-
公开(公告)号：CN114913515B
公开(公告)日：2024-04-02
申请号：CN202111674309.5
申请日：2021-12-31
Applicant: 北方工业大学
IPC: G06V20/62 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种端到端的车牌识别网络构建方法，本方法采用卷积神经网络直接端到端的训练推理，卷积神经网络的输入是一幅车牌的图像，卷积神经网络的输出相应车牌的文字；卷积神经网络的设计是1)模型架构设计，对于输入的车牌的图像，提取特征；将提取到的特征分别送入多个相同的分类器；每个分类器是由一个三层的前馈神经网络构成；2)标签制作，车牌的字符进行编码分为三个部分，依次是省份、地区和个人编码；在编码时候，把蓝色牌中的个人编码对应字符位数与新能源车牌中的个人编码对应字符位数设置为相同，字符位数相差部分用“”表示；3)使用损失函数优化卷积神经网络；4)训练网络。本方法针对传统的蓝牌和绿牌，采用统一套方法即可完成识别。
-
公开(公告)号：CN114495158B
公开(公告)日：2025-04-04
申请号：CN202111677729.9
申请日：2021-12-31
Applicant: 北方工业大学
IPC: G06V40/10 , G06V10/34 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 一种应用于复杂场景的行为检测系统，其结构为：网络摄像机通过现场控制箱内的交换机与箱内的硬盘录像机连接；5G无线信号收发单元CPE与交换机连接；以CPU和GPU为核心的检测模块与交换机连接；检测模块对网络摄像机采集到的视频流采样处理，把处理结果通过CPE发送到后台端。在检测模块中，采用AI算法对视频流进行处理和识别，在AI算法中首先对图像采集装置获得的视频帧序列，提取每一帧中人的骨架信息；再把这些骨架信息的骨架关节在相应帧的位置特征经过归一化处理；最后采用动作骨架识别网络进行识别，并分类输出。
-
公开(公告)号：CN116052041A
公开(公告)日：2023-05-02
申请号：CN202211622368.2
申请日：2022-12-16
Applicant: 北方工业大学 , 北京市地铁运营有限公司
IPC: G06V20/40 , G06V10/56 , G06V10/762 , G06V10/25
Abstract: 一种基于深度网络的指示灯状态识别方法，步骤包括：首先，采集指示灯位置的视频；然后，采用指示灯状态判别模型对视频帧图像中的指示灯的亮灭状态进行识别，包括步骤1：搭建基于深度学习的指示灯状态判别模型：步骤2：对先验框进行调整；步骤3：将待检测图片输入到深度学习目标检测网络中，得出检测结果，即获得指示灯所在区域，并将指示灯区域图像裁切出来；步骤4：把指示灯区域图像的RGB模式图像利用HSV模型进行转换；步骤5：根据不同颜色所分布的区间进行指示灯具体颜色的提取；步骤6：在HSV颜色空间下，指示灯的状态进行判断。采用本发明解决了现有技术仍大量使用人工检测指示灯状态的问题，节省去大量的人工劳动力，同时在监测效率上大大提高。
-
公开(公告)号：CN114913515A
公开(公告)日：2022-08-16
申请号：CN202111674309.5
申请日：2021-12-31
Applicant: 北方工业大学
Abstract: 一种端到端的车牌识别网络构建方法，本方法采用卷积神经网络直接端到端的训练推理，卷积神经网络的输入是一幅车牌的图像，卷积神经网络的输出相应车牌的文字；卷积神经网络的设计是1)模型架构设计，对于输入的车牌的图像，提取特征；将提取到的特征分别送入多个相同的分类器；每个分类器是由一个三层的前馈神经网络构成；2)标签制作，车牌的字符进行编码分为三个部分，依次是省份、地区和个人编码；在编码时候，把蓝色牌中的个人编码对应字符位数与新能源车牌中的个人编码对应字符位数设置为相同，字符位数相差部分用“”表示；3)使用损失函数优化卷积神经网络；4)训练网络。本方法针对传统的蓝牌和绿牌，采用统一套方法即可完成识别。
-
Patent Agency Ranking
公开(公告)号：CN114495158A
公开(公告)日：2022-05-13
申请号：CN202111677729.9
申请日：2021-12-31
Applicant: 北方工业大学
