-
公开(公告)号：CN106548176B
公开(公告)日：2020-01-24
申请号：CN201611014348.1
申请日：2016-11-18
Applicant: 安徽大学
IPC: G06K9/40
Abstract: 本发明公开了一种基于自适应引导滤波的指静脉图像增强方法，本申请针对原始的引导滤波器的不足，在不改变引导滤波的线性复杂度的情况下，基于边缘检测算子，提出了新的局部自适应的加权引导滤波方法。在对比度，清晰度和局部结构相似度这三个客观图像质量指标上，本申请的方法增强后的图像质量要优于基于引导滤波的增强算法，识别实验表明，本方法在识别率上也占优，充分说明了基于自适应引导滤波指静脉增强方法的有效性。
-
公开(公告)号：CN110490158A
公开(公告)日：2019-11-22
申请号：CN201910784678.6
申请日：2019-08-23
Applicant: 安徽大学
Abstract: 本发明公开一种基于多级模型的鲁棒人脸对齐方法，首先利用基于对抗学习的STNs(ASTN)来解决由面部检测器引起的初始化问题，例如旋转和尺度变化，以便获得更好的人脸边界框用于人脸对齐；然后使用沙漏网络来获得人脸特征的初始位置以及它们的相应分数；此外，还提供一种基于样例的形状字典，旨在根据具有高分的的特征点找出那些低分的特征点，通过结合脸部形状约束，由遮挡或背景混乱而导致的人脸特征错位可以得到显著改善。
-
公开(公告)号：CN110188700A
公开(公告)日：2019-08-30
申请号：CN201910470515.0
申请日：2019-05-31
Applicant: 安徽大学
Abstract: 本发明公开一种基于分组回归模型的人体三维关节点预测方法，包括以下步骤：采集人体2d关节点检测数据；将2d关节点坐标输入到相同结构的回归网络中并得到不同组的3d关节位置并将所得的关键三维位置合并为整体关节向量；通过BiLSTM构建关节点自约束网络和关节组自约束网络，然后将两个自约束网络输出的3d关节点进行累加得到微调后的3d预测关节；通过损失函数计算3d预测关节与3d关节之间的欧氏距离。本发明结合人体四肢关节运动独立性的特点采用分组回归的结构，将四肢和躯干划分入不同关节组中，分别预测各组内关节点的3d位置，同时为使预测结果更贴近真实人体姿态，利用BiLSTM设计人体关节自约束网络用于调整预测结果，提升准确度。
-
公开(公告)号：CN109544605A
公开(公告)日：2019-03-29
申请号：CN201810497909.0
申请日：2018-05-23
Applicant: 安徽大学
IPC: G06T7/277
Abstract: 目前的移动阴影检测算法检测结果不够理想的问题，本发明提供基于时空关系建模的移动阴影检测方法，该方法利用HSV颜色空间和LBP纹理特征相结合的阴影特征，在阴影区域两步预检测的基础上，通过计算区域阴影程度的似然概率和其在帧内相邻域基于阴影特征两步特征分项比较和帧间相邻区域基于区域面积加权相结合得到的先验概率，实现基于马尔可夫随机场的迭代优化式阴影区域分割求解。实验结果表明，对于视频中移动阴影的检测，该方法有很好的效果。
-
公开(公告)号：CN108537137A
公开(公告)日：2018-09-14
申请号：CN201810225339.X
申请日：2018-03-19
Applicant: 安徽大学
Abstract: 本发明公开了一种基于标签鉴别相关分析的多模态生物特征层融合识别方法。首先将特征集与类别标签信息进行融合，为其建立准则函数，利用拉格朗日函数得出最优的投影向量，获取带有类别信息的特征集；其次针对带有类别信息的特征集，最小化其类内散度矩阵的同时，最大化两个模态特征集间协方差矩阵的相关性，抽取出具有更高鉴别能力的特征向量；最后，将所提出的融合方法应用到多模态特征中进行融合，实验结果验证了本申请所提出方法的有效性以及两种算法结合的合理性。
-
Patent Agency Ranking
公开(公告)号：CN118396977B
公开(公告)日：2024-12-27
申请号：CN202410652482.2
申请日：2024-05-24
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/0464 , G06T7/246 , G06V10/25 , G06V10/82
Abstract: 本发明公开了一种装配式建筑中预埋件缺陷的检测方法，首先采集模台上载有预埋件的模具实时视频，同时设置执行在线检测的目标感应区，构建基于Mask R‑CNN目标检测算法和SORT目标跟踪算法的预埋件检测网络并进行训练，然后基于目标感应区的视频帧，采用训练好的预埋件检测网络对预埋件进行识别及跟踪，得到构件的实测预埋件数量信息和位置信息，最后将构件的实测预埋件数量信息和位置信息与该类型构件的标准预埋件数量信息和位置信息进行比对，获知构件模具中预埋件的检测结果。本发明可以实现逐帧图像的特征提取和目标跟踪的目的，从而更加精准的获取各个构件模具中预埋件的数量信息和位置信息。
