-
公开(公告)号：CN103730109A
公开(公告)日：2014-04-16
申请号：CN201410016150.1
申请日：2014-01-14
Applicant: 重庆大学
Abstract: 本发明涉及公共场所异常声音特征提取方法，属音频信号处理技术领域。方法采用基于T分布的随机噪声代替原始的总体局部均值分解模型中的高斯白噪声，推导出基于T分布的总体局部均值分解模型（TD-ELMD）。并利用TD-ELMD模型分解公共场所异常声音信号，得到一系列从低频到高频的乘积函数（PFi）。并将各阶PFi的能量与原始信号的总能量之比作为公共场所异常声音特征向量。最后输入支持向量机（SVM）分类器进行分类识别。本发明提出的TD-ELMD模型更能够反映公共场所异常声音信号的特点，与目前常用的提取方法相比，其特征描述能力更强，对公共场所异常声音的识别具有更好的鲁棒性。
-
公开(公告)号：CN102522082B
公开(公告)日：2013-07-10
申请号：CN201110444850.7
申请日：2011-12-27
Applicant: 重庆大学
Abstract: 本发明是用于公共场所异常声音识别及定位方法，属于音频信号处理技术领域。该方法通过双阈值算法和Welch法估计功率谱来判定公共场所是否存在异常声音；然后将异常声音特征时序信号转换为时频域的谱图，利用听觉感知的稀疏编码声音识别技术解决异常声音的特征提取及分类识别问题。为了抑制公共场所背景噪声中脉冲噪声对异常声音定位的影响，引入非线性变换，增强异常声音的互相关函数峰值能力。对传统的HB加权函数进行改进，降低由低信噪比带来的权值变化。引入一种多帧数据加权处理，使新的HB加权广义互相关算法更加适合于处理公共场所复杂声学环境中的异常声音定位能力。由于该方法结合基于听觉感知的稀疏编码声音识别技术和改进的到达时间差的声源定位技术，可以更好的利用异常事件所伴随的声音信息，可以提高公共场所监控系统的智能化水平。
-
公开(公告)号：CN102522082A
公开(公告)日：2012-06-27
申请号：CN201110444850.7
申请日：2011-12-27
Applicant: 重庆大学
Abstract: 本发明是用于公共场所异常声音识别及定位方法，属于音频信号处理技术领域。该方法通过双阈值算法和Welch法估计功率谱来判定公共场所是否存在异常声音；然后将异常声音特征时序信号转换为时频域的谱图，利用听觉感知的稀疏编码声音识别技术解决异常声音的特征提取及分类识别问题。为了抑制公共场所背景噪声中脉冲噪声对异常声音定位的影响，引入非线性变换，增强异常声音的互相关函数峰值能力。对传统的HB加权函数进行改进，降低由低信噪比带来的权值变化。引入一种多帧数据加权处理，使新的HB加权广义互相关算法更加适合于处理公共场所复杂声学环境中的异常声音定位能力。由于该方法结合基于听觉感知的稀疏编码声音识别技术和改进的到达时间差的声源定位技术，可以更好的利用异常事件所伴随的声音信息，可以提高公共场所监控系统的智能化水平。
-
公开(公告)号：CN102147915A
公开(公告)日：2011-08-10
申请号：CN201110116829.4
申请日：2011-05-06
Applicant: 重庆大学
IPC: G06T5/00
Abstract: 本发明公开了一种权重的稀疏边缘正则化图像复原方法，（1）运用差分算子得到模糊噪声图像各个方向的梯度信息，并进行方向随机的组合，得到图像边缘的矩阵数学模型；（2）根据图像稀疏性原理以及不确定方程最佳稀疏解的定义，针对步骤（1）中得到的图像边缘模型，采用一种权重的稀疏性约束，约束图像的边缘，结合已知的退化函数，推导出图像复原的代价函数；（3）根据步骤（1）和步骤（2），利用一种改进的上界最小化方法对代价函数进行最优化求解，得到清晰的复原图像。本发明方法极大地丰富了图像边缘的信息量；采用一种权重的稀疏性边缘约束，有效地保护了图像的边缘特性；利用一种改进的上界最小化数学方法，得到高质量的复原图像。
-
公开(公告)号：CN108182950B
公开(公告)日：2021-05-28
申请号：CN201711462639.1
申请日：2017-12-28
Applicant: 重庆大学
Abstract: 本发明提出改进的经验小波变换的公共场所异常声音特征分解与提取方法，具体是对原始异常声音信号的傅里叶频谱通过模拟等效矩形带宽尺度的方法进行划分，根据划分后的边界得到固定边界的等效矩形带宽经验小波变换滤波器组，用该滤波器组分解原始异常声音信号，得到其不同频率分量；计算原始异常声音信号的不同频率分量相对于原始异常声音信号的能量熵，将归一化处理后的能量熵作为原始异常声音信号的特征向量。
-
Patent Agency Ranking
公开(公告)号：CN106558022B
