-
公开(公告)号：CN112241682A
公开(公告)日：2021-01-19
申请号：CN202010970031.5
申请日：2020-09-14
Applicant: 同济大学
Abstract: 本发明涉及计算机视觉领域，采用深度学习框架，提出了一种基于分块以及多层信息融合的端到端行人搜索方法。本方法包括：1)使用监控摄像机所拍摄的整幅画面作为数据输入；2)使用卷积神经网络提取初步的特征，随后使用候选区域提取网络提取可能存在行人的候选区域；3)对上述候选区域的特征进行池化并使用另一卷积神经网络提取用于行人识别的特征，将特征进行分块进行处理，与网络的中层特征进行特征融合，最后使用在线实例匹配损失训练网络；4)将测试图像输入网络，网络输出图像中的行人位置及对应特征，最后将行人检测结果以及与待查找行人的相似度标注在图像上。此算法相比现有方法具有更加准确、鲁棒性好的特点。
-
公开(公告)号：CN109870223A
公开(公告)日：2019-06-11
申请号：CN201910042964.5
申请日：2019-01-17
Applicant: 同济大学
Abstract: 本发明提供一种视觉技术辅助的桥梁动态称重方法，用于对车辆通过桥梁时的车重进行计算，其特征在于，包括：步骤S1，采集车辆通过设有动应变传感器以及交通监控装置的桥梁时产生的桥梁结构动应变数据以及车辆监控视频；步骤S2，对桥梁结构动应变数据进行处理从而提取该桥梁结构动应变数据的静态成分的峰值；步骤S3，通过预先训练的深度神经网络模型对车辆监控视频进行识别从而获取车辆监控视频中车辆的像素坐标；步骤S4，将对像素坐标进行转换从而获取车辆在桥面上的桥面位置坐标；以及步骤S5，根据静态成分的峰值、桥面位置坐标以及预先标定的桥梁影响面计算获取车辆的车重。
-
公开(公告)号：CN106485253A
公开(公告)日：2017-03-08
申请号：CN201610824156.0
申请日：2016-09-14
Applicant: 同济大学
CPC classification number: G06K9/6215 , G06K9/4642 , G06K9/4652
Abstract: 本发明涉及一种最大粒度结构描述符的行人再辨识方法，包括以下步骤：S1，获取图像集中彩色的行人图像，使用Gabor滤波器处理行人图像，获得多个尺度图像；S2，获取各尺度图像的颜色差分直方图CDH，并提取LMCC描述符；S3，提取LOMO描述符；S4，使用LDA算法进行度量学习，获得特征空间的最优子空间投影；S5，输入待辨识的行人图像，计算待辨识的行人图像同图像集中行人图像的相似度量距离，得到辨识结果。与现有技术相比，本发明方法对于光照、旋转、平动等因素变化有较好的鲁棒性，能够提取图像的本质特征，具有良好的行人辨识性能，并且对光照、视角、遮挡等变化具有不敏感性。
-
公开(公告)号：CN106022226A
公开(公告)日：2016-10-12
申请号：CN201610309021.0
申请日：2016-05-11
Applicant: 同济大学
CPC classification number: G06K9/00335 , G06K9/6202
Abstract: 本发明涉及一种基于多方向多通道条形结构的行人再辨识方法，包括以下步骤：1)分别获取待辨识行人图像和对比图像中像素点对应的多方向双颜色通道条形结构特征集Bθ；2)采用颜色差分获取该像素点的多方向双通道条形结构加权颜色差分权重集Wθ；3)采用滑动窗口分别获取不同方向上的直方图描述符Hθ；4)根据堪培拉距离计算基于直方图描述符Hθ的待辨识行人图像和对比图像的距离集Ds；5)选择距离集Ds中最优三元组距离对、ELF描述符和HOG描述符作为特征码，并获取待辨识行人图像和对比图像之间的最终距离；6)根据最近相邻理论，对距离进行排序，最终获取待辨识行人图像和对比图像的匹配率与现有技术相比，本发明具有快速准确、鲁棒性好等优点。
-
公开(公告)号：CN114049531B
公开(公告)日：2025-03-18
申请号：CN202111263138.7
申请日：2021-10-28
Applicant: 同济大学
IPC: G06V10/774 , G06V10/26 , G06V40/10 , G06V20/52 , G06N3/0464 , G06V10/82
Abstract: 本发明涉及计算机视觉领域，采用深度学习框架，具体涉及一种基于弱监督人体协同分割的行人再识别方法，包括以下步骤：1)将同一个行人的所有图像作为一批次送入到弱监督人体协同分割网络中，训练该网络得到行人图像对应的伪像素级标签；2)构建多任务网络框架包含骨干网络，行人再识别子网络和人体分割子网络，将行人图像和伪像素级标签送入多任务网络中，得到图像特征，前景特征和人体部分特征；3)交替训练人体协同分割网络和多任务网络得到最优的伪像素级标签和多任务网络模型，将测试集中的行人图像送入多任务网络中，只使用前景特征和人体部分特征来计算图像间的距离，进行行人特征匹配。本发明对于遮挡场景更加鲁棒，更加适合于现实中复杂的场景。
-
