-
公开(公告)号：CN114241454A
公开(公告)日：2022-03-25
申请号：CN202111564286.2
申请日：2021-12-20
Applicant: 东南大学
IPC: G06V20/59 , G06V40/20 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明公开了一种利用重映射注意力识别分心驾驶的方法，设计了多尺度注意力编码器以提取驾驶员图像的全局特征。由于姿势估计中的热图提供了身体部位的表达性非参数编码，通过对驾驶员部位热图和全局特征图进行哈达玛乘积，将部位信息投影到全局特征上，从而增强了驾驶员行为描述符的辨别力，为了提高鲁棒性和泛化能力，提出了部位注意力丢弃操作，即在训练过程中随机丢失某部位热图，以应对其不可见的情况。本发明引导模型着重于与驾驶员行为相关的部位，可进一步提高驾驶员行为识别准确率。本发明在交通安全领域有重要的应用价值。
-
公开(公告)号：CN113763427A
公开(公告)日：2021-12-07
申请号：CN202111035065.6
申请日：2021-09-05
Applicant: 东南大学
Abstract: 本发明公开了一种基于从粗到精遮挡处理的多目标跟踪方法，模型构建包括以下步骤：首先在JDE模型预测头的基础上加了一个遮挡分数预测，从而完成对非遮挡目标的完全处理以及对遮挡目标的粗处理；在这个基础上，将映射剪裁后的遮挡行人区域作为第二步模型的训练集进行训练，完成对于遮挡行人的精确检测和表观特征向量提取；从而实现对遮挡目标的精处理；综合两步模型输出的结果，利用数据关联算法完成行人的跟踪。本发明解决了现有技术中不能准确地对有遮挡情况场景下的行人跟踪问题，能够很好地适应多种时段、多种行人密度的公共环境；对行人的跟踪具有较好效果。
-
公开(公告)号：CN109241831B
公开(公告)日：2021-11-26
申请号：CN201810833982.0
申请日：2018-07-26
Applicant: 东南大学
Abstract: 本发明公开了一种基于图像分析的夜间雾天能见度分类方法，包括如下步骤：(1)初始化，读入非雾天情况下的图像视频；(2)对采集得到视频每隔n帧获取一帧彩色图像，一共统计m帧，作为m幅原图像I，其中图像大小为M×N×3，每一个像素的坐标为(x,y)(x＝0,1,…,M‑1；y＝0,1,…,N‑1)，对这些彩色图像进行滤波，减少噪声的影响；(3)对结果图像I′进行固定光源的定位与感兴趣区域的选取；(4)重新通过监控摄像机采集被测图像，针对图像进行雾天能见度分类的特征提取；(5)根据步骤(4)得到的两个特征进行雾天能见度分类，分为非雾天，小雾，大雾三个等级。本发明的算法简单，方便参数调整，实现高准确度的检测分类。
-
公开(公告)号：CN109271905B
公开(公告)日：2021-11-19
申请号：CN201811018273.3
申请日：2018-09-03
Applicant: 东南大学
Abstract: 本发明提供了一种基于单帧图像的黑烟车检测方法，包括：将单帧彩色图像转化为灰度图像，并平均分成若干个小方块；对于每一小方块区域，提取判别性完全局部二值模式特征或者判别性无冗余局部二值模式特征；对于每一小方块区域，提取梯度位置方向直方图特征；对于每一小方块区域，提取局部分形特征；归一化不同类型的特征，并串联起来形成最终的特征向量，利用SVM分类器对所提特征向量进行分类，识别有烟小方块，并对当前帧是否有黑烟车做出判断。本发明引入各种特征，使得信息表达既充分，又具有辨别性，更有利于分类识别，具有更强的鲁棒性和判别性。进一步提高了识别率，降低了误报率。
-
公开(公告)号：CN110119709B
公开(公告)日：2021-11-05
申请号：CN201910391168.2
申请日：2019-05-11
Applicant: 东南大学
Abstract: 本发明设计了一种基于时空特性的驾驶员行为识别方法，涉及计算机视觉中的行为识别领域。本发明采用批标准化改进三维卷积网络，以提取视频帧中短时空行为特征，再利用卷积长短期记忆单元学习长时空上下文信息。然后将提取的驾驶员行为长时空行为信息输入空间金字塔池化层，得到多尺度的空间特征图。同时在实现特征分类的全连接层中融入dropout思想，提升网络模型的泛化能力。本发明所设计的网络可以高效地提取视频中驾驶员行为的时空特性，进一步提高驾驶员行为识别准确率。发明在交通安全领域有重要的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN106778742B
