩不变量和PSO‑LSSVM的理论运用于电子取证中的密级标识的识别中，首先通过对密级标识进行图像预处理后，计算图像的低阶Legendre矩不变量组成特征向量，然后利用PSO‑LSSVM分类器对密级标识图片进行分类识别。该方案有益效果在于一方面利用低阶Legendre矩不变量能够对图像的特征进行很好地刻画，且量在常见的攻击下包括几何攻击具有很好的稳定性，另一方面运用PSO‑LSSVM分类器使得分类器能够提高密级标识识别精度与速度。

技术领域

本发明属于电子取证领域，具体涉及一种基于Legendre矩不变量和PSO-LSSVM分类器的密级标志识别方法。

背景技术

在现有的文字识别技术中，常见的方法有模板匹配法(李新良.基于模板匹配法的字符识别算法研究[J].计算技术与自动化,2012,31(2):90-93.)、字符特征统计法(ShahJ,Gokani V.A Simple and Effective OpticalCharacter Recognition System forDigits Recognition using thePixel-Contour Features and MathematicalParameters[J].International Journal of Computer Science&InformationTechnologies,2014,5(5):6827-6830.)

和神经网络法(张凯歌.基于K-means和神经网络算法的图像文字提取与识别[D].云南大学,2013.)等。模版匹配法基本思想是将待识别图像与模板图像进行直接或间接(对待识别图像进行一定的处理)相关运算得到相关值，根据相关值的大小去判定是否为模板字符。该方法相对简单，对于背景单一或者无污染的图片识别准确率较高，但随着背景图像的噪声增加，识别效果会急剧下降。基于字符特征的方法就是通过统计字符的特征，如轮廓特征、笔画特征、骨架特征和复杂指数特征等等，然后根据这些特征的相似度进行判别。该方法对于较为复杂的文字以及污染较轻的图片有较好的识别效果，但是对于污染较重的图片识别效果较差。神经网络法是通过利用神经网络对大量文字图像样本进行训练，通过神经网络不断的学习和收缩达到识别的目的。但是由于神经网络的结构设计严重依赖先验知识和经验，无法准确控制其是否收敛以及收敛速度。

以上文字识别方法，可以对密级标识完成较好的识别，但是一旦密级标识遭受常见攻击如几何攻击(旋转、缩放和平移等)、滤波攻击(均值滤波、高斯滤波等)、直方图均衡化攻击等利用上述方法无法准确的识别出密级标识。因此研究针对常见攻击具有稳定性的识别方法具有重要的意义。

发明内容

发明目的：电子取证中，在完成对涉密文件的检索后，需要对涉密文件的密级标识进行进一步的识别，将检查的结果以记录的形成日志，作为取证的证据。针对通常文字识别算法对遭受攻击后的密级标识无法进行有效的识别，提出了基于Legendre矩不变量和PSO-LSSVM分类器的文字识别算法，通过计算低阶Legendre矩不变量作为特征，利用PSO-LSSVM分类器进行分类识别，由于低阶Legendre矩不变量在常见的攻击下具有很好的稳定性，因此不管带识别图像是否遭受攻击，本技术方案均能够对密级标识信息进行很好地识别。

本方法中涉及的主要技术有：

[1]Legendre矩不变量：Teague中根据连续正交矩的理论提出了Legendre矩的概念，p+q阶的Legendre矩定义如下：

其中P_p(x)为p阶Legendre正交多项式，且其中系数c_p,k为

根据Legendre矩的正交性可得