基于距离加权稀疏表达先验的图像复原与匹配一体化方法

    公开(公告)号:CN108520497B

    公开(公告)日:2020-08-04

    申请号:CN201810217553.0

    申请日:2018-03-15

    IPC分类号: G06T5/00 G06K9/62

    摘要: 本发明公开了一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法,包括:利用退化图像和初始清晰图像对模糊核的约束与梯度算子正则化来估计模糊核,得到模糊核的估计;利用模糊核的估计和字典D对初始清晰图像的约束来估计初始清晰图像,得到清晰图像估计;采用距离加权的稀疏表达算法,得到清晰图像估计在字典集中的稀疏表达系数向量估计;对上述步骤进行A次迭代,得到目标图像和目标图像在参考图像中的初始定位;缩小参考图像的范围后利用上述方法得到目标图像的复原图像和定位结果。本发明有效解决了现有模糊图像复原与匹配方法中存在的对噪声敏感、较差的复原效果对匹配任务造成严重的影响等问题,适用于视觉导航系统。

    基于距离加权稀疏表达先验的图像复原与匹配一体化方法

    公开(公告)号:CN108520497A

    公开(公告)日:2018-09-11

    申请号:CN201810217553.0

    申请日:2018-03-15

    IPC分类号: G06T5/00 G06K9/62

    摘要: 本发明公开了一种基于距离加权稀疏表达先验的图像复原与匹配一体化方法,包括:利用退化图像和初始清晰图像对模糊核的约束与梯度算子正则化来估计模糊核,得到模糊核的估计;利用模糊核的估计和字典D对初始清晰图像的约束来估计初始清晰图像,得到清晰图像估计;采用距离加权的稀疏表达算法,得到清晰图像估计在字典集中的稀疏表达系数向量估计;对上述步骤进行A次迭代,得到目标图像和目标图像在参考图像中的初始定位;缩小参考图像的范围后利用上述方法得到目标图像的复原图像和定位结果。本发明有效解决了现有模糊图像复原与匹配方法中存在的对噪声敏感、较差的复原效果对匹配任务造成严重的影响等问题,适用于视觉导航系统。

    基于深度网络的视频复原模型训练方法及视频复原方法

    公开(公告)号:CN109949234A

    公开(公告)日:2019-06-28

    申请号:CN201910136584.8

    申请日:2019-02-25

    IPC分类号: G06T5/00 G06N3/04 G06N3/08

    摘要: 本发明公开了一种基于深度网络的视频复原模型训练方法及视频复原方法,包括:从标准的清晰视频中获得多帧清晰图像;对各帧清晰图像进行高斯模糊处理,以得到各帧清晰图像所对应的模糊图像;将连续n帧清晰图像及对应的n帧模糊图像构成的{清晰图像序列,模糊图像序列}对作为一个训练样本,从而得到由所有训练样本构成的训练集;建立由n-1个编解码网络依次连接而成的视频复原模型,用于根据模糊图像In及其前n-1帧模糊图像In-1~I1对模糊图像In进行图像复原;利用训练集对视频复原模型进行训练,从而得到目标视频复原模型。本发明能够提高模糊视频复原的效率和复原效果。

    一种行人重识别的度量学习方法

    公开(公告)号:CN106803063B

    公开(公告)日:2019-06-28

    申请号:CN201611192599.9

    申请日:2016-12-21

    IPC分类号: G06K9/00 G06K9/62

    摘要: 本发明公开了一种行人重识别的度量学习方法,包括以下步骤:首先建立不同摄像头下行人目标特征的集合;然后采用马氏距离的度量方式,并添加约束条件将不同摄像头下的同一目标的特征度量距离约束为0,不同目标的特征距离约束为常数μ(μ>0);最后,建立损失函数并优化其结构,通过投影梯度下降法迭代得出满足约束条件的最优度量矩阵,完成度量学习过程。本发明有效解决了现有度量学习方法中存在的过拟合现象、度量矩阵对噪声敏感等问题,适用于复杂场景下行人重识别的应用场合。

