-
公开(公告)号：CN113643323A
公开(公告)日：2021-11-12
申请号：CN202110960779.1
申请日：2021-08-20
Applicant: 中国矿业大学
Abstract: 本发明提出城市地下综合管廊尘雾环境下目标检测系统，所述系统包括视频逐帧去雾模块和运动目标检测模块，所述视频逐帧去雾模块用于将地下管廊的模糊视频画面去除尘雾影响，恢复管廊内物体或行人轮廓；所述运动目标检测模块用于对视频中运动目标的轮廓进行检测判断，实现了去雾和抑制噪声的效果，而且该模型对边缘的保持有较好的能力，消除了背景更新不及时导致的鬼影现象，而且运算速度得到明显的提升，实现了运动目标追踪的要求。
-
公开(公告)号：CN113095229A
公开(公告)日：2021-07-09
申请号：CN202110399589.7
申请日：2021-04-14
Applicant: 中国矿业大学 , 江苏华图矿业科技有限公司
Abstract: 本发明涉及一种无监督域自适应行人重识别系统及方法，属于行人重识别技术领域，解决了现有无监督域自适应行人重识别难度大、识别准确率低的问题。该系统包括，数据获取模块，获取多个源域样本子集和多个目标域样本子集；网络模型训练模块，获得行人重识别网络模型的分类损失函数和样本不变性损失函数，根据源域样本子集中每一行人图片与目标域样本子集中每一行人图片的相似度对目标域样本子集中的行人图片进行排序、分层以获得分层损失函数，进而对行人重识别网络模型进行迭代优化；重识别模块，利用优化好的行人重识别网络模型进行行人重识别，获得与待识别行人图像相同或相似的图像。该系统能够减少网络的迁移损失，提高行人重识别的精度。
-
公开(公告)号：CN113065516A
公开(公告)日：2021-07-02
申请号：CN202110436855.9
申请日：2021-04-22
Applicant: 中国矿业大学 , 江苏华图矿业科技有限公司
Abstract: 本发明涉及一种基于样本分离的无监督行人重识别系统及方法，属于行人重识别技术领域，解决了现有行人重识别方法识别精度低的问题。该系统包括，数据获取模块，获取多个源域样本子集和多个目标域样本子集；网络模型训练模块，用于获得分类损失函数和样本不变性损失函数，根据目标域样本子集中各行人图片间的相似度方差获得样本分离损失函数，根据目标域样本子集中正样本组、负样本组分别与存储的目标域样本间的相似度获得无监督三元组损失函数，进而对行人重识别网络模型进行迭代优化；重识别模块，根据优化好的行人重识别网络模型对待识别行人图片进行识别。该系统能够很好的区分目标域中正样本和负样本，从而降低网络精度损失，提高识别精度。
-
公开(公告)号：CN112541912A
公开(公告)日：2021-03-23
申请号：CN202011541385.4
申请日：2020-12-23
Applicant: 中国矿业大学 , 江苏华图矿业科技有限公司
Abstract: 本发明涉及一种矿井突发灾害场景中显著性目标的快速检测方法及装置，属于计算机视觉技术领域，解决了现有的显著性目标检测方法的检测精度较差和速度较慢的问题。方法包括：获取关于矿井突发灾害场景的输入图像；构造Unet网络，将输入图像输入Unet网络，得到输入图像对应的分割映射图像；构造全卷积FCN网络，将输入图像输入全卷积FCN网络，得到输入图像对应的显著性映射图像；将输入图像对应的分割映射图像和输入图像对应的显著性映射图像融合，得到融合映射图像，并基于融合映射图像得到局部图；基于局部图获得最终的显著性目标。实现了矿井突发灾害场景中显著性目标的快速检测，提高了显著性目标检测的精度和速度。
-
公开(公告)号：CN111767928A
公开(公告)日：2020-10-13
申请号：CN202010597462.1
申请日：2020-06-28
Applicant: 中国矿业大学
Abstract: 本发明涉及一种基于卷积神经网络提取图像特征信息的方法及装置，属于图像处理技术领域，解决了现有卷积神经网络中的卷积核基于系统随机生成造成浪费大量时间的问题。获取原始图像对应的原始图像矩阵，对原始图像矩阵进行分块，得到N个像素块；基于像素值依次为N个像素块添加标签，得到M个标签；获取每个标签中的1个像素块对应的像素值概率矩阵，基于像素值概率矩阵得到M个标签对应的M个卷积核；将原始图像矩阵输入卷积神经网络，基于M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息。实现了图像特征信息的提取，节省了卷积的时间。
-
Patent Agency Ranking
公开(公告)号：CN110312124B
公开(公告)日：2020-09-08
申请号：CN201910700754.0
申请日：2019-07-31
Applicant: 中国矿业大学
