-
公开(公告)号：CN113128387A
公开(公告)日：2021-07-16
申请号：CN202110397494.1
申请日：2021-04-14
Applicant: 广州大学
Abstract: 本发明公开了一种基于面部表情特征分析的吸毒者毒瘾发作识别方法，该方法步骤包括：采集被监察者的视频并进行人脸识别；对提取得到的人脸图像进行图像预处理；构建DNN深度神经网络并进行网络训练，设置待训练的DNN深度神经网络的超参数值，将训练集样本输入到DNN深度神经网络进行训练；DNN深度神经网络包括依次连接的输入层、卷积层、池化层、GRU层和Softmax输出层；将图像预处理后的人脸图像输入到训练好的DNN深度神经网络，对人脸图像的特征进行提取，输出毒瘾发作概率的预测值；当输出毒瘾发作概率的预测值大于预设的阈值时，判定被监察者毒瘾发作。本发明提供判断精确度的效果，具有良好的分类效果和泛化能力。
-
公开(公告)号：CN109822582A
公开(公告)日：2019-05-31
申请号：CN201910004290.X
申请日：2019-01-03
Applicant: 广州大学
Abstract: 本发明公开了一种基于ROS的家庭服务机器人，该机器人包括清洁移动平台，躯干，三自由度双臂和二自由度头部，清洁移动平台上装有操作系统为ROS的Linux主机、激光雷达、惯性测量单元、行走组件和清洁组件，二自由度头部包括显示屏、深度相机、麦克风模块和触觉传感器。该机器人通过激光雷达对未知环境构建三维地图，利用ROS的轨迹规划库，在环境中按照要求进行清洁轨迹规划与优化，躲避动、静态障碍；通过头部的显示屏、深度相机和麦克风模块进行人机交互，深度相机获取人的肢体动作信息，头部的触觉传感器能感知是否有人触碰，三自由度双臂能实现类似人类双臂前后上下摆动，能满足家庭娱乐需求，提高了该机器人的智能性与多功能性。
-
公开(公告)号：CN113128387B
公开(公告)日：2023-10-13
申请号：CN202110397494.1
申请日：2021-04-14
Applicant: 广州大学
IPC: G06V40/16 , G06V20/40 , G06V10/774 , G06V10/776 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于面部表情特征分析的吸毒者毒瘾发作识别方法，该方法步骤包括：采集被监察者的视频并进行人脸识别；对提取得到的人脸图像进行图像预处理；构建DNN深度神经网络并进行网络训练，设置待训练的DNN深度神经网络的超参数值，将训练集样本输入到DNN深度神经网络进行训练；DNN深度神经网络包括依次连接的输入层、卷积层、池化层、GRU层和Softmax输出层；将图像预处理后的人脸图像输入到训练好的DNN深度神经网络，对人脸图像的特征进行提取，输出毒瘾发作概率的预测值；当输出毒瘾发作概率的预测值大于预设的阈值时，判定被监察者毒瘾发作。本发明提供判断精确度的效果，具有良好的分类效果和泛化能力。
-
公开(公告)号：CN113139439B
公开(公告)日：2022-06-10
申请号：CN202110368642.7
申请日：2021-04-06
Applicant: 广州大学
Abstract: 本发明公开了一种基于人脸识别的在线学习专注度评价方法及装置，方法首先通过在线学习学习者的电脑摄像头获取视频图像；在视频图像含有人脸信息情况下截取其中的人脸部分，生成人脸图像；然后提取人脸图像中的人脸头像并归一化，对归一化后的图像进行直方图均衡化处理，得到特征图像；接着创建专注度评价模型，将学习者在线学习过程中的特征图像导入专注度评价模型，得到专注度分值的平均值；根据专注度分值的平均值与专注度自评结果迭代专注度评价模型；当学习者正在在线学习时，将实时获取的特征图像导入到完成迭代的专注度评价模型，专注度评价模型实时输出学习者的专注度分值。本发明能够自动准确监测学习者在线学习过程中的专注度水平。
-
公开(公告)号：CN112116841A
公开(公告)日：2020-12-22
申请号：CN202010948014.1
申请日：2020-09-10
Applicant: 广州大学
Abstract: 本发明公开了一种基于深度学习的个性化远程教育系统及方法，该系统包括教师端、远程教育端、学生端、个性化题库分析模块、学生专注度检测模块和学生信息库；学生端通过网络学习平台连接远程教育端；教师端用于教师直播或录播上课，学生端用于学生学习，远程教育端用于辅助教师教学，个性化题库分析模块用于根据学员的学习进度、学习错误题目和题库加载的高频错误点进行统计，针对每位同学推送对应题目，学生专注度检测模块用于将视觉图像送入深度学习框架进而分析学习者的专心程度。本发明在传统的高效远程教育管理系统基础上增加了个性化题库分析模块，实现对不同的用户端，不同的学习目的进行自适应的适配，达到智能教学的目的。
-
Patent Agency Ranking
公开(公告)号：CN113139533B
公开(公告)日：2022-08-02
