一种磁流变液性能评价方法及系统

    公开(公告)号:CN112016805B

    公开(公告)日:2023-06-06

    申请号:CN202010728058.3

    申请日:2020-07-23

    Abstract: 本发明属于智能材料技术领域,公开了一种磁流变液性能评价方法,通过分别对磁流变液的接触角、摩擦系数、零场粘度值以及屈服应力值赋以相应的权重系数,再配合磁流变液的载液的粘度值和载液的屈服应力值,最终获得磁流变液的性能评价指标,因此,本发明综合考虑了磁流变液的接触角、摩擦系数、零场粘度值以及屈服应力值,得到系统且科学的性能评价指标,并通过性能评价指标对不同配制的磁流变液进行合理的性能评价,从而便于根据不同的应用场景选用不同的磁流变液,进而大大提升了磁流变液的使用效率。本发明还公开了一种磁流变液性能评价系统,用于实施上述的磁流变液性能评价方法。

    一种基于孪生双流3D卷积神经网络的视频行人再识别方法

    公开(公告)号:CN111160115B

    公开(公告)日:2023-05-02

    申请号:CN201911260938.6

    申请日:2019-12-10

    Abstract: 本发明涉及一种基于孪生双流3D卷积神经网络的视频行人再识别方法,基于孪生双流3D卷积神经网络的视频行人再识别方法,通过孪生双流3D卷积神经网络的硬线层将行人视频的每一帧图片提取成光流‑x特征图、光流‑y特征图、灰度特征图、水平坐标梯度特征图和垂直坐标梯度特征图;将光流特征图作为动作分支的输入来提取行人的动作信息,其余特征图作为外观分支的输入来提取行人的外观信息;将行人动作信息融合到提取出来的行人外观信息中;将动作信息和外观信息通过融合进行度量对比学习;对网络参数进行更新,并训练新的卷积神经网络;将目标行人图像与相似度排名第一的待识别行人图像进行关联。与现有技术相比,本发明具有更加接近于现实场景等优点。

    一种基于孪生双流3D卷积神经网络的视频行人再识别方法

    公开(公告)号:CN111160115A

    公开(公告)日:2020-05-15

    申请号:CN201911260938.6

    申请日:2019-12-10

    Abstract: 本发明涉及一种基于孪生双流3D卷积神经网络的视频行人再识别方法,基于孪生双流3D卷积神经网络的视频行人再识别方法,通过孪生双流3D卷积神经网络的硬线层将行人视频的每一帧图片提取成光流-x特征图、光流-y特征图、灰度特征图、水平坐标梯度特征图和垂直坐标梯度特征图;将光流特征图作为动作分支的输入来提取行人的动作信息,其余特征图作为外观分支的输入来提取行人的外观信息;将行人动作信息融合到提取出来的行人外观信息中;将动作信息和外观信息通过融合进行度量对比学习;对网络参数进行更新,并训练新的卷积神经网络;将目标行人图像与相似度排名第一的待识别行人图像进行关联。与现有技术相比,本发明具有更加接近于现实场景等优点。

    一种基于人体骨骼相互学习的行人再识别方法

    公开(公告)号:CN109993116A

    公开(公告)日:2019-07-09

    申请号:CN201910252915.4

    申请日:2019-03-29

    Abstract: 本发明涉及一种基于人体骨骼相互学习的行人再识别方法,包括:(1)采用自下而上的方法估计行人姿势和骨架,并在此过程中标记行人的关节点,使用关节点分割法进行局部分割行人并执行局部块匹配;(2)通过自下而上方法以行人2D骨架为基础估计所述关节点距离来学习全局骨架信息,并执行全局骨架匹配;(3)采用基于生物特征的局部块匹配和整体骨架匹配进行相互学习,并分别训练分类损失和度量损失,将得到的相互学习损失分摊到全局特征匹配中,作为先验经验来指导和纠正全局匹配错误。与现有技术相比,本发明具有影响因素少、局部匹配准确性提升、识别准确率更高等优点。

    一种基于人体骨骼相互学习的行人再识别方法

    公开(公告)号:CN109993116B

    公开(公告)日:2022-02-11

    申请号:CN201910252915.4

    申请日:2019-03-29

    Abstract: 本发明涉及一种基于人体骨骼相互学习的行人再识别方法,包括:(1)采用自下而上的方法估计行人姿势和骨架,并在此过程中标记行人的关节点,使用关节点分割法进行局部分割行人并执行局部块匹配;(2)通过自下而上方法以行人2D骨架为基础估计所述关节点距离来学习全局骨架信息,并执行全局骨架匹配;(3)采用基于生物特征的局部块匹配和整体骨架匹配进行相互学习,并分别训练分类损失和度量损失,将得到的相互学习损失分摊到全局特征匹配中,作为先验经验来指导和纠正全局匹配错误。与现有技术相比,本发明具有影响因素少、局部匹配准确性提升、识别准确率更高等优点。

