-
公开(公告)号：CN117572382A
公开(公告)日：2024-02-20
申请号：CN202311579621.5
申请日：2023-11-23
Applicant: 西安电子科技大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明公开了一种飞行时间信息提取方法及其系统，包括：将多个模拟计数器的计数值重置为初始计数值，每个模拟计数器对应设置至少一个计数电容，计数电容用于获取计数值；直方图生成电路从时间数字转换器接收多个飞行时间码字；在探测时间内，对接收到的多个飞行时间码字选择对应数字地址的模拟计数器，并将选择的模拟计数器的计数值增加一个最小计数步长；根据不同模拟计数器对应设置的不同数量的计数电容、以及电荷量不同的计数电容，对飞行时间直方图进行滤波处理；对滤波后的飞行时间直方图进行峰值检测，提取飞行时间信息。本发明能够使得电路消耗资源显著降低。
-
公开(公告)号：CN115098903B
公开(公告)日：2025-04-01
申请号：CN202210851749.1
申请日：2022-07-20
Applicant: 电子科技大学 , 杭州海康威视数字技术股份有限公司
IPC: G06F30/10 , G06F30/27 , G06N3/126 , G06F111/04 , G06F111/10
Abstract: 本发明公开了一种低成本可扩展相控阵列稀疏优化方法，包括以下步骤：步骤一、设置阵列指标以确定规模；步骤二、选取稀疏率；步骤三、将已知规模阵列Q区域划分；步骤四、在任一区域内划分中心对称单元，对R1单元阵列随机分布，经区域可扩展复制得基础种群；步骤五、重复步骤四得种群集合，从中寻找最大适应度选优；步骤六、对R1单元进行算法优化；步骤七、校正实际阵元数；步骤八、返回步骤五寻优替换直至满足迭代次数；步骤九、验证优化结果，若未达到指标，按四度优先级返回相应步骤重新优化；步骤十、评估最优阵列。本发明通过等区域可扩展划分，使得稀疏布阵设计范围大大缩小，可扩展式性布局提升了复杂场景中阵列设计、调试及应用的灵活性。
-
公开(公告)号：CN115098903A
公开(公告)日：2022-09-23
申请号：CN202210851749.1
申请日：2022-07-20
Applicant: 电子科技大学 , 杭州海康威视数字技术股份有限公司
IPC: G06F30/10 , G06F30/27 , G06N3/12 , G06F111/04 , G06F111/10
Abstract: 本发明公开了一种低成本可扩展相控阵列稀疏优化方法，包括以下步骤：步骤一、设置阵列指标以确定规模；步骤二、选取稀疏率；步骤三、将已知规模阵列Q区域划分；步骤四、在任一区域内划分中心对称单元，对R1单元阵列随机分布，经区域可扩展复制得基础种群；步骤五、重复步骤四得种群集合，从中寻找最大适应度选优；步骤六、对R1单元进行算法优化；步骤七、校正实际阵元数；步骤八、返回步骤五寻优替换直至满足迭代次数；步骤九、验证优化结果，若未达到指标，按四度优先级返回相应步骤重新优化；步骤十、评估最优阵列。本发明通过等区域可扩展划分，使得稀疏布阵设计范围大大缩小，可扩展式性布局提升了复杂场景中阵列设计、调试及应用的灵活性。
-
公开(公告)号：CN108460320A
公开(公告)日：2018-08-28
申请号：CN201711373999.4
申请日：2017-12-19
Applicant: 杭州海康威视数字技术股份有限公司 , 杭州电子科技大学
IPC: G06K9/00
Abstract: 本发明涉及基于改进单元分析的监控视频异常事件检测方法。本发明在视频帧上划分非重叠的单元，利用多种低级视觉特征分别建模并建立相应的分类器对异常事件进行判断。在特征表示上使用了更加精细化的特征：利用关于前景对象的极坐标下的HOG3D特征作为运动特征，利用等价模式的LBP特征作为纹理特征。本发明在运动检测方面，既可以检测前景对象运动速度大小的异常，又可以检测前景对象运动方向的异常；在大小和纹理检测方面，能够很好地区分正常纹理和异常纹理。本发明在不大幅度增加检测时间的前提下，提升了算法的检测性能。
-
公开(公告)号：CN115128691B
公开(公告)日：2025-05-06
申请号：CN202210741676.0
申请日：2022-06-27
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种干扰物体检测方法和反射式光电传感器，涉及门禁控制领域。该方法应用于闸机；该方法包括：对多个反射式光电传感器中的第一传感器，基于第一传感器发射并接收的光信号，获取探测直方图；当根据预设时间点在探测直方图中检测到闸机机体，且在预设时间点之前的时间点处检测到物体时，确定闸机通道内存在干扰物体；预设时间点为第一传感器发射光信号的时刻加上光信号飞行过闸机通道的宽度的两倍距离所使用的时长之后得到的时间点。该方法适用于控制闸机阻拦或放行的过程中，用于提高闸机通道内物体检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN119692410A
公开(公告)日：2025-03-25
申请号：CN202311248206.1
