-
公开(公告)号：CN113743269B
公开(公告)日：2024-03-29
申请号：CN202110987258.5
申请日：2021-08-26
Applicant: 浙江工业大学
IPC: G06V40/10 , G06V20/40 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/096
Abstract: 一种轻量化识别视频人体姿态的方法，首先对帧化处理后的RGB视频帧图像进行图像增强、引导滤波去噪等预处理，同时利用视频帧序列计算光流序列、提取光流特征图。然后通过构建轻量级的LHN模型提取RGB视频帧的特征，完成空间领域轻量、有效的人体姿态估计。接着设计LRDN模型以实现轻量化地完成光流特征提取，获取视频在时序领域的人体姿态信息。最后利用训练好的LHN模型和LRDN网络模型搭建并联式异构卷积神经网络，完成对视频人体姿态的准确估计。其中，利用以堆叠的L2标准化的softmax分数作为特征的多类别线性SVM将两个网络的softmax概率进行融合，最终选择最大概率值所对应的姿态类别为模型当前输入的视频帧序列所属的人体姿态类别。
-
公开(公告)号：CN113673553B
公开(公告)日：2024-03-29
申请号：CN202110755789.1
申请日：2021-07-05
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/74 , G06N3/0464 , G06V10/82 , G06N3/08
Abstract: 一种快速检测与识别少样本目标的方法，首先将所有待检测的图像进行预处理，并按图像类别的比例划分训练集、支持集和测试集。然后通过设计LRDN网络和卷积自编码网络完成特征提取模型的设计，利用预激活的方式构建特征比较模型，两个网络的结合将构成一个端到端训练的模型。特征提取网络将输入图像从图像空间转换到特征表示空间，而特征比较网络则负责将两张图像的特征表示映射为二者属于同一类别的相似度分数，最后完成目标的检测与识别。本发明还包括一种快速检测与识别少样本目标的系统。本发明能很好地应用于目标样本量较小情况下的检测与识别。
-
公开(公告)号：CN113673307A
公开(公告)日：2021-11-19
申请号：CN202110755765.6
申请日：2021-07-05
Applicant: 浙江工业大学
Abstract: 一种轻量型的视频动作识别方法，首先对帧化处理后的RGB视频帧图像进行图像增强、引导滤波去噪等预处理，同时利用视频帧序列计算光流序列、提取光流特征图。然后设计LRDN模型以实现轻量化地完成特征提取，并利用预处理后的RGB视频帧对其反复进行迭代训练，以优化其性能。最后基于训练好的LRDN网络模型研发轻量化双流卷积循环神经网络，完成对视频动作的识别分类。其中，利用轻量型的LRDN网络来搭建双流卷积神经网络以分别提取视频的空间特征信息和时域特征信息，接着用特征融合网络将二者进行卷积融合，紧接着将时空融合特征输入到含有软注意力机制的Bi‑GRU网络以获取视频的全局时域信息，快速实现视频动作分类识别。本发明降低了视频动作识别中的计算损耗。
-
公开(公告)号：CN113691863B
公开(公告)日：2023-06-20
申请号：CN202110755764.1
申请日：2021-07-05
Applicant: 浙江工业大学
IPC: H04N21/44 , H04N21/234 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种提取视频关键帧的轻量化方法，包括：首先对视频帧化后的每一张RGB视频帧进行图像增强、去噪等预处理，然后设计轻量型的特征提取模型LRDN网络去提取每一帧的深度特征，接着采用递归的方式获取每一帧的重要性预测值，最后通过设定判断阈值去判断当前帧是属于关键帧还是冗余帧。本发明利用轻量化卷积神经网络——LRDN模型去提取经预处理后的视频帧的深度特征，与传统卷积神经网络相比，极大地降低了模型的参数数量和计算量，节约了计算资源；利用高效低耗的递归方式不断地预测每一张RGB视频帧的重要性，以摒弃冗余帧，保留有用帧。
-
Patent Agency Ranking
公开(公告)号：CN113691863A
公开(公告)日：2021-11-23
申请号：CN202110755764.1
申请日：2021-07-05
Applicant: 浙江工业大学
IPC: H04N21/44 , H04N21/234 , G06K9/46 , G06N3/04 , G06N3/08
