-
公开(公告)号：CN108596170A
公开(公告)日：2018-09-28
申请号：CN201810239211.9
申请日：2018-03-22
Applicant: 杭州电子科技大学
IPC: G06K9/32
Abstract: 本发明公开了一种自适应非极大抑制的目标检测方法，包括：S1：选取初始候选框集合进行迭代处理以对初始候选框集合内的候选框进行遍历排序得分，并将排序得分非最高得分的所有候选框组成剩余候选框集合；S2：基于剩余候选框集合中的两相邻候选框的注意力地图的差异以获取两相邻候选框的相邻目标区分度；S3：基于两相邻候选框的相邻目标区分度，构建自适应得分衰减函数并基于自适应衰减得分函数的计算结果自动赋予与两相邻候选框的得分相对应的衰减系数；S4：对两相邻候选框重新得分并丢弃得分低于阈值的候选框；S5：迭代重复步骤S2～S4，并判断剩余候选框集合中候选框数量是否为1；若是，则终止目标检测并输出最终的候选框融合结果。
-
公开(公告)号：CN105354542B
公开(公告)日：2018-09-25
申请号：CN201510710563.4
申请日：2015-10-27
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种拥挤场景下视频异常事件检测方法。具体步骤是：训练阶段，首先对视频分块并提取块的光流信息表示块的局部特征，然后以块的局部特征作为原子构建图，采用拉普拉斯特征映射降维并采用自适应聚类方法对局部特征分类，获得类中心作为码字；最后由码字组成码本。测试阶段，先对视频分块提取局部特征，然后计算与码本的特征距离相似度，并结合前一时刻的8‑邻域信息检测事件。本发明只需对光流特征构成的原子集合进行聚类即可建立正常事件模型，历史时刻的邻域信息进一步提高了异常事件检测的准确性。
-
公开(公告)号：CN104299193B
公开(公告)日：2017-02-15
申请号：CN201410514580.6
申请日：2014-09-29
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于高频和中频信息的图像超分辨率重建方法。本发明的步骤是：首先，计算图像的高频信息和中频信息。图像高频为原高分辨率图像与低分辨率插值放大后图像之间的差值，图像中频为插值放大后的图像与插值放大后且经低通滤波器输出图像之间的差值。其次，将图像高频信息和中频信息作为训练样本对，采用广义迭代收缩方法进行稀疏分解，获得高、中频分量字典对。最后，根据测试图像对应的中频信息和字典对获得图像高频信息,结合测试图像插值放大结果,经非局部相似性和反向迭代方法处理后获得高分辨率图像。本发明只需根据测试图像的中频信息重构出高频信息，并结合插值放大图像即可重建出高分辨率图像，重建图像具有锐化的边缘结构。
-
公开(公告)号：CN103955879A
公开(公告)日：2014-07-30
申请号：CN201410146118.5
申请日：2014-04-11
Applicant: 杭州电子科技大学
IPC: G06T1/00
Abstract: 本发明涉及一种基于多级DCT的DWT-SVD鲁棒水印方法。本发明方法包括水印嵌入方法和水印提取方法。水印嵌入方法首先对原始图像进行离散小波变换，之后将其低频子带分块并对每小块进行多级离散余弦变换，然后将待嵌入水印进行混沌加密，选择每小块多级DCT系数组成新矩阵，并将加密后的水印嵌入到该新矩阵的奇异值矩阵中。水印提取方法是水印嵌入方法的逆过程，包括提取加密水印，并利用密钥对水印进行解密和恢复。本发明方法结合DWT、SVD在数字水印方面的优势，利用多级DCT的能量集中特性，获得了更多数值较大的数据，提高了水印的嵌入容量，并且依然保持了鲁棒性较好的特点，较好的解决了水印容量和鲁棒性之间的矛盾。
-
公开(公告)号：CN102074005A
公开(公告)日：2011-05-25
申请号：CN201010620013.0
申请日：2010-12-30
Applicant: 杭州电子科技大学
Inventor： 陈华华
IPC: G06T7/00
Abstract: 本发明涉及一种面向兴趣区域的立体匹配方法。传统的立体匹配往往对整幅图像进行匹配，并从中选择感兴趣的那部分重建。本发明首先把三维空间虚拟高度线投影到平行双目立体视觉系统参考像机图像中生成虚拟投影线；然后根据虚拟高度线确定三维空间兴趣区域的扩展投影区域；最后对兴趣区域的扩展投影区域进行立体匹配。本发明只需对兴趣区域的扩展投影区域进行立体匹配，比整图匹配更容易实现实时性，且在相同运行时间条件下，与现有立体匹配方法相比，本发明可以节省出时间用于检测和减少视差图中的误匹配点。
-
Patent Agency Ranking
公开(公告)号：CN112464901B
公开(公告)日：2024-02-02
申请号：CN202011485882.7
