-
公开(公告)号：CN112085655A
公开(公告)日：2020-12-15
申请号：CN202010847791.7
申请日：2020-08-21
Applicant: 东南大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于密集残差注意面部先验网络的人脸超分辨率方法，包括如下步骤：分别构建跳线连接的密集残差注意模块、面部结构先验预测模块和上采样模块；并联跳线连接的密集残差注意模块和面部结构先验预测模块，继而级联上采样模块和图像重建层，构建密集残差注意面部先验网络；对公布的数据集进行预处理，并将处理之后的数据分为训练集和测试集；训练密集残差注意面部先验网络；将测试集中的图像，输入到训练好的密集残差注意面部先验网络中，输出重建后的高分辨率人脸图像。本发明通过训练密集残差注意面部先验网络，继而实现对测试人脸图像的超分辨率处理，能够有效恢复具备面部高频细节，同时保留身份信息的超分辨率人脸图像。
-
公开(公告)号：CN110991219A
公开(公告)日：2020-04-10
申请号：CN201910964765.X
申请日：2019-10-11
Applicant: 东南大学
Abstract: 本发明设计了一种基于双路3D卷积网络的行为识别方法，本发明主要由3D卷积和伪3D卷积堆叠而成，包括时空降采样模块、细分支、粗分支和侧边连接等四个模块。该网络通过一个共享的时空降采样模块，为两个分支提供低层的时空基元信息。细分支是由三个3D卷积块组成的，其中每个卷积块包含两个卷积层。粗分支是从所有的输入视频帧中学习时空特征。同时采用侧边连接以融合两个分支的特征。本发明参数少、准确率高、速度快，可用于手机、录像机、监控摄像头等设备所拍摄视频的分类，在家庭、公共场所等场景中有着重要的应用价值。
-
公开(公告)号：CN110717387A
公开(公告)日：2020-01-21
申请号：CN201910823920.6
申请日：2019-09-02
Applicant: 东南大学
Abstract: 本发明公开了一种基于无人机平台的实时车辆检测方法，通过无人机拍摄建立航拍车辆数据集，整体数据集按一定比例划分为训练集和测试集；建立卷积神经网络的快速消除卷积层；建立神经网络的多尺度卷积层；基于航拍视频中车辆的宽高比进行多尺度锚点设计，并对小尺度锚点进行稠密化处理；基于二值权重网络；对网络进行时间优化；加载视频数据集，对卷积神经网络进行训练；在无人机航拍视频中实时检测出视频中的车辆。本发明可以在运动的背景中检测出车辆，适用于无人机航拍的环境，通过合理设计RDCL层的步长和调整锚点宽高比等措施大大减小了小目标车辆的漏检率，航拍视频中的车辆能够在机载计算模块上被实时得检测出来。
-
公开(公告)号：CN110490043A
公开(公告)日：2019-11-22
申请号：CN201910498449.8
申请日：2019-06-10
Applicant: 东南大学
Abstract: 本发明提供了一种基于区域划分和特征提取的森林烟火检测方法，属于计算机图像处理技术领域，包括：建立森林烟火样本数据集；选取合适的静态特征并训练级联神经网络；选取待处理视频的第一帧，进行自适应区域分割；对待处理视频进行运动检测；对疑似烟火区域进行预测分类。本发明方法计算简单，减少了运算量和大量误检，在计算速度不高的设备上有比较好的实时性，同时大幅降低误报率；本发明方法在森林烟火检测等方面有着重要的应用价值，在森林防火视频监控领域具有重要意义。
-
公开(公告)号：CN110309723A
公开(公告)日：2019-10-08
申请号：CN201910483030.5
申请日：2019-06-04
Applicant: 东南大学
Abstract: 本发明提供了一种基于人体特征细分类的驾驶员行为识别方法，包括：建立驾驶员行为识别的图像数据集；构建基于人体特征细分类的识别模型；训练基于人体特征细分类的识别模型；对基于人体特征细分类的识别模型进行测试。本发明能够对人体关键点部位进行正确的动作分类，结合局部特征和图像全局特征进行驾驶员行为细分类，在交通安全领域有重要的应用价值。本发明通过Stacked Hourglass Networks模型进行关键点定位，随后，对关键点区域进行学习，将人体部位的具体动作作为卷积分类的中层特征，显著地提升了模型的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN110298257A
公开(公告)日：2019-10-01
