-
公开(公告)号：CN105069447B
公开(公告)日：2018-05-29
申请号：CN201510621774.0
申请日：2015-09-23
Applicant: 河北工业大学
IPC: G06K9/00
Abstract: 本发明一种人脸表情的识别方法，涉及用于识别图形的方法，是一种使用中心对称三值模式(Center Symmetrical Ternary Patterns，以下简称CSTP)算法提取表情纹理特征的人脸表情的识别方法，步骤是：人脸表情图像预处理；提取每一人脸表情图像的子块上的人脸表情纹理特征；确定人脸表情图像最终的人脸表情纹理特征；完成人脸表情的识别。本发明方法克服了现有技术识别背景复杂导致的纹理描述不精细，识别率不高的缺陷。
-
公开(公告)号：CN104881661B
公开(公告)日：2018-02-13
申请号：CN201510351724.5
申请日：2015-06-23
Applicant: 河北工业大学
Abstract: 本发明基于结构相似度的车辆检测方法，涉及图像的结构分析，步骤是：第一步，车辆假设区域的标记：获取路面自由驾驶区域、设置路面感兴趣区域、生成路面对称区域、标记路面车辆假设区域；第二步，车辆假设区域的验证：车辆结构相似度特征的提取和训练、提取车辆假设区域的车辆结构相似度特征、对车辆假设区域的车辆结构相似度特征进行验证；该方法降低了车辆检测系统的成本，提高了车辆检测系统的效率和识别精度，具有普遍的适用性。
-
公开(公告)号：CN106530232A
公开(公告)日：2017-03-22
申请号：CN201610987694.1
申请日：2016-11-10
Applicant: 河北工业大学
IPC: G06T3/40
Abstract: 本发明一种图像缩放方法，涉及应用电子设备进行图像缩放的方法，是一种基于阈值与概率的图像快速缩放方法，分为两个过程，A.径向基函数神经网络模型训练过程；B.需要进行缩放的被测试图像的缩放过程。本发明方法使用径向基函数神经网络进行机器学习的方法求阈值，将需要进行缩放的图像分成保护区域与非保护区域，在缩放时使用依概率随机缩放，克服了现有技术无法在保证图像缩放效果的同时又能满足实时的图像缩放速度的缺陷。
-
公开(公告)号：CN105373794A
公开(公告)日：2016-03-02
申请号：CN201510937041.8
申请日：2015-12-14
Applicant: 河北工业大学
CPC classification number: G06K9/344 , G06K9/4652 , G06K9/6256 , G06K9/627
Abstract: 本发明一种车牌识别方法，涉及用于识别图形的方法，步骤是：图像预处理；根据颜色和纹理特征分割车辆区域；提取车辆区域图的显著因子图；利用基于扩展的Haar-like特征的Adaboost分类器提取候选车牌；从候选车牌中确定真车牌位置；将标记的车牌从对应的车辆区域原图中分割出来；利用结构特征进行字符分割；基于改进的模板匹配方法的字符识别。本发明方法克服了现有的车牌识别方法应用场景比较单一，有的只适用于简单的单一场景的单一车牌识别，难以适用于多场景的多车牌识别，识别率容易受到强光、雾霾和弱光照环境的影响的缺陷。
-
公开(公告)号：CN119513743A
公开(公告)日：2025-02-25
申请号：CN202411622933.4
申请日：2024-11-14
Applicant: 河北工业大学
IPC: G06F18/2431 , G06F18/25 , G06F18/214 , G06F18/2131 , G06N3/0442 , G06N3/045 , G06N3/084 , G06N3/0464 , G06V10/80
Abstract: 本发明为一种基于特征增强的多模态图文篡改检测与定位方法，包括以下内容：获得篡改图文对，分别对输入图像和输入文本进行预处理，构建数据集；构建多模态图文篡改模型，包括文本编码器、图像编码器、图像频域增强模块、文本增强模块、多交叉注意力融合模块和一个多任务的篡改检测和定位头；图像频域增强模块用于选出最优的频段送出模块；将图像频域增强模块的输出的频域特征和图像编码器输出的图像域特征进行特征融合，获得图像增强特征；使用多交叉注意力融合模块对对齐后的图像增强特征、文本增强特征进行融合；利用数据集训练多模态图文篡改模型，对多模态图文篡改检测与定位。本发明增强了网络的特征提取能力，提高了篡改检测与定位能力。
-
Patent Agency Ranking
公开(公告)号：CN119180810A
公开(公告)日：2024-12-24
申请号：CN202411412118.5
申请日：2024-10-11
Applicant: 河北工业大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06T7/194 , G06T3/4038 , G06V10/74 , G06T5/10 , G06V10/44 , G06V10/80
