-
公开(公告)号：CN114584969B
公开(公告)日：2023-06-20
申请号：CN202210496862.2
申请日：2022-05-09
申请人： 成都信息工程大学
摘要： 本申请实施例提供了一种基于关联加密的信息处理方法及装置。该方法包括：终端接收来自用户面网元的第一业务的第一用户面信息，以及第二业务的第二用户面信息；第一业务与第二业务关联。终端使用第一密钥组对第一用户面信息进行解密得到第一用户数据，以及使用第一密钥组对第二用户面信息进行解密得到第二用户面数据；第一用户数据和第二用户面数据为明文数据，第一密钥组包括第一私钥和第二私钥，第一私钥与第一业务对应，第二私钥与第二业务对应。由于用户面数据的不仅被自身业务对应的密钥加密，还被其他关联业务的密钥加密，从而极大的提高了用户面数据传输的安全性，以实现在高安全需求场景下，保障用户面数据传输的安全。
-
公开(公告)号：CN115965950A
公开(公告)日：2023-04-14
申请号：CN202310038860.3
申请日：2023-01-12
申请人： 成都信息工程大学
IPC分类号： G06V20/59 , G06V40/16 , G06V40/18 , G06V10/26 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开一种基于多特征融合状态识别网络的驾驶员疲劳检测方法，应用于疲劳驾驶检测领域，针对现有技术检测效率低，并且存在错误检测的问题；本发明提出了一个结合了两个子网的多特征融合状态识别网络，分别选取NTHU‑DDD数据集中的眼睛和嘴巴以及头部姿态特征，从视频图像来检测疲劳；首先训练了一个MTCNN人脸检测器来对驾驶员面部特征定位，再提出了一个多特征分割提取算法来在压缩参数的同时也能提取到有效的面部特征，然后提出了一个基于Inception模块、残差模块和通道注意力机制的多特征融合状态识别网络用于检测眼睛、嘴巴和头部姿态来判断驾驶员是否疲劳；本发明的方法优于现有技术，且具有很好的稳定性和实用性。
-
公开(公告)号：CN114584969A
公开(公告)日：2022-06-03
申请号：CN202210496862.2
申请日：2022-05-09
申请人： 成都信息工程大学
摘要： 本申请实施例提供了一种基于关联加密的信息处理方法及装置。该方法包括：终端接收来自用户面网元的第一业务的第一用户面信息，以及第二业务的第二用户面信息；第一业务与第二业务关联。终端使用第一密钥组对第一用户面信息进行解密得到第一用户数据，以及使用第一密钥组对第二用户面信息进行解密得到第二用户面数据；第一用户数据和第二用户面数据为明文数据，第一密钥组包括第一私钥和第二私钥，第一私钥与第一业务对应，第二私钥与第二业务对应。由于用户面数据的不仅被自身业务对应的密钥加密，还被其他关联业务的密钥加密，从而极大的提高了用户面数据传输的安全性，以实现在高安全需求场景下，保障用户面数据传输的安全。
-
公开(公告)号：CN114010208A
公开(公告)日：2022-02-08
申请号：CN202111311799.2
申请日：2021-11-08
申请人： 成都信息工程大学
摘要： 本发明公开一种适用于SSVEP分类的零填充频域卷积神经网络方法，应用于脑电信号处理领域，针对现有技术对SSVEP和SSVEP子类的SSMVEP脑电信号的分类准确率和信息传输速率较低的问题；本发明首先使用脑电采集设备采集人体大脑枕部九个电极的SSVEP脑电信号；其次对脑电信号进行预处理；之后在时域对预处理后的脑电信号进行补零填充，提取九个通道的SSVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵；最后将该特征矩阵作为CNN深度学习模型的输入，使用非线性变换对不同类别的SSVEP信号进行识别；采用本发明的方法能获得较高的分类准确率。
-
公开(公告)号：CN112949533A
公开(公告)日：2021-06-11
申请号：CN202110276094.5
申请日：2021-03-15
申请人： 成都信息工程大学
IPC分类号： G06K9/00
摘要： 本发明公开了一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法，包括：根据功率谱密度计算R²图，得到最大的频率波段并进行带通滤波；通过小波包方法对脑电信号的细节系数和近似系统进行提取并计算，得到小波包能量熵特征，并通过小波包能量熵值构建脑功能网络，提取脑网络的拓扑特征；并根据数据预处理中SCSP算法，得到方差特征；将三种特征进行融合，得到较高维度的特征矩阵；通过互信息和相关性的Lasso方法并结合Relief‑f算法进行特征选择，筛选出较小维度的特征矩阵。本发明不仅提取时空域特征，也将脑网络的拓扑特征一并提取，保留更多脑电特征信息；并结合互信息和相关性的Lasso方法和Relief‑f算法进行特征筛选，使特征选择出的特征更优秀。
