-
公开(公告)号：CN108923984B
公开(公告)日：2021-01-12
申请号：CN201810777563.X
申请日：2018-07-16
Applicant: 西安电子科技大学
IPC: H04L12/24 , H04L12/26 , H04N19/136 , H04N19/149 , H04N19/154 , H04N19/176 , H04N19/30 , H04N19/85
Abstract: 本发明公开了一种基于卷积网络的时空视频压缩感知方法,主要解决现有技术里视频压缩时空均衡性差以及重构视频实时性差的问题。其方案是：制备训练数据集；设计时空视频压缩感知方法的网络结构；根据设计好的网络结构编写训练及测试文件；训练时空视频压缩感知方法的网络；测试时空视频压缩感知方法的网络。本发明时空视频压缩感知方法的网络采用时空同时压缩的观测技术和用“时间‑空间块”增强时空相关性的重构技术，不仅能实现实时视频重构，而且重构的结果具有较强的时空均衡性，重构质量高且稳定，可用于视频的压缩传输以及后续的视频重构。
-
公开(公告)号：CN110110649A
公开(公告)日：2019-08-09
申请号：CN201910365668.9
申请日：2019-05-02
Applicant: 西安电子科技大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于速度方向的可选择性人脸检测方法，主要解决现有技术检测效果差的问题。其实现方案是：1.采集摄像头拍摄的实时监控视频，对视频中所有行人进行目标检测，获取所有行人的检测框；2.构建并训练深度特征提取网络，将所有行人的检测框输入到该网络，得到所有检测框的特征向量；3.预测跟踪目标的状态向量，利用特征向量和预测的状态向量对跟踪目标进行关联匹配，得到最佳匹配检测框；4.获取行人最佳匹配检测框的速度方向，标注所有面向摄像头移动的行人；5.对所有带标注的行人提取其人脸区域，并将此作为最终检测结果。本发明的检测效果好，且适应性强，可用于摄像视频监控。
-
公开(公告)号：CN109711533B
公开(公告)日：2023-04-28
申请号：CN201811561899.9
申请日：2018-12-20
Applicant: 西安电子科技大学
IPC: G06N3/0464
Abstract: 本发明公开了一种基于FPGA的卷积神经网络加速系统，主要解决现有技术内部结构固化、FPGA型号受限，且处理速度慢的问题，其包括参数存储子模块、总控制子模块、配置寄存器组、网络计算子模块组、缓存子模块和计算控制子模块组。参数存储子模块存储配置参数和网络权值，总控制子模块读取被存储的参数和权值，并写入配置寄存器组和网络计算子模块组，完成内部连接结构和缓存大小的设置及初始化；缓存子模块存储原始输入数据或中间处理结果并传输到计算子模块组，并在计算控制子模块组控制下周期性地完成乘累加、下采样和非线性激活函数的运算。本发明内部结构可配置，支持多种FPGA，功耗较低，处理速度快。
-
公开(公告)号：CN109711533A
公开(公告)日：2019-05-03
申请号：CN201811561899.9
申请日：2018-12-20
Applicant: 西安电子科技大学
IPC: G06N3/04
Abstract: 本发明公开了一种基于FPGA的卷积神经网络模块，主要解决现有技术内部结构固化、FPGA型号受限，且处理速度慢的问题，其包括参数存储子模块、总控制子模块、配置寄存器组、网络计算子模块组、缓存子模块和计算控制子模块组。参数存储子模块存储配置参数和网络权值，总控制子模块读取被存储的参数和权值，并写入配置寄存器组和网络计算子模块组，完成内部连接结构和缓存大小的设置及初始化；缓存子模块存储原始输入数据或中间处理结果并传输到计算子模块组，并在计算控制子模块组控制下周期性地完成乘累加、下采样和非线性激活函数的运算。本发明内部结构可配置，支持多种FPGA，功耗较低，处理速度快，可用于构建卷积神经网络加速系统。
-
公开(公告)号：CN109472247A
公开(公告)日：2019-03-15
申请号：CN201811369244.1
申请日：2018-11-16
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于深度学习非配合式人脸识别方法，其步骤为：1、生成深度学习网络训练数据集；2、分别构建检测深度学习网络和识别深度学习网络；3、分别训练检测深度学习网络和识别深度学习网络；4、制备非配合人脸特征数据库；5、摄像头对视频流实时采样；6、检测并跟踪图像的人脸区域；7、特征匹配；8、人脸识别。本发明通过在传统的检测识别人脸的过程中引入跟踪算法，能够持续地对同一个人进行识别分析，不仅能实现快速识别非配合式人脸，而且对遮挡和形变的人脸具有较好的识别率，可用于对视频监控环境下非配合拍摄的人脸进行识别。
