-
公开(公告)号：CN111695513A
公开(公告)日：2020-09-22
申请号：CN202010537198.2
申请日：2020-06-12
Applicant: 长安大学
Abstract: 本发明公开了一种基于深度残差网络的人脸表情识别方法，利用放大的人脸表情图片对深度残差网络模型进行训练，通过深度残差网络模型对放大的人脸表情图片进行特征提取，使其可以提取到不同尺度的特征以获取图像更丰富的特征，以减少网络参数计算量，然后对提取的特征进行降维处理，对降维处理后的进行残差处理得到不同尺度的图形特征，将不同尺度的图形特征进行卷积与压缩处理得到学习图形特征，将学习图形特征进行下采样处理，这样直接实现降维，极大的减少了网络的参数，并可以对整个网络在结构上做正则化防止过拟合，将获得图像更丰富的特征以提高分类识别的准确率，将下采样处理后的学习图形特征进行分类处理，本发明能够提取到更深层次且不同尺度的图像特征，通过对比实验，表明了该网络具有较好的准确率和鲁棒性。
-
公开(公告)号：CN110287780A
公开(公告)日：2019-09-27
申请号：CN201910411824.0
申请日：2019-05-17
Applicant: 长安大学
Abstract: 本发明公开了一种光照下人脸图像特征提取方法，首先将目标图像模型扩展到5*5内外双层邻域模型；然后引入八个方向Kirsch算子，在5*5的模板窗口上，以xc中心像素点为中心的均分八个方向上利用Kirsch算子分别进行计算内外两层邻域像素点的灰度值加权平均，然后比较关于中心像素对称的邻域加权平均值，并根据规则编码，能够有效降低计算量并减少了提取特征维度，最后，结合CNALBP和HOG算子，通过将邻域扩充并对邻域加权平均更够有效的降低单个像素点易受噪声影响的问题，同时融合了HOG特征的优点，能够提取出更多的纹理信息和多个方向的梯度信息，从而更好地描述复杂光照图像的特征，本方法具有简单、高效等特点。
-
公开(公告)号：CN113076898B
公开(公告)日：2023-09-15
申请号：CN202110387355.0
申请日：2021-04-09
Applicant: 长安大学
IPC: G06V20/52 , G06V10/25 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种交通车辆目标检测方法、装置、设备及可读存储介质，通过对对预处理后的交通图像进行车辆标注，本发明通过将车辆标注后的交通图像进行维度聚类,设置阈值进行聚类anchor box,并且将一个相对远的点选择为下一个初始聚类中心，提高聚类精度；基于特征提取主干网络在浅层部分添加网络层进行浅层特征提取，提高对细节特征处理能力，在保持较高的检测精度的前提下，采用CSPDarknet26进行多层残差网络进行特征提取，能避免卷积层冗余、提高内存利用率、提高训练速度，然后经过多层残差网络进行特征提取后进行多尺度检测，提取丰富的细节信息，CRB能够避免小目标检测效果退化问题，提高了算法在强雨密度交通环境下车辆单类目标检测的适用性与准确性。
-
公开(公告)号：CN113160078B
公开(公告)日：2023-01-24
申请号：CN202110383945.6
申请日：2021-04-09
Applicant: 长安大学
Abstract: 本发明公开了雨天交通车辆图像去雨方法、装置、设备及可读存储介质，自然环境光下，雨纹的大小和方向具有多样性，现有的单幅图像去雨算法采用普通卷积提取雨纹特征，特征图的感受野随着卷积层数的增加而呈线性增加，导致提取的细节信息与边缘信息丢失严重，本发明首先采用膨胀卷构造多尺度膨胀卷积融合模块，使不同大小和方向的雨纹特征取得不同的感受野，从而使得提取的特征信息更加丰富且不损失细节信息，其次引入注意力机制构造注意机制残差块，提取的注意特征能较好的实现复原图像的同时，能够将原来偏暗的背景图像中目标边缘特征增强，本发明方法可以有效的去除雨纹，避免丢失细节信息，为后续目标检测等计算机视觉任务奠定良好的基础。
-
公开(公告)号：CN111292258B
公开(公告)日：2023-03-10
申请号：CN202010042983.0
申请日：2020-01-15
Applicant: 长安大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于暗通道和亮通道先验的图像去雾方法，基于退化图像的物理模型建立大气光散射模型，将大气光值作为全局变量，然后结合暗通道和亮通道对大气光散射模型进行先验估计得到大气光值，根据大气光散射模型和获取的大气光值得到粗透射率，以获得更加精准的数据，然后通过原图像的灰度图像作为引导图进行引导滤波来细化透射率，既保留了景深的边缘信息，又降低了算法的时间复杂度，最后根据自适应透射率补偿函数进行自适应调整得到透射率，不需要对天空区域分割，以避免明亮区域的色彩失真问题，提高了算法的自适应性。本发明有效解决了有雾图像恢复时明亮区域色彩的失真问题，去雾效果自然，并且图像的对比度得到了显著提升。
-
Patent Agency Ranking
公开(公告)号：CN113160078A
公开(公告)日：2021-07-23
申请号：CN202110383945.6
申请日：2021-04-09
