-
公开(公告)号：CN114267036A
公开(公告)日：2022-04-01
申请号：CN202111604845.8
申请日：2021-12-25
Applicant: 福州大学
IPC: G06V20/62 , G06V30/148 , G06V30/146 , G06V30/19 , G06V10/25 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于生成对抗网络的车牌生成方法，包括以下步骤：步骤S1:获取用于生成模板车牌的车牌字符库和背景图像；步骤S2:根据车牌构成随机选择字符，使用OpenCV将字符置入背景图像中，合成模板车牌,并对模板车牌进行图像增强；步骤S3:构建基于编码‑解码结构的车牌生成网络；步骤S4:基于真实场景下的车牌图像和模板车牌图像集，构建训练集；步骤S5:基于训练集，使用对抗生成模型训练基于编码‑解码结构的车牌生成网络，得到训练后的车牌生成网络，用于生成有标签的车牌图像。本发明基于编码‑解码网络结构，使得能够根据模板车牌，进行有标签的车牌图像生成，解决了传统生成的车牌图像标签随机的问题。
-
公开(公告)号：CN112364883A
公开(公告)日：2021-02-12
申请号：CN202010976987.6
申请日：2020-09-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于单阶段目标检测和deeptext识别网络的美式车牌识别方法，步骤S1：获取美式车牌数据集，并预处理后生成训练集；步骤S2：根据车牌检测特点修改目标检测网络CornerNet‑Squeeze；步骤S3：使用检测端训练集训练改进的CornerNet‑Squeeze,使用数据集MJSynth和SynthText训练deeptext识别网络；步骤S4：将检训练集送入训练好的检测网络，输出车牌号码、年检信息、州名三部分图像，将这三部分图像送入识别网络，识别网络输出的文本信息通过手工修改错误信息，得到识别标签；步骤S5：使用获得的识别标签对识别网络进行进一步训练，获得高精度的识别网络。步骤S6：使用步骤S5训练好的高精度识别网络对待检测的美式车牌图像检测，输出结果。本发明能够有效地对美式车牌进行识别。
-
公开(公告)号：CN112070048A
公开(公告)日：2020-12-11
申请号：CN202010972154.2
申请日：2020-09-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于RDSNet的车辆属性识别方法，包括以下步骤：步骤S1:采集车辆图片，处理后分为车辆数据集和车辆属性数据集；步骤S2:构建基于RDSNet的网络模型，并根据车辆数据集训练，得到车辆检测模型；步骤S3:构建基于细粒度分类的车辆属性分类网络模型，并根据车辆属性数据集训练，得到车辆属性分类模型；步骤S4:将待测复杂场景图像，通过车辆检测模型，得到待测复杂场景图像每一个汽车的精确边界框；步骤S5:将步骤S4处理后的图像，输入车辆属性分类模型，获取车辆属性信息；步骤S6:将得到的汽车的精确边界框和车辆属性信息，标注于待测复杂场景图像中。本发明有效的提升了车辆属性识别的精确程度。
-
公开(公告)号：CN112364883B
公开(公告)日：2022-06-10
申请号：CN202010976987.6
申请日：2020-09-17
Applicant: 福州大学
IPC: G06V20/62 , G06V10/774 , G06K9/62
Abstract: 本发明涉及一种基于单阶段目标检测和deeptext识别网络的美式车牌识别方法，步骤S1：获取美式车牌数据集，并预处理后生成训练集；步骤S2：根据车牌检测特点修改目标检测网络CornerNet‑Squeeze；步骤S3：使用检测端训练集训练改进的CornerNet‑Squeeze,使用数据集MJSynth和SynthText训练deeptext识别网络；步骤S4：将检训练集送入训练好的检测网络，输出车牌号码、年检信息、州名三部分图像，将这三部分图像送入识别网络，识别网络输出的文本信息通过手工修改错误信息，得到识别标签；步骤S5：使用获得的识别标签对识别网络进行进一步训练，获得高精度的识别网络。步骤S6：使用步骤S5训练好的高精度识别网络对待检测的美式车牌图像检测，输出结果。本发明能够有效地对美式车牌进行识别。
-
公开(公告)号：CN112132005A
公开(公告)日：2020-12-25
申请号：CN202010992907.6
申请日：2020-09-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于聚类分析与模型压缩的人脸检测方法，首先获取人脸检测数据集，对人脸数据集进行K‑means聚类分析，进行锚框数量、大小与数据集适用程度分析，最终生成最适合该数据集的检测锚框；接着将生成的检测锚框应用于深度学习网络中，训练人脸检测网络；最后对训练好的人脸检测网络，进行层剪枝或者通道剪枝后，对网络进行微调，得到更加轻量级的网络；利用该网络对图像、视频进行检测，得到最终的结果。本发明具有检测准确率高与检测速率快并存的优点，能应用于人脸考勤、门禁系统、交通身份核准等场景。
