公开(公告)号：CN114663938A

公开(公告)日：2022-06-24

申请号：CN202210201981.0

申请日：2022-03-03

Applicant: 长安大学

Inventor： 周洲 ,  程鑫 ,  张煜昕 ,  宁航 ,  王宏飞 ,  赵犇 ,  翟茗禹 ,  李思含 ,  连新宇 ,  赵祥模

IPC: G06V40/16 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  B60R25/25

Abstract: 本发明提供了一种考虑人脸欺诈的车载系统安全认证管理方法，其中，构建车载系统安全认证管理卷积神经网络，所述的构建包括：所述的卷积神经网络包括纹理呈现子网络、光学呈现子网络和特征融合子网络；所述的车载系统安全认证管理卷积神经网络以MobileNet‑V2为骨干。将所获得的增强后的RGB图像的人脸区域图像和光流场图的人脸区域图像分别作为纹理呈现子网络和光学呈现子网络的输入，采用车载系统安全认证管理卷积神经网络进行训练，通过纹理呈现子网络和光学呈现子网络的训练进行纹理特征和光流特征的提取，在特征融合子网络中获得特征融合，最后，基于光流特征和纹理特征，进行真人脸和假人脸的分类，输出最终结果。

公开(公告)号：CN113674524A

公开(公告)日：2021-11-19

申请号：CN202110856839.5

申请日：2021-07-28

Applicant: 长安大学

Inventor： 程鑫 ,  周经美 ,  常惠 ,  王宏飞 ,  乔通 ,  张晓静 ,  宋佳纯 ,  赵犇 ,  翟茗禹 ,  连新宇 ,  郭兰英

IPC: G08G1/01 ,  G06F30/27 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N3/12 ,  G06F111/08

Abstract: 本发明属于交通技术领域，公开了一种基于LSTM‑GASVR的多尺度短时交通流预测建模、预测方法及系统。建模方法包括：对采样的交通流数据进行重构、归一化及工作日因素升维等步骤预处理数据；建立LSTM模型提取数据特征，训练LSTM短时交通流预测模型；使用遗传算法GA优化SVR模型中的参数，选择最优的模型参数组合，训练SVR短时交通流预测模型；利用SVR算法优化LSTM模型的预测结果，输出结果即为未来15min的交通流预测值，实现了交通流的实时高精度预测。多种预测方法比较分析表明，本发明较LSTM、GRU、CNN、SAE、ARIMA、SVR，预测精度提高了20％，R2达到了0.982，解释方差为0.982，mape为0.118。本发明的交通流预测方法为交通管理人员判断路网状态，进行交通控制及车流引导提供了有力支撑。

公开(公告)号：CN110298347B

公开(公告)日：2022-11-01

申请号：CN201910462112.1

申请日：2019-05-30

Applicant: 长安大学

Inventor： 程鑫 ,  周经美 ,  韩睿之 ,  周洲 ,  郝茹茹 ,  张立成 ,  尚旭明 ,  陈宇轩 ,  王钰 ,  王宏飞 ,  赵祥模

IPC: G06V30/148 ,  G06V10/24 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于数字图像处理技术领域，具体涉及一种基于GrayWorld与PCA‑CNN的汽车尾气分析仪屏幕的识别方法，步骤1：采集样本图像集，对样本图像集中的每个图像的检测项目和检测示数区域进行标注得到标签集，得到基于PCA的卷积神经网络模型；步骤2：采集待识别图像，利用GrayWorld算法对待识别图像进行预处理得到投影直方图，对投影直方图进行字符分割得到字符图像；步骤3：字符图像输入基于PCA的卷积神经网络模型中进行识别得到结果矩阵，将结果矩阵中的所有元素逐行划分为检测项目或检测示数，计算每个检测项目对应的检测示数值。本发明避免了光照等因素对具有较大屏幕区域的汽车尾气分析仪器带来的亮度影响能够在各种实际条件下取得较好的识别效果。

公开(公告)号：CN110298347A

公开(公告)日：2019-10-01

申请号：CN201910462112.1

申请日：2019-05-30

Applicant: 长安大学

Inventor： 程鑫 ,  周经美 ,  韩睿之 ,  周洲 ,  郝茹茹 ,  张立成 ,  尚旭明 ,  陈宇轩 ,  王钰 ,  王宏飞 ,  赵祥模

IPC: G06K9/34 ,  G06K9/32

Abstract: 本发明属于数字图像处理技术领域，具体涉及一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法，步骤1：采集样本图像集，对样本图像集中的每个图像的检测项目和检测示数区域进行标注得到标签集，得到基于PCA的卷积神经网络模型；步骤2：采集待识别图像，利用GrayWorld算法对待识别图像进行预处理得到投影直方图，对投影直方图进行字符分割得到字符图像；步骤3：字符图像输入基于PCA的卷积神经网络模型中进行识别得到结果矩阵，将结果矩阵中的所有元素逐行划分为检测项目或检测示数，计算每个检测项目对应的检测示数值。本发明避免了光照等因素对具有较大屏幕区域的汽车尾气分析仪器带来的亮度影响能够在各种实际条件下取得较好的识别效果。

公开(公告)号：CN110187633A

公开(公告)日：2019-08-30

申请号：CN201910361149.5

申请日：2019-04-30

Applicant: 长安大学

Inventor： 周洲 ,  程鑫 ,  陈宇轩 ,  赵祥模 ,  张立成 ,  郝茹茹 ,  尚旭明 ,  王钰 ,  韩睿之 ,  王宏飞 ,  常惠

IPC: G05B11/42

Abstract: 本发明属于自动控制技术领域，具体涉及一种面向汽车底盘测功机的BP～RNN变速积分PID算法，包括，步骤1：对汽车底盘测功机历史时刻的运行状态进行采样，获得历史采样数据作为训练集；步骤2：建立BP神经网络模型并进行初始化，训练BP神经网络模型并修正BP神经网络各层权系数；步骤3：建立RNN网络模型并进行初始化，训练RNN网络模型并修正RNN网络各层权系数；步骤4：对汽车底盘测功机当前时刻的运行状态进行采样，获得当前采样数据，将当前采样数据分别输BP神经网络模型和RNN网络模型，得到汽车底盘测功机PID控制器的参数；步骤5：计算控制量对汽车底盘测功机进行控制。本发明能有效解决传统变速积分PID积分项系数判断困难问题，处理数据量大大减少，有效避免累计误差。