-
公开(公告)号：CN108710868B
公开(公告)日：2020-09-04
申请号：CN201810582712.7
申请日：2018-06-05
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种基于复杂场景下的人体关键点检测系统及方法，该方法包含：输入监控视频信息，得到单帧静态图和多帧光流图；对单帧静态图通过卷积操作提取特征以得到特征图，为解决复杂场景下干扰目标对人员目标检测的影响，采用人员目标检测算法，以对特征图的实际置信度与预设置信度进行判别，得到离散化人员目标包围盒；对多帧光流图采用光流堆叠来形成二维矢量场；提取离散化人员目标包围盒中特征，得到特征图，获得部位的关键点和关联程度，利用预测器为人体每个部位生成部位置信图，通过部位置信图和二维矢量场实现人体关键点的精准检测。本发明的系统及方法用于复杂场景下的人体关键点检测，实现人员目标关键点的精准检测。
-
公开(公告)号：CN105721199B
公开(公告)日：2019-06-07
申请号：CN201610040259.8
申请日：2016-01-18
Applicant: 中国石油大学(华东)
IPC: H04L12/24
Abstract: 本发明提出了一种基于核密度估计与模糊推理系统的实时云服务瓶颈检测方法，包括以下步骤：步骤1、启动实时云环境，运行云服务；步骤2、启动实时云服务状态参数获取组件；步骤3、获取某一段时间内集群正常运行环境下的云服务状态参数，采用核密度估计模型对其进行建模，同时开启模糊推理系统；步骤4、新获得的状态参数输入到该模糊推理系统中，计算出瓶颈指数；步骤5、设置阈值，观察每一个云服务瓶颈指数的历史规律，如果在某一时间段内一直超过阈值，则启动预警机制。本发明的方法能够实时获取云集群中每一个服务的运行状态，存入数据仓库；实现对每一个实时云服务的瓶颈检测；当实时云服务的瓶颈指数长时间超过某一阈值，启动预警机制。
-
公开(公告)号：CN109191761A
公开(公告)日：2019-01-11
申请号：CN201811034833.4
申请日：2018-09-06
Applicant: 中国石油大学(华东)
Abstract: 本发明提出了一种基于火焰多特征融合的火灾识别方法，根据这个算法开发了一种火焰多特征融合的火灾识别系统。其原理在于通过该系统调用摄像头视频监控画面，使用系统的后台检测算法对画面进行处理，该方法首先进行运动检测筛选运动火灾像素与RGB颜色模型筛选火焰颜色像素结合作为图像预处理模块，采用的基于帧间差分法检测运算速度快并且不包含复杂运算，对于环境要求不高，不需要考虑黑天等因素的变化，采用的RGB/HIS颜色模型较为稳定；然后根据火焰烟雾、面积变化以及形状变化性质利用火焰像素点数量、凸包以及尖角对火焰进行特征判断；最终结合成熟的支持向量机进行验证；满足以上条件进行报警。本方法能够应用于社会安全等摄像头实时监控系统。
-
公开(公告)号：CN108710868A
公开(公告)日：2018-10-26
申请号：CN201810582712.7
申请日：2018-06-05
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种基于复杂场景下的人体关键点检测系统及方法，该方法包含：输入监控视频信息，得到单帧静态图和多帧光流图；对单帧静态图通过卷积操作提取特征以得到特征图，为解决复杂场景下干扰目标对人员目标检测的影响，采用人员目标检测算法，以对特征图的实际置信度与预设置信度进行判别，得到离散化人员目标包围盒；对多帧光流图采用光流堆叠来形成二维矢量场；提取离散化人员目标包围盒中特征，得到特征图，获得部位的关键点和关联程度，利用预测器为人体每个部位生成部位置信图，通过部位置信图和二维矢量场实现人体关键点的精准检测。本发明的系统及方法用于复杂场景下的人体关键点检测，实现人员目标关键点的精准检测。
-
公开(公告)号：CN106874883A
公开(公告)日：2017-06-20
申请号：CN201710106887.6
申请日：2017-02-27
Applicant: 中国石油大学(华东)
CPC classification number: G06K9/00228 , G06F9/5044 , G06K9/00268 , G06K9/00288 , G06K9/00979 , G06K9/6256 , G06K9/6267
Abstract: 本发明公开了一种基于深度学习的实时人脸检测方法及系统，该方法包括以下步骤：构建的人脸图像数据库和卷积神经网络，利用构建的数据库对神经网络进行训练，得到最优的卷积神经网络以及人脸数据库中的人脸特征；构建storm拓扑结构；数据源输入组件将实时视频流分发给各数据处理组件，数据处理组件通过卷积神经网络对人脸和非人脸进行分类、人脸边界框回归、坐标定位，得到人脸检测的结果。本发明通过优化后的卷积神经网络对人脸图像数据进行特征提取，有效地提高了特征提取的准确率，将Storm架构和卷积神经网络的特征提取相结合，提高了人脸检测的效率。