-
Patent Agency Ranking
公开(公告)号：CN110110649B
公开(公告)日：2023-04-07
申请号：CN201910365668.9
申请日：2019-05-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于速度方向的可选择性人脸检测方法，主要解决现有技术检测效果差的问题。其实现方案是：1.采集摄像头拍摄的实时监控视频，对视频中所有行人进行目标检测，获取所有行人的检测框；2.构建并训练深度特征提取网络，将所有行人的检测框输入到该网络，得到所有检测框的特征向量；3.预测跟踪目标的状态向量，利用特征向量和预测的状态向量对跟踪目标进行关联匹配，得到最佳匹配检测框；4.获取行人最佳匹配检测框的速度方向，标注所有面向摄像头移动的行人；5.对所有带标注的行人提取其人脸区域，并将此作为最终检测结果。本发明的检测效果好，且适应性强，可用于摄像视频监控。
-
公开(公告)号：CN109472247B
公开(公告)日：2021-11-30
申请号：CN201811369244.1
申请日：2018-11-16
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于深度学习非配合式人脸识别方法，其步骤为：1、生成深度学习网络训练数据集；2、分别构建检测深度学习网络和识别深度学习网络；3、分别训练检测深度学习网络和识别深度学习网络；4、制备非配合人脸特征数据库；5、摄像头对视频流实时采样；6、检测并跟踪图像的人脸区域；7、特征匹配；8、人脸识别。本发明通过在传统的检测识别人脸的过程中引入跟踪算法，能够持续地对同一个人进行识别分析，不仅能实现快速识别非配合式人脸，而且对遮挡和形变的人脸具有较好的识别率，可用于对视频监控环境下非配合拍摄的人脸进行识别。
-
公开(公告)号：CN108510464B
公开(公告)日：2021-11-30
申请号：CN201810086381.8
申请日：2018-01-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于分块观测的压缩感知网络及全图重构方法，主要解决现有网络恢复图像质量差的问题。其网络包括观测子网络和重构子网络，该观测子网络由第一卷积层组成；该重构子网络，包括反卷积层、第二卷积层、12个大小相同的残差块、第五卷积层和第六卷积层；每个残差块包括第三卷积层和第四卷积层；第一卷积层的输出端与反卷积层的输入端连接，反卷积的输出端与第二卷积层的输入端连接，第二卷积的输出端再与12个残差块依次连接，第12个残差块的输出端与第五卷积层的输入端连接，第二卷积的输出端和第五卷积的输出端共同连接到第六卷积的输入端。用本发明网络避免了重构图像的块效应，提高了图像恢复质量，可用于图像处理。
-
公开(公告)号：CN108537104A
公开(公告)日：2018-09-14
申请号：CN201810086400.7
申请日：2018-01-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于全图观测的压缩感知网络及感知损失重构方法，主要解决现有网络恢复的重构图像具有块效应的问题。其包括观测子网络和重构子网络，该观测子网络包括第一卷积层；重构子网络包括反卷积层、第二卷积层、第一Relu激活层、第三卷积层、第二Relu激活层和第四卷积层；第一卷积层、反卷积层、第二卷积层、第一Relu激活层、第三卷积层、第二Relu激活层、第四卷积层从左至右依次连接，且反卷积层的输出端与第四卷积层的输出端相连接。利用所述网络在训练过程中引入感知损失，使重构图像的结构信息更明晰。用本发明网络进行图像重构避免了块效应，提高了图像恢复质量，强化了重构图像的语义信息，可用于图像处理。
-
公开(公告)号：CN110110650A
公开(公告)日：2019-08-09
申请号：CN201910365672.5
申请日：2019-05-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种行人中的人脸识别方法，主要解决现有技术里人脸跟踪丢造成误识的问题。其实现方案是：1、制备网络训练数据集；2、用网络训练数据集对行人检测网络、人脸检测网络、人脸识别网络这三个网络分别进行训练；3、制备多角度人脸特征数据库；4、用训练好的行人检测网络检测图像行人区域并跟踪行人区域；5、用训练好的人脸检测网络在行人区域内检测人脸区域；6、用训练好的人脸识别网络对人脸区域进行特征提取；7、将提取的特征与人脸特征数据库进行特征匹配，取特征匹配最好的结果作为人脸识别结果。本发明提高了人脸识别的准确率和稳定性，可用于多角度下的视频监控。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.138 seconds)
