-
公开(公告)号：CN101887587B
公开(公告)日：2012-05-23
申请号：CN201010221290.4
申请日：2010-07-07
Applicant: 南京邮电大学
IPC: G06T7/20
Abstract: 本发明公开了视频监控中基于运动目标检测的多目标跟踪方法，该方法首先使用背景去除法检测前景运动目标；然后建立当前帧前景目标团块与前一帧已检测到的目标之间的关联矩阵，并以此来判断目标所处的各种状态(如目标消失、目标保持初始状态、目标重合、目标分离等)，对处于分离状态的目标进行二次跟踪；最后更新目标的位置、面积及核加权颜色直方图等特征，实现对多个目标的跟踪。本发明方法能有效地对被遮挡的目标以及相互重合后再分离的多个目标进行实时、可靠的跟踪，提高视频监控系统的稳定性和鲁棒性。
-
公开(公告)号：CN120036730A
公开(公告)日：2025-05-27
申请号：CN202510185422.9
申请日：2025-02-19
Applicant: 南京邮电大学
IPC: A61B5/00 , A61B5/346 , A61B5/11 , G06F18/2415 , G06F18/214 , G06F18/213 , G06F18/10 , G06V40/16 , G06V10/40 , G06F18/25 , G06V20/40 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供一种基于多模态证据的新生儿疼痛分类方法及系统，该方法包括：采集新生儿视频片段以及与视频同步的心电信号，构建包含疼痛标签的新生儿疼痛多模态数据集；构建基于多模态证据的新生儿疼痛分类模型，该模型包括数据处理模块、证据提取模块、类别置信度和分类不确定性估计模块以及决策融合模块；使用新生儿疼痛多模态数据集中的样本训练模型；利用训练后的模型对新输入的新生儿视频和心电信号进行疼痛分类。本发明通过结合Dirichlet分布与证据理论，分别对表情、姿态和心电模态的疼痛类别概率分布及分类不确定性进行预测，并将预测结果进行决策融合，在实现疼痛分类的同时提供分类不确定性评估，增强了模型的可靠性和可解释性。
-
公开(公告)号：CN118245860B
公开(公告)日：2025-03-14
申请号：CN202410172812.8
申请日：2024-02-07
Applicant: 南京邮电大学
IPC: G06F18/241 , G06F18/2131 , G06F18/2415 , G06N3/047 , G06N3/0442 , G06N3/045 , A61B7/04
Abstract: 本发明公开了一种基于同步挤压短时傅里叶变换和BiGRU的心音分段方法及系统，该方法包括：构建一个基于同步挤压短时傅里叶变换(SSTFT)和BiGRU的心音分段模型，该模型由SSTFT单元、BiGRU网络、Softmax分类器构成；使用心音数据集的样本对心音分段模型进行训练；将待分段的心音信号输入到训练好的心音分段模型进行状态分类，分成第一心音(S1)、第二心音(S2)、S1‑S2间期、S2‑S1间期4种状态类别；修正心音分段模型预测的错误状态类别；该系统包括：模型构建模块、模型训练模块、心音状态分类模块和状态修正模块。本发明能够地有效提升心音分段的定位精度和准确率。
-
公开(公告)号：CN117994830B
公开(公告)日：2025-01-17
申请号：CN202311843748.3
申请日：2023-12-28
Applicant: 南京邮电大学
IPC: G06V40/16 , G06V10/774 , G06V10/46
Abstract: 本发明公开了一种基于图像块位置感知Transformer的表情识别方法及系统，该方法包括以下步骤：构建一个基于图像块位置感知Transformer的表情识别模型，该模型由图像预处理单元、初始特征提取单元、特征块位置选定单元、视觉Transformer单元和分类器构成；使用人脸表情图像库中的样本对表情识别模型进行训练；将待测试的人脸图像输入到训练好的表情识别模型进行表情识别。本发明以迭代渐进的不固定间隔来选定特征块的位置，排除对表情识别有干扰的特征块，强化对表情识别起关键作用的特征块，从而使得表情识别模型能够提取更具鉴别力的表情特征，增强模型对面部被遮挡、头部姿态变化、光照不均匀的鲁棒性，有效提升表情识别的准确率和泛化性能。
-
公开(公告)号：CN115331284A
公开(公告)日：2022-11-11
申请号：CN202210897253.8
申请日：2022-07-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于自愈机制的真实场景下的人脸表情识别方法及系统。该方法包括以下步骤：建立含有不确定表情类别标签的人脸样本集；构建一个包含特征提取模块、全连接层和分类层的人脸表情识别模型；在对人脸表情识别模型进行训练的过程中，通过引入对具有不确定类别标签的样本进行重新标注的自愈机制，实现对不确定类别标签的自我修正；将待测的人脸图像输入到训练好的人脸表情识别模型进行表情识别。该方法可以有效消除具有错误标签的训练样本导致模型过拟合的不利影响，可以在掺杂不准确或错误类别标签的人脸表情数据集中学习到鲁棒的表情特征，从而提升真实场景下人脸表情识别的准确率和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN111950592B
