-
公开(公告)号：CN113569656B
公开(公告)日：2023-08-29
申请号：CN202110752439.X
申请日：2021-07-02
Applicant: 广州大学
IPC: G06V20/52 , G06V20/40 , G06V40/20 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/0464 , G06V10/25 , G06V10/764 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的考场监控方法，包括：监控系统实时拍摄考试视频；将预处理后的考试图像输入到已训练好的卷积神经网络当中，卷积神经网络将考试图像均匀的分成多个网格；每个网格对网格内的待识别物体进行行为类框预测，将行为类框的类别得分与预设阀值比较，过滤低于预设阀值的行为类框，将高于预设阀值的行为类框进行非极大值抑制，得到最终的检测框；根据最终的检测框的得分T与优化后的自适应参数q，p，r进行比较，得到行为类框中含有目标的概率。本发明在现有的一段式算法中的YOLO算法基础上，对检测数据进行深度学习自适应参数优化，并且提出自适应参数区间划分异常行为程度，将进一步提高异常行为检测的精确度。
-
公开(公告)号：CN119625252A
公开(公告)日：2025-03-14
申请号：CN202411615892.6
申请日：2024-11-13
Applicant: 广州大学
IPC: G06V10/25 , G06V10/82 , G06V10/774 , G06V10/764 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种遥感目标检测模型的训练方法及识别方法，其中，该训练方法获取遥感分类训练集和遥感检测训练集；将遥感分类训练集输入至第一网络框架中进行预训练，得到预训练好的第一网络框架；将遥感检测训练集输入至预训练好的第一网络框架中进行遥感特征提取，得到融合特征集；将融合特征集输入至第二网络框架中进行遥感目标检测，得到目标检测信息；根据目标检测信息，对预训练好的第一网络框架和第二网络框架进行联合微调训练，得到训练好的遥感目标检测模型。该方法可以提高遥感目标检测模型在面对复杂遥感场景的鲁棒性，减少所需的计算资源，提高遥感目标检测的准确度和效率。本发明涉及目标检测技术领域。
-
公开(公告)号：CN113139481B
公开(公告)日：2023-09-01
申请号：CN202110466081.4
申请日：2021-04-28
Applicant: 广州大学
IPC: G06V20/52 , G06V10/40 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于yolov3的教室人数统计方法，包括以下步骤：S1、通过设置于教室天花板的摄像头采集教室的原始图像作为模型训练的图像集；S2、对原始图像中的每个学生头部俯视图进行标注并生成标注文件，对标注文件中的标注框进行计算；S3、特征提取，对输入图像进行卷积和下采样；S4、建立检测模型，运用k‑means聚类算法对数据集进行聚类，检测模型采用改进的yolov3网络，包括特征提取网络和目标检测层；S5、进行检测模型训练；S6、将待测图像输入检测模型进行人数检测。本发明方法基于yolov3算法，能够快速准确地统计到某一时刻教室里学生的人数，老师可以很快的发现学生是否来齐，讲课途中是否有人混入或早退，达到改善学生迟到、早退以及逃课等现象。
-
公开(公告)号：CN116665190A
公开(公告)日：2023-08-29
申请号：CN202210148192.5
申请日：2022-02-17
Applicant: 广州大学
IPC: G06V20/59 , G06V40/16 , G06V10/764
Abstract: 一种基于人脸识别的驾驶员疲劳程度判断方法及系统，其方法包括：采集驾驶员的数据图像，将获取的图像进行图像预处理，得到预处理图像；采用回归树级联网络估计预处理图像中的人脸特征点位置；根据特征点位置，划分特征区域，对特征区域进行状态识别；根据状态识别的结果，判断驾驶员的疲劳程度；本申请通过深度学习的方法对驾驶员的人脸图像进行实时的采集和识别，可以及时判断驾驶员是否处于疲劳驾驶状态，以便及时提醒或采取相应措施，避免驾驶员由于疲劳驾驶，导致交通事故的发生。
-
公开(公告)号：CN113205687B
公开(公告)日：2022-07-05
申请号：CN202110481444.1
申请日：2021-04-30
Applicant: 广州大学
Abstract: 本发明涉及一种基于视频监控的酒驾车辆轨迹识别系统，包括视频采集模块、数字图像预处理模块、车辆行驶特征检测模块、酒驾车辆识别模块、车牌识别模块以及报送交警人工检测模块，各模块依次连接；其中，数字图像预处理模块包括车道线识别模块、汽车识别模块和图像预处理模块；车辆行驶特征检测模块包括汽车追踪模块、转向灯识别模块、角度检测模块和压线检测模块。本发明通过扩大酒驾检测的范围，提高交警的酒驾检测工作效率，使得酒驾司机不再抱有侥幸心理，进而减少因酒驾引起的交通事故的发生。