IPC: H04N17/00 , H04N19/86 , H04N19/176 , H04N19/137 , G06T7/13 , G06T7/246
Abstract: 本发明涉及一种基于显著性多特征融合的移动巡检视频质量修正方法，属于视频质量修正技术领域，解决了现有技术无法对移动巡检视频进行有效的质量评价并修正的问题。该方法包括如下步骤：对移动巡检视频中任一包括待检测物体的静止图像进行分块，确定包含待检测物体识别特征的所有宏块，以及各宏块的显著性因子；使用每个宏块分别遍历移动巡检视频中其他图像，获得各帧图像中与该宏块最相似的图像块，进而获得各宏块的运动矢量，以及每一帧图像的显著性矩阵；根据获得的显著性矩阵，确定移动巡检视频的块效应特征值、模糊效应特征值和信息熵特征值；建立视频质量评价模型，判断视频质量是否合格，如果不合格，修正摄像头参数，直到合格为止。
-
公开(公告)号：CN110428450A
公开(公告)日：2019-11-08
申请号：CN201910707197.5
申请日：2019-08-01
Applicant: 中国矿业大学
Abstract: 本发明涉及一种应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法，属于目标跟踪技术领域，解决了现有矿井目标跟踪算法在目标剧烈变化、遮挡、背景干扰等场景下无法获取较好的跟踪效果的问题。步骤如下：接收矿井巷道移动巡检视频帧序列的当前视频帧，根据上一帧的目标跟踪位置及尺度信息，得到当前视频帧中的待检测图像块；提取当前视频帧中待检测图像块的HOG特征及LQC特征，分别利用HOG特征相关滤波器和LQC特征相关滤波器计算得到HOG特征响应图及LQC特征响应图；对HOG特征响应图及LQC特征响应图进行加权融合响应，将加权融合响应结果中的最大值位置确定为当前视频帧的目标位置；利用尺度滤波器对目标位置进行尺度估计，得到当前视频帧的尺度信息。
-
公开(公告)号：CN110210447A
公开(公告)日：2019-09-06
申请号：CN201910507223.X
申请日：2019-06-12
Applicant: 中国矿业大学
Abstract: 本发明公开一种井下危险区域运动目标检测方法及装置，包括视频采集模块，用于采集井下区域的视频信息；目标检测模块,用于读取图像数据，将视频图像数据转换为灰度图像序列，并对灰度图像序列去躁、平滑预处理，再通过LOG边缘检测和几何曲率的纹理信息检测得到准确的运动目标的完整轮廓和结构；PC端控制模块，用于控制目标检测模块的运行；显示模块，用于实时显示检测到的运动目标位置信息；所述视频采集模块的一端与显示模块连接，所述视频采集模块的另一端与PC端控制模块连接，所述PC端控制模块的另一端与目标检测模块连接；本发明对光照变化有很好的鲁棒性,能够针对矿井危险区域人员进行准确、完整的提取。
-
公开(公告)号：CN107886067A
公开(公告)日：2018-04-06
申请号：CN201711085825.8
申请日：2017-11-07
Applicant: 中国矿业大学
Abstract: 本发明涉及一种基于HIKSVM分类器的多特征融合的行人检测方法，具体包括以下步骤：确定行人图像序列中的行为区域；在行为区域内提取多项特征，形成融合特征；利用训练好的基于上述融合特征的HIKSVM分类器进行行人检测。本发明改进了特征提取方法，提取出HOG特征之后，通过类比，把梯度场改为光流场，提取HOF特征，保留了物体的形状信息和运动信息，同时避免了使用光流场描述整幅运动物体的计算复杂性，鲁棒性强；通过对LBP算法的改进，使用LQC算法提取纹理特征，不损失纹理信息的基础上，减少了计算复杂度；使用直方图交叉核，通过交叉坐标下降的方法，对SVM分类器进行分类训练，计算复杂度低，检测精度高。
-
公开(公告)号：CN120037614A
公开(公告)日：2025-05-27
申请号：CN202510422784.5
申请日：2025-04-07
Applicant: 中国矿业大学
Abstract: 本发明公开了一种多功能煤矿个人防护装备，属于煤矿个人防护技术领域，包括头盔、头罩和背包；所述头盔上固定安装有通信基座，所述通信基座上安装有传感器组和照明组件；所述头罩固定安装在头盔上，通过所述头罩能够使人脸部处于密封空间，实现全脸防护。与现有技术相比，本发明通过头盔和头罩能够实现全面的面部防护，确保用户在各种环境下都能得到充分的保护，也能保障工人脸部的整洁，提高工人工作舒适度；通过调温机构和滤毒罐能够不断为头盔和头罩内部提供适宜温度的洁净空气，并使头盔和头罩内部空气持续流动，确保工人呼吸的空气纯净度，使得工人工作时呼吸感觉更舒适自然，并且极大降低工人工作时的闷热感，提升佩戴舒适度。
-
-
-
-
-
-
-
-
-
Search Results
143
records
(took 0.044 seconds)