    基于深度学习的多任务车辆部件识别模型、方法和系统

    公开(公告)号:CN108647700B

    公开(公告)日:2021-08-03

    申请号:CN201810328845.1

    申请日:2018-04-14

    IPC分类号: G06K9/62

    摘要: 本发明公开了一种基于深度学习的多任务车辆部件识别模型、方法和系统,包括:基于车辆图像数据库建立车辆部件数据库并对车辆部件进行标记,对车辆部件数据库进行图像数据增强得到车辆部件训练集;利用车辆部件训练集训练深度残差网络,得到车辆部件识别网络;基于车辆图像数据库,统计多个车辆部件不同类型同时出现的概率,得到多个车辆部件的联合概率,基于多个车辆部件的联合概率建立多任务车辆部件识别的数据集和对应多标签;用来训练车辆部件识别网络得到多任务的车辆部件识别模型。利用多任务的车辆部件识别模型对待检测车辆图像进行识别,得到待检测车辆图像中每个车辆部件的概率。本发明网络训练简单、易收敛、数据易获取且识别准确率高。

    基于深度学习的多任务车辆部件识别模型、方法和系统

    公开(公告)号:CN108647700A

    公开(公告)日:2018-10-12

    申请号:CN201810328845.1

    申请日:2018-04-14

    IPC分类号: G06K9/62

    摘要: 本发明公开了一种基于深度学习的多任务车辆部件识别模型、方法和系统,包括:基于车辆图像数据库建立车辆部件数据库并对车辆部件进行标记,对车辆部件数据库进行图像数据增强得到车辆部件训练集;利用车辆部件训练集训练深度残差网络,得到车辆部件识别网络;基于车辆图像数据库,统计多个车辆部件不同类型同时出现的概率,得到多个车辆部件的联合概率,基于多个车辆部件的联合概率建立多任务车辆部件识别的数据集和对应多标签;用来训练车辆部件识别网络得到多任务的车辆部件识别模型。利用多任务的车辆部件识别模型对待检测车辆图像进行识别,得到待检测车辆图像中每个车辆部件的概率。本发明网络训练简单、易收敛、数据易获取且识别准确率高。

    基于深度网络的视频复原模型训练方法及视频复原方法

    公开(公告)号:CN109949234B

    公开(公告)日:2020-10-02

    申请号:CN201910136584.8

    申请日:2019-02-25

    IPC分类号: G06T5/00 G06N3/04 G06N3/08

    摘要: 本发明公开了一种基于深度网络的视频复原模型训练方法及视频复原方法,包括:从标准的清晰视频中获得多帧清晰图像;对各帧清晰图像进行高斯模糊处理,以得到各帧清晰图像所对应的模糊图像;将连续n帧清晰图像及对应的n帧模糊图像构成的{清晰图像序列,模糊图像序列}对作为一个训练样本,从而得到由所有训练样本构成的训练集;建立由n‑1个编解码网络依次连接而成的视频复原模型,用于根据模糊图像In及其前n‑1帧模糊图像In‑1~I1对模糊图像In进行图像复原;利用训练集对视频复原模型进行训练,从而得到目标视频复原模型。本发明能够提高模糊视频复原的效率和复原效果。

    一种行人重识别的度量学习方法

    公开(公告)号:CN106803063A

    公开(公告)日:2017-06-06

    申请号:CN201611192599.9

    申请日:2016-12-21

    IPC分类号: G06K9/00 G06K9/62

    摘要: 本发明公开了一种行人重识别的度量学习方法,包括以下步骤:首先建立不同摄像头下行人目标特征的集合;然后采用马氏距离的度量方式,并添加约束条件将不同摄像头下的同一目标的特征度量距离约束为0,不同目标的特征距离约束为常数μ(μ>0);最后,建立损失函数并优化其结构,通过投影梯度下降法迭代得出满足约束条件的最优度量矩阵,完成度量学习过程。本发明有效解决了现有度量学习方法中存在的过拟合现象、度量矩阵对噪声敏感等问题,适用于复杂场景下行人重识别的应用场合。