-
公开(公告)号：CN111401207A
公开(公告)日：2020-07-10
申请号：CN202010166751.6
申请日：2020-03-11
Applicant: 福州大学
Abstract: 本发明涉及一种基于MARS深度特征提取与增强的人体动作识别方法，包括以下步骤：S1：从空间和时间两个维度构建基于深层神经网络的三维残差变换模型；S2：采用基于特征的损失和标准的交叉熵损失的线性组合来训练该模型；S3：采用去噪融合算法消除视频数据中的噪声；S4：采用图像旋转方法模拟摄像头的移动和旋转，以模拟实际真实场景中的人体动作识别场景；S5：通过马赛克遮挡算法处理人体动作识别真实场景中的遮挡；S6：使用目标伸缩变换方法提升真实场景中人体目标尺寸的多样性，以使模型不断学习新的数据集；S7：利用训练及优化后的三维残差变换模型进行人体动作识别。该方法有利于提高人体动作识别的准确率和鲁棒性。
-
公开(公告)号：CN111325279A
公开(公告)日：2020-06-23
申请号：CN202010121414.5
申请日：2020-02-26
Applicant: 福州大学
Abstract: 本发明涉及一种融合视觉关系的行人与随身敏感物品跟踪方法,首先根据可变形的RetinaNet目标检测模型进行敏感物品检测，接着利用融合多特征的视觉关系检测模型进行敏感物视觉关系检测，最后利用Deep Sort多目标跟踪算法实现对视觉关系的跟踪。本发明能够有效发现监控视频中潜在的威胁，完善现有智能安防体系的不足。
-
公开(公告)号：CN107122732B
公开(公告)日：2019-12-31
申请号：CN201710277191.X
申请日：2017-04-25
Applicant: 福州大学
Abstract: 本发明涉及一种监控场景下高鲁棒性的快速车牌定位方法，包括以下步骤：步骤S1：对车牌训练图像进行语义分组，即将车牌图像分为车牌和非车牌两个语义组，并按组将训练图像输入到支持向量机中进行训练；步骤S2：采用基于Epanechikov核密度估计自适应快速车辆检测方法对车辆区域进行快速检测；步骤S3：利用基于AFRD的帧滑动算法对视频帧进行过滤，得到感兴趣的帧图像；步骤S4：对感兴趣帧图像中车辆区域采用形态学、颜色和MSER相结合的方法对车牌进行检测；步骤S5：对步骤S4中得到的候选车牌运用步骤S1中训练好的支持向量机进行二元分类，得到正确的车牌。本发明的定位方法能够改善车牌识别系统在低对比度、低光照等恶劣环境下的鲁棒性。
-
公开(公告)号：CN110390673A
公开(公告)日：2019-10-29
申请号：CN201910659255.1
申请日：2019-07-22
Applicant: 福州大学
Abstract: 本发明涉及一种监控场景下基于深度学习的香烟自动检测方法，首先将拍摄以及网络下载的香烟数据集通过翻转、缩放、平滑处理得到更大的数据集，将数据集训练基于YOLOv3深度学习网络，形成模板库；使用图像增强方法对待检测的图像或视频帧进行相应的图像增强处理；对大尺寸图像进行图像分割，将图像中香烟或带香烟的人分离出来，缩短检测所需时间；然后在待检测的图像上进行预生成预测框，将每个预测框与预先训练的模板库对比；最后在所有的预测框的检测置信度中选择高于预先设定阈值的预测框将其认定为是目标物体。对当前帧的整张图像进行扫描后，标注出所有检测到的目标显示在图像上，完成对香烟的检测。本发明能有效提高检测准确率并且缩短检测时间。
-
公开(公告)号：CN110084201A
公开(公告)日：2019-08-02
申请号：CN201910353400.3
申请日：2019-04-29
Applicant: 福州大学
Abstract: 本发明提出一种监控场景下基于特定目标跟踪的卷积神经网络的人体动作识别方法，其首先对获取监控场景下的人体动作分析数据库，并对该数据库进行随机划分，分为为训练集和验证集；其次对划分完成的训练集和验证集视频数据进行数据增强处理，并对视频数据进行编码。然后直接从输入视频图像序列中检测到运动目标，并进行目标识别，进而跟踪感兴趣的运动目标；最后对感兴趣的运动目标进行构建时空骨骼图卷积神经网络模型，使用训练集进行训练并利用自适应矩估计梯度进行优化网络参数权重，使用验证集进行特定目标跟踪的卷积神经网络模型的准确率预测。其不仅可以扩大原始动作数据量，还可以增强模型的鲁棒性，进而提升最终的动作识别准确率。
-
Patent Agency Ranking
公开(公告)号：CN110070091A
公开(公告)日：2019-07-30
申请号：CN201910359127.5
申请日：2019-04-30
