-
公开(公告)号：CN107085607A
公开(公告)日：2017-08-22
申请号：CN201710258205.3
申请日：2017-04-19
Applicant: 电子科技大学
Abstract: 本发明公开了一种图像特征点匹配方法，包括以下步骤，入库图片特征点提取：提取入库图像的特征并构成入库特征向量，对其维度进行降维；向量入库：分割降维后的入库特征向量，并对分割后的每部分先做乘积量化再做向量量化，构成乘积量化器、向量量化器，并建立检索树和哈希表；待匹配图片特征点提取：提取待匹配图像的特征并构成待匹配特征向量，对其维度进行降维；向量匹配：分割降维后的待匹配特征向量，找出待匹配特征向量与乘积量化器、向量量化器的聚类中心距离靠前的多个聚类中心，根据检索树和哈希表找到多个聚类中心所对应的图片并构成候选集，采用浮点向量计算候选集中与待匹配特征向量的距离最近的图片；其速度快且精度高。
-
公开(公告)号：CN107016370A
公开(公告)日：2017-08-04
申请号：CN201710227787.9
申请日：2017-04-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于数据增强的部分遮挡人脸识别方法，运用了人工智能的深度卷积神经网络，多次进行人脸对齐，五官检测，人脸特征提取，人脸匹配；通过数据增强的原理，通过对标准人脸的遮挡物进行遮挡种类预判断，对遮挡人脸的身份预判断对标准人脸的遮挡物进行遮挡种类预判断，整合两次预判断结果进行数据增强，以标准人脸为基础，重构遮挡人脸库，最后通过原始遮挡人脸与重构遮挡人脸库进行匹配。该技术解决了现有的遮挡人脸识别方法存在因遮挡导致特征信息丢失，人脸识别难度增大，识别准确率降低的技术难题，实现了提高遮挡人脸识别精度和效率的技术效果。
-
公开(公告)号：CN107153820A
公开(公告)日：2017-09-12
申请号：CN201710327665.7
申请日：2017-05-10
Applicant: 电子科技大学
IPC: G06K9/00
CPC classification number: G06K9/00255 , G06K9/00718
Abstract: 本发明公开了一种面向高噪声的人脸识别及运动轨迹判别方法，其识别方法包括图片获取步骤：间隔时间地获取视频流的图片；特征提取步骤；特征比对步骤：将提取的特征与人脸库中存储的特征进行比对，每个人脸获得相对应的结果的向量 和 ,分别表示在人脸库中最相似的k个人的id以及相似度，每张图片获得两个m*k的矩阵，其中，m为该帧图片中的人数；判定步骤：根据同一视频流解码出来的图片，根据比对结果中id出现的次数得到候选人集；再根据候选人集中id在不同视频流解码出来的图片中的次数和相似度来确定嫌疑人id。其在高噪声情况下检测可靠高，误判率小。
-
公开(公告)号：CN106991408A
公开(公告)日：2017-07-28
申请号：CN201710242833.2
申请日：2017-04-14
Applicant: 电子科技大学
CPC classification number: G06K9/00228 , G06K9/6256 , G06K9/6267
Abstract: 本发明公开了一种候选框生成网络的生成方法及人脸检测方法，其生成方法包括以下步骤，A、将图片输入网络，经卷积加池化操作，得到一个特征图；B、将特征图中的每一个点映射回原图的感受野中，并以该点为基准点，根据候选框面积和候选框面积缩放比例产生一定数量的候选框；C、对候选框进行正负样本的划分；D、随机采样步骤C中产生的多个候选框来优化损失函数。采用该候选框生成网络生成候选框，其计算量小。
-
公开(公告)号：CN118917994A
公开(公告)日：2024-11-08
申请号：CN202411397918.4
申请日：2024-10-09
Applicant: 电子科技大学
IPC: G06T1/20
Abstract: 本发明提供了一种基于GPU并行加速的对称条带矩阵三对角化变换方法，属于高性能计算技术领域。该方法通过基于GPU创建多个线程块，线程块中的线程并行处理凸块追逐；同时通过在GPU上创建全局数据存储待变换矩阵条带化数据，既减少数据存储量增加数据局部性，又用于线程块之间进行数据同步；待所有线程块都完成自己的凸块追逐，再将全局数组中变换后的数据分别复制回矩阵A主对角线、上次对角线与下次对角线相应位置，得到三条带化矩阵，完成整个凸块追逐过程。该方法首次在GPU上实现凸块追逐，并实现了并行加速，与现有的对称条带矩阵三对角化方法相比，能够大幅提升GPU处理性能。
-
Patent Agency Ranking
公开(公告)号：CN107145867A
公开(公告)日：2017-09-08
申请号：CN201710321138.5
申请日：2017-05-09
Applicant: 电子科技大学
