-
公开(公告)号：CN109062892A
公开(公告)日：2018-12-21
申请号：CN201810747766.4
申请日：2018-07-10
Applicant: 东北大学
IPC: G06F17/27
CPC classification number: G06F17/271 , G06F17/2775 , G06F17/2785
Abstract: 本发明公开了一种基于Word2Vec的中文语句相似度计算方法。该方法基于大型语料库训练得到词向量模型，并且通过LTP句法分析器将句子表示成句法成分树结构。该计算方法包括：接受用户输入的问题Q；对用户输入的问题Q进行分词，词性分析以及句法分析；将用户输入的问题Q与问题模板中的每个问题A进行匹配计算，获得问题Q与问题A之间的相似度调节系数score1和语义相似度得分score2；根据相似度调节系数score1和语义相似度score2计算获得问题Q与问题A之间的语句相似度score。本发明通过将句子的结构信息添加到语句相似度计算中，以及通过计算词汇之间的句法关系有效提高了相似度计算的准确率。
-
公开(公告)号：CN109002851A
公开(公告)日：2018-12-14
申请号：CN201810738976.7
申请日：2018-07-06
Applicant: 东北大学
Abstract: 本发明公开了一种基于图像多特征融合的水果分类方法及应用，所述方法包括：获取训练集和测试集；预处理；提取颜色特征，LBP纹理特征和形状特征；得到训练集水果特征集合和测试集水果特征集合；将训练集水果特征集合作为多种可进行水果分类的分类器的输入，对多种可进行水果分类的分类器进行训练，将测试集水果特征集合作为多种可进行水果分类的分类器的输入，将平均分类准确率最高的分离器作为最佳分类器；将测试集水果特征集合作为最佳分类器的输入，得到输入的水果特征对应的水果图像中的水果类型。本发明适用于多种水果的分类且检测精度高。
-
公开(公告)号：CN108960257A
公开(公告)日：2018-12-07
申请号：CN201810733502.3
申请日：2018-07-06
Applicant: 东北大学
CPC classification number: G06K9/4652 , G06K9/6256 , G06K2209/05
Abstract: 本发明提供一种基于深度学习的糖尿病视网膜病变等级分级方法及系统。本发明方法，包括：构建样本库；去除样本库中眼底镜照片的背景和噪声；通过减去局部均值法将不同亮度、不同明暗度的图像归一化到同一个范围；对不同样本采用随机拉伸、旋转的方法进行数据扩充，构建训练集和测试集；分别通过搭建输入部分架构、多分支特征变换部分架构、输出部分框架训练初始深度学习网络模型；将待检测样本输入到训练好的初始深度学习网络模型中，进行糖尿病视网膜病变分级。相较于传统的处理方法，本发明摆脱对先验知识的依赖性，有良好的泛化能力；采用所设计的多层次，小尺寸的卷积核能够提取十分微小的病灶特征，使分类结果更加可靠。
-
公开(公告)号：CN108932493A
公开(公告)日：2018-12-04
申请号：CN201810698035.5
申请日：2018-06-29
Applicant: 东北大学
Abstract: 本发明公开了一种面部皮肤质量评价方法，包括：采集人脸图像；通过开源库对其灰度化处理并确定人脸坐标；构建人脸皮肤区域掩模图像；对人脸图像进行分割；进行预处理及特征提取；训练分类类型为C_SVC内核类型为多项式内核POLY、且内核参数degree为1.0的支持向量机SVM的分类模型获得到训练后的SVM分类器；将识别出的面部粉刺位置以黑色圆圈标注，识别出的皱纹位置以黑色方框标注；根据识别出的粉刺个数及皱纹所占面部比例进行皮肤质量的评价。本发明通过学习后的判断能够消除人工评价的主观性，同时本发明统一亮度，Gamma矫正，灰度化处理，提取原始LBP特征，以及直方图均衡化降低了运算的计算量提高了实时性及自适应。
-
公开(公告)号：CN110991272B
公开(公告)日：2023-07-18
申请号：CN201911125301.6
申请日：2019-11-18
Applicant: 东北大学
Abstract: 本发明提供一种基于视频跟踪的多目标车辆轨迹识别方法，涉及视频监控技术领域。本发明步骤如下：步骤1：采集监控视频图像，设置相关参数；步骤2：根据视频图像采用YOLOv3算法获取图像中要跟踪的所有车辆目标，将检测到的N个车辆作为跟踪目标，得到N个车辆的第Q帧目标框集合SQ,并以目标车辆的中心点作为轨迹记录点，建立轨迹集L＝{L1,L2,L3，…，LN}；步骤3：采用改进的YOLO v3算法进行车辆目标检测得到Q+1帧的目标框集合SQ+1，重复本步骤，直至将采集的监控视频图像全部检测完毕，输出最终的轨迹集L′。该方法不仅解决了多目标的车辆轨迹提取精度问题，而且具备很好的实时性，也解决了现有基于深度学习方法的车辆轨迹提取精度和速度有限问题。
