-
公开(公告)号：CN114463846B
公开(公告)日：2025-05-13
申请号：CN202210087197.1
申请日：2022-01-25
Applicant: 合肥工业大学
IPC: G06V40/20 , G06V20/40 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了一种自适应时间结构深度网络的偷窃行为识别方法。本发明采用分段方式，实现对长时视频的处理。针对段内特征相似度高而产生的信息冗余问题，通过估计段内时间结构的距离阈值，来计算段内每个视频帧的二值采样标记，去除段内冗余的视频帧，减少段内模型计算量。针对视频段的语义信息重要性估计问题，设计了子行为原型参数矩阵，学习每个视频段的子行为相关的语义描述，并估计视频段的时间注意力，进行视频段的特征增强。最后，对多视频段的特征串联，并使用三层感知器，实现偷窃行为识别。本文发明具有时间自适应能力强，对长时视频中段内的冗余视频帧，和段间的语义信息分析，都具有较好的鲁棒处理能力，可有效实现偷窃行为识别。
-
公开(公告)号：CN108764186B
公开(公告)日：2021-10-26
申请号：CN201810557555.4
申请日：2018-06-01
Applicant: 合肥工业大学
Abstract: 本发明公开了一种基于旋转深度学习的人物遮挡轮廓检测方法，首先，通过对输入人物图像进行分割与合并获得图像初始分割；经过颜色和内容的区域合并，提取出目标的分割轮廓；其次，根据旋转角集合对图像进行旋转、采样、标记获得边缘图像块集合；基于卷积神经网络，构建出边缘朝向检测的深度模型；并利用旋转图像块采集集合，训练出浅层模型和深层模型；最后，使用训练后的边缘朝向检测深度模型，来检测局部轮廓朝向；并对局部轮廓朝向进行一致性评价，提取人物分割轮廓朝向。
-
公开(公告)号：CN114463846A
公开(公告)日：2022-05-10
申请号：CN202210087197.1
申请日：2022-01-25
Applicant: 合肥工业大学
Abstract: 本发明公开了一种自适应时间结构深度网络的偷窃行为识别方法。本发明采用分段方式，实现对长时视频的处理。针对段内特征相似度高而产生的信息冗余问题，通过估计段内时间结构的距离阈值，来计算段内每个视频帧的二值采样标记，去除段内冗余的视频帧，减少段内模型计算量。针对视频段的语义信息重要性估计问题，设计了子行为原型参数矩阵，学习每个视频段的子行为相关的语义描述，并估计视频段的时间注意力，进行视频段的特征增强。最后，对多视频段的特征串联，并使用三层感知器，实现偷窃行为识别。本文发明具有时间自适应能力强，对长时视频中段内的冗余视频帧，和段间的语义信息分析，都具有较好的鲁棒处理能力，可有效实现偷窃行为识别。
-
公开(公告)号：CN106204572B
公开(公告)日：2020-12-04
申请号：CN201610528752.4
申请日：2016-07-06
Applicant: 合肥工业大学
Abstract: 本发明公开了一种基于场景深度映射的道路目标深度估计方法，通过获取场景深度映射关系和目标定位两个要素，实现场景目标深度估计。在场景边缘检测和直线检测基础上，针对消失点和消失线定位不确定问题，使用最大期望算法，精确估计中心消失点和中心视野消失线；并利用摄像机模型，完成场景的深度映射关系构建。针对场景目标定位不准确问题，在场景分割基础上，采用Adaboost分类器训练并识别分割区域的类别标记；分析垂直目标的地面接触线，查找深度映射关系表，获得场景目标深度估计。
-
公开(公告)号：CN107103614B
公开(公告)日：2019-10-08
申请号：CN201710236963.5
申请日：2017-04-12
Applicant: 合肥工业大学
Abstract: 本发明公开了一种基于层次独立成分编码的运动异常检测，在获取光流区域块的第一层训练集基础上，构建归一化矩阵及其特征向量，并对特征向量进行正交化作为初始基元，采用双曲正切变换损失函数进行基元学习，挖掘运动高频模式作为S1层基元；使用S1层学习基元对光流图像卷积获得初始响应，采用截断线性校正获取C1层响应；对C1层响应利用空间采样构建第二层训练集，学习S2层独立成分基元，采用截断线性校正获取C2层响应，挖掘获得S3层独立成分基元；对测试视频序列的光流进行S1层、S2层、S3层基元的逐层卷积获得运动模式响应，利用聚类方法生成多聚类中心，使用多高斯核密度估计实现异常概率估计，实现运动异常检测和区域标记。
-
Patent Agency Ranking
公开(公告)号：CN117274307A
公开(公告)日：2023-12-22
申请号：CN202311216082.9
申请日：2023-09-20
