-
公开(公告)号：CN111611912B
公开(公告)日：2024-03-19
申请号：CN202010424789.9
申请日：2020-05-19
Applicant: 北京交通大学
IPC: G06V40/20 , G06V20/40 , G06F18/241
Abstract: 本发明公开了一种基于人体关节点的行人低头异常行为的检测方法，包括如下步骤：步骤一，将视频流展开为图像序列，检测视频帧中的每个行人，并裁剪人体区域框；步骤二，采用人体姿态算法独立估计每个行人的姿态；步骤三，将估计的人体姿态映射回原图，微调，直至生成准确的人体关节点的坐标信息；步骤四，重复步骤一、二、三，直至人体区域框位置不再发生变化；步骤五，训练时，采用拟合算法将正样本信息拟合为异常行为，生成负样本，正负样本构成训练集训练行为分类器，生成最优模型；步骤六，测试时，将准确关节点的坐标信息送入训练好的行为分类器中，检测并输出结果。本发明解决复杂环境中多个行人的异常行为检测容易出现的准确率低下的问题，实现在复杂场景中高准确率的多人实时检测的效果。
-
公开(公告)号：CN111882485B
公开(公告)日：2023-08-18
申请号：CN202010566899.9
申请日：2020-06-19
Applicant: 北京交通大学
Abstract: 本发明针对受限于深度相机采集装置，采集的深度图像存在分辨率较低、易受噪声干扰等问题，难以满足实际需求，提出了分级特征反馈融合的深度图像超分辨率重建方法，利用深层网络提取深度图像及其对应纹理图像的特征，构建深度‑纹理深层的特征表示。在此基础上，利用金字塔结构构建深度‑纹理的深层特征在不同尺度下的分层特征表示。还采用分级特征的反馈式融合策略，综合深度‑纹理的边缘特征，生成深度图像的边缘引导信息。深度图像的重建过程采用残差学习的方式，进一步增强深度图像的重建质量。本发明，通过实验结果表明，相比state‑of‑the‑arts方法，本发明提出的方法均实现了深度图像的主、客观质量的提升。
-
公开(公告)号：CN113808032A
公开(公告)日：2021-12-17
申请号：CN202110892066.6
申请日：2021-08-04
Applicant: 北京交通大学
Abstract: 本发明为一种多阶段渐进式的图像去噪算法，构建多阶段渐进式的去噪网络；每个阶段开始前使用卷积层和CAB模块提取含噪图像的浅层特征；第一阶段的浅层特征经过级联的CAB处理得到局部空间特征，经过U‑Net网络处理得到上下文语义信息；采用特征融合模块对局部空间特征和语义信息进行融合，得到第一阶段融合后的特征；第一阶段融合后的特征与第二阶段的浅层特征进行相加，相加后的特征经过级联的CAB处理得到局部空间特征，经过U‑Net网络处理得到语义信息；采用特征融合模块对局部空间特征和上下文语义信息进行融合，得到第二阶段融合后的特征；重复上述操作，得到第n阶段融合后的特征，然后经过卷积层处理后得到清晰图像。
-
公开(公告)号：CN111611912A
公开(公告)日：2020-09-01
申请号：CN202010424789.9
申请日：2020-05-19
Applicant: 北京交通大学
Abstract: 本发明公开了一种基于人体关节点的行人低头异常行为的检测方法，包括如下步骤：步骤一，获取视频流中的每帧图像，将视频流展开为图像序列，针对序列中的每一帧，采用人体检测算法检测视频帧中的每个行人，并裁剪人体区域框；步骤二，在生成的人体区域框内，采用人体姿态算法独立估计每个行人的姿态；步骤三，将估计的人体姿态映射回原图，微调人体区域框，直至生成准确的人体关节点的坐标信息；步骤四，重复步骤一、二、三，直至人体区域框位置不再发生变化；步骤五，训练时，采用异常行为拟合算法将准确的具有正常行为的人体关节点信息拟合为异常行为，生成负样本，拟合前的正常行为为正样本，正负样本构成训练集训练行为分类器，生成最优模型；步骤六，测试时，将生成的准确关节点的坐标信息直接送入训练好的行为分类器中，检测并输出结果。本发明解决复杂环境中多个行人的异常行为检测容易出现的准确率低下的问题，实现在复杂场景中高准确率的多人实时检测的效果。
-
公开(公告)号：CN103581687A
公开(公告)日：2014-02-12
申请号：CN201310414049.7
申请日：2013-09-11
Applicant: 北京交通大学长三角研究院
IPC: H04N19/597 , H04N19/36
Abstract: 本发明提供了一种基于压缩感知的自适应深度图像编码方法，包括以下过程：首先对深度图像进行隔点采样，采用0.5的下采样率；然后用canny算子提取出下采样后深度图像的边缘，根据不同的边缘信息对图像块进行自适应选取采样率，最后根据采样值以高概率重构出深度图像，再通过上采样得到和原来分辨率相同的深度图像。
-
Patent Agency Ranking
公开(公告)号：CN103544717A