-
Patent Agency Ranking
公开(公告)号：CN108932493B
公开(公告)日：2022-01-28
申请号：CN201810698035.5
申请日：2018-06-29
Applicant: 东北大学
Abstract: 本发明公开了一种面部皮肤质量评价方法，包括：采集人脸图像；通过开源库对其灰度化处理并确定人脸坐标；构建人脸皮肤区域掩模图像；对人脸图像进行分割；进行预处理及特征提取；训练分类类型为C_SVC内核类型为多项式内核POLY、且内核参数degree为1.0的支持向量机SVM的分类模型获得到训练后的SVM分类器；将识别出的面部粉刺位置以黑色圆圈标注，识别出的皱纹位置以黑色方框标注；根据识别出的粉刺个数及皱纹所占面部比例进行皮肤质量的评价。本发明通过学习后的判断能够消除人工评价的主观性，同时本发明统一亮度，Gamma矫正，灰度化处理，提取原始LBP特征，以及直方图均衡化降低了运算的计算量提高了实时性及自适应。
-
公开(公告)号：CN110991272A
公开(公告)日：2020-04-10
申请号：CN201911125301.6
申请日：2019-11-18
Applicant: 东北大学
Abstract: 本发明提供一种基于视频跟踪的多目标车辆轨迹识别方法，涉及视频监控技术领域。本发明步骤如下：步骤1：采集监控视频图像，设置相关参数；步骤2：根据视频图像采用YOLOv3算法获取图像中要跟踪的所有车辆目标，将检测到的N个车辆作为跟踪目标，得到N个车辆的第Q帧目标框集合SQ,并以目标车辆的中心点作为轨迹记录点，建立轨迹集L＝{L1,L2,L3，…，LN}；步骤3：采用改进的YOLO v3算法进行车辆目标检测得到Q+1帧的目标框集合SQ+1，重复本步骤，直至将采集的监控视频图像全部检测完毕，输出最终的轨迹集L′。该方法不仅解决了多目标的车辆轨迹提取精度问题，而且具备很好的实时性，也解决了现有基于深度学习方法的车辆轨迹提取精度和速度有限问题。
-
公开(公告)号：CN109389074A
公开(公告)日：2019-02-26
申请号：CN201811151003.X
申请日：2018-09-29
Applicant: 东北大学
Abstract: 本发明提供一种基于人脸特征点提取的表情识别方法至少包括以下步骤：输入待检测的带人脸的图像p并将所述待检测的带人脸的图像p进行归一化处理，标记所述图像中的人脸特征点并分割提取的人脸图像p”，提取所述人脸图像p”的HOG特征及LBP特征，融合提取的特征融合后的特征进行特征降维，采用高斯核函数进行SVM分类，得出分类结果。本发明提出了一种基于人脸特征点提取的表情识别方法，通过标记并连通人脸68个特征点得到除去背景的人脸图像，提高了表情识别的准确度，同时融合了均匀LBP特征与HOG特征进行表情识别，同样提高识别准确度。
-
公开(公告)号：CN109145559A
公开(公告)日：2019-01-04
申请号：CN201810868278.9
申请日：2018-08-02
Applicant: 东北大学
CPC classification number: G06F21/32 , G06K9/00281 , G06K9/00302
Abstract: 本发明包含一种结合表情识别的智能终端人脸解锁方法，首先采集人脸视频图像并进行预处理，再使用基于Haar特征的Adaboost算法对采集的图像进行处理，经过滤波处理、特征提取、特征降维进行人脸识别，得到特征采用支持向量机SVM进行分类识别，进行人脸识别。提取表情关键帧，进行表情识别，若均识别成功屏幕解锁，识别失败进行计数达到设定数屏幕锁定。本发明综合了采用人脸和表情等视觉识别先进技术，提高了人脸解锁的复杂程度，极大地降低利用了视频或者动态图片等录制人脸等方法破解终端的成功率在不知道特定的表情动作的前提下，也无法解锁屏幕。
-
公开(公告)号：CN108805802A
公开(公告)日：2018-11-13
申请号：CN201810570889.5
申请日：2018-06-05
Applicant: 东北大学
Abstract: 本发明公开了一种基于约束条件的堆叠步进自编码器的正面人脸重建系统及方法，所述方法具有如下步骤：建立训练样本库和测试样本库；建立包括n层自编码器的基于条件约束的堆叠渐进自动编码器，相邻所述自编码器之间设有非负约束稀疏自编码器；初始化堆叠渐进自动编码器的权值w和偏置向量b，并逐层训练得到整个堆叠渐进自动编码器的最优参数；以最小化人脸重建目标损失函数更新堆叠渐进自动编码器的权值w和偏置向量b；以最小化人脸重建目标函数进行堆叠渐进自动编码器反向微调，输出参数最优的堆叠渐进自动编码器模型。本发明方便简单、训练参数少，有效解决了以往方法参数指标多、对硬件配置要求高等的缺点。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.019 seconds)
