-
公开(公告)号：CN109063586A
公开(公告)日：2018-12-21
申请号：CN201810759174.4
申请日：2018-07-11
Applicant: 东南大学
CPC classification number: G06K9/00845 , G06K9/6256 , G06K9/6267
Abstract: 本发明提出一种基于候选优化的Faster R‑CNN驾驶员检测方法，涉及目标检测中的驾驶员检测领域。本发明以车载摄像头拍摄的RGB图像为数据源，在Faster R‑CNN目标检测算法的基础上作出改进：将残差结构引入特征提取ZF网络，设计ZF‑Res网络，以提高识别精度并保持实时性；针对以驾驶员为画面主体的RGB图像，提出候选优化子网络，过滤去冗余无效的候选区域，再进行后续的分类回归以完成驾驶员的定位检测。与现有技术相比，本发明大幅减少不包含或仅包含部分驾驶员的目标框，在保持驾驶员目标检测准确率的同时，提高检测效率。在监控识别驾驶员不良驾驶行为、预防交通事故方面有重要的应用价值。
-
公开(公告)号：CN108985192A
公开(公告)日：2018-12-11
申请号：CN201810692696.7
申请日：2018-06-29
Applicant: 东南大学
Abstract: 本发明提供了一种基于多任务深度卷积神经网络的视频烟雾识别方法，包括：构建视频烟雾识别数据集；生成卷积神经网络的训练样本；构建卷积神经网络模型；采用多任务学习策略训练模型；测试模型得出烟雾识别结果。本发明采用一种由卷积层、全连接层、反卷积层组成的多任务深度学习架构，通过大量的训练样本，学习视频中单帧图像的静态信息和帧与帧之间的动态光流信息，进而判断测试视频帧中是否包含烟雾，实现二分类任务。本发明能够通过卷积神经网络提取出单帧图像的静态特征结合视频相邻帧之间的动态特征进行多任务学习，结构简单，识别准确率高，并可以实现监控视频下的实时烟雾识别，在火灾预警，公共安全防范中有重要的应用价值。
-
公开(公告)号：CN106778742A
公开(公告)日：2017-05-31
申请号：CN201611126129.2
申请日：2016-12-09
Applicant: 东南大学
Abstract: 本发明公开了一种基于Gabor滤波器背景纹理抑制的车标检测方法，包含以下步骤：第一步，对图像进行倾斜校正预处理；第二步，在预处理后的图像中进行车牌检测，得到车牌区域；第三步，基于先验知识，根据车牌和车标的位置关系，在车牌定位后得到包含车标图案的车标粗定位区域；第四步，对车标粗定位区域进行Gabor滤波，抑制车标周围散热网纹理，凸显车标区域；第五步，进行高斯滤波和数学形态学闭操作；第六步，选定阈值对灰度图像阈值化，并框定检测目标区域，实现车标精定位。该车标检测方法检测时间短，检测率高。
-
公开(公告)号：CN103996179B
公开(公告)日：2017-02-15
申请号：CN201410270579.3
申请日：2014-06-17
Applicant: 东南大学
Abstract: 本发明公开了一种基于单尺度Retinex的快速实时图像增强方法，包括以下步骤：第一步：读取RGB彩色空间中待增强的彩色图像；第二步，计算图像的尺寸，如大于标准尺寸，则对其进行降采样；第三步，将图像分解为R、G、B三个分量；第四步，对图像的各分量采用单尺度Retinex方法进行增强，得到各反射分量；第五步，对各反射分量取指数并合并得到增强的RGB图像；第六步，把得到的RGB图像转化为HIS图像，并用直方图均衡化进一步增强；第七步，把增强后的图像采用双线性插值法进行插值，得到输出图像。本发明利用单尺度Retinex方法对图像进行增强，通过对原始图像进行降采样，加快增强速度，从而达到实时增强的目的。
-
公开(公告)号：CN105654445A
公开(公告)日：2016-06-08
申请号：CN201610060892.3
申请日：2016-01-28
Applicant: 东南大学
CPC classification number: G06T5/002 , G06T5/20 , G06T2207/10024 , G06T2207/20004 , G06T2207/20064
Abstract: 本发明公开了一种基于小波变换边缘检测的手机图像去噪方法，能够在有效平滑噪声的同时保留图像边缘细节，去除彩色噪声，从而得到理想的去噪效果，包括如下步骤：第一步，读入彩色噪声图像，将输入的图像从RGB彩色空间转换到YUV彩色空间；第二步，用高斯滤波器平滑图像，对Y通道图像进行三次低通滤波；第三步，利用小波变换算法检测图像边缘；第四步，采用阈值分割得到边缘的二值化图像；第五步，在图像边缘区域采用各向异性扩散平滑噪声；第六步，在图像平滑区域采用均值滤波去噪；第七步，对平滑区域图像进一步去除彩色噪声；第八步，将图像从YUV彩色空间转换到RGB彩色空间，得到最终的去噪图像。
