-
公开(公告)号：CN106778604A
公开(公告)日：2017-05-31
申请号：CN201611147548.4
申请日：2016-12-13
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于匹配卷积神经网络的行人再识别方法，主要解决现有技术在复杂环境、行人姿态多变情况下识别准确率低的问题。其实现是：1.构建匹配卷积神经网络；2.收集行人图片，获取训练样本集；3.用得到的训练样本集对匹配卷积神经网络进行训练；4.当用户输入待查询行人图片时，利用训练好的匹配卷积神经网络计算其与从已知数据库中取出两张图片之间的相似度；5.重复4的操作，直到数据库中的所有图片都取完；6.根据计算得到的相似度按照由大到小的顺序对已知数据库进行排序，将排序后的结果返回给用户。本发明能在复杂环境、行人姿态多变的情况下提高行人再识别的准确率，可用于智能监控系统、人物实时追踪、交通监管领域。
-
公开(公告)号：CN105046196A
公开(公告)日：2015-11-11
申请号：CN201510319846.6
申请日：2015-06-11
Applicant: 西安电子科技大学
CPC classification number: G06K9/00825 , G06K9/6269 , G06K9/66 , G06K2209/23
Abstract: 本发明提出了一种基于级联卷积神经网络的前车车辆信息结构化输出方法，主要解决现有方法不能在复杂环境下一次性快速检测、识别到车体、车牌、车标的问题。其实现过程是：1.获取样本集，并从中选出车体初样本集；2.用二值范数梯度方法对车体的最初样本集进行训练；3.分别训练车体、车牌、车标的卷积神经网络；4.根据训练好的车体卷积神经网络判断出车体区域和颜色；5.根据训练好的车牌卷积神经网络判断出车牌区域，识别车牌号；6.根据训练好的车标卷积神经网络判断出车标区域及类别；7.将得到的所有信息输出到帧图像。本发明能在复杂环境中较准确地检测、识别前方车辆信息，可用于智能监控、智能交通、驾驶员辅助及交通信息检测。
-
公开(公告)号：CN105046196B
公开(公告)日：2018-04-17
申请号：CN201510319846.6
申请日：2015-06-11
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于级联卷积神经网络的前车车辆信息结构化输出方法，主要解决现有方法不能在复杂环境下一次性快速检测、识别到车体、车牌、车标的问题。其实现过程是：1.获取样本集，并从中选出车体初样本集；2.用二值范数梯度方法对车体的最初样本集进行训练；3.分别训练车体、车牌、车标的卷积神经网络；4.根据训练好的车体卷积神经网络判断出车体区域和颜色；5.根据训练好的车牌卷积神经网络判断出车牌区域，识别车牌号；6.根据训练好的车标卷积神经网络判断出车标区域及类别；7.将得到的所有信息输出到帧图像。本发明能在复杂环境中较准确地检测、识别前方车辆信息，可用于智能监控、智能交通、驾驶员辅助及交通信息检测。
-
公开(公告)号：CN106778604B
公开(公告)日：2020-04-14
申请号：CN201611147548.4
申请日：2016-12-13
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于匹配卷积神经网络的行人再识别方法，主要解决现有技术在复杂环境、行人姿态多变情况下识别准确率低的问题。其实现是：1.构建匹配卷积神经网络；2.收集行人图片，获取训练样本集；3.用得到的训练样本集对匹配卷积神经网络进行训练；4.当用户输入待查询行人图片时，利用训练好的匹配卷积神经网络计算其与从已知数据库中取出两张图片之间的相似度；5.重复4的操作，直到数据库中的所有图片都取完；6.根据计算得到的相似度按照由大到小的顺序对已知数据库进行排序，将排序后的结果返回给用户。本发明能在复杂环境、行人姿态多变的情况下提高行人再识别的准确率，可用于智能监控系统、人物实时追踪、交通监管领域。
-
-
-
Search Results
4
records
(took 0.019 seconds)