公开(公告)日：2022-09-23
申请号：CN202010660340.2
申请日：2020-07-10
Applicant: 南京邮电大学
IPC: G06V40/16 , G06V10/80 , G06V10/774
Abstract: 本发明公开了一种基于监督最小二乘多类核典型相关分析的多模态情感特征融合方法。其步骤：提取各模态特征所需要的样本；提取表情模态、语音模态及姿态模态的特征，构成特征矩阵；对提取的各模态特征进行去均值、归一化处理；使用监督最小二乘多类核典型相关分析方法进行多模态特征的融合；进行模型训练得到预测评估结果。本发明针对多类别情感分析问题，将波兰多模态数据库中所有人的各类情感整理分成7类情绪，分别为恐惧、惊讶、愤怒、悲伤、高兴、厌恶及平静，提出基于监督最小二乘多类核典型相关分析的方法来融合多种模态的特征数据，使用此方法计算各模态特征之间的相关性，计算特征之间的关联，能够使计算机更准确的分别人类的各种情绪。
-
公开(公告)号：CN112800903B
公开(公告)日：2022-08-26
申请号：CN202110067161.2
申请日：2021-01-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于时空图卷积神经网络的动态表情识别方法及系统。该方法首先对动态表情序列中每帧图像进行人脸关键点检测，得到关键点的归一化坐标和编号；提取关键点的局部纹理特征向量，并与其归一化坐标进行拼接，组合成关键点的局部融合特征向量；然后连接同帧间的关键点形成空域边，连接相邻帧相同编号的关键点形成时域边，利用这些边和关键点构成一种时空拓扑图；接着，构建一种时空图卷积神经网络，用生成的时空拓扑图对其进行训练；最后将基于新的表情序列生成的时空拓扑图作为输入，利用训练好的网络模型进行表情识别。该方法利用了人脸关键点的位置信息，可以克服光照、肤色、姿态变化的影响，提升表情识别的准确率和鲁棒性。
-
公开(公告)号：CN112818861B
公开(公告)日：2022-07-26
申请号：CN202110141728.6
申请日：2021-02-02
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于多模态上下文语义特征的情感分类方法及系统。该方法包括：将短视频以话语为单位分割成相同数量的语义单元，生成对应的视频、语音和文本样本，并提取表情特征、语谱图和句子向量三种表征特征；将提取的三种表征特征分别输入到表情、语音、文本情感特征编码器，提取对应的情感语义特征；分别使用表情、语音、文本情感语义特征的上下文关系，构建相应的邻接矩阵；分别将表情、语音、文本情感语义特征以及相应的邻接矩阵输入对应的图卷积神经网络，提取对应的上下文情感语义特征，并融合得到多模态情感特征，用于情感的分类识别。本发明通过图卷积神经网络更好地利用情感语义特征的上下文关系，能有效地提高情感分类的准确率。
-
公开(公告)号：CN107945118B
公开(公告)日：2021-09-28
申请号：CN201711034936.6
申请日：2017-10-30
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于生成式对抗网络的人脸图像修复方法，该方法包括以下步骤：(1)搜集大量含有完整清晰人脸的图像，建立一个人脸图像数据库；(2)构建一种生成式对抗网络；(3)对生成式对抗网络进行训练，优化生成式对抗网络中生成器和鉴别器的参数；(4)将服从正态分布的随机向量输入到已训练好的生成器，生成人脸图像，将待修复人脸图像的完好无损区域与生成图像的相应区域进行对比，不断调整输入向量，直至两者相似，最终将待修复的人脸图像中被遮挡或损坏区域的像素值用生成人脸图像的对应区域的像素值来替换。本发明针对有遮挡或损坏的人脸图像的修复问题，采用具有深度学习结构的生成式对抗网络，有效地解决了图像处理中的图像修复问题。
-
公开(公告)号：CN112926502A
公开(公告)日：2021-06-08
申请号：CN202110307024.1
申请日：2021-03-23
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于核化双群稀疏学习的微表情识别方法及系统，该方法主要包括：(1)从微表情数据集样本中分别提取两组不同类型的特征向量，构建相应的特征矩阵；(2)对每个特征向量赋予一个权重，构建核化双群稀疏学习模型，用于学习每个特征向量的权重；(3)求解核化双群稀疏学习模型，得到每个特征向量的权重；(4)对于输入的测试视频，提取两组不同类型的特征，并将权重高于阈值的特征向量拼接在一起作为微表情特征向量；(5)使用分类器对微表情特征向量进行分类，得到微表情类别。本发明利用微表情数据集中的训练样本学习每个特征向量的权重，从两组不同特征中自动筛选出最优特征向量用于微表情识别，能够有效提升识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.027 seconds)