申请日：2020-12-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于“梯度脸”局部高阶主方向模式的人脸特征提取方法。首先设计“梯度脸”卷积算子，计算像素的多方向梯度分量和，以构造“梯度脸”结构。该结构不但削弱了局部区域光照变化因素的影响，保留主要的人脸特征，通过在特征域上提取高阶导数信息，由于在底层抑制了噪声，很好地解决了高阶提取算法噪声敏感问题。同时，在“梯度脸”上引入主方向分组策略表征其高阶导数特征，以局部邻域高阶导数方向变化的特征码形成主方向特征图。不但没有丢失不同导数方向之间高阶导数信息，保持了算子的精确的表征能力，而且特征码长度仅为主流方法的一半。本发明方法对光照、表情以及面部遮挡等变化因素具有好的鲁棒性，以及更高的识别效率。
-
公开(公告)号：CN111931588B
公开(公告)日：2023-09-15
申请号：CN202010680012.9
申请日：2020-07-15
Applicant: 杭州电子科技大学
IPC: G06V40/16
Abstract: 本发明公开了自适应延展交叉型局部二值模式的人脸特征提取方法。现有方法由于阈值固定或关键点采样单一、不均衡，其特征提取结果不够稳定，鲁棒性不强。本发明方法首先输入的人脸图像经过预处理得到标准单个人脸灰度图像；然后确定局部邻域和中心像素，选取四个内层像素和四个外层像素，根据归一化线性加权的方式计算自适应阈值，以八个像素中任一内层像素作为起始，依次间隔从内层像素到外层像素全部取到，与自适应阈值比较，根据比较结果进行编码，转换为十进制的编码值；遍历所有像素，得到该人脸的局部二值模式编码特征图。本发明方法在光照、姿态、表情和遮挡等各种干扰下，所提取的特征表现出很好的鲁棒性，对于人脸识别有实际应用价值。
-
公开(公告)号：CN116228968A
公开(公告)日：2023-06-06
申请号：CN202310004581.5
申请日：2023-01-03
Applicant: 杭州电子科技大学
IPC: G06T17/00 , G06T7/33 , G06N3/08 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于多尺度纤细网络的诱导迭代前视声呐图像配准方法及系统，本发明方法包括步骤：S1.将前视声呐设备获取的真实声呐图像进行处理，并划分为训练集和测试集；S2.创建层间多尺度结构网络；S3.在各层内搭建多尺度纤细结构，对提取图像特征进行聚合；S4.在各层内利用适配区模型对特征进行由易到难的匹配，并自适应跳出迭代，获取输出形变场；S5.用得到的形变场和空间变换网络对运动的前视声呐图像进行变形，并计算参考图像和配准图像的相似度，得到配准后的图像；S6.将配准后的前视声呐图像进行融合，根据配准后的声呐图像重建水下三维地图。本发明通过对少数声呐图像进行数据增强，无需繁琐的大量数据收集，并使用多尺度迭代网络进行精确的图像配准。
-
公开(公告)号：CN111179196B
公开(公告)日：2023-04-18
申请号：CN201911385343.3
申请日：2019-12-28
Applicant: 杭州电子科技大学
IPC: G06T5/00 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于分而治之的多分辨率深度网络图像去高光方法。本发明方法包括训练方法和测试方法。首先构建去高光网络模型，模型由金字塔结构、嵌套残差网络、融合结构组成。金字塔结构使用拉普拉斯金字塔对图像块进行分级，在不同层次上处理高光，嵌套残差网络中采用卷积网络以及残差网络提取不同级别图像块的特征，融合结构结合嵌套残差网络的输出对无高光图像进行预测。模型训练完成后，直接将测试图像分块并由模型预测无高光图像，最后对预测结果进行拼接即可得到无高光整图。本发明的模型结构能够实时高效地去除图像中的高光现象，并对色彩、纹理复杂的图像具有较大的适应性和较强的鲁棒性。
-
公开(公告)号：CN111243045B
公开(公告)日：2023-04-07
申请号：CN202010024870.8
申请日：2020-01-10
Applicant: 杭州电子科技大学
IPC: G06T9/00
Abstract: 本发明公开了一种基于高斯混合模型先验变分自编码器的图像生成方法，包括步骤：S11.预设生成图像训练数据集；其中训练数据集由若干批次的训练数据组成；S12.搭建高斯混合模型先验的变分自编码器网络；S13.将预设的若干批次的训练数据上传至变分自编码器网络中，并确定变分自编码器网络的后验分布和先验分布；S14.确定高斯混合模型中高斯分量之间的关系，得到映射函数；S15.利用变分自编码器网络和得到的映射函数得到重构损失函数和KL散度函数，计算变分自编码器网络的后验分布和先验分布的损失函数，并对变分自编码器网络的参数进行更新以生成图像；S16.当生成图像时，将伪输入作为输入图像上传至变分自编码器网络，得到最终生成的图片。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.026 seconds)