Applicant: 长安大学
Abstract: 本发明公开了雨天交通车辆图像去雨方法、装置、设备及可读存储介质，自然环境光下，雨纹的大小和方向具有多样性，现有的单幅图像去雨算法采用普通卷积提取雨纹特征，特征图的感受野随着卷积层数的增加而呈线性增加，导致提取的细节信息与边缘信息丢失严重，本发明首先采用膨胀卷构造多尺度膨胀卷积融合模块，使不同大小和方向的雨纹特征取得不同的感受野，从而使得提取的特征信息更加丰富且不损失细节信息，其次引入注意力机制构造注意机制残差块，提取的注意特征能较好的实现复原图像的同时，能够将原来偏暗的背景图像中目标边缘特征增强，本发明方法可以有效的去除雨纹，避免丢失细节信息，为后续目标检测等计算机视觉任务奠定良好的基础。
-
公开(公告)号：CN111292258A
公开(公告)日：2020-06-16
申请号：CN202010042983.0
申请日：2020-01-15
Applicant: 长安大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于暗通道和亮通道先验的图像去雾方法，基于退化图像的物理模型建立大气光散射模型，将大气光值作为全局变量，然后结合暗通道和亮通道对大气光散射模型进行先验估计得到大气光值，根据大气光散射模型和获取的大气光值得到粗透射率，以获得更加精准的数据，然后通过原图像的灰度图像作为引导图进行引导滤波来细化透射率，既保留了景深的边缘信息，又降低了算法的时间复杂度，最后根据自适应透射率补偿函数进行自适应调整得到透射率，不需要对天空区域分割，以避免明亮区域的色彩失真问题，提高了算法的自适应性。本发明有效解决了有雾图像恢复时明亮区域色彩的失真问题，去雾效果自然，并且图像的对比度得到了显著提升。
-
公开(公告)号：CN111860587B
公开(公告)日：2024-02-02
申请号：CN202010537199.7
申请日：2020-06-12
Applicant: 长安大学
IPC: G06V10/75 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06T5/50
Abstract: 本发明公开了一种用于图片小目标的检测方法，通过以待检测图片作为目标检测网络的输入，从待检测图片中获取六个不同尺寸的特征图，采用双线性插值法将六个不同尺寸的特征图中的金字塔的底层特征图与金字塔的高层特征图进行特征融合得到新的六个不同尺寸的特征图，考虑各尺度特征图之间的关系，使参与预测的特征图有更丰富的细节信息和语义信息，使用预先训练模型的默认设置对目标检测网络进行训练，并采用随机梯度下降算法对损失函数式进行优化训练，有利于模型的快速收敛，利用训练好的目标检测网络进行测试，对待检测的图像特征提取，能够有效提高图片小目标的检测精度和检测速度，可在完全满足实时性条件下有效提高小目标的检测精度。
-
公开(公告)号：CN111695514B
公开(公告)日：2023-04-18
申请号：CN202010537207.8
申请日：2020-06-12
Applicant: 长安大学
IPC: G06V20/54 , G06V10/774 , G06V10/762 , G06T3/40 , G06T7/90
Abstract: 本发明公开了一种基于深度学习的雾天下车辆检测方法，通过对采集到的雾天交通车辆图片进行图像预处理，采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图，然后对多个不同大小的特征图进行多尺度检测，得到多尺度检测特征图，提高特征提取精度，最后根据获取的多尺度检测特征图采用迁移学习方法对深度残差网络模型进行训练得到雾天下车辆检测网络模型，采用迁移学习方法精简了网络结构，不仅提高了检测速度，而且提高了目标检测精度，利用K‑means聚类方法进行聚类，得到网络所需的初始先验框的尺寸，对浅层网络的加深和整体框架的简化，提升了检测速度，简化了损失函数和预测的输出张量，提高了定位的效率。
-
公开(公告)号：CN111695513B
公开(公告)日：2023-02-14
申请号：CN202010537198.2
申请日：2020-06-12
Applicant: 长安大学
IPC: G06V40/16 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度残差网络的人脸表情识别方法，利用放大的人脸表情图片对深度残差网络模型进行训练，通过深度残差网络模型对放大的人脸表情图片进行特征提取，使其可以提取到不同尺度的特征以获取图像更丰富的特征，以减少网络参数计算量，然后对提取的特征进行降维处理，对降维处理后的进行残差处理得到不同尺度的图形特征，将不同尺度的图形特征进行卷积与压缩处理得到学习图形特征，将学习图形特征进行下采样处理，这样直接实现降维，极大的减少了网络的参数，并可以对整个网络在结构上做正则化防止过拟合，将获得图像更丰富的特征以提高分类识别的准确率，将下采样处理后的学习图形特征进行分类处理，本发明能够提取到更深层次且不同尺度的图像特征，通过对比实验，表明了该网络具有较好的准确率和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.017 seconds)