Abstract: 一种应用于复杂场景的行为检测系统，其结构为：网络摄像机通过现场控制箱内的交换机与箱内的硬盘录像机连接；5G无线信号收发单元CPE与交换机连接；以CPU和GPU为核心的检测模块与交换机连接；检测模块对网络摄像机采集到的视频流采样处理，把处理结果通过CPE发送到后台端。在检测模块中，采用AI算法对视频流进行处理和识别，在AI算法中首先对图像采集装置获得的视频帧序列，提取每一帧中人的骨架信息；再把这些骨架信息的骨架关节在相应帧的位置特征经过归一化处理；最后采用动作骨架识别网络进行识别，并分类输出。
-
公开(公告)号：CN115394074A
公开(公告)日：2022-11-25
申请号：CN202210780512.9
申请日：2022-07-04
Applicant: 北方工业大学
Abstract: 一种公路监控车辆检测系统，包括监控摄像机、控制箱以及网络设备；控制箱、位于监控摄像机所在位置的路旁；监控摄像机与控制箱内的网络设备连接，把拍摄到的视频通过网络设备向外传输。还包括检测模块，检测设备以计算机为核心；网络设备包括无线和/或有线通信模块，以及网络交换机；网络交换机还连接存储器；监控摄像机以及检测模块通过网线连接网络交换机；监控摄像机的视频通过网络交换机传给存储器；检测模块从存储器中调取所需视频流并截取单帧图片；所述检测模块包括定位单元和识别单元；所述定位单元得到车牌的位置信息；所述识别单元输出车牌文字。检测设备获取的车辆图片以及对应车牌文字信息存储到存储器中，供管理端调取。
-
公开(公告)号：CN114708561A
公开(公告)日：2022-07-05
申请号：CN202210324251.X
申请日：2022-03-29
Applicant: 北方工业大学
IPC: G06V20/54 , G06V20/62 , G06V30/19 , G06V10/82 , G06V10/70 , G06N3/04 , G06N3/08 , G06K9/62 , H02J9/06 , G08G1/017
Abstract: 一种高速路口车牌识别系统，包括电源、图像采集装置、车辆感应装置、识别装置和网络传输装置；电源在现场为图像采集装置、车辆感应装置、识别装置和网络传输装置供电；电源是市电和/或太阳能供电系统；图像采集装置是数码照相机，车辆感应装置的信号输出端与数码照相机的电子快门输入端电连接；识别装置是以微型计算机为核心的设备；识别装置接收来自数码照相机的图片，识别车牌照片，然后存储车牌照片对应的文字信息；识别装置连接于网络传输设备；远端的管理后台通过网络传输设备调取识别装置存储的文字信息和/或图片；识别装置使用卷积神经网络模型对车牌进行识别，在卷积神经网络模型中，输入的车牌图片被提取特征最终得到输出的文字信息。
-
公开(公告)号：CN112818945A
公开(公告)日：2021-05-18
申请号：CN202110250379.1
申请日：2021-03-08
Applicant: 北方工业大学
Abstract: 一种适用于地铁车站人群计数的卷积网络构建方法，步骤包括：首先，搭建深度学习框架作为密度生成网络：对采集得到的人群图的样本使用高斯滤波方法对人群标注,进行人群密度图生成；计算人群密度图中的人群总数；将人群图的样本和对应的人群密度图作为一个组合送入密度生成网络进行训练；利用损失函数优化。然后，设计用于判别生成密度图准确的判别网络；利用损失函数优化判别网络；训练对抗生成网络，采用对抗的训练方式来进行人群密度预测：生成模型和判别模型采用联合交替迭代的训练方式优化最大最小问题；同时，判别器的输出为生成器提供密度图位置和预测精度的反馈；两个网络同时竞争训练，直到生成器生成的样本不能被判别器正确判断。
-
公开(公告)号：CN112818944A
公开(公告)日：2021-05-18
申请号：CN202110250374.9
申请日：2021-03-08
Applicant: 北方工业大学
Abstract: 一种面向地铁车站场景的密集人群计数方法，包括步骤：一、先对图像进行亮度对比度饱和度进行初步调整；二、把步骤一得到图像信息送入多尺度卷积网络，处理得到人群密度图；三、由人群密度图得到图中的人群总数。步骤一的流程为：对采集到的图像进行去噪处理得到去噪图像；对去噪图像进行边缘提取得到边缘图像；对边缘图像进行图像增强处理得到去噪且边缘增强的图像；利用亮度可控的直方图均衡方法对去噪图像进行处理得到全局增强图像；对步骤所得到的图像进行线性叠加，得到最终的输出图像即人群图；在输出图像中标注人头位置即人群标注位置。所述步骤二中，把输出图像以及人头位置的标注输入到多尺度卷积网络中进行处理，并输出人群密度图。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.024 seconds)
