-
公开(公告)号：CN110018524A
公开(公告)日：2019-07-16
申请号：CN201910077811.4
申请日：2019-01-28
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，具体涉及一种基于视觉—属性的X射线安检违禁品识别方法，包括以下步骤：1)采集标注训练样本，获取原始的单通道16位高、低能X射线灰度图，经过基于视觉-属性的预处理，得到16位三通道彩色图像作为数据集，用于模型训练和测试；2)将训练集图像输入网络中进行训练：使用darknet网络从输入图像中提取特征，输出特征图谱；采用yolo层在多个尺度对特征图谱进行边界框预测。经过训练，该模型支持对已标注的12类违禁品进行识别；3)将测试集图像输入模型中进行测试，输出识别结果，并在输入图像上标记违禁品显示；根据IoU和R-P曲线计算得到mAP。与现有技术相比，本发明具有高准确性、高智能化、高通配性等优点。
-
公开(公告)号：CN109886312A
公开(公告)日：2019-06-14
申请号：CN201910079277.0
申请日：2019-01-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于多层特征融合神经网络模型的桥梁车辆车轮检测方法，包括以下步骤：1)构建基于多层特征融合的深度学习神经网络模型；2)利用训练样本数据集对模型进行训练；3)对桥梁上拍摄的待检测图像进行图像增强的预处理操作；4)将预处理后的图像输入模型中，得到具有车轮车辆类别坐标标定的输出图像；5)利用重叠率度量方法，将图像中检测到的车轮与对应车辆进行匹配。与现有技术相比，本发明具有提高了检测的精度，增强了实时性，降低漏检概率等优点，本发明在实现车辆目标检测的同时也实现了车轮的检测，并自动将同一图像上的车辆与车轮匹配。
-
公开(公告)号：CN109886141A
公开(公告)日：2019-06-14
申请号：CN201910079205.6
申请日：2019-01-28
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，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：CN106485253B
公开(公告)日：2019-05-14
申请号：CN201610824156.0
申请日：2016-09-14
Applicant: 同济大学
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。
-
-
-
Search Results
34
records
(took 0.017 seconds)
