-
公开(公告)号：CN110288031B
公开(公告)日：2021-07-27
申请号：CN201910569635.6
申请日：2019-06-27
Applicant: 浙江工业大学
Abstract: 一种基于序列学习的车牌识别方法，属于智能交通技术领域。它通过一个用于字符检测识别的深度神经网络，将车牌图像换为由候选字符构成的序列，然后输入训练得到的序列转换模型，得到新的字符索引序列，最后按索引重组原候选字符，得到车牌识别结果。本发明通过采用上述技术得到的基于序列学习的车牌识别方法，使机器自主学习车牌字符的取舍与排列组合规则，减轻了人工设计启发式规则的压力，借助大量的数据样本学习经验，序列模型能在多制式车牌的识别问题上更加灵活。相比于传统的序列处理方法，诸如隐马尔科夫，本发明能在更长时的依赖中找到序列元素的联系，取得更好的序列转换结果。
-
公开(公告)号：CN112836488A
公开(公告)日：2021-05-25
申请号：CN202110096324.X
申请日：2021-01-25
Applicant: 浙江工业大学
IPC: G06F40/216 , G06F40/30
Abstract: 一种基于TWE‑NMF模型的Web服务描述文档语义挖掘方法，包括以下步骤：第一步：根据上下文信息和服务标签信息计算单词的语义权重信息从而得到文档‑单词语义权重信息矩阵D；第二步：统计单词共现信息，从而计算出SPPMI矩阵信息；第三步：基于第一步，第二步得到Mashup服务文档单词的词频信息矩阵D，单词的上下文SPPMI矩阵M，通过分解M可以得到词嵌入信息矩阵，进一步将上述两种信息进行结合，计算服务的主题信息。本发明在模型上能和NMF模型有机的统一，并且通过分解SPPMI矩阵引入的词嵌入信息能缓解Mashup服务特征信息稀疏的问题，从而有效地对Mashup服务进行建模。
-
公开(公告)号：CN110059085B
公开(公告)日：2021-02-26
申请号：CN201910201420.9
申请日：2019-03-18
Applicant: 浙江工业大学
Abstract: 一种面向Web 2.0的JSON数据解析与建模方法，包括以下步骤：第一步：定义元数据树MDT,包括根节点TRoot、索引节点INode、数据节点DNode，同时用深度level来表示节点在树结构中的层数，根节点默认为第一层，即level＝1；第二步：读取调用的REST API所返回的JSON数据，将JSON数据集ds作为建模算法的输入，对ds进行树形结构建模；第三步：通过剪枝的方法，保留基本的数据结构信息，剪除相同的重复数据结构，缩小模型的体量，但仍然保留基础的数据结构，降低JSON数据结构所带来的查询开销。本发明有利于加快对数据进行检索定位、增强判断从属关系的准确性、提高数据利用率及易用性。
-
公开(公告)号：CN111126144A
公开(公告)日：2020-05-08
申请号：CN201911143276.4
申请日：2019-11-20
Applicant: 浙江工业大学
Abstract: 本发明涉及一种基于机器学习的车辆轨迹异常检测方法，尤其涉及在车辆通过十字路口时的轨迹运用机器学习进行轨迹异常检测的方法。本发明方法通过输入车辆运行轨迹数据集，并使用机器学习的方法训练得到异常检测模型，并以此为依据进行车辆轨迹异常检测，判断待测车辆轨迹是否可靠，通过对车辆轨迹点的规范化处理，同时结合机器学习的中多元逻辑回归的方法完成异常判断模型θ的训练；它实现了根据异常判断模型θ判断轨迹是否异常，不仅准确率达到要求，同时运用矩阵点积和简易的多元逻辑回归算法，它实现了轨迹异常判断耗时非常少，效率高，非常适用于获取车辆轨迹后实行车辆轨迹异常检测步骤，对车辆目标检测具有重大意义。
-
公开(公告)号：CN111027447A
公开(公告)日：2020-04-17
申请号：CN201911228925.0
申请日：2019-12-04
Applicant: 浙江工业大学
Abstract: 本发明公布了一种基于深度学习的道路溢出实时检测方法，它包括有以下步骤：1)相机预置位设置以及相机标定；2)卷积神经网络模型初始化；3)获取实时视频流；4)检查相机工作状态；5)使用卷积神经网络模型对兴趣区域进行车辆目标检测；6)进行基于IoU匹配的车辆多目标跟踪；7)道路溢出分析；8)道路溢出事件上报并设置睡眠状态。本发明提出一种道路溢出实时检测方法，用深度卷积神经网络CNN进行车辆目标检测，并结合基于IoU匹配的跟踪算法进行车辆多目标跟踪，可以准确而快速地进行道路溢出检测。
-
Patent Agency Ranking
公开(公告)号：CN110929676A