公开(公告)日：2014-01-29
申请号：CN201310500171.6
申请日：2013-10-22
Applicant: 北京交通大学长三角研究院
IPC: G06T9/00
Abstract: 本发明提供了一种基于SIFT特征的二阶段三维图像压缩编码方法，包括阶段一和阶段二两个阶段，阶段一首先对视点C1和C2图像提取SIFT特征点并进行初步特征点匹配，然后用RANSAC算法对提取的特征点进行去误匹配并求出视点C1到C2的变换矩阵H1；由视点C1的图像和变换矩阵H1重构出参考图像C21；同理由视点C3和C2求出变换矩阵H2和参考图像C23；接下来分别将重构的参考图像C21、C23与C2作相关性决策，选出与视点C2最相关的重建图像C以及对应的变换矩阵H；对变换矩阵H做定长编码即形成了阶段一的码流；阶段二是在阶段一的基础上，用视点C2与阶段一中选出的重建图像C相减得一个残差，编码残差和变换矩阵H组成阶段二码流。
-
公开(公告)号：CN112226444B
公开(公告)日：2022-11-04
申请号：CN202010863762.X
申请日：2020-08-25
Applicant: 北京交通大学
IPC: C12N15/45 , C12N15/861 , A61K39/155 , A61P31/14
Abstract: 本发明提供了一种呼吸道合胞病毒全长融合前融合糖蛋白核苷酸序列、重组腺病毒载体及其应用产品。该全长融合前融合糖蛋白核苷酸序列包括S155C、S190F、V207L和S290C四个突变位点，保留了融合糖蛋白的跨膜区及胞内区，其序列表如序列1所示。还提供了一种含有全长融合前融合糖蛋白核苷酸序列的猩猩复制缺陷型重组腺病毒载体pChAd63或人复制缺陷型重组腺病毒载体pAd26，腺病毒载体出发毒株为猩猩腺病毒63型或人腺病毒26型，缺失了腺病毒E1和E3区、且E4orf6替换为人5型腺病毒E4orf6。以及应用重组腺病毒的产品。本发明的重组腺病毒载体免疫动物后，能在短时间内诱导机体产生强烈的细胞免疫和体液免疫反应，产生的抗体对融合前F识别能力较强，具有较好的免疫效果和免疫保护作用。
-
公开(公告)号：CN112220921A
公开(公告)日：2021-01-15
申请号：CN202010863764.9
申请日：2020-08-25
Applicant: 北京交通大学 , 北京智飞绿竹生物制药有限公司
IPC: A61K39/295 , A61K39/155 , A61P31/14
Abstract: 本发明提供了一种针对呼吸道合胞病毒感染的组合疫苗。包括：第一组合物，其包含免疫有效剂量的人26型复制缺陷型腺病毒载体和药学上可以接受的载体，人26型复制缺陷型腺病毒载体包含编码呼吸道合胞病毒的抗原蛋白的核苷酸；第二组合物，包含免疫有效剂量的猩猩63型复制缺陷型腺病毒载体和药学上可以接受的载体，猩猩63型复制缺陷型腺病毒载体包含编码呼吸道合胞病毒的抗原蛋白的核苷酸。第一组合物为初免组合物，第二组合物为加强组合物；或者，第一组合物为加强组合物，第二组合物为初免组合物。本发明的组合疫苗用于诱导针对呼吸道合胞病毒感染的保护性免疫，提供针对呼吸道合胞病毒感染的保护性免疫的组合物、疫苗和方法。
-
公开(公告)号：CN111583173A
公开(公告)日：2020-08-25
申请号：CN202010199264.X
申请日：2020-03-20
Applicant: 北京交通大学
Abstract: 本发明涉及一种RGB-D图像显著性目标检测方法，包括如下步骤：1、从VGG主干网络中提取自顶向下的RGB-D特征，然后将RGB-D特征送入跟每个层级相对应的跨模态调制与选择单元；2、通过跨模态特征调制模块对多级RGB-D特征进行调制；3、通过自适应特征选择模块得到与显著性相关的特征；通过显著显著性边缘预测部分生成显著性边缘图；4、求得修正特征；5、利用修正特征通过显著性图预测部分进行显著性图预测，并以第1层级输出的显著性图作为网络的最终输出显著性结果。本发明能够充分挖掘跨模态数据之间的互补信息，获得更具判别力的特征表达，生成更加完整、准确、边缘清晰的显著性图，且具有较强的背景抑制能力。
-
公开(公告)号：CN103581687B
公开(公告)日：2017-12-15
申请号：CN201310414049.7
申请日：2013-09-11
Applicant: 北京交通大学长三角研究院
IPC: H04N19/597 , H04N19/36
Abstract: 本发明提供了一种基于压缩感知的自适应深度图像编码方法，包括以下过程：首先对深度图像进行隔点采样，采用0.5的下采样率；然后用canny算子提取出下采样后深度图像的边缘，根据不同的边缘信息对图像块进行自适应选取采样率，最后根据采样值以高概率重构出深度图像，再通过上采样得到和原来分辨率相同的深度图像。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.021 seconds)