-
公开(公告)号：CN118196103B
公开(公告)日：2024-08-13
申请号：CN202410617362.9
申请日：2024-05-17
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/045 , G06N3/0464 , G06V10/26 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G01S13/88
Abstract: 本发明公开了一种结合YOLOv8和RTDETR的道路缺陷检测方法，采用YOLOv8特征提取网络实现对道路雷达图像的多尺度特征提取，采用RTDETR缺陷检测网络对提取出的特征进行缺陷区域的识别与分割，并在YOLOv8特征提取网络的Backbone网络中，利用CAGM模块对Conv层以及GFNet层获取的特征信息进行多次交互从而丰富梯度流信息。本发明基于以上技术内容的改进，从而大大提升了道路缺陷检测的准确率和召回率。
-
公开(公告)号：CN118196103A
公开(公告)日：2024-06-14
申请号：CN202410617362.9
申请日：2024-05-17
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/045 , G06N3/0464 , G06V10/26 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G01S13/88
Abstract: 本发明公开了一种结合YOLOv8和RTDETR的道路缺陷检测方法，采用YOLOv8特征提取网络实现对道路雷达图像的多尺度特征提取，采用RTDETR缺陷检测网络对提取出的特征进行缺陷区域的识别与分割，并在YOLOv8特征提取网络的Backbone网络中，利用CAGM模块对Conv层以及GFNet层获取的特征信息进行多次交互从而丰富梯度流信息。本发明基于以上技术内容的改进，从而大大提升了道路缺陷检测的准确率和召回率。
-
公开(公告)号：CN117854744A
公开(公告)日：2024-04-09
申请号：CN202311689333.5
申请日：2023-12-05
Applicant: 安徽大学
IPC: G16H80/00 , G16H50/20 , G16H10/60 , G06F18/10 , G06F18/2131 , G06F18/22 , G06F40/30 , A61B5/378 , A61B5/00 , A61B5/372
Abstract: 本发明公开了一种基于SSVEP脑电信号的智能查房方法和系统，方法包括：获取用户在视觉刺激下的第一脑电信号并定义参考信号；将第一脑电信号分解为子带分量，计算子带分量自身、参考信号自身以及子带分量与参考信号之间的差异，获取每个子带分量的总空间滤波器并滤波，重新排列成第二脑电信号；采用变分模态分解获取多个变分模态分量，并对每个通道下的权重进行寻优以重构得到第三脑电信号；基于第三脑电信号的自特征、参考信号获取诱发刺激频率确定用户意图，完成智能查房。本方法通过多次对信号分解与重构，增强有效部分使得具有更高的信噪比，并采用平均特征进一步保证了频率识别的准确性，大大提高了用户与医护人员进行沟通交流的能力。
-
公开(公告)号：CN114999629B
公开(公告)日：2024-03-01
申请号：CN202210471036.2
申请日：2022-04-28
Applicant: 安徽大学
IPC: G16H50/20 , G16H50/30 , G06V10/764 , G06T7/00 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06V10/774 , G06V10/82 , G06V10/80 , A61B5/00 , A61B6/00
Abstract: 本发明属于医学影像处理领域，具体涉及一种基于多特征融合的AD早期预测方法、系统、装置。本发明针对基于Brain 18F‑FDG PET切片图像的预测AD的复杂问题，重新设计了一个新的包含双卷积的骨干网络和分类网络的神经影像预测模型；并在网络模型中引入多注意力模块。在数据集采集过程中，以滤波、裁剪等方式代替传统扩增方法扩增PET切片，提高网络模型的泛化特性。在网络模型的训练阶段，将模糊标签并运用到监督对比学习损失中，在预测阶段还结合分类结果和临床精神心理评估结果进行联合分析，得到最可靠的预测结论。本发明解决了现有图像处理方法在针对Brain 18F‑FDG PET影像进行AD(56)对比文件吕鸿蒙;赵地;迟学斌.基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断.计算机科学.2017,(第S1期),全文.
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.029 seconds)
