公开(公告)号：CN119151833A

公开(公告)日：2024-12-17

申请号：CN202411200586.6

申请日：2024-08-29

Applicant: 南京邮电大学

Inventor： 胡长晖 ,  张波

IPC: G06T5/77 ,  G06T5/60 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明公开了一种基于零元素的低光照图像复原网络，属于低光照图像复原领域。包括通过现实世界极低光夜间交通监控图像构建了一个零元素掩模集。低光照图像与掩膜随机匹配生成含大量零元素像素的低光照图像，将所得到的低光照图像求取其零元素图；将合成的低光照图像和其零元素图一起输入基于零元素掩模的注意力Restormer编码器中获取条件特征；将其和标准正态分布作为可逆网络的输入，输出增强和复原后的图像。在编码器网络中，在原有的Restormer模块的基础上，设计了零元素掩码注意力模块。在可逆网络中将无条件仿射耦合层插入到流动步骤。本发明基于零元素掩码图加强了对缺失信息的学习，在增强视觉效果的同时显著提升了峰值信噪比。

公开(公告)号：CN118333867A

公开(公告)日：2024-07-12

申请号：CN202410445697.7

申请日：2024-04-15

Applicant: 南京邮电大学

Inventor： 胡长晖 ,  徐霖涛 ,  韩仲发

IPC: G06T5/00 ,  G06T5/90

Abstract: 本发明公开了基于像素点RGB值不平衡特征引导的低光照图像增强方法，属于低光照图像增强领域。该方法包括：获取低光照图像；对所述低光照图像求取其RGB值不平衡点图；构建基于RGB值不平衡点引导的Transformer‑Unet低光照图像增强网络，将所述低光照图像和其RGB值不平衡点图一起输入至基于RGB值不平衡点引导的Transformer‑Unet低光照图像增强网络中，由基于RGB值不平衡点引导的Transformer‑Unet低光照图像增强网络输出增强后的图像。其中，在传统自注意力的原理之下，利用RGB值不平衡特征构建了不平衡点引导的Transformer。本发明利用图像中像素点RGB值不平衡的特性引导了Transformer中注意力的学习，改善了传统模型对低光照图像中信息失真严重区域学习不佳的情况，可以显著的提高增强图像的视觉效果。

公开(公告)号：CN113361492B

公开(公告)日：2023-10-24

申请号：CN202110813505.X

申请日：2021-07-19

Applicant: 南京邮电大学

Inventor： 胡长晖 ,  李丰耀 ,  刘宇 ,  吴飞 ,  蔡子赟 ,  朱松豪

IPC: G06V40/16 ,  G06V10/60

Abstract: 本发明公开了一种基于正交三角分解的光照不变特征提取方法，包括如下步骤：步骤1：采集人脸彩色图像，并转化为人脸灰度图像；步骤2：通过正交三角分解算法，获得#imgabs0#局部邻域的上三角矩阵对角线元素，并对其进行非线性放大；步骤3：对步骤2获得的非线性放大后的上三角矩阵对角线元素，构造光照不变特征。本发明充分考虑了人脸灰度图像的光照特性，通过正交三角分解算法，能有效消除阴影边缘的影响。

公开(公告)号：CN115690317A

公开(公告)日：2023-02-03

申请号：CN202211391589.3

申请日：2022-11-08

Applicant: 南京邮电大学

Inventor： 胡长晖 ,  衣薇霖 ,  李丰耀 ,  张波 ,  翟明亮

IPC: G06T17/00 ,  G06T19/20 ,  G06T11/00 ,  G06F30/10

Abstract: 本发明属于模式识别领域，具体的说是一种HSV3S空间模型的构建方法，具体包括如下步骤：步骤一、通过图像采集，获得图像RGB空间；步骤二、求取图像RGB空间转换到HSV3S空间的模型；步骤三：求取步骤二中得到的图像HSV3S空间转换为RGB空间的模型。本发明充分考虑了图像的RGB空间和HSV空间之间的关系，对原始HSV空间进行改进，实现彩色图像在RGB空间与HSV3S空间的相互转换。

公开(公告)号：CN110852292B

公开(公告)日：2022-02-01

申请号：CN201911126783.7

申请日：2019-11-18

Applicant: 南京邮电大学

Inventor： 吴飞 ,  冯宇健 ,  季一木 ,  荆晓远 ,  胡长晖 ,  韩璐

IPC: G06V40/16 ,  G06K9/62 ,  G06V10/778 ,  G06N3/04

Abstract: 本发明公开了一种基于跨模态多任务深度度量学习的草图人脸识别方法，首先构建人脸样本图像数据库并进行预处理，对样本进行两两配对，形成草图和正常图片的两种模态的配对；然后对每一个草图和正常图片这两种模态使用对应的神经网络来学习特征，同时让两种模态的网络结构进行参数共享；最后，将两种模态得到的特征投影到公共空间中，计算特征向量之际的距离，通过设计目标函数，根据距离大小来验证结果；通过在两个常用的基准数据集上的实验结果可以直观看出，本发明提供的方法比现有的方法具有更好的跨模态分类性能。

公开(公告)号：CN111222463A

公开(公告)日：2020-06-02

申请号：CN202010013452.9

申请日：2020-01-07

Applicant: 南京邮电大学

Inventor： 景慎 ,  胡长晖 ,  王彩玲 ,  周光亮 ,  虞建

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于级联式卷积网络的机动车人脸检测方法，所述方法包括：获取机动车的拍摄图片；将所述拍摄图片输入至人脸检测方法模型得到拍摄图片中人脸图像的位置；所述人脸检测方法模型采用级联式卷积神经网络。本发明针对机动车人脸检测设计了级联式卷积神经网络并充分考虑了在机动车人脸检测领域中公开数据缺乏的问题，通过预训练、再训练的方式提高网络对机动车人脸图片的鲁棒性，在新的DRIVER FACE数据集上取得了不错的人脸检测效果。