Abstract: 本发明为基于前背景联调和边缘引导的多篡改定位方法，所述定位方法包括以下内容：获取多操作图像数据集，每个图像包含至少两种篡改类型，篡改类型包括拼接、复制‑移动和删除；构建多篡改定位模型，所述多篡改定位模型包括由Res2net网络和连接在Res2net网络的每个尺度输出上的残差网络构成的骨干网络、边缘辅助的细化融合模块；利用多操作图像数据集训练多篡改定位模型，以训练后的多篡改定位模型用于图像中不同类型篡改区域的定位。解决了如何精准定位图像中的多个篡改区域的问题，实现了一张图片多个篡改类型的精确定位。
-
公开(公告)号：CN114549481B
公开(公告)日：2024-11-29
申请号：CN202210177248.X
申请日：2022-02-25
Applicant: 河北工业大学
IPC: G06T7/00 , G06V10/40 , G06T7/10 , G06T7/50 , G06V10/764
Abstract: 本发明为一种融合深度和宽度学习的深度伪造图像检测方法，首先将待检测图像转换为灰度图像并分割为两组图像块，提取每个图像块的中心化频域幅度谱并对其施加注意力机制，再对两组图像块进行通道连接，得到初级特征；其次，构建通道卷积自编码模块，利用预训练的通道卷积自编码模块的编码器对初级特征进行特征融合得到两个中级特征，分别作为特征映射流和特征增强流的输入，得到两个映射特征和增强特征；最后，根据宽度学习系统原理构建三个分类器，将三个分类器的输出结果进行加权平均，得到最终的检测结果。本方法对图像块施加注意力机制，可以从全局信息中关注篡改痕迹明显的区域，模型训练所需的数据和时间少，实现了准确度和效率的兼顾。
-
公开(公告)号：CN113888399B
公开(公告)日：2024-04-16
申请号：CN202111240317.9
申请日：2021-10-25
Applicant: 河北工业大学
IPC: G06T3/04 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06T3/02
Abstract: 本发明为一种基于风格融合与域选结构的人脸年龄合成的方法，该方法包括以下内容：对人脸公开数据集进行预处理，每个人脸样本对应一个年龄标签，设置年龄域的数量；构建风格融合和多域判别的对抗网络，包括基于风格融合的生成器网络和域选判别器网络；域选判别器网络包括多个域选结构和一个全连接层，域选结构由两种类型的函数组成：基础函数和多个域函数；针对每一批次的输入图像只用基础函数和一个特定的域函数提取特征，其中域函数的个数与年龄域的个数保持一致。本发明能够有效地解决人脸身份信息丢失和训练不稳定的问题。
-
公开(公告)号：CN111461043B
公开(公告)日：2023-04-18
申请号：CN202010266351.2
申请日：2020-04-07
Applicant: 河北工业大学
Abstract: 本发明基于深度网络的视频显著性检测方法，涉及图像数据处理领域,该方法是先用ResNet50深度网络来取空间特征，然后再提取时间和边缘信息来共同得到显著性预测结果图，完成基于深度网络的视频显著性检测，步骤是，输入视频帧I，进行预处理；提取视频帧I′的初始空间特征图S；获得五个尺度的空间特征图Sfinal；获得特征图F；获得粗略的时空显著图YST和显著性物体的边缘轮廓图Et；获得最终的显著性预测结果图Yfinal；计算对于输入视频帧I的损失，完成基于深度网络的视频显著性检测。本发明克服了现有技术视频显著性检测中存在的显著目标检测不完整、当前景背景颜色相似时算法检测不准确的缺陷。
-
公开(公告)号：CN115410223A
公开(公告)日：2022-11-29
申请号：CN202210991899.2
申请日：2022-08-17
Applicant: 河北工业大学
IPC: G06V40/10 , G06V10/40 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明为一种基于不变性特征提取的领域泛化行人重识别方法，该方法包括以下内容：构建识别模型，所述识别模型以ResNet50网络为主干网络，还包括注意力感知的不变性特征提取模块，所述ResNet50网络具有依次串联的N个残差单元，在前N‑1个残差单元的输出处均连接一个注意力感知的不变性特征提取模块，最后一个残差单元的输出不接注意力感知的不变性特征提取模块，最后一个残差单元的输出连接平均池化层、批量归一化层和全连接层；所述注意力感知的不变性特征提取模块用于提取领域不变特征，包括：实例归一化层、分组白化层、空间注意力和通道注意力。该方法对所有源域统一进行处理，减少了模型参数，避免了采用领域专家方式对相对应源域的过拟合。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.026 seconds)
