-
公开(公告)号：CN117953363A
公开(公告)日：2024-04-30
申请号：CN202311101768.3
申请日：2023-08-30
Applicant: 郑州信大先进技术研究院
IPC: G06V20/10 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/084
Abstract: 本发明涉及一种基于多类别标签辅助的遥感图像描述方法，将采集的遥感图像输入到基于多类别标签辅助的遥感图像描述模型中，最终输出遥感图像的描述信息。其中，遥感图像描述模型包括编码器模块、辅助多标签分类模块、LSTM解码器模块；所述编码器模块，采用在ImageNet预训练过的Resnet50，用于对输入的预处理去重后的遥感图像提取图像全文特征；所述辅助多标签分类模块，用于将输入的图像全文特征经过SoftMax进行多分类判定后，获得预测的显著目标类别；所述LSTM解码器模块，用于在学习到所输入的信息中的图像特征与句法特征之间的映射关系后，输出图像描述信息。
-
公开(公告)号：CN115690685A
公开(公告)日：2023-02-03
申请号：CN202211401956.3
申请日：2022-11-09
Applicant: 郑州信大先进技术研究院
Abstract: 本发明提供了一种用于车载摄像头的异常运煤场景检测方法、系统及设备，所述方法包括以下步骤：步骤0，建立异常场景检测网络模型，所述异常场景检测网络模型包括CBR模块Ⅰ和CBR模块Ⅱ等；步骤1，读取待测图片，所述待测图片为车载摄像头实时采集到的运煤场景图片；将所述待测图片输入所述CBR模块Ⅰ进行降采样，以将信息提取并转化到通道维度得到原始特征图；步骤2，将所述原始特征图输入所述CBR模块Ⅱ进行降采样，将通道数提升至64，再使用所述CSP模块Ⅰ提取出超大特征图γ0，等等；因此本发明能够有效剔除远处人员等冗余特征并对所占像素比例的目标人员或目标挖机的特征进行增强，从而提高预处理的准确度，同时降低输出特征数据量。
-
公开(公告)号：CN110414430B
公开(公告)日：2022-10-04
申请号：CN201910688415.5
申请日：2019-07-29
Applicant: 郑州信大先进技术研究院
IPC: G06V40/20 , G06V10/80 , G06V10/74 , G06V10/764 , G06T7/11
Abstract: 本发明提供一种基于多比例融合的行人重识别方法及装置，通过对行人图像进行比例分割，然后通过深度神经网络处理得到分割后图像的特征向量，该特征向量包含了不同图像中行人的特征，能够反映分割后图像的特性；然后将各个分割后图像的特征向量进行融合，从而得到图像整体的特征向量，该整体的特征向量能够削弱遮挡对行人特征的影响，假设行人被遮挡到了左肩，它影响的仅仅是一部分分割后的子图，而还有一部分子图并没有受到影响，因此这一部分遮挡对于融合后得到的整体特征向量的改变比现有技术中的特征向量小。本发明通过融合多比例分割后图像的特征向量，可以有效地避免行人间相互遮挡或者物体遮挡部分行人而带来的重识别率不高的问题。
-
公开(公告)号：CN115100068A
公开(公告)日：2022-09-23
申请号：CN202210805353.3
申请日：2022-07-08
Applicant: 郑州信大先进技术研究院
IPC: G06T5/00
Abstract: 本发明属于图像处理领域，具体涉及一种红外图像校正方法。该校正方法根据特征超平面划分非线性方程建立了盲元检测模型，通过对模型的训练获得了能够准确划分盲元像素和正常像素的盲元检测方法，避免盲元的错检和漏检，提高图像校正的可靠性。同时，还优化了盲元补偿过程，避免盲元邻域中存在的其他盲元对盲元补偿造成影响，增强了盲元补偿的准确性；在上述基础上，通过自适应非均匀校正，结合剪切波变化改进阈值方法以及非锐化掩膜方法分别对红外图像进行噪声抑制和图像增强，并且对弱小目标进行检测以验证红外图像的校正效果。本发明针对校正中的各个步骤，尤其是盲元检测与补偿步骤，对红外图像校正过程进行优化，从而得到更加准确的校正结果。
-
公开(公告)号：CN110164073B
公开(公告)日：2021-05-11
申请号：CN201910312064.8
申请日：2019-04-18
Applicant: 郑州信大先进技术研究院
IPC: G08B13/196 , B61L15/00 , H04N7/18
Abstract: 本发明涉及一种列车安防监控系统和列车安防监控方法，属于列车安防监控领域。具体包括车厢监控中心、车站监控中心和若干车载摄像头，所述车厢监控中心包括存储单元、处理器单元、通讯单元和视频结构化处理器单元。本发明通过处理得到的乘车人员人脸信息的结构化数据和预先存储的乘车人员信息进行对比，以便确定视频数据中的乘车人员是否存在逃票非法乘车的行为，实现了实时、可靠、高效的乘客检票验票工作。
