-
公开(公告)号：CN102426645B
公开(公告)日：2013-04-17
申请号：CN201110252287.3
申请日：2011-08-30
Applicant: 北京航空航天大学
Abstract: 本发明提出一种多视角多状态的步态识别方法，包括：对训练集里步态视频进行轮廓提取和时间同步，建立表象期望值、视角、状态和身份之间的投影关系；对原型集人体步态轮廓序列进行视角估计，从表象期望值、视角、状态、身份之间的投影关系获得身份信息；对测试集里人体步态轮廓序列进行视角估计，从训练集中的表象期望值、视角、状态、身份之间的投影关系获得身份信息，与原型集里已有的所有身份向量进行比对，判断得到是原型集中的哪一个人。与现有的基于整个步态周期的方法不同，本发明以单个状态作为最小单位，更加准确的建模步态运动的变化过程并用于识别，训练出各个视角下的多状态模型，能够估计待识别视频的步态视角。
-
公开(公告)号：CN102426645A
公开(公告)日：2012-04-25
申请号：CN201110252287.3
申请日：2011-08-30
Applicant: 北京航空航天大学
Abstract: 本发明提出一种多视角多状态的步态识别方法，包括：对训练集里步态视频进行轮廓提取和时间同步，建立表象期望值、视角、状态和身份之间的投影关系；对原型集人体步态轮廓序列进行视角估计，从表象期望值、视角、状态、身份之间的投影关系获得身份信息；对测试集里人体步态轮廓序列进行视角估计，从训练集中的表象期望值、视角、状态、身份之间的投影关系获得身份信息，与原型集里已有的所有身份向量进行比对，判断得到是原型集中的哪一个人。与现有的基于整个步态周期的方法不同，本发明以单个状态作为最小单位，更加准确的建模步态运动的变化过程并用于识别，训练出各个视角下的多状态模型，能够估计待识别视频的步态视角。
-
公开(公告)号：CN102306305A
公开(公告)日：2012-01-04
申请号：CN201110188208.7
申请日：2011-07-06
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于生物特征水印的安全身份认证方法，包含生物特征水印的嵌入和认证两个阶段，水印嵌入阶段包括：步骤1：宿主生物特征图像采集，步骤2：待嵌入生物特征提取，步骤3：水印生成，步骤4：宿主图像显著性区域检测，步骤5：水印嵌入；生物特征认证阶段段包括：步骤(1)：水印提取，步骤(2)：特征解码，步骤(3)：水印认证，步骤(4)：多生物特征身份认证。本发明中每次认证事务，均由可靠第三方单独分配水印加密密钥K1，以及水印嵌入密钥K2，提高了安全性。而且本发明嵌入水印时，通过对宿主图像进行显著性分析，选择合适的嵌入位置和强度，减小水印对生物特征宿主识别性能的影响。
-
公开(公告)号：CN101419671A
公开(公告)日：2009-04-29
申请号：CN200810226414.0
申请日：2008-11-10
Abstract: 本发明公开了一种基于模糊支持向量机的人脸性别识别方法，属于计算机视觉中的智能监控技术，特别是人脸识别技术。该方法首先分别对人脸训练库的图像和人脸图像采集的图像进行预处理，然后对得到的两组预处理图像进行人脸特征提取和特征选择，接着再进行神经网络训练，产生模糊隶属度；对得到的模糊隶属度结果进行模糊支持向量机的分类器设计，最后再进行人脸性别识别，并输出结果显示。该方法具有很强的环境适应能力，在不同的光照、姿态、表情下都能够保持较强的鲁棒性。该方法可以推广使用到各种监控系统和信息采集系统。
-
公开(公告)号：CN120030182A
公开(公告)日：2025-05-23
申请号：CN202510002116.7
申请日：2025-01-02
Applicant: 北京航空航天大学
IPC: G06F16/58 , G06F16/538 , G06F16/51 , G06V10/764 , G06V10/74 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及基于紧致表征建模和语义标签引导的细粒度图像检索方法，属于细粒度图像分析技术领域，解决了现有技术中难以高效挖掘图像显著且紧致的中间特征的问题，包括：步骤S1：准备预处理后的图像数据集；步骤S2：构建特征提取网络，提取得到视觉词向量；步骤S3：生成哈希编码中心；步骤S4：构建紧致编码映射单元；步骤S5：对构建的特征提取网络以及紧致编码映射单元进行训练，得到训练好的特征提取网络和紧致编码映射单元；步骤S6：进行细粒度图像检索，将得到的待检测编码与检索编码库中的编码进行匹配，距离最小的样本即为最终的检索结果。
-
Patent Agency Ranking
公开(公告)号：CN119904849A
公开(公告)日：2025-04-29
申请号：CN202311413494.1
申请日：2023-10-26
Applicant: 北京航空航天大学杭州创新研究院