公开(公告)日：2020-03-31
申请号：CN201611126129.2
申请日：2016-12-09
Applicant: 东南大学
Abstract: 本发明公开了一种基于Gabor滤波器背景纹理抑制的车标检测方法，包含以下步骤：第一步，对图像进行倾斜校正预处理；第二步，在预处理后的图像中进行车牌检测，得到车牌区域；第三步，基于先验知识，根据车牌和车标的位置关系，在车牌定位后得到包含车标图案的车标粗定位区域；第四步，对车标粗定位区域进行Gabor滤波，抑制车标周围散热网纹理，凸显车标区域；第五步，进行高斯滤波和数学形态学闭操作；第六步，选定阈值对灰度图像阈值化，并框定检测目标区域，实现车标精定位。该车标检测方法检测时间短，检测率高。
-
公开(公告)号：CN110717389A
公开(公告)日：2020-01-21
申请号：CN201910824620.X
申请日：2019-09-02
Applicant: 东南大学
Abstract: 本发明公开了基于生成对抗和长短期记忆网络的驾驶员疲劳检测方法，网络架构由3D条件生成对抗网络和双向长短期记忆网络组成，3D条件生成对抗网络用于从短期视频剪辑中提取疲劳相关特征，其中3D生成网络由一个编解码U-NET网络作为骨架网络，以疲劳相关标签作为条件，生成视频剪辑；3D判别网络将真实剪辑和合成剪辑作为输入，提取带有疲劳相关信息的短期时空特征表示。双向长短期记忆网络用于长期时空特征融合，捕捉帧间的上下文信息，并最终输出每帧的疲劳检测结果。对比目前现有的驾驶员疲劳检测方法，本发明泛化性强，识别准确率高，可用于监控视频下的实时驾驶员疲劳识别。发明在交通安全领域有重要的应用价值。
-
公开(公告)号：CN109409242A
公开(公告)日：2019-03-01
申请号：CN201811143567.9
申请日：2018-09-28
Applicant: 东南大学
Abstract: 本发明公开了一种基于循环卷积神经网络的黑烟车检测方法，针对复杂的路面场景，设计采用长短时间记忆网络融合卷积神经网络提取的静态特征，保持高的捕获率的同时，能保证很低的误检率，稳定可靠。本发明基于前景面积进行过滤，小于一定面积的前景目标，减少了运算量和大量误检；通过引入卷积神经网络进行特征提取，通过自建的大量车尾样本数据集，能提高单帧图像的检测率，同时也保证了单帧静态图像静态特征的有效性；由于设计了长短时间记忆网络，通过组合连续帧的空间特征，挖掘连续车辆尾部图像的时空特征。在保证高检测率的同时，能够降低大量因为阴影等情况造成的误报，这样的方法大大提高了识别精度。
-
公开(公告)号：CN109359603A
公开(公告)日：2019-02-19
申请号：CN201811231851.1
申请日：2018-10-22
Applicant: 东南大学
Abstract: 本发明提出了一种基于级联卷积神经网络的车辆驾驶员人脸检测方法，利用自建数据库生成三个真实训练样本库，然后构造三个训练网络，依次对三个真实训练样本库进行训练，同时根据训练结果不断调整训练参数使得loss快速收敛，生成对应的三个模型，最后将三个模型进行级联并添加SVM分类器滤除级联模型的误检特征，获得行驶车辆中驾驶员的人脸特征。本发明在最大限度保证人脸特征检测的准确性和实时性的前提下，有效的精简了训练网络，减少了训练时间，提高了检测效率，可以广泛的适用于各种公路上行驶车辆驾驶员的人脸特征检测。
-
公开(公告)号：CN109271905A
公开(公告)日：2019-01-25
申请号：CN201811018273.3
申请日：2018-09-03
Applicant: 东南大学
Abstract: 本发明提供了一种基于单帧图像的黑烟车检测方法，包括：将单帧彩色图像转化为灰度图像，并平均分成若干个小方块；对于每一小方块区域，提取判别性完全局部二值模式特征或者判别性无冗余局部二值模式特征；对于每一小方块区域，提取梯度位置方向直方图特征；对于每一小方块区域，提取局部分形特征；归一化不同类型的特征，并串联起来形成最终的特征向量，利用SVM分类器对所提特征向量进行分类，识别有烟小方块，并对当前帧是否有黑烟车做出判断。本发明引入各种特征，使得信息表达既充分，又具有辨别性，更有利于分类识别，具有更强的鲁棒性和判别性。进一步提高了识别率，降低了误报率。
-
-
-
-
-
-
-
-
-
Search Results
206
records
(took 0.041 seconds)
