-
公开(公告)号：CN113259613B
公开(公告)日：2022-12-06
申请号：CN202010105678.1
申请日：2020-02-20
Applicant: 广东博华超高清创新中心有限公司
IPC: H04N5/765 , H04N21/4363 , H04N21/2389 , H04N21/4385 , H04N21/426 , H04N21/478 , H04N21/4402
Abstract: 本发明提供一种在互通互联方面的改进的HDMI传输使用的数据压缩方法，具体是：源设备对EDID内容进行解析，了解显示设备的整体能力。特别是通过对SCDS数据结构的解析，了解显示设备在DSC上面的能力，包括FRL最大速率，有多少DSC片处理单元(比如8个)；在SCDS的第8字节第4位，是DSC_422_Option，如果是1，说明显示设备在特定条件下(比如8K120)可以支持4∶2∶2 DSC，因此需要的DSC资源比4∶4∶4 DSC少；如果是0，说明显示设备在这种特定条件下不支持4∶2∶2 DSC。允许HDMI2.1设备有条件支持最多8个DSC片单元，以保障8K120 422视频流的正常工作，同时不对其它场景造成影响，保证向后兼容，解决HDMI收发端VESA DSC能力不匹配问题。
-
公开(公告)号：CN113573078B
公开(公告)日：2022-11-08
申请号：CN202110907617.1
申请日：2021-08-09
Applicant: 广东博华超高清创新中心有限公司 , 中央广播电视总台
IPC: H04N19/625 , H04N19/176 , H04N19/124 , H04N19/129 , H04N19/42 , G06T9/00
Abstract: 一种基于卷积神经网络增强AVS帧内解码的方法，包括以下步骤：S1.算法模型设计；S2.算法模型训练；以及S3.DCT信号合并。本发明方法在视频解码阶段，对视频图像进行增强；使用基于深度卷积神经网络的增强算法，针对AVS编解码标准中解码阶段的DCT变换，进行高频信号预测，最终实现增强图像细节的功能，从而解决旧有方法，因解码变换和滤波导致数据结构损坏、数据信息衰减的问题，解决了视频画面细节不平滑的问题。
-
公开(公告)号：CN114501078A
公开(公告)日：2022-05-13
申请号：CN202210107247.8
申请日：2022-01-28
Applicant: 广东博华超高清创新中心有限公司
IPC: H04N21/262 , H04N21/258 , H04N21/472 , H04N21/414 , H04L67/02 , H04L67/025
Abstract: 一种基于web应用的节目编排实现方法，包括步骤：S1.用户注册，完善用户信息，一个用户产生一个唯一的用户Id；S2.登录系统，添加需要管理的编解码盒子；S3.添加多媒体文件，将需要编排播放的媒体文件上传至文件资源服务器；S4.编排节目单：使用日历组件对节目进行编排；S5.节目单下发：选择节目单，选择一台或多台显示设备，确定下发节目单；S6.编解码盒子接收节目单，定时播放节目或者直播信号，并定时上传播放信息；以及S7.用户在节目单下发管理栏可查询各设备播放节目单内容，并且可以实时查看播放内容、设备状态信息。该方法使用户可以轻松管理多种多套显示设备，便捷高效的实现节目编排，远程下发节目单，节目定时播放。
-
公开(公告)号：CN114220174A
公开(公告)日：2022-03-22
申请号：CN202111550970.5
申请日：2021-12-17
Applicant: 深圳龙岗智能视听研究院 , 广东博华超高清创新中心有限公司
Abstract: 一种基于多注意力模块的用于密集人群运动追踪的方法，包括以下步骤：S1.选取基本模型：选取通过特征模板和高斯混合模型完成特征提取任务的密集人群追踪框架为基本模型；S2.搭建多注意力模块，在基本模型的特征提取部分(即，特征模板)中搭建多注意力模块，以优化特征模板所提取的特征，从而产生高质量的注意力特征；S3.采用多注意力模块改进基本模型。本发明的基于多注意力模块的用于密集人群运动追踪的方法可以获得目标个体的精确位置，提高了检测目标个体位置的准确率。
-
公开(公告)号：CN114205595A
公开(公告)日：2022-03-18
申请号：CN202111562813.6
申请日：2021-12-20
Applicant: 广东博华超高清创新中心有限公司
IPC: H04N19/176 , H04N19/174 , H04N19/124 , H04N19/91 , H04N7/18
Abstract: 一种基于AVS3编解码的低延时传输方法，包括：S1.前端摄像机采集画面得到原始数据，使用SDI传输至编码器；S2.通过编码器将前端摄像机采集到的原始数据进行分块编码、传输；S3.解码器收到来自步骤S2中的宏块包装组的数据，解析其中的宏块包装组头数据，并根据其中的编号重组图像；以及S4.解码器解码后通过SDI输出视频数据，可接入支持SDI的显示设备查看画面是否正常、是否出现马赛克、掉帧的现象。本发明方法可以有效地节省视频流传输的宽带，提高传输效率，并降低编码传输的延时，解决了原来方法高延时的问题。