Abstract: 本公开的实施例公开了场景文本信息识别方法、装置、电子设备和介质。该方法的一具体实施方式包括：对待识别场景图像进行预处理，并对预处理后的场景图像进行区域图像分割，得到场景子图像集；对场景子图像集进行视觉编码，以及对编码得到的视觉特征向量集进行前景增强处理，得到视觉增强特征向量集；对视觉增强特征向量集进行文本识别，并对识别得到的文本特征向量集进行文本矫正处理，得到矫正后文本特征向量集；将矫正后文本特征向量集与视觉特征向量集进行融合处理，得到融合后特征向量集；将融合后特征向量集输入至预测层，得到文本信息。该实施方式可以提高复杂场景下的文本识别准确率，以及模型的通用性和鲁棒性。
-
公开(公告)号：CN119625470A
公开(公告)日：2025-03-14
申请号：CN202411606148.X
申请日：2024-11-12
Applicant: 北京航空航天大学
IPC: G06V10/80 , G06V10/774 , G06V10/20 , G06N3/0475 , G06N3/048 , G06N3/094
Abstract: 本发明涉及对抗学习技术领域，具体涉及一种基于空频融合的对抗样本生成装置及方法，包括：收集图像数据，建立用于对抗样本生成的训练数据集，包括建立目标类图像训练集和待生成扰动图像训练集；对待生成扰动图像训练集中的图像进行空间域区块数据增强和频域数据增强，得到数据增强图像；采用生成器对数据增强图像进行处理，得到扰动图像；基于目标类图像训练集中的图像，采用判别器对扰动图像进行空域判别和频域判别，得到空频域损失；以最小化空频域损失为优化要求，更新生成器的网络参数；直到空频域损失小于预设值，得到训练完成的生成器，采用训练完成的生成器生成对抗样本；本发明能够生成可迁移性更好的对抗样本。
-
公开(公告)号：CN118154934A
公开(公告)日：2024-06-07
申请号：CN202410095373.5
申请日：2024-01-23
Applicant: 北京航空航天大学杭州创新研究院
IPC: G06V10/764 , G06V10/74 , G06V10/141 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/092 , G06N3/084
Abstract: 本公开的实施例公开了垃圾分类方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：响应于采集组件采集到目标人员的靠近信息，控制采集组件采集目标环境信息；根据目标环境信息，控制拍摄组件采集至少一个人员图像；对至少一个人员图像中的每个人员图像进行目标物识别处理，以生成目标框选图像，得到目标框选图像集；将目标框选图像集输入至预先训练的垃圾识别模型中，得到垃圾类别信息；根据垃圾类别信息，控制控制组件打开垃圾类别信息对应的垃圾桶的桶盖。该实施方式减少了电力资源的浪费，以及减少了对垃圾进行分类的时间。
-
公开(公告)号：CN114360060B
公开(公告)日：2024-04-09
申请号：CN202111671031.6
申请日：2021-12-31
Applicant: 北京航空航天大学杭州创新研究院
IPC: G06V40/20
Abstract: 本发明公开了一种人体动作识别计数方法，包括以下步骤：将人体动作分解为冠状面和矢状面两个平面内的动作，采集人体平面内动作实时视频图像，将所述实时视频图像进行分帧和预处理后，输入人体关键骨骼点检测网络模型，输出每帧图像上的人体关键骨骼点检测结果；将得到的所述人体关键骨骼点检测结果输入预先配置的动作状态特征机，所述动作状态特征机按照所述人体关键骨骼点的置信度约束条件和特征点约束条件，确定用户是否完成对应动作。本发明采用一个通用模型匹配不同动作状态特征机，代码复用率高且计算量小，占用存储空间小，特征表达强，在保证计数准确的同时，具有更快的系统响应速度。
-
公开(公告)号：CN117788978A
公开(公告)日：2024-03-29
申请号：CN202311836617.2
申请日：2023-12-28
Applicant: 北京航空航天大学
IPC: G06V10/774 , G06V10/764 , G06V10/74 , G06V10/82 , G06N3/094
Abstract: 本发明涉及一种基于图像相似性优化的高效对抗扰动生成方法与系统，属于图像处理技术领域，包括图像采集模块、预处理模块，图像质量控制模块，对抗攻击模块，自适应权重学习模块和联合优化模块，基于对抗样本失真进行了建模，用于分析对抗扰动产生是否会对图像质量造成较大的影响；使用一个自适应权重平衡对抗样本质量与对抗攻击强度；同时优化对抗样本质量和对抗攻击强度，获得了高效对抗扰动，利用高效对抗扰动生成对抗样本与原图具有良好的相似性，难以被觉察，并拥有良好的攻击性。更加高效地利用对抗扰动实现可迁移对抗攻击，生成的对抗样本扰动小，难以被察觉，提高了对抗攻击相关模型的安全性。
-
-
-
-
-
-
-
-
-
Search Results
184
records
(took 0.047 seconds)