申请号：CN201910483000.4
申请日：2019-06-04
Applicant: 东南大学
Abstract: 本发明提供了一种基于人体多部位特征的驾驶员行为识别方法，包括：建立驾驶员行为识别的图像数据集；构建神经网络模型；训练基于人体多部位特征的驾驶员行为识别模型；对基于人体多部位特征的驾驶员行为识别模型进行测试。本发明结合人体关键点区域与全局区域，利用某些具有判别力的局部区域进行驾驶员行为识别，由于融合人体关键点特征，进一步提高驾驶员行为识别准确率，在交通安全领域有重要的应用价值。
-
公开(公告)号：CN109409205A
公开(公告)日：2019-03-01
申请号：CN201811045108.7
申请日：2018-09-07
Applicant: 东南大学
Abstract: 本发明公开了一种基于线间距特征点聚类的航拍视频公路车道线检测方法，包括以下步骤：读取视频帧；图像分割处理；从大量数据点中均衡、充分的提取出每条车道线的特征点；基于线间距的相似度度量方式构造相似度矩阵，对不同车道线的特征点聚类；对车道线建立三次B样条模型，利用改进的RANSAC算法对模型进行参数估计；车道线参数修正和预测。本发明对航拍高速公路视频中的高速公路边缘进行检测预处理，减小下一帧的处理时间，有效的去除这些高速公路以外的干扰像素点，对车道线特征点具有更好的聚类效果，能够得到更精确和更稳定的车道线拟合效果，且能够达到实时处理效果。
-
公开(公告)号：CN109064396A
公开(公告)日：2018-12-21
申请号：CN201810666177.3
申请日：2018-06-22
Applicant: 东南大学
IPC: G06T3/40
CPC classification number: G06T3/4053 , G06T3/4023 , G06T3/4046
Abstract: 本发明公开了一种基于深度成分学习网络的单幅图像超分辨率重建方法，包括：扩充训练样本图像并进行区域抽取以及退化操作，得到对应的高分辨率和低分辨率图像训练集；构建一个具有成分学习结构的深层网络，该网络先对输入的低分辨率图像进行全局成分分解，再利用从中提取的残差成分预测其在高分辨率空间的对应图像；在训练集上使用批处理随机梯度下降法和反向传播算法对构建的深度成分网络进行迭代训练，得到权值优化后的模型；利用训练好的成分网络重建低分辨率图像；将重建结果恢复到原先的彩色空间，得到超分辨率重建的最终输出。本发明方法不仅能够提升重建后超分辨率图像的质量，还能提高模型的运算速度。
-
公开(公告)号：CN108960181A
公开(公告)日：2018-12-07
申请号：CN201810786036.5
申请日：2018-07-17
Applicant: 东南大学
CPC classification number: G06K9/00785 , G06K9/00711 , G06K9/46 , G06K2009/4666 , G06K2209/23
Abstract: 本发明涉及一种基于多尺度分块LBP和隐马尔科夫模型的黑烟车检测方法。该方法包括：(1)从监控视频中检测运动目标和确定关键区域；(2)提取多尺度分块LBP特征，增加尺度和位置信息；(3)采用隐马尔科夫模型刻画关键区域的动态特征，将当前帧分为黑烟帧和非黑烟帧；(4)通过对视频序列的分析，并结合黑烟帧的分布特点，进一步识别黑烟车。利用本发明的技术方案，不仅可以实现黑烟车的自动检测，提高检测效率，同时利用隐马尔科夫模型刻画关键区域的动态特征能更好地降低误报率。
-
公开(公告)号：CN108875674A
公开(公告)日：2018-11-23
申请号：CN201810692685.9
申请日：2018-06-29
Applicant: 东南大学
Abstract: 本发明提供了一种基于多列融合卷积神经网络的驾驶员行为识别方法，包括：构建驾驶员行为识别数据集；对数据集的图片做数据增强；构建深度学习架构；训练设计好的深度学习模型；测试模型得出识别结果。本发明采用了深层的深度学习架构，有利于提取出更抽象的分层特征用于驾驶员行为分类；采用了多个不同滤波核的卷积神经网络分支融合的深度学习架构，有利于提取出图像多尺度特征，用于驾驶员行为分类。本发明中所设计的多列融合卷积神经网络有更抽象的局部特征表示能力，可进一步提高驾驶员行为识别的准确率，在公共安全和智能交通中有重要的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
206
records
(took 0.033 seconds)