申请号：CN202110366873.4
申请日：2021-04-06
Applicant: 广州大学
IPC: G06V30/14 , G06V30/226 , G06V30/148 , G06V30/18 , G06V30/19 , G06T7/13 , G06T5/00
Abstract: 本发明公开了一种快速识别手写矢量的方法及装置、介质和设备，方法首先获取含有手写字体的原始图像并进行高斯滤波、灰度化、边缘检测，得到边缘图像，然后识别并存储其中的字母。检测边缘图像中是否含有直线，若有，则初步判定手写字体存在字母矢量的箭头特征，并分割边缘图像，得到含有直线的局部图像，再计算局部图像的HU矩，将HU矩与标准箭头HU矩进行匹配，两者一致的情况下判定手写字体存在字母矢量的箭头特征。只有两次都有检测到箭头特征，才判定手写字体为手写字母矢量，根据存储的字母信息生成并输出对应的字母矢量，其他情况则判定手写字体为字母，输出存储的字母信息。本发明可以准确高效地识别手写字母及手写字母矢量。
-
公开(公告)号：CN113139533A
公开(公告)日：2021-07-20
申请号：CN202110366873.4
申请日：2021-04-06
Applicant: 广州大学
Abstract: 本发明公开了一种快速识别手写矢量的方法及装置、介质和设备，方法首先获取含有手写字体的原始图像并进行高斯滤波、灰度化、边缘检测，得到边缘图像，然后识别并存储其中的字母。检测边缘图像中是否含有直线，若有，则初步判定手写字体存在字母矢量的箭头特征，并分割边缘图像，得到含有直线的局部图像，再计算局部图像的HU矩，将HU矩与标准箭头HU矩进行匹配，两者一致的情况下判定手写字体存在字母矢量的箭头特征。只有两次都有检测到箭头特征，才判定手写字体为手写字母矢量，根据存储的字母信息生成并输出对应的字母矢量，其他情况则判定手写字体为字母，输出存储的字母信息。本发明可以准确高效地识别手写字母及手写字母矢量。
-
公开(公告)号：CN112183238A
公开(公告)日：2021-01-05
申请号：CN202010948012.2
申请日：2020-09-10
Applicant: 广州大学
Abstract: 本发明公开了一种远程教育注意力检测方法及系统，该方法的步骤为：采集面部图像；对采集到的面部图像进行图像预处理，进行高斯滤波后将图像从RGB图像转换为灰度图；框选面部特征，通过人脸识别算法识别到人脸特征值，进行特征值匹配验证；构建人脸实时情绪分类系统；标注人脸特征点，根据特征点之间的几何距离，计算嘴巴张开程度、眼睛张开程度；预设眼睛张开程度阈值、嘴巴张开程度第一阈值和嘴巴张开第二阈值，判定注意力状态处于专注或者分心；设置间隔时间采集面部图像，注意力状态判定为分心时反馈提示。本发明设置了实时注意力检测，检测学生学习的注意力状态，辅助提高远程教育的学习效果，达到智能教学目的。
-
公开(公告)号：CN112183238B
公开(公告)日：2024-01-05
申请号：CN202010948012.2
申请日：2020-09-10
Applicant: 广州大学
Abstract: 本发明公开了一种远程教育注意力检测方法及系统，该方法的步骤为：采集面部图像；对采集到的面部图像进行图像预处理，进行高斯滤波后将图像从RGB图像转换为灰度图；框选面部特征，通过人脸识别算法识别到人脸特征值，进行特征值匹配验证；构建人脸实时情绪分类系统；标注人脸特征点，根据特征点之间的几何距离，计算嘴巴张开程度、眼睛张开程度；预设眼睛张开程度阈值、嘴巴张开程度第一阈值和嘴巴张开第二阈值，判定注意力状态处于专注或者分心；设置间隔时间采集面部图像，注意力状态判定为分心时反馈提示。本发明设置了实时注意力检测，检测学生学习的注意力状态，辅助提高远程教育的学习效果，达到智能教学目的。
-
公开(公告)号：CN116824661A
公开(公告)日：2023-09-29
申请号：CN202310590266.5
申请日：2023-05-23
Applicant: 广州大学
IPC: G06V40/16 , G06V40/20 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464
Abstract: 本发明提供了一种基于人脸动作单元和卷积神经网络集成的表情识别方法，包括以下步骤：S1：通过摄像头检测及采集人的面部图像；S2：对图像进行预处理；S3：将人脸图像输入基于面部动作单元的表情识别分类器；S4：通过多标签分类器检测面部图像中动作单元的类别；S5：根据6种基本表情的动作单元组合与识别到的动作单元，输出基于面部动作单元的表情分类结果；S6：将人脸图像输入卷积神经网络表情分类器；S7：根据卷积神经网络对人脸图像特征的识别结果判断图像的表情类别；S8：输出卷积神经网络的分类结果；S9：根据两个分类器的识别结果进行数据融合，判断最终结果。本发明的面部表情识别方法稳定且准确。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.014 seconds)
