随着多媒体信息技术和互联网+技术的迅猛发展，图像、视频等可视媒体呈现出海量、高维、异构和内容不可控等新特征，使得对可视媒体进行有效的内容分析变得异常困难，进而给可视媒体的数据真实性和信息内容认证带来极大的挑战，给多媒体技术的推广应用，尤其是在社会公共安全方面的应用带来不利影响，迫切需要设计新的处理框架、建立新的理论体系。本项目从基础理论和实际应用两个层次对可视媒体的内容分析和可信服务进行了系统研究。其中，可视媒体的内容分析主要涉及高维数据的低维嵌入表示、可视媒体视觉质量分析及增强，可视媒体的可信服务主要涉及数据的真实来源鉴别和身份内容认证等。具体研究成果概述如下：

1.高维数据的低维嵌入表示：建立了高维可视媒体数据的多层次、自适应表示框架，提出了1.高维数据的低维嵌入表示：建立了高维可视媒体数据的多层次、自适应表示框架，提出了监督高斯过程隐变量分析模型，解决了数据降维方法在高维小样本学习问题上的固有缺陷，充分保持了高维数据的拓扑结构和内在信息；提出了基于Hessian特征映射的支撑向量机模型，改善了传统基于Laplacian特征映射模型的解偏向于一个常数方程的缺陷。

2.可视媒体的视觉质量分析及增强：针对可视媒体视觉质量的分析问题，构建了一种基于自然场景统计特性与多核机器学习的通用性质量评价方法，克服了目前图像质量评价主客观一致性差的问题；同时，对于低质的可视媒体，建立了基于最大后验概率的超分辨重建和视觉质量增强框架，充分利用全局冗余性和局部相似性，有效改善了超分辨重建的病态性。

3.可视媒体的真实来源鉴别：率先构建了基于局部特征区域的图像真实来源鉴别框架，设计了局部特征区域的最优选择模型，提出了基于局部Tchebichef矩的鲁棒水印框架；构建了基于广义统计量直方图的无损数据嵌入框架和非参数化可逆无损数据嵌入框架，有效改善了传统方法视觉质量差、鲁棒性弱、容量低等问题，为可视媒体可靠性和可信度鉴别提供了理论依据。

4.异构数据的身份内容认证：针对异构媒体的重建与识别，建立了直推式的异质人脸合成与身份认证框架，设计了成对异构图像的概率图生成模型，改善了传统归纳式框架固有的大测试误差问题，提高了身份鉴别的可信程度；构建了基于平滑正则约束的增量学习身份鉴别框架，有效解决了协方差矩阵求逆时遇到的小样本问题，大大降低了计算复杂度。

本项目成果包括学术论文近80篇，其中，在IEEE相关汇刊上如神经网络与学习系统（TNNLS）、图像处理（TIP）、视频技术电路系统（TCSVT）等发表论文8篇，在PatternRecognition、SignalProcessing和Neurocomputing等国际知名刊物上发表学术论文30篇；SCI检索50余篇，EI检索80篇；8篇代表作被Google学术搜索引用近300次，SCI他引近110次。在申请、获得知识产权方面，获得国家发明专利10余项。在人才培养方面，培养博士研究生10人，培养硕士研究生50人。