Applicant: 福州大学
Abstract: 本发明涉及一种用于街景理解的基于动态插值重建的语义分割方法及系统，该方法包括：对训练集输入图像进行预处理，使图像标准化并获取相同尺寸的预处理图像；用卷积网络提取通用特征，再获取混合空间金字塔池化特征，以这两部分级联作为编码网络提取编码特征；从卷积网络中选取中间层特征，结合编码特征计算插值权重特征，以动态插值的方式搭建解码网络，重建图像分辨率，计算解码特征；计算得到边缘增强的语义分割损失，以最小化边缘增强的语义分割损失为目标对深度神经网络进行训练；利用深度神经网络模型对待分割图像进行语义分割，输出分割结果。该方法及系统有利于提高图像语义分割的准确性和鲁棒性。
-
公开(公告)号：CN110070066A
公开(公告)日：2019-07-30
申请号：CN201910359494.5
申请日：2019-04-30
Applicant: 福州大学
IPC: G06K9/00
Abstract: 本发明涉及一种基于姿态关键帧的视频行人重识别方法及系统，该方法包括以下步骤：步骤A：使用标注了行人姿态关键点位置信息的数据训练行人姿态估计深度神经网络；步骤B：根据行人姿态估计深度神经网络预测得到的姿态信息选取姿态关键帧，训练行人重识别深度神经网络；步骤C：将查询集和检索集的视频输入行人重识别深度神经网络以提取特征，计算各视频间的特征距离，并对各特征距离进行排序，生成各查询视频的近邻列表；步骤D：利用重排序方法对近邻列表进行重新排序，选取近邻列表的前若干名为行人重识别结果。该方法及系统可以提高视频行人重识别的准确度和速度。
-
公开(公告)号：CN110059769A
公开(公告)日：2019-07-26
申请号：CN201910359495.X
申请日：2019-04-30
Applicant: 福州大学
Abstract: 本发明涉及一种用于街景理解的基于像素重排重建的语义分割方法及系统，该方法包括：对训练集输入图像进行预处理，使图像标准化并获取相同尺寸的预处理图像；用卷积网络提取通用特征，再获取稠密带孔空间金字塔融合特征，以这两部分级联作为编码网络提取编码特征；从卷积网络中选取中间层特征，结合编码特征计算边缘特征，以基于像素重排技术的稠密网为解码网络，重建图像分辨率，计算解码特征；计算得到语义分割损失和辅助监督的边缘损失，以最小化两者加权和损失为目标对深度神经网络进行训练；利用深度神经网络模型对待分割图像进行语义分割，输出分割结果。该方法及系统有利于提高图像语义分割的准确性和鲁棒性。
-
公开(公告)号：CN110033471A
公开(公告)日：2019-07-19
申请号：CN201910317129.8
申请日：2019-04-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于连通域分析和形态学操作的框线检测方法。首先对读入的待检测表格文档图像进行灰度化，将得到的灰度图像二值化；然后对得到的二值图像进行形态学膨胀操作，对膨胀操作之后的二值图像进行连通域检测，接下来对得到的框线轮廓内部进行填充操作，最后对框线增强之后的图像进行基于深度学习方法的图像去噪；对经过框线增强操作后的表格文档图像，分别定义两个结构元素作为形态学腐蚀和膨胀操作的内核矩阵参数，经过形态学腐蚀和膨胀操作之后把表格文档的横框线和竖框线分别检测并提取出来，然后采用基于NPcanny的直线检测算法对图像中的直线进行再次检测，将提取出来的横纵框线进行交叉，得到表格文档图像中完整的框线结构。
-
公开(公告)号：CN109242047A
公开(公告)日：2019-01-18
申请号：CN201811206225.7
申请日：2018-10-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于K-means++聚类和残差网络分类的银行卡卡号检测与识别方法,包括以下步骤：步骤S1:采集银行卡数据集和银行卡卡号数据集，并对采集的银行卡数据集进行标注，对采集的银行卡卡号数据集进行分类；步骤S2:构建银行卡卡号定位模型，并根据得到的银行卡数据集训练银行卡卡号定位模型；步骤S3:构建银行卡卡号分类模型，并根据得到的银行卡卡号数据集训练银行卡卡号分类模型步骤S4:将待检测的银行卡图像输入训练好的银行卡卡号定位模型中，定位卡号位置，并保存卡号图像；将卡号图像输入训练好的银行卡卡号分类模型中，得到卡号识别结果。本发明能够有效地对待检测图像中的银行卡卡号进行检测与识别。
-
-
-
-
-
-
-
-
-
Search Results
298
records
(took 0.048 seconds)