Applicant: 合肥工业大学
Abstract: 本发明公开了一种目标动态卷积核的高空抛物跟踪方法。本发明关注于随着目标类别变化的动态卷积核学习。本发明将目标中心点视为Key特征，将目标中心点附近的像素视为Query特征，利用Key和Query匹配的方法来学习附近的像素的权重。本发明通过依次匹配目标中心点附近的像素，来提取动态卷积核中每个位置上的权重。为了抑制干扰目标和困难目标对目标跟踪的影响，本发明在跟踪目标类之外，添加干扰目标类和困难目标类的动态卷积核学习过程，设计融合多目标类别的动态卷积核目标检测网络。在测试视频的高空抛物跟踪过程中，本发明使用多目标动态卷积核的目标检测模型，能有效抑制干扰信息和困难信息，从而提高高空抛物跟踪的准确性。
-
公开(公告)号：CN108764186A
公开(公告)日：2018-11-06
申请号：CN201810557555.4
申请日：2018-06-01
Applicant: 合肥工业大学
CPC classification number: G06K9/00362 , G06K9/4609 , G06K9/627 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于旋转深度学习的人物遮挡轮廓检测方法，首先，通过对输入人物图像进行分割与合并获得图像初始分割；经过颜色和内容的区域合并，提取出目标的分割轮廓；其次，根据旋转角集合对图像进行旋转、采样、标记获得边缘图像块集合；基于卷积神经网络，构建出边缘朝向检测的深度模型；并利用旋转图像块采集集合，训练出浅层模型和深层模型；最后，使用训练后的边缘朝向检测深度模型，来检测局部轮廓朝向；并对局部轮廓朝向进行一致性评价，提取人物分割轮廓朝向。
-
公开(公告)号：CN108053370A
公开(公告)日：2018-05-18
申请号：CN201711223610.8
申请日：2017-11-29
Applicant: 合肥工业大学
Abstract: 本发明公开了一种基于匹配误差抑制的成像坐标校正方法，手工标记测量图像背景区域，获取其匹配点对。并基于匹配点对利用迭代误差法建模几何校正映射矩阵，提高了实验结果的精度。据此，利用欧式距离及阈值，检测并抑制噪声匹配点。再次利用迭代误差拟合求解新的映射矩阵，并对参考图像进行校正。将测量图像与边缘二值掩膜融合，获取足部坐标。再将测量图像边缘与几何校正后的参考图像进行融合，根据足部点误差，水平平移获得足部对齐的参考图像。本发明具有直观有效，鲁棒性强，场景适应度高等优点，不仅能够解决成像坐标在对齐标定中受到背景信息、复杂结构混杂信息、足部近邻结构信息的干扰，而且也能够解决多幅参考图像拟合结果的不一致性。
-
公开(公告)号：CN108053370B
公开(公告)日：2021-08-06
申请号：CN201711223610.8
申请日：2017-11-29
Applicant: 合肥工业大学
Abstract: 本发明公开了一种基于匹配误差抑制的成像坐标校正方法，手工标记测量图像背景区域，获取其匹配点对。并基于匹配点对利用迭代误差法建模几何校正映射矩阵，提高了实验结果的精度。据此，利用欧式距离及阈值，检测并抑制噪声匹配点。再次利用迭代误差拟合求解新的映射矩阵，并对参考图像进行校正。将测量图像与边缘二值掩膜融合，获取足部坐标。再将测量图像边缘与几何校正后的参考图像进行融合，根据足部点误差，水平平移获得足部对齐的参考图像。本发明具有直观有效，鲁棒性强，场景适应度高等优点，不仅能够解决成像坐标在对齐标定中受到背景信息、复杂结构混杂信息、足部近邻结构信息的干扰，而且也能够解决多幅参考图像拟合结果的不一致性。
-
公开(公告)号：CN107103614A
公开(公告)日：2017-08-29
申请号：CN201710236963.5
申请日：2017-04-12
Applicant: 合肥工业大学
Abstract: 本发明公开了一种基于层次独立成分编码的运动异常检测，在获取光流区域块的第一层训练集基础上，构建归一化矩阵及其特征向量，并对特征向量进行正交化作为初始基元，采用双曲正切变换损失函数进行基元学习，挖掘运动高频模式作为S1层基元；使用S1层学习基元对光流图像卷积获得初始响应，采用截断线性校正获取C1层响应；对C1层响应利用空间采样构建第二层训练集，学习S2层独立成分基元，采用截断线性校正获取C2层响应，挖掘获得S3层独立成分基元；对测试视频序列的光流进行S1层、S2层、S3层基元的逐层卷积获得运动模式响应，利用聚类方法生成多聚类中心，使用多高斯核密度估计实现异常概率估计，实现运动异常检测和区域标记。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.025 seconds)
