-
公开(公告)号:CN110569763B
公开(公告)日:2022-05-24
申请号:CN201910798249.4
申请日:2019-08-27
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要: 本发明属于人脸识别技术领域,具体涉及一种用于细粒度人脸识别的眼镜去除方法,包括步骤:将初始的戴眼镜人脸图像被切分为三个图像块,分别以Part1,Part2和Part3标识,其中Part2包含完整的眼镜部分;建立眼镜去除深度卷积神经网络ERCNN网络模型,将Part2作为ERCNN网络模型卷积层的输入,通过网络中MFM单元进行特征选择和最大元素操作,再利用反卷积、平均池化和逐个元素加权求和的操作,对Part2实现重构,进而得到去除眼镜后的新图像块Part2_new;将输出的Part2_new与原始的Part1和Part3进行合并,得到完整的去除眼镜的人脸图像。
-
公开(公告)号:CN110569757B
公开(公告)日:2022-05-06
申请号:CN201910792451.6
申请日:2019-08-26
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06V40/10 , G06V10/40 , G06K9/62 , G06V10/764
摘要: 本发明提供一种基于深度学习的多姿态行人检测方法及计算机存储介质,方法包括以下步骤:S1、定义多种行人姿态,生成多姿态行人目标的数据集;S2、将数据集按照不同行人姿态进行分类,并将不同行人姿态的数据集分别分为训练集和测试集两部分;S3、将所有行人姿态的训练集合并为一个总训练集进行训练,得到训练模型;S4、使用训练模型对不同行人姿态的测试集分别进行测试;S5、根据测试结果进行行人检测。根据本发明实施例的方法,通过将行人不同姿态进行分类,可以有效对行人的不同姿态进行检测,在一定程度上提高了复杂环境下不同姿态行人的检测准确率。
-
公开(公告)号:CN114267047A
公开(公告)日:2022-04-01
申请号:CN202111450912.5
申请日:2021-11-30
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06V30/413 , G06V30/148 , G06V30/18 , G06V30/19 , G06V10/46 , G06V10/56 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要: 本发明公开了一种基于深度学习的电子卷宗文本检测方法,包括:构建电子卷宗文本检测网络,对所述电子卷宗文本检测网络进行训练;获取待处理的电子卷宗图像,采用OpenCV技术对所述电子卷宗图像进行色彩通道分离,得到目标电子卷宗图像,所述目标电子卷宗图像为去除红色印章后的电子卷宗图像;以所述目标电子卷宗图像作为所述电子卷宗文本检测网络的输入,通过训练好的电子卷宗文本检测网络提取所述目标电子卷宗图像中的文字区域。本发明解决了现有文本检测技术对电子卷宗进行检测时存在检测精度以及稳定性欠佳的问题。
-
公开(公告)号:CN114267010A
公开(公告)日:2022-04-01
申请号:CN202111448871.6
申请日:2021-11-30
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06V20/52 , G06V20/54 , G06V10/40 , G06V10/74 , G06V10/75 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08
摘要: 本发明公开了一种多尺度机非人检测方法,包括:获取道路监控场景的图像训练集,对所述图像训练集中的训练样本进行预处理;采用预处理后的训练样本训练预设的机非人检测模型,所述机非人检测模型采用不同大小的四个预测尺度对输入图像进行机非人目标预测;获取道路监控场景的待预测图像,通过训练好的机非人检测模型提取所述待预测图像中的机非人目标特征;将所述机非人目标特征与道路监控场景图库中的特征信息进行匹配,得到所述待预测图像中的机非人目标的位置信息和分类信息。本发明在机非人检测模型的预测步骤中采用四个预测尺度,可以兼顾更小目标的检测,对大目标和小目标都有较好的检测效果,有效地提高了机非人检测的精确度和稳健性。
-
公开(公告)号:CN112749677A
公开(公告)日:2021-05-04
申请号:CN202110084427.4
申请日:2021-01-21
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06K9/00
摘要: 本申请是关于一种玩手机行为识别方法、装置和电子设备。该方法包括:提取监控视频中包含人物图像的视频帧;对视频帧进行人体检测;根据检测结果,截取包含人体的周围区域图片;采用注入了注意力机制的小目标识别算法对周围区域图片进行识别来判断周围区域图片是否包含手机;确认周围区域图片包含手机且周围区域图片对应的视频帧为预设视频帧,则判断监控视频中存在玩手机行为。本申请使用加入了注意力机制的小目标识别算法来识别图片中的手机,提高手机检测精度,进一步提高了办公环境玩手机行为识别的准确度。
