-
公开(公告)号：CN111241907B
公开(公告)日：2023-04-28
申请号：CN201911171966.0
申请日：2019-11-26
Applicant: 暨南大学
IPC: G06V40/10 , G06V10/22 , G06V10/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06Q50/02
Abstract: 本发明提供一种基于深度卷积神经网络的幼禽生物特征识别装置，包括：幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；剪裁模块，根据位置信息对原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。如此，本通过卷积层的递增完成由粗到细的特征提取过程，能够高精度地完成识别。
-
公开(公告)号：CN111241907A
公开(公告)日：2020-06-05
申请号：CN201911171966.0
申请日：2019-11-26
Applicant: 暨南大学
Abstract: 本发明提供一种基于深度卷积神经网络的幼禽生物特征识别装置，包括：幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；剪裁模块，根据位置信息对原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。如此，本通过卷积层的递增完成由粗到细的特征提取过程，能够高精度地完成识别。
-
公开(公告)号：CN114999643A
公开(公告)日：2022-09-02
申请号：CN202210615376.8
申请日：2022-06-01
Applicant: 暨南大学
Abstract: 本发明公开了一种基于WiFi的老人智能监护方法，步骤如下：通过WiFi设备收集监测区域的CSI数据；对CSI数据进行预处理，判断属于静态环境还是动态环境；判断为静态环境时，将预处理CSI数据通过GA‑SVM进行训练，获取机器学习后的训练目标模型，并通过训练目标模型对CSI数据的“发呆、睡眠、无人”进行识别，再计算睡眠时心率、呼吸情况；判断为动态环境时，将预处理CSI数据通过GA‑SVM进行训练，获取机器学习后的训练目标模型，并通过预训练目标对预处理CSI数据对“老人摔倒”、“室内入侵”、其他情况进行识别；静态数据处理器和动态数据处理器将结果存储至存储器，并对预训练目标模型进行训练及更新。
-
Patent Agency Ranking
公开(公告)号：CN114143737A
公开(公告)日：2022-03-04
申请号：CN202111561251.3
申请日：2021-12-17
Applicant: 暨南大学
Abstract: 本发明公开了一种基于WiFi无接触感知的多人室内定位方法，该方法包括单人离线指纹数据库构建和多人在线定位匹配两个阶段。首先通过对收集到的信道状态信息进行预处理、特征提取等步骤构建单人指纹数据库，所提取的特征反映位置信息；其次，将多人室内定位场景建模为盲源分离问题，并采用RobustICA算法对混合的CSI信号进行分离；最后，对分离后的信号提取特征，利用KNN算法与指纹库进行匹配，完成对多个人的无接触感知定位。本发明通过对WiFi的信道状态信息进行特征提取、分离、匹配，实现成本低、可用性大、适用性强的多人无接触感知定位。
-
公开(公告)号：CN114143737B
公开(公告)日：2023-11-24
申请号：CN202111561251.3
申请日：2021-12-17
Applicant: 暨南大学
Abstract: 本发明公开了一种基于WiFi无接触感知的多人室内定位方法，该方法包括单人离线指纹数据库构建和多人在线定位匹配两个阶段。首先通过对收集到的信道状态信息进行预处理、特征提取等步骤构建单人指纹数据库，所提取的特征反映位置信息；其次，将多人室内定位场景建模为盲源分离问题，并采用RobustICA算法对混合的CSI信号进行分离；最后，对分离后的信号提取特征，利用KNN算法与指纹库进行匹配，完成对多个人的无接触感知定位。本发明通过对WiFi的信道状态信息进行特征提取、分离、匹配，实现成本低、可用性大、适用性强的多人无接触感知定位。
-
公开(公告)号：CN114120634B
公开(公告)日：2023-04-07
申请号：CN202111291690.7
申请日：2021-11-03
Applicant: 暨南大学
IPC: G08G1/01 , G06F18/213 , G06F18/24 , G06F18/241 , G06F18/25 , G06F18/2135 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习与WiFi感知相结合的端云协同危险驾驶行为识别方法、装置、计算机设备及存储介质，本发明采用深度学习方法，一方面摒弃数据预处理中小波变换、动态时间规整、主成分分析等冗杂的步骤，简化预处理步骤；另一方面提出多子载波多链路融合方法，采用全部收集到的CSI共同生成CSI‑Image，并送入深层卷积神经网络中进行训练。完成训练的分类识别模型分别部署在车机端和云端上，由车机端和云端协同识别出相应的危险驾驶行为，并警告驾驶员。本发明充分结合云端高性能和车机端近距离的特性，使该危险驾驶行为识别方法兼顾了高性能与低时延的特性，显著提高危险驾驶行为识别的准确性和鲁棒性。
-
公开(公告)号：CN114120634A
公开(公告)日：2022-03-01
申请号：CN202111291690.7
申请日：2021-11-03
Applicant: 暨南大学
Abstract: 本发明公开了一种基于深度学习与WiFi感知相结合的端云协同危险驾驶行为识别方法、装置、计算机设备及存储介质，本发明采用深度学习方法，一方面摒弃数据预处理中小波变换、动态时间规整、主成分分析等冗杂的步骤，简化预处理步骤；另一方面提出多子载波多链路融合方法，采用全部收集到的CSI共同生成CSI‑Image，并送入深层卷积神经网络中进行训练。完成训练的分类识别模型分别部署在车机端和云端上，由车机端和云端协同识别出相应的危险驾驶行为，并警告驾驶员。本发明充分结合云端高性能和车机端近距离的特性，使该危险驾驶行为识别方法兼顾了高性能与低时延的特性，显著提高危险驾驶行为识别的准确性和鲁棒性。
-
公开(公告)号：CN110471545A
公开(公告)日：2019-11-19
申请号：CN201910733000.5
申请日：2019-08-09
Applicant: 暨南大学
IPC: G06F3/0354 , G06F3/0484 , G06F3/0487
Abstract: 本发明属于计算机领域，为基于红外图像识别的PPT勾画装置及PPT勾画方法，保留了PPT翻页笔的使用习惯，避免了陀螺仪装置带来的不习惯以及无法检测平移的问题。本发明装置包括无线遥控笔、红外摄像头及图像处理器；无线遥控笔上设有可见红光激光发射器、红外激光发射器、红光开关及勾画按键，无线遥控笔将勾画信号发送至电脑；图像处理器接收红外摄像头拍摄到的图像并进行处理，提取到红外光斑的坐标并发送至电脑；当电脑接收到勾画信号时，开启PPT画笔的同时控制按下鼠标左键；当电脑接收到图像处理器传来的红外光斑坐标，控制鼠标移动，画出痕迹。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