-
Patent Agency Ranking
公开(公告)号：CN105198405B
公开(公告)日：2017-06-06
申请号：CN201510656539.7
申请日：2015-10-13
Applicant: 福州大学
IPC: H01G4/12 , C04B35/462 , C04B35/622
Abstract: 本发明公开了一种电容‑压敏双功能CaCu3Ti4O12（CCTO）陶瓷及其制备方法。本发明通过熔盐处理CCTO单相粉体，熔盐为NaCl‑KCl（NaCl/KCl的质量比为49.3:50.7），然后制备获得高介电常数（ε~4000）、高压敏非线性系数（α为20~45）的电容‑压敏双功能CCTO陶瓷。本发明提供的电容‑压敏双功能CCTO陶瓷不含Pb、Bi、Cd等原料，原料来源广泛、价格便宜、环保；制备工艺简单，介电性能和压敏性能优异，该陶瓷材料具有极大的工业应用价值。
-
公开(公告)号：CN114267069A
公开(公告)日：2022-04-01
申请号：CN202111604882.9
申请日：2021-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于数据泛化与特征增强的人脸检测方法，包括以下步骤：步骤S1:获取人脸检测数据集，并预处理；步骤S2:构建人脸检测神经网络，并分别在神经网络中的残差结构中加入通道自注意力模块；在骨干网部分加入感受野匹配模块；在特征提取部分加入跨层特征融合模块；步骤S3:基于预处理后的人脸检测数据集训练人脸检测神经网络；步骤S4:使用训练后的人脸检测神经网络进行人脸检测，若可以直接检测到人脸则直接进行定位，如果无法直接定位，则使用检测到的关键点位置辅助定位人脸位置，最终输出人脸检测结果。本发明能够有效地对待检测的图像、视频帧中的人脸进行定位并输出结果。
-
公开(公告)号：CN104909743A
公开(公告)日：2015-09-16
申请号：CN201510252255.1
申请日：2015-05-18
Applicant: 福州大学
Abstract: 本发明公开了一种低固有烧结温度微波介质陶瓷。其化学组成表达式为xCaO-y(mCuO-nMnO2)-z(pMoO3-qTiO2)，各组分摩尔百分比含量分别为：7mol%≤x≤12.1mol%，35.5mol%≤y≤52.5mol%，47.5mol%≤z≤56.7mol%，x+y+z=100mol%；m+n=1，p+q=1。本发明产品采用的原料不含Pb、Bi、Cd等损害人体健康、污染环境的成分，原料来源广泛、价格便宜；所得微波介质陶瓷烧结温度为900~1050℃，同时具有高介电常数、高Qf值和低谐振频率温度系数，适用于移动通信、卫星通信等系统中谐振器、滤波器、振荡器以及电容器等微波元器件的制备。
-
公开(公告)号：CN114267069B
公开(公告)日：2024-07-02
申请号：CN202111604882.9
申请日：2021-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于数据泛化与特征增强的人脸检测方法，包括以下步骤：步骤S1:获取人脸检测数据集，并预处理；步骤S2:构建人脸检测神经网络，并分别在神经网络中的残差结构中加入通道自注意力模块；在骨干网部分加入感受野匹配模块；在特征提取部分加入跨层特征融合模块；步骤S3:基于预处理后的人脸检测数据集训练人脸检测神经网络；步骤S4:使用训练后的人脸检测神经网络进行人脸检测，若可以直接检测到人脸则直接进行定位，如果无法直接定位，则使用检测到的关键点位置辅助定位人脸位置，最终输出人脸检测结果。本发明能够有效地对待检测的图像、视频帧中的人脸进行定位并输出结果。
-
公开(公告)号：CN112070048B
公开(公告)日：2022-08-09
申请号：CN202010972154.2
申请日：2020-09-16
Applicant: 福州大学
IPC: G06V20/54 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种基于RDSNet的车辆属性识别方法，包括以下步骤：步骤S1:采集车辆图片，处理后分为车辆数据集和车辆属性数据集；步骤S2:构建基于RDSNet的网络模型，并根据车辆数据集训练，得到车辆检测模型；步骤S3:构建基于细粒度分类的车辆属性分类网络模型，并根据车辆属性数据集训练，得到车辆属性分类模型；步骤S4:将待测复杂场景图像，通过车辆检测模型，得到待测复杂场景图像每一个汽车的精确边界框；步骤S5:将步骤S4处理后的图像，输入车辆属性分类模型，获取车辆属性信息；步骤S6:将得到的汽车的精确边界框和车辆属性信息，标注于待测复杂场景图像中。本发明有效的提升了车辆属性识别的精确程度。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.043 seconds)