-
公开(公告)号:CN112163503A
公开(公告)日:2021-01-01
申请号:CN202011017016.5
申请日:2020-09-24
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要: 本发明提供了一种办案区人员无感轨迹生成方法、系统、计算机存储介质及电子设备,方法包括以下步骤:S1、获取摄像头拍摄的人员视频,分析视频并获取人员的人体位置和人体的关键点和角度信息;S2、根据人体的关键点和角度信息,获取符合设定要求的人体,并输出人体置信度信息;S3、对符合设定要求的人体进行特征提取和跟踪;S4、输出每个摄像头的人体信息;S5、对每个摄像头的人体信息进行处理,得到具有时间戳的人体图像队列;S6、将每个人体图像队列进行跨摄像头行人重识别,合并属于同一人员的人体图像队列,生成该人员的轨迹。根据本发明实施例的方法,通过监控视频信息获取人员轨迹,不易被破坏,也大大降低了轨迹的丢失率。
-
公开(公告)号:CN110602487A
公开(公告)日:2019-12-20
申请号:CN201910843031.6
申请日:2019-09-06
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: H04N17/00 , H04N21/234 , H04N21/44
摘要: 本发明属于视频质量检测技术领域,具体涉及一种基于TSN网络的视频画面抖动检测方法,包括步骤:基于TSN网络结构,利用TVL1光流算法提取正常光流场和扭曲光流场;将所述正常光流场和扭曲光流场输入到TSN网络中;通过TSN网络判断视频是否抖动,并输出抖动的帧号。基于TSN网络的视频抖动检测,可以克服传统算法不能适应环境变化和长时间范围的视频检测,还可以在减少计算量大小的同时保持非常高的检测性能;TSN网络中提出的扭曲光流能够抑制视频中人物或其他事物运动的干扰,从而进一步使得检测抖动更加精准。
-
公开(公告)号:CN110543879A
公开(公告)日:2019-12-06
申请号:CN201910769868.0
申请日:2019-08-20
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要: 本发明提供一种基于SE模块的SSD目标检测方法及计算机存储介质,所述方法包括以下步骤:S1、获取需要进行目标识别的图片或者视频;S2、将卷积神经网络ResNet18的第一个卷积层替换为3×3卷积层,并在ResNet18的第一个和第二个残差块中添加SE模块,形成SE-ResNet18网络结构;S3、将SSD目标检测算法中的主干网络替换为所述SE-ResNet18网络结构,得到检测模型;S4、对所述检测模型进行针对小目标检测的训练,获得训练好的深度神经网络模型;S5、根据训练好的深度神经网络模型对所述图片或者视频的小目标进行检测,得到检测结果。根据本发明实施例的方法,既保证了一定的检测速度,又提升了小目标的检测精度,同时尽量降低了对模型大小的影响。
-
公开(公告)号:CN110569887B
公开(公告)日:2022-07-29
申请号:CN201910770649.4
申请日:2019-08-20
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
IPC分类号: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要: 本发明提供一种基于预测层特征增强的目标检测方法、存储介质及设备,所述方法包括以下步骤:S1、获取需要进行检测的目标图像;S2、通过主干网络提取所述目标图像的特征,得到多个不同尺度的第一预测特征层;S3、将多个不同尺度的所述第一预测特征层进行融合,得到第二预测特征层;S4、构建不同尺寸的锚点框,并将所述第二预测特征层进行第一步锚点框粗略筛选和回归;S5、将所述第二预测特征层进行第二步锚点框精细筛选和回归;S6、输出所述目标图像的检测结果。根据本发明实施例的方法,能够在不增加网络参数的条件下充分发挥网络各特征层的作用的效果,实现对已有网络特征的充分利用。
-
公开(公告)号:CN114267020A
公开(公告)日:2022-04-01
申请号:CN202111553783.2
申请日:2021-12-17
申请人: 高新兴科技集团股份有限公司 , 西安电子科技大学
摘要: 本发明公开了一种基于深度学习的道路交通状态检测方法,包括:获取交通图像训练集,对所述交通图像训练集中的训练样本执行R‑Mosaic数据增强处理;采用R‑Mosaic数据增强后的训练样本训练预设的H‑FPN深度卷积网络,其中,所述H‑FPN深度卷积网络采用三层预测层从输入图像中提取交通流的特征参数;获取待处理的交通图像,通过训练好的H‑FPN深度卷积网络提取所述交通图像对应的特征参数;通过预设的判别模型根据所述交通流的特征参数生成并输出交通状态预测值。本发明解决了现有技术在检测道路交通状态时存在的指标单一、检测速度慢、信息提取以及检测精度低的问题。
-
-
-
-
-
-
-
-
-