-
Patent Agency Ranking
公开(公告)号：CN105678216A
公开(公告)日：2016-06-15
申请号：CN201511003082.6
申请日：2015-12-21
Applicant: 中国石油大学(华东)
CPC classification number: G06K9/00718 , G06K9/6269
Abstract: 本发明提出了一种基于深度学习的时空数据流视频行为识别方法。相比于传统使用单数据流，也就是单一视频流的深度学习方法，本发明使用了时空数据流，即空间流和时间流，空间流从静态的视频帧中识别视频中的目标类别，而时间流从视频中的运动成分中识别目标的运动，最后将这两者的分类结果相融合，得到最终的行为类别。本发明将目标和运动分开识别，能够减少神经网络计算的负担，同时有效提高准确率。
-
公开(公告)号：CN105496371A
公开(公告)日：2016-04-20
申请号：CN201511003083.0
申请日：2015-12-21
Applicant: 中国石油大学(华东)
IPC: A61B5/02 , A61B5/0245 , A61B5/16 , A61B5/00
CPC classification number: A61B5/0004 , A61B5/02 , A61B5/0245 , A61B5/165 , A61B5/6803 , A61B5/7271
Abstract: 本发明提出了一种呼叫中心服务人员的情绪监测方法，结合呼叫中心服务人员工作场景的特点，通过采集和分析服务人员的语音和脉搏信号，监测服务人员的情绪状态，使用光电容积法采集脉搏信号，传感器可以直接安装在耳麦上，丝毫不影响穿戴者的正常工作，而且通过语音和脉搏双重特征分析情绪，可以使识别结果更加准确可靠。
-
公开(公告)号：CN106845415B
公开(公告)日：2020-06-23
申请号：CN201710050765.X
申请日：2017-01-23
Applicant: 中国石油大学(华东)
IPC: G06K9/00 , G06K9/62 , G06K9/46 , G06N3/08 , G06F16/583
Abstract: 本发明公开了一种基于深度学习的行人精细化识别方法及装置，该方法包括：构建行人图像数据库，利用行人图像数据库制作包含行人特征的训练数据集，将训练数据集输入到SSD网络进行训练；根据训练结果构建行人精细化图像数据库，制作包含行人各个部位特征的训练数据集，将训练数据集输入到卷积神经网络进行训练；利用训练好的SSD网络提取来自流媒体服务器的实时视频流中的行人特征，根据提取到的行人特征，利用训练好的卷积神经网络提取行人各个部位的特征；将提取到的行人各个部位的特征与行人精细化图像数据库的每个行人相应部位的特征进行匹配，将匹配结果进行组合得到行人精细化识别结果。本发明有效地提高了行人精细化识别的准确率。
-
公开(公告)号：CN104732585B
公开(公告)日：2019-08-06
申请号：CN201510127448.4
申请日：2015-03-23
Applicant: 腾讯科技(深圳)有限公司 , 中国石油大学(华东)
Abstract: 本发明公开了一种人体体型重构的方法，用于实现用户的虚拟形象定制，该方法包括：接收体感传感器采集得到的用户深度图像信息，将所述用户深度图像信息转换为三维人体模型；获取虚拟形象的三维模板模型；将所述三维模板模型进行拉伸转换，所述拉伸转换的目标为与所述三维人体模型具有相同的体型，将转换后的三维模板模型作为用户的虚拟形象。本发明还公开一种人体体型重构的装置。
-
公开(公告)号：CN106909886B
公开(公告)日：2019-05-03
申请号：CN201710041906.1
申请日：2017-01-20
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种基于深度学习的高精度交通标志检测方法及系统。其中，该方法将深度学习技术与高精度交通标志检测技术相结合，通过对SSD网络和卷积神经网络进行训练，利用训练好的SSD网络提取来自视频流中按比例进行重叠切割后的交通标志特征，根据SSD网络提取到的交通标志特征，利用训练好的卷积神经网络提取交通标志特征的特征，将提取到的交通标志特征的特征与交通标志图像检测数据库的正负两类交通标志的特征进行匹配，保留正类交通标志特征，得到高精度交通标志匹配筛选结果，有效地提高了高精度交通标志检测的准确率。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.028 seconds)