Abstract: 一种提取视频关键帧的轻量化方法，包括：首先对视频帧化后的每一张RGB视频帧进行图像增强、去噪等预处理，然后设计轻量型的特征提取模型LRDN网络去提取每一帧的深度特征，接着采用递归的方式获取每一帧的重要性预测值，最后通过设定判断阈值去判断当前帧是属于关键帧还是冗余帧。本发明利用轻量化卷积神经网络——LRDN模型去提取经预处理后的视频帧的深度特征，与传统卷积神经网络相比，极大地降低了模型的参数数量和计算量，节约了计算资源；利用高效低耗的递归方式不断地预测每一张RGB视频帧的重要性，以摒弃冗余帧，保留有用帧。
-
公开(公告)号：CN113673307B
公开(公告)日：2024-03-29
申请号：CN202110755765.6
申请日：2021-07-05
Applicant: 浙江工业大学
IPC: G06V40/20 , G06V20/40 , G06V10/80 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种轻量型的视频动作识别方法，首先对帧化处理后的RGB视频帧图像进行图像增强、引导滤波去噪等预处理，同时利用视频帧序列计算光流序列、提取光流特征图。然后设计LRDN模型以实现轻量化地完成特征提取，并利用预处理后的RGB视频帧对其反复进行迭代训练，以优化其性能。最后基于训练好的LRDN网络模型研发轻量化双流卷积循环神经网络，完成对视频动作的识别分类。其中，利用轻量型的LRDN网络来搭建双流卷积神经网络以分别提取视频的空间特征信息和时域特征信息，接着用特征融合网络将二者进行卷积融合，紧接着将时空融合特征输入到含有软注意力机制的Bi‑GRU网络以获取视频的全局时域信息，快速实现视频动作分类识别。本发明降低了视频动作识别中的计算损耗。
-
公开(公告)号：CN114724199A
公开(公告)日：2022-07-08
申请号：CN202210489594.1
申请日：2022-04-29
Applicant: 浙江工业大学
IPC: G06V40/14 , G06K9/62 , G06V10/25 , G06V10/764
Abstract: 一种基于SVD与静脉原图有机耦合的指静脉识别方法，包括：S1、采集手指静脉图像，获取近红外光下的指静脉原始图像P1；S2、对采集的指静脉原始图像P1进行感兴趣区域提取，得到包含全部静脉有用信息的指静脉ROI图像后进行预处理，得到指静脉预处理图像P2；S3、对预处理后的指静脉图像P2进行以下图像增强处理，得到图像P3；S4、利用奇异值分解方法将图像增强后的指静脉图像P3进行数据降维，得到包含静脉主要信息的降维图P4；S5、对奇异值分解后的指静脉图像P4和指静脉图像P3构造差分图P5；S6、将经过差分处理的训练样本P5输入SVM模型进行训练，得到最佳模型参数；S7、将测试样本输入最佳模型参数的SVM分类器进行分类识别。本发明提升识别准确率。
-
公开(公告)号：CN113743269A
公开(公告)日：2021-12-03
申请号：CN202110987258.5
申请日：2021-08-26
Applicant: 浙江工业大学
Abstract: 一种轻量化识别视频人体姿态的方法，首先对帧化处理后的RGB视频帧图像进行图像增强、引导滤波去噪等预处理，同时利用视频帧序列计算光流序列、提取光流特征图。然后通过构建轻量级的LHN模型提取RGB视频帧的特征，完成空间领域轻量、有效的人体姿态估计。接着设计LRDN模型以实现轻量化地完成光流特征提取，获取视频在时序领域的人体姿态信息。最后利用训练好的LHN模型和LRDN网络模型搭建并联式异构卷积神经网络，完成对视频人体姿态的准确估计。其中，利用以堆叠的L2标准化的softmax分数作为特征的多类别线性SVM将两个网络的softmax概率进行融合，最终选择最大概率值所对应的姿态类别为模型当前输入的视频帧序列所属的人体姿态类别。
-
公开(公告)号：CN113673553A
公开(公告)日：2021-11-19
申请号：CN202110755789.1
申请日：2021-07-05
Applicant: 浙江工业大学
Abstract: 一种快速检测与识别少样本目标的方法，首先将所有待检测的图像进行预处理，并按图像类别的比例划分训练集、支持集和测试集。然后通过设计LRDN网络和卷积自编码网络完成特征提取模型的设计，利用预激活的方式构建特征比较模型，两个网络的结合将构成一个端到端训练的模型。特征提取网络将输入图像从图像空间转换到特征表示空间，而特征比较网络则负责将两张图像的特征表示映射为二者属于同一类别的相似度分数，最后完成目标的检测与识别。本发明还包括一种快速检测与识别少样本目标的系统。本发明能很好地应用于目标样本量较小情况下的检测与识别。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.027 seconds)
