-
公开(公告)号：CN111695430B
公开(公告)日：2023-06-30
申请号：CN202010418338.4
申请日：2020-05-18
Applicant: 电子科技大学
IPC: G06V40/16 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明提出一种基于特征融合和视觉感受野网络的多尺度人脸检测方法，以VGG‑16为基础网络，由视觉感受野网络、空洞卷积网络共同组成本发明的网络结构，同时增加了网络的宽度和深度。在不同的卷积层提取不同分辨率的特征，根据不同层的分辨率采用不同方法提取候选框。在较低层的特征上，采用随机密集采样获取大量小尺度候选框，尽可能地匹配到更多真实样本。又通过对不同层的特征进行融合，使得融合特征同时包含了高低层的信息。高层特征适用于大尺度人脸的检测，低层特征适用于小尺度人脸的检测。本发明对于多尺度人脸尤其是小尺度人脸具有较好的检测效果。
-
公开(公告)号：CN110516557B
公开(公告)日：2022-07-29
申请号：CN201910706708.1
申请日：2019-08-01
Applicant: 电子科技大学
IPC: G06V40/16
Abstract: 本发明提供了一种基于低秩张量分解的多样本人脸表情识别方法，包括图像预处理步骤、特征提取步骤、张量建模步骤、低秩学习步骤、张量分解步骤和特征分类步骤。本发明利用张量表示特征空间能保留图像的非线性特征；通过低秩张量分解技术对不同个体的人脸子空间区域特征进行学习，得到了不同维度下的人脸信息，再对所有子空间下的张量进行分解，聚类重构得到表情特征的有效表示，对人脸表情信息表示能力更强，从而提高人脸表情识别率。
-
Patent Agency Ranking
公开(公告)号：CN110516557A
公开(公告)日：2019-11-29
申请号：CN201910706708.1
申请日：2019-08-01
Applicant: 电子科技大学
IPC: G06K9/00
Abstract: 本发明提供了一种基于低秩张量分解的多样本人脸表情识别方法，包括图像预处理步骤、特征提取步骤、张量建模步骤、低秩学习步骤、张量分解步骤和特征分类步骤。本发明利用张量表示特征空间能保留图像的非线性特征；通过低秩张量分解技术对不同个体的人脸子空间区域特征进行学习，得到了不同维度下的人脸信息，再对所有子空间下的张量进行分解，聚类重构得到表情特征的有效表示，对人脸表情信息表示能力更强，从而提高人脸表情识别率。
-
公开(公告)号：CN110659586B
公开(公告)日：2022-03-15
申请号：CN201910820059.8
申请日：2019-08-31
Applicant: 电子科技大学
IPC: G06V30/148 , G06K9/62 , G06V10/764 , G06V10/74
Abstract: 本发明公开了一种基于身份保持循环式生成式对抗网络的步态识别方法，包括如下步骤：利用高斯背景建模方法得到步态前景得到步态能量图；通过身份保持循环式生成式对抗网络，实现步态图像的状态转换；提取目标步态视角的步态能量图的特征向量，进行步态识别处理。本发明基于身份保持循环式生成式对抗网络的步态识别方法，可以实现对步态图像转化过程的更为细致更为准确的控制，以解决步态识别中受测者状态与数据库状态不匹配的问题，可以很大程度上扩展提高步态识别的准确率以及其应用范围。
-
公开(公告)号：CN110659586A
公开(公告)日：2020-01-07
申请号：CN201910820059.8
申请日：2019-08-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于身份保持循环式生成式对抗网络的跨视角步态识别方法，包括如下步骤：利用高斯背景建模方法得到步态前景得到步态能量图；通过身份保持循环式生成式对抗网络，实现步态图像的状态转换；提取目标步态视角的步态能量图的特征向量，进行步态识别处理。本发明基于身份保持循环式生成式对抗网络的步态识别方法，可以实现对步态图像转化过程的更为细致更为准确的控制，以解决步态识别中受测者状态与数据库状态不匹配的问题，可以很大程度上扩展提高步态识别的准确率以及其应用范围。
-
公开(公告)号：CN111695430A
公开(公告)日：2020-09-22
申请号：CN202010418338.4
申请日：2020-05-18
Applicant: 电子科技大学
Abstract: 本发明提出一种基于特征融合和视觉感受野网络的多尺度人脸检测方法，以VGG-16为基础网络，由视觉感受野网络、空洞卷积网络共同组成本发明的网络结构，同时增加了网络的宽度和深度。在不同的卷积层提取不同分辨率的特征，根据不同层的分辨率采用不同方法提取候选框。在较低层的特征上，采用随机密集采样获取大量小尺度候选框，尽可能地匹配到更多真实样本。又通过对不同层的特征进行融合，使得融合特征同时包含了高低层的信息。高层特征适用于大尺度人脸的检测，低层特征适用于小尺度人脸的检测。本发明对于多尺度人脸尤其是小尺度人脸具有较好的检测效果。
-
公开(公告)号：CN110650342A
公开(公告)日：2020-01-03
申请号：CN201910820042.2
申请日：2019-08-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于编码单元特征分析的快速编码方法，属于视频编码技术领域。本发明包括：编码单元纹理、边缘、结构特征提取；将提取的多特征输入至SVM分类器中离线学习，得到各深度下SVM的分类模型；通过提取的特征寻找当前关联度最大的编码单元进行深度0预判决；根据特征将编码单元划分为简单、中等和复杂三种情况；在各深度下对划分为简单的编码单元终止其深度判决，对划分为复杂的编码单元跳过当前深度进行下一深度判决，对划分为中等的编码单元则按照原流程进行当前深度的判决。本发明基于视频图像复杂度进行编码单元快速划分的方法可以大大减少编码单元在深度判决过程中的计算复杂度，在保证视频质量的前提下节约了编码时间。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