公开(公告)日：2020-03-27
申请号：CN201911228884.5
申请日：2019-12-04
Applicant: 浙江工业大学
Abstract: 本发明公布了一种基于深度学习的违章掉头实时检测方法，包括有以下步骤：1)相机预置位设置以及相机标定；2)卷积神经网络模型初始化；3)获取实时视频流；4)检查相机工作状态；5)使用卷积神经网络模型进行车辆目标检测；6)进行车辆目标跟踪；7)车辆跟踪目标状态转换；8)违章掉头分析；9)违章掉头上报。本发明提出一种基于深度学习的违章掉头实时检测方法，具有对环境变化较强的鲁棒性，实现了实时的检测效果以及较高的违章掉头识别精度，并简化了取证工作，极大降低人力资源成本。
-
公开(公告)号：CN110458139A
公开(公告)日：2019-11-15
申请号：CN201910765421.6
申请日：2019-08-19
Applicant: 浙江工业大学
Abstract: 本发明公开了基于行人身体子区域颜色直方图的行人重识别预匹配方法，包括如下步骤：步骤1.1：给定待匹配图像Pd，以及查找集中的任意一张图像Pc；步骤1.2：通过Openpose算法得到图像Pd和Pc中的行人骨架；步骤1.3：根据骨架将图像Pd、Pc中的行人分为左右躯干以及上下腿部这四部分；步骤2.1：分别计算子图像HSV颜色直方图；步骤3.1：计算子图像的相似度；步骤3.2：计算图像Pd与图像Pc距离；步骤4.1：给定阈值T，若D(Pd,Pc)＜T，认定图像为相似；本发明的优点是：利用计算机视觉以及图像过处理领域简单有效的方法在行人重识别之前做了行人预识别的工作。
-
公开(公告)号：CN110059073A
公开(公告)日：2019-07-26
申请号：CN201910201466.0
申请日：2019-03-18
Applicant: 浙江工业大学
Abstract: 一种基于子图同构的web数据自动可视化方法，包括以下步骤：第一步：构建服务数据可视化建模与匹配方法的架构；第二步：定义元数据树MDT；第三步：读取调用的REST API所返回的JSON数据，将JSON数据集ds作为建模算法的输入，对ds进行树形结构建模；第四步：通过剪枝的方法，保留基本的数据结构信息；第五步：对可视化图形进行分类；第六步：先用降维方法对MDT进行降维操作，生成元结构树MST，再进行匹配查询，调用基于子图同构的匹配方法查找MST中与VT的各个StructModel匹配的片段，并根据Mapping信息进行数据映射生成可视化图形。本发明将模型进行自动化匹配，以实现数据的自动可视化。
-
公开(公告)号：CN109165643A
公开(公告)日：2019-01-08
申请号：CN201810955796.4
申请日：2018-08-21
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于深度学习的车牌识别方法，包括如下步骤：步骤1：训练一个用于车牌字符检测的深度卷积神经网络模型M；构建车牌字符标签集合B；步骤2：将定位得到的车牌图像I输入到车牌字符检测网络M，输出候选车牌字符集合H；步骤3：对步骤2得到的候选车牌字符集合H，按候选车牌字符最小外接矩形的左上角横坐标hi.x由小到大将H重排序，得到集合C；步骤4：对步骤3得到的集合C进一步执行筛选操作，步骤6：对步骤5得到的集合E，按序遍历集合E；步骤7：返回由步骤6得到车牌识别结果L。本发明的有益效果是：有效抑制了车牌字符粘连、断裂、形变，车牌污损，车牌倾斜和车牌上残留阴影等情况的影响。
-
公开(公告)号：CN109165607A
公开(公告)日：2019-01-08
申请号：CN201810998664.X
申请日：2018-08-29
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于深度学习的驾驶员手持电话检测方法，包括如下步骤：给定训练图像集合Ct＝{Ti|i＝1,2,3,...,n}，n为训练图像数量，集合中每张图像Ti已贴好标签；将数据集Ct合放入Yolov2中进行训练，获得训练模型W；输入测试图像P，用训练模型W进行测试，得到检测结果m个矩形检测框Kj；测试图像P进行Lab颜色空间的分离,得到L通道图像PL、a通道图像Pa以及b通道图像Pb；本发明的有益效果是：利用深度学习做驾驶员手持电话的检测并用传统图像处理的形态学方式进行驾驶员定位，能够准确的判断驾驶员是否手持电话这一行为。
-
-
-
-
-
-
-
-
-
Search Results
173
records
(took 0.037 seconds)