-
Patent Agency Ranking
公开(公告)号：CN103559693B
公开(公告)日：2016-05-25
申请号：CN201310581473.0
申请日：2013-11-18
Applicant: 东南大学
Abstract: 本发明提出一种基于非连续指示符的图像局部结构自适应复原方法，它包括如下步骤：第一步，初始化读入图像，将输入的RGB图像转换到YCbCr颜色空间；第二步,构建三边散布矩阵，提高对噪声的鲁棒性；第三步，构建非连续性指示符，动态表征图像局部结构特征；第四步，建立图像退化模型；第五步，根据所构建的非连续性指示符，建立图像复原优化模型，使得所建立的模型连续依赖于图像局部结构特征；第六步，利用变分法求解复原优化模型，得到优化模型所对应的梯度下降流，并采用半点格式对其进行离散化，得到最优复原图像。本发明提出的方法能够根据图像局部结构特征自适应控制复原过程，能够复原出图像更多的细节结构，使得图像质量显著提高。
-
公开(公告)号：CN102831425B
公开(公告)日：2014-12-17
申请号：CN201210312362.5
申请日：2012-08-29
Applicant: 东南大学
Abstract: 一种人脸图像快速特征提取方法，第一步，初始化读入训练图像集，将获得的彩色人脸图像转换到灰度空间；第二步，对图像进行线性插值和直方图均衡化；第三步，构造训练集数据矩阵；第四步，训练集应用主成份分析法，求取其低维表述矩阵；第五步，求原训练图像的低维表述矩阵的隶属度矩阵；第六步，计算低维表述矩阵的类内散度矩阵和类间散度矩阵；第七步，求得训练人脸图像集的特征表述矩阵。本发明充分考虑了训练集中各个人的人脸图像之间的关系，利用了其对于某一人脸子集的属于和不属于的信息，得到较好的类中心估计，弱化了某一图像的剧烈扰动对于该人其他图像的扰动，从而更加有效地提取人脸特征。
-
公开(公告)号：CN103778430A
公开(公告)日：2014-05-07
申请号：CN201410060480.0
申请日：2014-02-24
Applicant: 东南大学
Abstract: 本发明公开了一种基于肤色分割和AdaBoost相结合的快速人脸检测方法，包括以下步骤：第一步，构建N层高斯金字塔；第二步，确定在高斯金字塔中进行肤色分割人脸检测的层数Ev；第三步，对高斯金字塔的第Ev层图像进行肤色分割人脸检测，标定出矩形人脸候选区域；第四步，确定在高斯金字塔中进行AdaBoost人脸检测的层数Ev'；第五步，对高斯金字塔的第Ev'层图像进行AdaBoost人脸检测；第六步，获取人脸区域。本发明结合了肤色分割和AdaBoost算法，并引入高斯金字塔，通过先为待检图像创建高斯金字塔，然后选择在高斯金字塔的适当层分别进行肤色分割和AdaBoost人脸检测，从而大幅提高了人脸检测效率。
-
公开(公告)号：CN103310465A
公开(公告)日：2013-09-18
申请号：CN201310263026.0
申请日：2013-06-27
Applicant: 东南大学
Abstract: 本发明公开了一种基于马尔科夫随机场的车辆遮挡处理方法，包括以下步骤：步骤10）建立背景图；步骤20）建立车辆前景轮廓图；步骤30）在车辆轮廓里填充块；步骤40）进行块的遮挡处理，包括步骤401）至步骤405）：步骤401）在车辆K包含的所有n个块中，以第t-1帧灰度图像中的第i个块为模板，利用三步搜索法确定在第t帧灰度图像中，与最为匹配的匹配块步骤402）测算的运动矢量；步骤403）对匹配块进行验证处理；步骤404）对块进行遮挡判断和遮挡处理；步骤405）返回步骤401），直至i=n，完成所有块的验证处理和遮挡处理。该车辆遮挡处理方法对车辆的跟踪精度高，处理准确，且具有良好的实时性。
-
公开(公告)号：CN103218605A
公开(公告)日：2013-07-24
申请号：CN201310119843.9
申请日：2013-04-09
Applicant: 东南大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于积分投影与边缘检测的快速人眼定位方法，它主要有以下几个步骤：第一步：对检测到的人脸图像进行转灰度，并利用滤波器对其平滑去噪；第二步：采用水平积分投影法获取人眼大概位置；第三步：对第一步中的图像进行边缘提取，并将图像二值化；第四步：计算行、列复杂度，精确定位人眼位置；第五步：校正，得到最终人眼位置。该方法计算速度快，能够有效抑制人脸图像中的饰品对人眼定位的影响，具有快速稳定的优点。
-
-
-
-
-
-
-
-
-
Search Results
206
records
(took 0.024 seconds)