-
Patent Agency Ranking
公开(公告)号：CN108520544A
公开(公告)日：2018-09-11
申请号：CN201810326675.3
申请日：2018-04-12
Applicant: 郑州信大先进技术研究院
Abstract: 本发明涉及电子地图领域，具体涉及一种面向智慧消防的室内地图构造方法及装置。本发明在构造室内消防地图时综合考虑面向智慧消防的特殊应用需求，基于建筑物的组成要素信息构造室内地图模型，同时通过数据格式转换将建筑施工CAD数据转换为矢量室内地图数据，最后进行室内地图的符号配置以及地图服务发布。本发明通过分析消防中日常巡检和灭火救援行动，基于面向对象思想提取出消防关注的对象，结合室内地图表现形式，对室内消防涉及到的要素进行分类分级，针对每种要素的编码对应唯一的一个地图符号，完成面向智慧消防应用的城市建筑物室内地图设计。
-
公开(公告)号：CN109949351B
公开(公告)日：2022-10-04
申请号：CN201910205547.8
申请日：2019-03-19
Applicant: 郑州信大先进技术研究院
Abstract: 本发明提供了一种基于视频结构化监控的目标车辆行驶轨迹提取装置及方法，该提取方法包括：步骤1，视频获取装置实时采集到道路路口监控的视频流数据，并传输至智能处理装置；步骤2，智能处理装置提取视频结构化文本数据以及与视频结构化文本数据相关联的关键视频帧数据；步骤3，用户通过前端监控展示装置发送检索请求至云端分析服务装置；步骤4，云端分析服务装置根据检索请求确认目标车辆，检索出指定时间段内目标车辆的视频结构化文本数据和相关联的关键视频帧数据；生成目标车辆的行驶轨迹；步骤5，前端监控展示装置进行目标车辆的行驶轨迹展示。本发明具有设计科学、实用性强、查找效率高和节省人力成本的优点。
-
公开(公告)号：CN110164073A
公开(公告)日：2019-08-23
申请号：CN201910312064.8
申请日：2019-04-18
Applicant: 郑州信大先进技术研究院
IPC: G08B13/196 , B61L15/00 , H04N7/18
Abstract: 本发明涉及一种列车安防监控系统和列车安防监控方法，属于列车安防监控领域。具体包括车厢监控中心、车站监控中心和若干车载摄像头，所述车厢监控中心包括存储单元、处理器单元、通讯单元和视频结构化处理器单元。本发明通过处理得到的乘车人员人脸信息的结构化数据和预先存储的乘车人员信息进行对比，以便确定视频数据中的乘车人员是否存在逃票非法乘车的行为，实现了实时、可靠、高效的乘客检票验票工作。
-
公开(公告)号：CN110072084A
公开(公告)日：2019-07-30
申请号：CN201910312063.3
申请日：2019-04-18
Applicant: 郑州信大先进技术研究院
Abstract: 本发明涉及一种铁路沿线安防监控系统和安防监控方法，属于安防监控领域。本发明包括监控中心、若干监控摄像头和压力传感器单元，所述监控中心包括存储单元、处理器单元、通讯单元和视频结构化处理器单元，所述压力传感器单元包括若干个压力传感器。本发明先采用压力传感器对外来入侵进行初步判断和定位，然后再使用监控摄像头进行视频拍摄，并对视频数据进行结构化处理分析以进一步复核该侵入是否属于非法入侵事件，避免了动物触动或其它原因导致的压力传感器误动情况的发生，避免了巡检人员无目的徒劳工作，提高了巡检工作的效率。
-
公开(公告)号：CN111862143B
公开(公告)日：2024-03-19
申请号：CN202010669018.6
申请日：2020-07-13
Applicant: 郑州信大先进技术研究院
Abstract: 本发明提供一种河堤坍塌自动监测方法，包括：步骤1，实时获取多路监控设备的监控视频，使用时序卷积动态变化监控视频帧检测模型对监控视频进行初步筛选，获取有可能存在河堤坍塌的监控视频片段；步骤2，使用运动目标检测模型对获取的监控视频片段进行运动目标检测，获取运动目标区域图像；使用河堤检测语义分割模型对获取的监控视频片段进行语义分割检测，提取河堤区域图像；步骤3，将提取的河堤区域与获取的运动目标区域进行图像做差，获得不包含运动目标的河堤区域图像；步骤4，创建高斯滤波器，将获取的不包含运动目标的河堤区域图像进行灰度处理和高斯滤波，建立背景模板；步骤5，最后利用帧差法确定坍塌位置和面积。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.027 seconds)