-
Patent Agency Ranking
公开(公告)号：CN114202564A
公开(公告)日：2022-03-18
申请号：CN202111543971.7
申请日：2021-12-16
Applicant: 深圳龙岗智能视听研究院 , 广东博华超高清创新中心有限公司
Abstract: 基于事件相机的高速目标的追踪方法及系统，利用事件相机数据采集模块对高速运动的目标进行图像采集；利用事件数据重建模块将一定数量的事件像素的组合，并将这些组合按照其位置信息进行排列，如果由位置重复的，则用像素极性大的替换像素极性小的，最终组合形成新的事件图像；利用孪生网络模型，用于对目标进行图像特征提取。本发明方法和系统可以对不易处理的事件数据进行重建处理；以及利用目标追踪技术对事件相机捕捉的高速目标进行有效追踪。
-
公开(公告)号：CN114187613A
公开(公告)日：2022-03-15
申请号：CN202111514708.5
申请日：2021-12-13
Applicant: 深圳龙岗智能视听研究院 , 广东博华超高清创新中心有限公司
Abstract: 一种基于多分支深度神经网络的人群计数方法，包括以下步骤：S1.标记人群图像，将人群图像生成对应的密度图，训练人群计数模型；S2.将待识别的图像根据分辨率的不同随机裁剪出9个240*240大小的子图像；S3.对训练用人群图像的子图像进行图像增强变换，得到增强后的子图像；S4.将步骤S3得到的增强后的子图像送入多分支深度卷积网络(MCNN)，识别不同大小的人头图像；以及S5.将S4得到的结果进行堆叠，再经过一个1×1的卷积层处理得到对应的密度图映射，对密度图进行积分即可得到估计人数。能有效应对人群密度过高、遮挡严重等情况，同时，本发明根据人群规模调整密度图生成方式，可以有效避免人群过于稀疏情况下人群计数产生误差。
-
公开(公告)号：CN114071156A
公开(公告)日：2022-02-18
申请号：CN202111352163.2
申请日：2021-11-16
Applicant: 广东博华超高清创新中心有限公司
IPC: H04N19/51 , H04N19/513 , H04N19/42 , H04N19/176
Abstract: 一种基于AVS运动估计编码的DVS数据生成方法，S1.读取视频；S2.获取运动估计：获取相同参考帧的相邻预测帧的运动估计，计算两个相邻预测帧的残差；以及S3.生成DVS数据：利用AVS和DVS运动估计的相似性，根据相邻预测帧的残差，生成DVS数据。本发明方法可以在计算量较低的情况下有效生成DVS模拟数据，以此解决在使用视频生成DVS模拟数据时因光流算法运动估计导致生成DVS数据计算量大的问题，并快速生成DVS数据。
-
公开(公告)号：CN113709497A
公开(公告)日：2021-11-26
申请号：CN202111061207.6
申请日：2021-09-10
Applicant: 广东博华超高清创新中心有限公司
IPC: H04N19/46 , H04N21/2368
Abstract: 一种基于第三代音视频标准(AVS3)编码框架下的嵌入人工智能特征信息的方法，包括以下步骤：S1.通过摄像头获取一张未经任何编码的原始图像；S2.使用人工智能算法引擎对原始图像进行特征提取，同时也对原始图像进行AVS3编码并输出编码后AVS3码流；S3.AVS3图像编码后，在AVS3编码框架内的扩展数据区新建一种人工智能编码扩展数据结构，并把特征和相关数据信息填充到人工智能编码扩展数据结构当中；以及S4.把特征和相关数据信息填充到人工智能编码扩展数据结构当中后，输出带特征的AVS3码流。本发明方法解决了AVS3编码框架内无人工智能特征携带的问题，进一步完善了AVS3编码标准，同时也能够在市场应用中为云端和边端提供了一种效率均衡机制。
-
公开(公告)号：CN113705445A
公开(公告)日：2021-11-26
申请号：CN202110996126.9
申请日：2021-08-27
Applicant: 深圳龙岗智能视听研究院 , 广东博华超高清创新中心有限公司
Abstract: 一种基于事件相机的人体姿态识别的方法，包括预处理阶段和部署应用阶段，其中，预处理阶段包括步骤：L1.数据模拟；L2.人体检测深度卷积网络训练；L3.姿态检测深度卷积网络训练；L4.再训练；L5.测试部署，以及部署应用阶段包括步骤：S1.开始；S2.事件相机的转换数据；S3.检测人体；S4.提取关键点；S5.连接关键点；S6.输出结果。本发明主要利用人工智能的方法对事件相机采集到的数据进行识别，解决了目前事件相机训练数据不足、事件相机数据转换处理、模型的训练和部署的这几个问题，形成一套有效的针对事件相机的数据进行人体姿态识别的方法。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.054 seconds)
