-
公开(公告)号：CN110234093A
公开(公告)日：2019-09-13
申请号：CN201910597642.7
申请日：2019-07-04
Applicant: 南京邮电大学
Abstract: 本发明公开了一种车联网环境下基于IBE的物联网设备加密方法，主要用于解决车联网环境下智能汽车数据计算的效率问题。将加密过程分成外部设备加密和在线加密两个阶段。外部设备加密阶段，在获知接收者身份和明文之前，预先计算所有的计算复杂度较高的运算(如指数运算、对运算等)，形成离线密文。在线加密阶段，当收到接收者身份和明文后在节点上计算其余的加密运算。同时优化加解密过程中的双线性配对计算算法，减少加密过程的时间复杂度，提高车联网的数据加密传输处理效率。
-
公开(公告)号：CN109753949A
公开(公告)日：2019-05-14
申请号：CN201910097579.0
申请日：2019-01-31
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于深度学习的多视窗交通标志检测方法，首先通过仿射变换在不同的照明条件和方向上提供其他交通标志图片，然后利用扩充的数据集训练基于YOLO框架的交通标志检测模型，最后利用多视窗YOLO模型对输入图像进行分区域操作，对每个区域分别检测，并将检测结果进行融合，得到最终检测结果。本发明保证了需要进行交通标志检测的应用领域在进行交通标志检测时的准确性，不仅能提高交通安全性，同时也保证了交通运行效率，具有较高的研究意义。
-
Patent Agency Ranking
公开(公告)号：CN110234093B
公开(公告)日：2021-11-26
申请号：CN201910597642.7
申请日：2019-07-04
Applicant: 南京邮电大学
IPC: H04W4/40 , H04W12/03 , H04W12/041
Abstract: 本发明公开了一种车联网环境下基于IBE的物联网设备加密方法，主要用于解决车联网环境下智能汽车数据计算的效率问题。将加密过程分成外部设备加密和在线加密两个阶段。外部设备加密阶段，在获知接收者身份和明文之前，预先计算所有的计算复杂度较高的运算(如指数运算、对运算等)，形成离线密文。在线加密阶段，当收到接收者身份和明文后在节点上计算其余的加密运算。同时优化加解密过程中的双线性配对计算算法，减少加密过程的时间复杂度，提高车联网的数据加密传输处理效率。
-
公开(公告)号：CN109688152B
公开(公告)日：2021-01-12
申请号：CN201910003778.0
申请日：2019-01-03
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面向车载CAN总线的报文注入式攻击的检测方法，将CAN总线正常通信的周期性和稳定性特征应用于实时检测CAN总线是否遭受到报文注入式攻击的检测过程中。本发明在具体实施时，需要首先监听车载CAN总线正常通信，并保存其通信特征，在检测时通过对比正常通信特征和实时通信特征来实现检测注入式攻击的目的。本发明在不改变汽车CAN总线上硬件架构的情况下，通过更新连接在CAN总线电子控制单元ECU的软件，检测车辆CAN总线是否遭受到注入式攻击。本发明可应用于各种使用CAN总线进行信息传输的车辆中，提升车辆在使用过程中的安全性，保障乘坐人员的人身安全。
-
公开(公告)号：CN109688152A
公开(公告)日：2019-04-26
申请号：CN201910003778.0
申请日：2019-01-03
Applicant: 南京邮电大学
CPC classification number: H04L63/1466 , H04L12/40 , H04L2012/40215
Abstract: 本发明公开了一种面向车载CAN总线的报文注入式攻击的检测方法，将CAN总线正常通信的周期性和稳定性特征应用于实时检测CAN总线是否遭受到报文注入式攻击的检测过程中。本发明在具体实施时，需要首先监听车载CAN总线正常通信，并保存其通信特征，在检测时通过对比正常通信特征和实时通信特征来实现检测注入式攻击的目的。本发明在不改变汽车CAN总线上硬件架构的情况下，通过更新连接在CAN总线电子控制单元ECU的软件，检测车辆CAN总线是否遭受到注入式攻击。本发明可应用于各种使用CAN总线进行信息传输的车辆中，提升车辆在使用过程中的安全性，保障乘坐人员的人身安全。
-
公开(公告)号：CN109753949B
公开(公告)日：2022-08-12
申请号：CN201910097579.0
申请日：2019-01-31
Applicant: 南京邮电大学
IPC: G06V20/58 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于深度学习的多视窗交通标志检测方法，首先通过仿射变换在不同的照明条件和方向上提供其他交通标志图片，然后利用扩充的数据集训练基于YOLO框架的交通标志检测模型，最后利用多视窗YOLO模型对输入图像进行分区域操作，对每个区域分别检测，并将检测结果进行融合，得到最终检测结果。本发明保证了需要进行交通标志检测的应用领域在进行交通标志检测时的准确性，不仅能提高交通安全性，同时也保证了交通运行效率，具有较高的研究意义。
-
公开(公告)号：CN109635793A
公开(公告)日：2019-04-16
申请号：CN201910097865.7
申请日：2019-01-31
Applicant: 南京邮电大学
CPC classification number: G06K9/00362 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的无人驾驶行人轨迹预测方法，包括处理样本数据、获取输入信息序列、构建并优化网络、测试及评估最优模型。将无人驾驶车辆上的视觉传感器采集到的实时视频，分割成以帧为单位的图像作为样本数据，将样本数据中即将通过斑马线的目标人群划分成三类，从样本中获取行人位置‑比例信息序列、行人骨架信息序列、视觉传感器自身运动序列，再将信息序列输入卷积神经网络进行训练，得到初步的预测模型，经过测试和评估，最终输出预测轨迹和动作类别。本发明采用卷积神经网络进行无人驾驶行人轨迹预测，可以有效降低无人驾驶车辆在道路行驶过程中碰撞行人发生的概率。
-
-
-
-
-
-
Search Results
7
records
(took 0.026 seconds)