    一种基于热力图和关键点回归的深度车牌检测方法

    公开(公告)号:CN108090423B

    公开(公告)日:2021-06-29

    申请号:CN201711250682.1

    申请日:2017-12-01

    Abstract: 一种基于热力图和关键点回归的深度车牌检测方法,包括离线学习阶段和检测阶段,离线学习阶段包括以下四个步骤:(1)设计网络深度:设计深度学习网络结构,将输入图像调整统一,对图像进行第一层卷积和激活函数操作,再进行第二层卷积、激活函数和池化操作,然后进行第三层卷积、激活函数和池化操作,然后形成多任务分支,一个分支通过一个卷积层学习车牌坐标,另一个分支通过另一个卷积层学习车牌热力图;(2)准备训练样本集:获取一批车头或车尾图像作为离线学习的样本集,样本总类数越多,训练效果越好,并对样本大小统一化;本方法利用离线训练的深度网络表征目标,达到快速、稳定的对目标物进行车牌检测的目的。

    一种基于时空特征识别的人脸疲劳驾驶检测方法及装置

    公开(公告)号:CN110210382A

    公开(公告)日:2019-09-06

    申请号:CN201910465367.3

    申请日:2019-05-30

    Abstract: 本发明涉及一种基于时空特征识别的人脸疲劳驾驶检测方法及装置,其中方法包括:步骤S1:从视频数据库中提取脸部表情图并预处理;步骤S2:提取训练集数据;步骤S3:将训练集数据用于AlexNet网络进行训练;步骤S4:对由待识别视频处理得到第一人脸描述符;步骤S5:将第一人脸描述符输入GhostVLAD层,得到单个固定的D维的第二人脸描述符;步骤S6:对输出的第二人脸描述符进行标准化,以及输出其识别结果;步骤S7:同一待识别视频中得到的各样本的识别结果,计算疲劳指标PERCLOS值、打哈欠频率和每分钟平均闭眼时长,并进一步按照加权求和得到疲劳驾驶指标以判断是否疲劳驾驶。与现有技术相比,本发明极大提高疲劳驾驶判断的准确率和可行性。

    一种基于网格划分骨骼的行为预测方法

    公开(公告)号:CN112052786A

    公开(公告)日:2020-12-08

    申请号:CN202010913366.3

    申请日:2020-09-03

    Abstract: 本发明涉及一种基于网格划分骨骼的行为预测方法,预测结果包括下一帧中各关节点的运动类型,下一帧中各关节点的运动类型的确定过程为:首先对测试视频帧进行密集网格划分,并根据划分网格的图像特点判断出密集网格中心o作为固定关节点;然后根据行人骨架特征点的分布特征及其与行人运动姿态的内涵关系规定多个关节点作为关键关节点;接着学习规定的各个关节点到o的距离度量特征和角度度量特征,并将二者关联得到行人的行为特征;最后计算下一帧中各关节点对应各运动类型的概率,确定下一帧中各关节点的运动类型。本发明的预测方法较为简单,能够准确预测下一帧中各关节点的运动类型,同时不需要大量的训练样本对模型框架进行训练。

    一种磁流变液性能评价方法及系统

    公开(公告)号:CN112016805A

    公开(公告)日:2020-12-01

    申请号:CN202010728058.3

    申请日:2020-07-23

    Abstract: 本发明属于智能材料技术领域,公开了一种磁流变液性能评价方法,通过分别对磁流变液的接触角、摩擦系数、零场粘度值以及屈服应力值赋以相应的权重系数,再配合磁流变液的载液的粘度值和载液的屈服应力值,最终获得磁流变液的性能评价指标,因此,本发明综合考虑了磁流变液的接触角、摩擦系数、零场粘度值以及屈服应力值,得到系统且科学的性能评价指标,并通过性能评价指标对不同配制的磁流变液进行合理的性能评价,从而便于根据不同的应用场景选用不同的磁流变液,进而大大提升了磁流变液的使用效率。本发明还公开了一种磁流变液性能评价系统,用于实施上述的磁流变液性能评价方法。

    一种基于热力图和关键点回归的深度车牌检测方法

    公开(公告)号:CN108090423A

    公开(公告)日:2018-05-29

    申请号:CN201711250682.1

    申请日:2017-12-01

    Abstract: 一种基于热力图和关键点回归的深度车牌检测方法,包括离线学习阶段和检测阶段,离线学习阶段包括以下四个步骤:(1)设计网络深度:设计深度学习网络结构,将输入图像调整统一,对图像进行第一层卷积和激活函数操作,再进行第二层卷积、激活函数和池化操作,然后进行第三层卷积、激活函数和池化操作,然后形成多任务分支,一个分支通过一个卷积层学习车牌坐标,另一个分支通过另一个卷积层学习车牌热力图;(2)准备训练样本集:获取一批车头或车尾图像作为离线学习的样本集,样本总类数越多,训练效果越好,并对样本大小统一化;本方法利用离线训练的深度网络表征目标,达到快速、稳定的对目标物进行车牌检测的目的。

Patent Agency Ranking