-
公开(公告)号：CN114519875B
公开(公告)日：2024-12-13
申请号：CN202011307133.5
申请日：2020-11-19
Applicant: 郑州信大先进技术研究院
Abstract: 本发明涉及一种基于边缘计算的异构视频监控人脸识别方法，包括边缘设备人脸检测、人脸对齐与后端服务人脸图像特征提取及云端数据库人脸特征比对。通过在边缘计算设备上部署自定义的人脸识别网络模型，检测获取人脸的关键点，然后在边缘设备上进行人脸对齐操作并发送到云端服务器。云端服务器获取对齐后的人脸图像和边缘设备id，进行人脸特征提取，将获得的人脸特征与大数据系统中的人脸特征进行比对以进行人脸识别和信息检索。本发明通过在边缘端检测人脸的关键点并推送，来降低网络带宽压力，同时最大程度释放服务器的计算资源，专注于人脸特征提取功能；云端使多个视频监控设备互联互通，可以实现完整的人脸识别和信息检索溯源。
-
公开(公告)号：CN114494947B
公开(公告)日：2024-09-10
申请号：CN202111662993.5
申请日：2021-12-31
Applicant: 郑州信大先进技术研究院
IPC: G06V20/40 , G06V10/764 , G06N3/006 , G06N3/0464 , G06N3/0985 , G06N10/60 , G06V10/82
Abstract: 本发明提供一种基于量子优化算法的交通视频车辆分类方法，包括以下步骤：步骤1，利用目标检测算法进行非结构化交通视频车辆粗粒度目标检测；步骤2，利用深度学习网络算法提取目标车辆的车辆品牌特征，对提取的车辆品牌特征进行预处理，并将预处理后的数据按照70%/30%分为训练数据集和测试数据集；步骤3，利用步骤2中的训练数据集，结合量子优化算法和传统支持向量机，构建并训练交通视频车辆特征分类模型；步骤4，利用训练后的交通视频车辆分类模型对步骤2中的测试数据集进行分类测试，得到交通视频车辆预测分类结果，将其与真实的车辆品牌结果进行对比分析，输出识别正确率。
-
公开(公告)号：CN114299364A
公开(公告)日：2022-04-08
申请号：CN202111659555.3
申请日：2021-12-31
Applicant: 郑州信大先进技术研究院
IPC: G06V10/774 , G06K9/62 , G06V20/10
Abstract: 本发明提供一种城市暴露垃圾样本图像的数据扩充方法及系统，包括以下步骤：步骤1：获取各类常见的生活垃圾图片，并采用抠图方法抠出垃圾元素并保存；步骤2：获取城市暴露垃圾场景图片，人工标注垃圾箱标签，进行垃圾箱识别模型的训练，并使用训练好的垃圾箱识别模型检测出城市暴露垃圾场景图片中的垃圾箱；步骤3：根据识别出的垃圾箱位置划定其周围矩形区域，并将划定的周围矩形区域等分为若干子区块；步骤4：随机选择至少一个垃圾元素，将每个垃圾元素以随机旋转角度叠加到随机选择的子区块中，完成数据扩充；如此既能增加样本数据的数量和丰富程度，又能提升模型精度，提高垃圾的检出率。
-
公开(公告)号：CN114067299A
公开(公告)日：2022-02-18
申请号：CN202010762396.9
申请日：2020-07-31
Applicant: 郑州信大先进技术研究院
IPC: G06V20/62 , G06V30/148 , G06V30/19 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种车牌识别方法，属于图像处理技术领域。本发明采用包含有Inception模块的卷积网络模块对车牌字符进行识别，通过三个卷积模块和Inception模块完成对车牌区域的特征提取，而后对提取的特征进行整合分类从而实现对车牌的字符识别。且对识别出车牌字符长度没有限制，能够适用于长度可变的车牌字符识别。
-
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。
-
Patent Agency Ranking
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：CN115035358A
公开(公告)日：2022-09-09
申请号：CN202110195909.7
申请日：2021-02-20
Applicant: 郑州信大先进技术研究院
IPC: G06V10/774 , G06V20/40 , G06V10/82 , G06N3/04
Abstract: 本发明属于模式识别和计算机视觉技术领域，具体涉及一种目标跟踪方法。该方法首先获取目标视频；然后将当前帧的搜索图像和模板图像输入至训练好的目标跟踪模型中，得到目标在搜索图像中的位置；目标跟踪模型为孪生网络模型，孪生网络模型包括特征提取上分支模块和特征提取下分支模块，分别用于提取搜索图像的特征以得到搜索特征图和提取模板图像的特征以得到模板特征图；且利用已经标注好的视频序列对所述孪生网络模型进行训练，在训练时，两个特征提取分支模块中均插入两个注意力正则化层；最后将目标在搜索图像中的位置映射至目标视频，以确定目标位置。本发明不仅提高了目标跟踪性能，还不增加跟踪速度，保证跟踪效率。
-
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。
-
公开(公告)号：CN116500631A
公开(公告)日：2023-07-28
申请号：CN202211680944.9
申请日：2022-12-26
Applicant: 郑州信大先进技术研究院
Abstract: 本发明提供一种基于三维点云和视觉融合的目标测距方法及装置，所述目标测距方法包括实时获取输电线路上的二维视频影像，根据二维视频影像识别目标区域图像，利用训练好的匹配坐标提取网络提取目标区域图像中每个像素点的匹配坐标；对匹配坐标在物理坐标系的三个维度上分别做加权平均，得到每个像素点在雷达坐标系下的坐标，并基于雷达坐标系‑观察坐标系的转换，得到每个像素点在观察坐标系下的观测距离；其中，利用无人机采集三维点云样本数据和二维视频样本影像来训练匹配坐标提取网络。本发明可以解决了三维点云和二维图像数据匹配的问题，提高图像目标测距的精度。
-
公开(公告)号：CN116226377A
公开(公告)日：2023-06-06
申请号：CN202310039715.7
申请日：2023-01-11
Applicant: 郑州信大先进技术研究院
IPC: G06F16/35 , G06Q50/18 , G06N3/045 , G06N3/0464
Abstract: 本发明提供一种用于法律咨询文本的分类方法和装置，包括以下步骤：获取原始法律咨询文本，对原始法律咨询文本进行预处理后送入至文本分类模型中，获得法律咨询文本分类结果；其中，所述文本分类模型包括Bert预训练单元、CNN单元和Attention单元；所述CNN单元包括四个卷积层、全连接层和Softmax分类层；所述Attention单元包括4个Attention层，每个Attention层连接一个卷积层；Attention层的作用是从不同尺度上对文本词向量进行加权，从而获得不同尺度上的法律文本信息之间的关注点，使得法律文本分类识别效果有了很大提高，且由于文本分类模型中使用的其他参数均为常规参数，因此具有较高的商用价值。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.032 seconds)