-
公开(公告)号：CN109849802B
公开(公告)日：2020-08-04
申请号：CN201910270999.4
申请日：2019-04-04
申请人： 成都信息工程大学
IPC分类号： B60R11/02
摘要： 本发明公开了一种车载可移动式计算机支架，涉及计算机技术领域。该发明包括支架本体，支架本体上表面开有放置槽，放置槽内部固定有松紧带，松紧带一端固定有卡块，放置槽一侧开有卡槽，支架本体一侧开有固定槽，支架本体底部固定有若干滑槽，滑槽内部滑动连接有滑块，滑块两侧开有活动槽，活动槽内部固定有卡杆，卡杆外侧滚动连接有滚珠，滑块一侧固定有连接杆，连接杆一端固定有调节杆，调节杆外侧固定有限位板。本发明通过加长板的作用，在使用时结构合理，操作简单，使键盘和鼠标等外设有足够的地方安放，以此提高使用者的工作效率，且收起放置板和加长板时其体积较小，便于随身携带。
-
公开(公告)号：CN107622225A
公开(公告)日：2018-01-23
申请号：CN201710620955.0
申请日：2017-07-27
申请人： 成都信息工程大学
IPC分类号： G06K9/00
摘要： 本发明涉及一种基于独立分量分析网络的人脸识别方法，所述方法包括以下步骤：步骤1：对输入的人脸图像进行裁剪、对齐、归一化预处理；步骤2：采用一组已经训练好的ICA滤波得到一组映射图像；步骤3：对每张映射图像进行非线性与池化处理以获取更高效的特征映射图像；步骤4：对每张映射图像进行分块的LBP编码，然后全部串起来得到特征表达；步骤5：对特征表达进行WPCA降维，最后采用余弦相似测量对两张人脸图像进行识别验证。本发明采用训练好的ICA滤波应用到CNN中构成单身网络，基于ICA滤波不同的感知区域得到多尺度信息。在人脸识别中能够保证较高的识别率，同时有效地降低计算量，便于推广应用。
-
公开(公告)号：CN117765187A
公开(公告)日：2024-03-26
申请号：CN202410196740.0
申请日：2024-02-22
申请人： 成都信息工程大学
摘要： 本发明公开了基于多模态深度估计引导的单目隐神经的建图方法，采用模糊深度感知模块的条件隐式最大似然估计技术生成深度多模态分布先验，提高存在非不透明介质时的场景重建精度，引入空间雕刻损失实现多视图深度估计的有效融合，获得全局一致的场景表征，引入表面法线损失，加强局部几何一致性约束，优化场景表示的同时使得系统在仅RGB输入的条件下，也具备精确的位姿跟踪精度和鲁棒性，解决了现有技术中因形状辐射歧义导致的全局表面重建不一致性，受限于物体空间位置遮挡与传感器测量精度导致建图不完整，定位效果不理想的问题。
-
公开(公告)号：CN117093918A
公开(公告)日：2023-11-21
申请号：CN202311347683.3
申请日：2023-10-18
申请人： 成都信息工程大学
IPC分类号： G06F18/241 , G06F18/214 , G06F18/15 , G06N3/045 , G06N3/08
摘要： 本发明公开了一种基于格拉姆角和场和CBAM‑Resnet34的重叠尖锋识别方法，首先使用已有的尖锋数据来制作重叠尖锋模板训练集，接着采用格拉姆角和场方法将一维尖锋序列转换成二维图像，用于训练CBAM‑Resnet34模型。经过训练后，该模型可以准确地对重叠尖锋进行分类，不仅节省了大量时间和人力成本，而且其平均准确率达到了92.737%，超过了传统方法。结果表明该方法可以有效地区分重叠尖锋。综上所述，GASF‑CBAM‑Resnet34模型的重叠尖锋分类方法是一种有效的解决重叠尖锋问题和提高分类准确性的方法。
-
公开(公告)号：CN116807479B
公开(公告)日：2023-11-10
申请号：CN202311086072.8
申请日：2023-08-28
申请人： 成都信息工程大学
摘要： 本发明公开了一种基于多模态深度神经网络的驾驶注意力检测方法，属于驾驶注意力检测技术领域，为了解决现有驾驶注意力检测过程中用单一模态的指标去进行检测的可靠性不足的技术问题，包括：S1：获取原始公开数据集中的脑电数据和眼电数据；S2：分别对所述脑电数据和所述眼电数据进行预处理，得到预处理后的眼电数据和预处理后的脑电数据；S3：根据所述预处理后的眼电数据和所述预处理后的脑电数据，对多模态深度神经网络进行训练，得到训练好的多模态深度神经网络；S4：利用所述训练好的多模态深度神经网络对驾驶输入图像进行注意力检测，得到驾驶注意力检测结果。本发明能够有效地提升检测结果的准确性。
-
-
-
-
-
-
-
-
-
搜索结果
75 条记录 (耗时 0.029 秒)