CPC classification number: G06K9/00228 , G06N3/0454 , G06N99/005
Abstract: 本发明公开了基于多任务深度学习的人脸及人脸遮挡物检测方法包括：步骤1：建立多任务人脸细节检测网络，多任务人脸细节检测网络由三个级联的子网络组成，分别为：F‑Net，O‑Net和C‑Net；F‑Net用于检测出人脸的大致位置，为后两级网络提供人脸位置的候选区域；O‑Net用于基于F‑Net的检测结果进一步判别候选区域可信程度并对人脸bbox进行修正，并用于检测人脸图像中否存在遮挡物以及遮挡物的位置；C‑Net用于进一步对F‑Net、O‑Net的检测结果进行校正；步骤2：基于建立的多任务人脸细节检测网络，对图片中人脸细节进行检测，获得人脸是否有遮挡物检测结果和遮挡物的类型和位置检测结果，能够检测遮挡物的位置，能进一步在遮挡物替换、AR等场景中应用的技术效果。
-
公开(公告)号：CN107133948A
公开(公告)日：2017-09-05
申请号：CN201710321137.0
申请日：2017-05-09
Applicant: 电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了基于多任务卷积神经网络的图像模糊与噪声评测方法，所述方法包括：步骤1：收集失真和对应高质量的图片，对收集的图片进行标定包括：模糊类型标定，模糊程度标定，噪声水平标定，标定后的图片组成数据集；步骤2：融合多个卷积层得到全连接层，全连接层中包括三个特征层：模糊度估计特征层、模糊类型判定特征层、噪声水平估计特征层；步骤3：基于步骤2获得的全连接层对步骤1获得的数据集进行训练，获得图片的模糊类型判定信息、模糊度估计信息、噪声水平估计信息，实现了通过网络一次性得到图像的噪声水平、模糊度估计、模糊类型，简单且快速，方便集成到基于监控视频下的人脸识别系统中的技术效果。
-
公开(公告)号：CN118917994B
公开(公告)日：2025-01-24
申请号：CN202411397918.4
申请日：2024-10-09
Applicant: 电子科技大学
IPC: G06F30/20
Abstract: 本发明提供了一种基于GPU并行加速的对称条带矩阵三对角化变换方法，属于高性能计算技术领域。该方法通过基于GPU创建多个线程块，线程块中的线程并行处理凸块追逐；同时通过在GPU上创建全局数据存储待变换矩阵条带化数据，既减少数据存储量增加数据局部性，又用于线程块之间进行数据同步；待所有线程块都完成自己的凸块追逐，再将全局数组中变换后的数据分别复制回矩阵A主对角线、上次对角线与下次对角线相应位置，得到三条带化矩阵，完成整个凸块追逐过程。该方法首次在GPU上实现凸块追逐，并实现了并行加速，与现有的对称条带矩阵三对角化方法相比，能够大幅提升GPU处理性能。
-
公开(公告)号：CN107085607B
公开(公告)日：2020-06-30
申请号：CN201710258205.3
申请日：2017-04-19
Applicant: 电子科技大学
IPC: G06F16/583 , G06F16/55 , G06F16/51 , G06K9/62
Abstract: 本发明公开了一种图像特征点匹配方法，包括以下步骤，入库图片特征点提取：提取入库图像的特征并构成入库特征向量，对其维度进行降维；向量入库：分割降维后的入库特征向量，并对分割后的每部分先做乘积量化再做向量量化，构成乘积量化器、向量量化器，并建立检索树和哈希表；待匹配图片特征点提取：提取待匹配图像的特征并构成待匹配特征向量，对其维度进行降维；向量匹配：分割降维后的待匹配特征向量，找出待匹配特征向量与乘积量化器、向量量化器的聚类中心距离靠前的多个聚类中心，根据检索树和哈希表找到多个聚类中心所对应的图片并构成候选集，采用浮点向量计算候选集中与待匹配特征向量的距离最近的图片；其速度快且精度高。
-
公开(公告)号：CN107154023A
公开(公告)日：2017-09-12
申请号：CN201710347472.8
申请日：2017-05-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法，包括以下步骤：A、利用常用的公开人脸图像数据集，进行预处理，制作低分辨率人脸图像与对应高分辨率人脸图像训练集；B、构建用于训练的生成对抗网络模型，在生成网络中加入亚像素卷积层来实现超分辨率图像生成并引入包含特征损失的加权型损失函数；C、将步骤A得到的训练集依次输入生成对抗网络模型中进行模型训练，调整参数，达到收敛；D、将待处理的低分辨率人脸图像进行预处理，输入步骤C得到的对抗模型得到超分辨率重建后的高分辨率图像，可生成具有人脸轮廓更清晰、细节更具体、特征不变性的高分辨率对应图像，提升了人脸识别准确率，有更好的人脸超分辨率重建效果。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.024 seconds)