申请日：2023-09-25
Applicant: 杭州海康威视数字技术股份有限公司 , 华中科技大学
Abstract: 本申请实施例提供一种模型训练方法、装置及终端设备。该方法包括：确定初始模型，所述初始模型中包括多个神经元，所述初始模型用于对输入数据进行处理得到标签数据；获取多个输入数据；确定各神经元的安全阈值和激活函数参数；根据所述多个输入数据、以及所述各神经元的安全阈值和激活函数参数，确定各神经元的权重值，以得到目标模型；所述目标模型用于对所述输入数据进行处理得到输出数据，所述输出数据为对所述标签数据进行脱敏处理后的数据。提高了模型训练的安全性。
-
公开(公告)号：CN109919296B
公开(公告)日：2025-02-14
申请号：CN201711319390.9
申请日：2017-12-12
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/08 , G06N3/045 , G06F18/2431
Abstract: 本发明实施例提供了一种深度神经网络训练方法、装置及计算机设备，其中，深度神经网络训练方法包括：针对树状网络拓扑结构中的当前网络层，获取当前网络层中各节点的任务属性，其中，树状网络拓扑结构中的各节点为对应于不同任务的神经网络，树状网络拓扑结构中的叶节点为针对指定任务已完成训练的神经网络；基于当前网络层中各节点的任务属性，对当前网络层中各节点进行聚类分析，提取同一类别中多个节点的任务属性的共性部分，作为多个节点的父节点的任务属性；基于各父节点的任务属性，训练各父节点的网络参数；在对各网络层中各节点完成训练后，确定树状网络拓扑结构对应的深度神经网络训练结束。通过本方案可以提高深度学习的运算效率。
-
公开(公告)号：CN119229635A
公开(公告)日：2024-12-31
申请号：CN202310779383.6
申请日：2023-06-28
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供了一种路径还原方法、装置、设备以及存储介质，涉及智能交通技术领域，具体实现方案为：基于目标车辆已知经过的第一点位，确定缺失点位的候选点位组；获得各第一点位的点位数据和各第二点位的点位数据，其中，第一点位的点位数据包括：第一点位的点位特征数据、目标车辆经过第一点位的时间数据和目标车辆经过第一点位时第一点位的态势数据，第二点位的点位数据包括：第二点位的点位特征数据和目标车辆经过第一点位时第二点位的态势数据；基于各条可通行路径中点位的点位数据，生成各条可通行路径的路径特征；基于路径特征，从各条可通行路径中确定目标车辆的还原路径。应用本申请实施例提供的方案能够实现行驶路径还原。
-
公开(公告)号：CN118823542B
公开(公告)日：2024-12-27
申请号：CN202411305356.6
申请日：2024-09-19
Applicant: 北京航空航天大学 , 杭州海康威视数字技术股份有限公司
IPC: G06V10/80 , G06V10/74 , G06V10/25 , G06V10/62 , G06V10/46 , G06V20/52 , G06V20/40 , G06V40/20 , G06V40/16 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明涉及图像识别技术领域，具体涉及一种视觉特征与时空信息融合的跨时空目标关联方法，包括以下步骤：提取监控视频和待关联图像的目标特征；构建大时空下各摄像机之间的动态时空拓扑结构；基于摄像机之间的动态时空拓扑结构筛选时空关联范围；利用目标特征以及时空一致性原则判断待关联的目标图像与关联范围内的图像是否为同一目标身份，进而进行小时空下的目标关联；以关联上的目标图像为新的待关联图像，逐步扩大搜索范围，重复执行上述小时空范围关联，实现大时空范围下的目标关联。本发明可融合目标特征以及各个摄像机间的时空信息，实现更高效、准确的大时空目标关联。
-
公开(公告)号：CN119107515A
公开(公告)日：2024-12-10
申请号：CN202310679021.X
申请日：2023-06-08
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V10/774 , G06V40/16
Abstract: 本申请提供一种面部运动单元检测方法、装置及设备，该方法包括：将源域图像输入给检测网络得到源域特征，将源域特征输入给第一分类器得到源域预测向量；将目标域图像输入给检测网络得到目标域特征，将目标域特征输入给第一分类器得到目标域预测向量；基于源域预测向量确定源域分布向量，基于目标域预测向量确定目标域分布向量；将源域分布向量输入给第二分类器得到第一分类结果，将目标域分布向量输入给第二分类器得到第二分类结果，基于第一分类结果和第二分类结果确定第一损失值，基于第一损失值对检测网络和第一分类器的网络参数进行调整，基于调整后的检测网络和第一分类器生成目标网络模型。通过本申请方案，训练时间较短，资源消耗较小。
-
-
-
-
-
-
-
-
-
Search Results
808
records
(took 0.076 seconds)