公开(公告)日：2020-08-25
申请号：CN201611075966.7
申请日：2016-11-30
Applicant: 重庆大学
Abstract: 一种基于边缘差异约束的单幅图像超分辨率重建方法的实现包括以下三个步骤：步骤1，通过Gabor滤波器提取训练图像的纹理主方向特征，进行主成分分析字典训练得到训练字典。步骤2，利用该字典构建重建模型，并通过迭代阈值收缩得到具有较好边缘结构的初始重建高分辨率图像。步骤3，利用图像块之间的方向梯度直方图描述算子、空间距离、像素强度和边缘方向信息，建立一种非局部结构张量优化模型，对初始高重建高分辨率图像进一步优化后处理，得到具有显著边缘结构及丰富细节信息的最终重建高分辨率图像。本发明考虑到初始重建高分辨率图像与原始清晰图像存在一定的差异，进一步提出了后处理优化方法，丰富图像的边缘和纹理等细节信息。
-
公开(公告)号：CN106328120B
公开(公告)日：2020-01-10
申请号：CN201610680298.4
申请日：2016-08-17
Applicant: 重庆大学
Inventor： 李伟红
Abstract: 本发明涉及公共场所异常声音特征提取方法，属于音频信号处理领域。声音特征提取方法基于自适应噪声的完备总体局部均值分解CELMDAN，引入分解嵌套思想。利用CELMDAN方法分解公共场所异常声音信号，得到一系列乘积函数(PF)分量。并将各PF分量与原始异常声音信号的能量比值作为其特征向量。最后输入支持向量机(SVM)进行分类。相比于目前常用的特征提取方法，本发明提出的CELMDAN方法更能够准确提取异常声音的特征，并且对环境背景噪声具有较好的鲁棒性。
-
公开(公告)号：CN109063826A
公开(公告)日：2018-12-21
申请号：CN201811066871.8
申请日：2018-09-13
Applicant: 重庆大学
IPC: G06N3/04
CPC classification number: G06N3/0454
Abstract: 本发明公开了一种基于忆阻器的卷积神经网络实现方法，包括制备由卷积+池化层与全连接层构成的待训练的卷积神经网络，并输入训练集图像信息，得到全连接层输出值；根据待训练的卷积神经网络的全连接层输出值与标准信息的偏差，利用反向传播函数对待训练的卷积神经网络进行训练；当达到训练次数时，判定训练精度是否达标，若不达标则对训练后的卷积神经网络进行再次训练，直至精度达标；获得所需卷积神经网络等步骤。其显著效果是：在硬件上减少了对精度和制备难度、时间的影响；实现了更高级的多层卷积神经网络；不易受到硬件噪声、制备难度和时间的影响，在应用复杂化后能够表现出更强的适应能力。
-
公开(公告)号：CN104182762B
公开(公告)日：2018-08-28
申请号：CN201410386201.X
申请日：2014-08-07
Applicant: 重庆大学
Abstract: 本发明是一种基于PIR探测器的人与非人识别方法，属于数字信号处理、模式识别技术领域，特别涉及安防系统中的红外入侵报警应用。其核心思想是基于通用PIR探测器，结合人与非人体型差异的特点，建立人与非人检测模型，为分析人与非人信号差异奠定理论基础，进而在技术上，提出一种可用于人与非人识别的PIR信号特征提取方法。该PIR信号特征提取方法的步骤为：1对PIR信号进行降噪、归一化预处理；2计算预处理后PIR信号的过零率；3对预处理后PIR信号作一阶差分处理，然后进行AR模型分析，并用Marple算法求解模型的回归系数；4将2得到的过零率和3得到的回归系数作为PIR信号的特征描述用于人与非人识别。最后，实验表明本发明对人与非人识别具有高可靠性。
-
公开(公告)号：CN107102165A
公开(公告)日：2017-08-29
申请号：CN201710242846.X
申请日：2017-04-14
Applicant: 重庆大学
IPC: G01P5/20
Abstract: 本发明公开了一种基于粒子图像测速的表面流场测量方法，包括在待测流场表面布撒不限定材质和大小的示踪粒子；在所述待测流场设置至少一个视场，对视场进行视频图像采样，并对视频图像进行视场矫正后建立相应的鸟瞰图；将每个鸟瞰图划分成多个子网格，并对所有鸟瞰图中相应子网格的流速求均值，得到视场的流速；对多个视场的流速依次进行数据拼接和可视化处理，得到待测流场表面的可视化流速图像等步骤，利用PIV技术成功实现了表面流场流速的测量。其显著效果是：视频采集设备视角自由，对复杂地形和外界光照具有较好的鲁棒性，可满足不同的测试环境需求；支持任意类型的示踪粒子；分析速度快，测量精度高。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.023 seconds)