Patent Agency Ranking
公开(公告)号：CN109886141B
公开(公告)日：2023-06-06
申请号：CN201910079205.6
申请日：2019-01-28
Applicant: 同济大学
IPC: G06V40/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明涉及计算机视觉领域，采用深度学习框架，更具体地，本发明涉及一种基于不确定性优化的行人再辨识方法，包括以下步骤：1)使用孪生网络结构，将两个属于相同或不同行人的原始图像分别作为两个同构网络的输入；2)使用inception网络和Dropout层叠加的方式，用来实现不确定性优化的贝叶斯卷积神经网络作为特征提取网络；3)根据孪生网络的特征输出，计算二分类损失和各自网络的多分类损失，叠加后用于网络的反向传播和参数优化；4)将待辨识行人图像和所有比对图像输入训练好的模型，提取图像特征；5)利用欧式距离计算公式，获取待辨识行人图像和比对图像之间的最终距离；6)根据特征相似度距离进行排序，获取与待辨识行人对应的对比图像匹配排序。与现有技术相比，本发明具有在全部样本和少样本下都具有高准确性、高鲁棒性、快速简便等优点。
-
公开(公告)号：CN114049531A
公开(公告)日：2022-02-15
申请号：CN202111263138.7
申请日：2021-10-28
Applicant: 同济大学
Abstract: 本发明涉及计算机视觉领域，采用深度学习框架，具体涉及一种基于弱监督人体协同分割的行人再识别方法，包括以下步骤：1)将同一个行人的所有图像作为一批次送入到弱监督人体协同分割网络中，训练该网络得到行人图像对应的伪像素级标签；2)构建多任务网络框架包含骨干网络，行人再识别子网络和人体分割子网络，将行人图像和伪像素级标签送入多任务网络中，得到图像特征，前景特征和人体部分特征；3)交替训练人体协同分割网络和多任务网络得到最优的伪像素级标签和多任务网络模型，将测试集中的行人图像送入多任务网络中，只使用前景特征和人体部分特征来计算图像间的距离，进行行人特征匹配。本发明对于遮挡场景更加鲁棒，更加适合于现实中复杂的场景。
-
公开(公告)号：CN113326753A
公开(公告)日：2021-08-31
申请号：CN202110551186.X
申请日：2021-05-20
Applicant: 同济大学
Abstract: 本发明针对现有X射线安检违禁品检测存在的X射线图像的重叠问题，提出了一种针对重叠问题的X射线安检违禁品检测方法，可以部署到安检机上进行使用。本发明通过以下技术方案来实现：步骤一，将训练集图像输入网络中进行训练；步骤二，将测试集图像输入训练后网络中进行测试。与现有技术相比，本发明具有以下优点：一、本发明采用了端到端的深度学习网络，检测速度快，易于部署。二、本发明仅需使用X射线安检系统生成的图像即可进行预测，和其他方法相比，不需要以额外的物理器材，方法简单易行，可以快速部署到安检机上，投入到实际应用当中。
-
公开(公告)号：CN111428586A
公开(公告)日：2020-07-17
申请号：CN202010158977.1
申请日：2020-03-09
Applicant: 同济大学
Abstract: 本发明公开了一种基于特征融合与样本增强的三维人体姿态估计方法，涉及三维人体姿态估计与性能优化方法。首先，采用基于候选区域的全卷积网络，对图片中人体进行身体部位分类与像素点三维坐标回归；其次，采用辅助网络样本增强，对没有初始标注的样本位置进行信号补充；最后，将模型与现有效果良好的2D姿态识别模型进行特征融合，从全局姿态的角度与局部回归坐标发挥优势互补性。本发明通过特征融合技术构造基于多任务并行的人体姿态估计架构，为二维和三维姿态识别的优势互补提供有效的理论和方法；通过模拟半监督学习的方式，建立基于数据增强的辅助网络，为提升姿态识别模型泛化能力提供新的思路。
-
公开(公告)号：CN111241987A
公开(公告)日：2020-06-05
申请号：CN202010017088.3
申请日：2020-01-08
Applicant: 同济大学
Abstract: 本发明涉及一种基于代价敏感的三支决策的多目标模型视觉追踪方法，包括以下步骤：1)在第i帧建立多目标模型Zi；2)利用多目标模型Zi在第(i+1)帧搜索到多目标集合xi+1；3)根据多目标集合xi+1中样本的位置重叠情况，分别求出正-接受、正-拒绝、负-接受、负-拒绝、中间-接受、中间-拒绝6种三支决策结果的代价值λ；4)基于代价敏感的三支决策方法，求得决策边界，将多目标集合xi+1分为正样本 负样本 和中间样本 5)选择 中置信度最高的结果s(i+1)1，作为暂时的追踪结果，并记录 的追踪结果备用；6)在第(i+2)帧，若 中存在s(i+1)j可以提供更可靠的追踪结果，则将其替换s(i+1)1提供的追踪结果。与现有技术相比，本发明具有快速准确、鲁棒性好等优点。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.019 seconds)