-
Patent Agency Ranking
公开(公告)号：CN114529970A
公开(公告)日：2022-05-24
申请号：CN202210147839.2
申请日：2022-02-17
Applicant: 广州大学
Abstract: 本发明涉及智能监控技术领域，且公开了基于Gabor特征和HOG特征融合的行人检测系统，包括首先对输入图像进行预处理，若图像不是人脸图像，需要先对图像进行人脸检测、人脸截图和人脸对齐，然后针对人脸图像进行灰度化、滤波和归一化，构造Gabor滤波器组，设置滤波器的核尺寸和方向，构造Gabor滤波器组。本发明通过计算每个单元的每个像素的梯度，并统计细胞单元的梯度方向直方图，以30°为间隔划分6个bin，则每个细胞单元可以得到一个6维的特征向量，最后将块归一化的特征向量进行串联，合成HOG特征向量，通过此过程，可以得到20张特征图，该特征图为二级特征，采用PCA对融合特征进行降维，最后用SVM作为分类器进行人脸识别，简化操作，提高人脸识别的效率。
-
公开(公告)号：CN113205687A
公开(公告)日：2021-08-03
申请号：CN202110481444.1
申请日：2021-04-30
Applicant: 广州大学
Abstract: 本发明涉及一种基于视频监控的酒驾车辆轨迹识别系统，包括视频采集模块、数字图像预处理模块、车辆行驶特征检测模块、酒驾车辆识别模块、车牌识别模块以及报送交警人工检测模块，各模块依次连接；其中，数字图像预处理模块包括车道线识别模块、汽车识别模块和图像预处理模块；车辆行驶特征检测模块包括汽车追踪模块、转向灯识别模块、角度检测模块和压线检测模块。本发明通过扩大酒驾检测的范围，提高交警的酒驾检测工作效率，使得酒驾司机不再抱有侥幸心理，进而减少因酒驾引起的交通事故的发生。
-
公开(公告)号：CN113139481A
公开(公告)日：2021-07-20
申请号：CN202110466081.4
申请日：2021-04-28
Applicant: 广州大学
Abstract: 本发明公开了一种基于yolov3的教室人数统计方法，包括以下步骤：S1、通过设置于教室天花板的摄像头采集教室的原始图像作为模型训练的图像集；S2、对原始图像中的每个学生头部俯视图进行标注并生成标注文件，对标注文件中的标注框进行计算；S3、特征提取，对输入图像进行卷积和下采样；S4、建立检测模型，运用k‑means聚类算法对数据集进行聚类，检测模型采用改进的yolov3网络，包括特征提取网络和目标检测层；S5、进行检测模型训练；S6、将待测图像输入检测模型进行人数检测。本发明方法基于yolov3算法，能够快速准确地统计到某一时刻教室里学生的人数，老师可以很快的发现学生是否来齐，讲课途中是否有人混入或早退，达到改善学生迟到、早退以及逃课等现象。
-
公开(公告)号：CN116665285A
公开(公告)日：2023-08-29
申请号：CN202210147807.2
申请日：2022-02-17
Applicant: 广州大学
IPC: G06V40/18 , G06V10/764 , G06V10/82 , G05B15/02 , G05B19/418
Abstract: 基于YOLOv3的睡眠检测方法、装置、设备及介质，其方法包括：采集家庭中每个成员睡眠时的照片；对照片中的人眼处进行标注，对标注的照片进行扩张和过滤，将扩张和过滤后的照片作为数据集；对数据集进行卷积化和池化处理，然后对处理后的数据集中的图像进行分类；对分类后的图像进行处理，判断用户是否闭眼，根据判断结果控制家电运行，本专利提出的YOLOv3的睡眠检测与智能家居相结合的方法，可以随时检测用户是否处于睡眠状态，并根据检测的结果控制家电关闭或节能运行，可以节约电力资源、减少电子废物的产生，有利于绿色环保社会的建设。
-
公开(公告)号：CN114511036A
公开(公告)日：2022-05-17
申请号：CN202210147830.1
申请日：2022-02-17
Applicant: 广州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于KNN的改进k‑means++算法，包括K‑means++算法，所述方法包括以下步骤：S1：输入包含n个数据对象的目标数据集D，数据集待聚类类簇数k，通过在初始类簇中心点选择时，第一个类簇中心点随机选取，后续的类簇中心点的选取将同时基于数据对象与最近邻的初始类簇中心点的距离，以及数据对象附近空间的稠密程度，其中，通过优化过后的中心点选取机制，那些远离已存在类簇中心点的高密度对象将有更大的可能性被选取为新的类簇中心点，由此中心点的选取不会过于随机而影响到聚类结果，在一定程度上提升了k‑means算法的聚类稳定性以及聚类质量，达到了使得中心点的选取更加合理且稳定，并提高聚类质量和聚类稳定性的效果。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.016 seconds)
