-
公开(公告)号：CN115409966A
公开(公告)日：2022-11-29
申请号：CN202210988496.2
申请日：2022-08-17
Applicant: 东南大学
IPC: G06T17/10 , G06T7/73 , G06V30/422 , G06V30/19 , G06V30/18
Abstract: 本发明公开了一种从二维矢量图纸自动重建桁架结构三维点云的方法，只需要二维矢量图纸，即可使用一系列图像识别和信息融合算法重建真实世界的三维点云。为解决无法采用cad进行桁架结构三维重建、手动建模过程繁琐等问题，提出基于深度学习和连通域、obb包围盒等算法对图纸进行掩膜提取、自动分割和视角校正，并区分“主平面”与“辅平面”。通过对“主平面”、“辅平面”的尺寸结构进行特征匹配，得到各个平面的空间位置；在各个平面内，采用一种基于聚类与矢量拼接的直线检测算法识别拓扑，最终重建出桁架结构的三维点云。有益效果在于：提出从二维矢量图纸智能识别和融合语义信息，无需借助cad软件或手动建模，可直接实现三维点云的重建。
-
公开(公告)号：CN115293989A
公开(公告)日：2022-11-04
申请号：CN202211018181.1
申请日：2022-08-24
Applicant: 东南大学
IPC: G06T5/00
Abstract: 本发明涉及图像处理领域，公开了一种综合MsRcR和自动色阶的图像增强方法，包括以下步骤：1)将原始图像的三个颜色空间分量分离，转换到对数域；2)使用高斯环绕函数处理图像得到光照分量；3)在对数域将原始图像和光照分量相减得到反射分量；4)重复步骤2、3两次并对反射分量进行平均加权；5)对步骤4得到的反射分量进行线性化处理，得到图像a；6)自动色阶，确定参数，统计不同通道直方图，确定上下限值后构建隐射表，对原始图像进行隐射得到图像b；7)调整步骤5、6中的图像a、b一定权重进行融合，直到对图片进行质量评估效果满足预期，得到最后的输出图像。该方法可以使得处理后的图像相比显得更加逼真。
-
公开(公告)号：CN110473174B
公开(公告)日：2022-02-11
申请号：CN201910682612.6
申请日：2019-07-26
Applicant: 东南大学
Abstract: 本发明公开了一种基于图像计算数万铅笔精确数目的方法，该方法基于Matlab图像处理技术利用生产线上俯拍采集获得的数万支铅笔图片进行检测计算处理，计算出铅笔的精确数目。铅笔形状包括六边形、正方形和三角形等。先对图片进行分割处理，将大图片切割为同等大小的小图片，对每个小图片分别进行如下处理：获得图片灰度直方图，并选取灰度直方图中最高峰两边的谷底作为图片二值化阈值，利用此阈值对图片进行二值化处理；然后进行图像腐蚀；若图像腐蚀过后的图片存在不同铅笔区域之间有联通情况，针对不同图片的需要利用构造结构元素进行形态学开操作；最后对处理完成的图片进行连通域个数计算；然后将所有分块图片得到的结果相加得到全局铅笔个数。
-
公开(公告)号：CN108549892B
公开(公告)日：2022-02-11
申请号：CN201810599569.2
申请日：2018-06-12
Applicant: 东南大学
Abstract: 本发明公开了一种基于卷积神经网络的车牌图像清晰化方法，能够对受到运动模糊影响的车牌图像进行清晰化，该方法包括以下步骤：建立一种轻量级的卷积神经网络模型，设置网络的结构和训练参数；制作卷积神经网络的训练集；训练卷积神经网络，得到网络的权重；基于卷积神经网络的训练模型，即可以对道路监控设备拍摄到的模糊车牌图像进行清晰化。本发明应用于刑侦和OCR识别等方面，针对一处道路监控设备，由于车辆的运动速度和出现位置不同，车牌图像的模糊程度和模糊角度在一定范围内变化，传统的去运动模糊方法无法有效处理，通过卷积神经网络的方法可以对车牌图像一定范围内的运动模糊进行清晰化，且具有较快的处理速度。
-
公开(公告)号：CN113327267A
公开(公告)日：2021-08-31
申请号：CN202110537068.3
申请日：2021-07-15
Applicant: 东南大学
Abstract: 本发明公开了一种基于单目RGB视频的动作评价方法，包括如下步骤:输入一段动作视频，完成静止关键帧的提取；对获取的静止关键帧提取骨架关节点；对获得的骨架关节点计算关节角度；对获得的骨架关节点进行输入姿态与模版姿态进行配；对获得的配准姿态进行动作评价，使用配准后的骨架关节点坐标，以及关节角度作为评价基准。使用专家知识，能够在无感的情况下对大样本人群进行体质筛查，可以减少大样本筛查过程中对专家人工评判的需求；或是进行无监督动作指导，指导矫正居家健身或是康复运动中的错误动作，避免受伤。
-
Patent Agency Ranking
公开(公告)号：CN113222808A
公开(公告)日：2021-08-06
申请号：CN202110541759.0
申请日：2021-05-18
Applicant: 东南大学
Abstract: 本发明公开了一种基于生成式对抗网络的人脸口罩移除方法，首先搭建两路并行的生成式对抗网络，包括生成路径和重建路径，同时引入人脸属性作为先验输入，引导网络的生成和重建过程；对开源的大型人脸数据集进行预处理，定位人脸得到坐标，然后生成口罩，模拟遮挡的效果，从而得到佩戴口罩的人脸数据集；将佩戴口罩的人脸、对应的口罩遮挡以及该人脸的一些真实属性描述作为输入，放入生成式对抗网络进行训练，通过和对应的真实、未遮挡人脸进行对抗式学习，得到网络的权重和偏置；将佩戴口罩的人脸图像和人脸属性先验输入网络，即可得到结果，能够在去除口罩、生成人脸的基础上，提高生成人脸和真实人脸之间的匹配度。
-
公开(公告)号：CN111369503A
公开(公告)日：2020-07-03
申请号：CN202010115736.9
申请日：2020-02-25
Applicant: 东南大学
Abstract: 本发明公开了一种基于卷积神经网络对图像中的铅笔进行精确计数的方法，该方法首先搭建YOLO神经网络模型；对生产线上俯拍采集的多种不同类型的铅笔图片进行预处理，作为训练数据；通过对YOLO神经网络进行训练，得到网络的权重和偏置；将待计数的铅笔图像作为神经网络模型的输入，获得出铅笔的精确数目。铅笔形状有六边形和圆形，笔芯形状有圆形和三角形，笔芯颜色有红色、绿色、蓝色、黄色、黑色等多种。由于笔芯裸露在外，笔芯形状和铅笔形状相似，因此传统图像处理方法，包括二值化处理后进行形态学操作等不适用于这种类型的铅笔。通过深度学习的方法，构建YOLO神经网络模型可以对这种类型的铅笔进行精确计数，准确率可大大提升。
-
公开(公告)号：CN107301638B
公开(公告)日：2019-09-10
申请号：CN201710390288.1
申请日：2017-05-27
Applicant: 东南大学
Abstract: 本发明属于计算机视觉，模式识别，图像处理技术领域，涉及一种高精度、高鲁棒性和快速的椭圆检测技术，具体涉及一种基于弧支持线段的椭圆检测方法，包括如下步骤：步骤一、运用弧支持线段检测方法从原始灰度图像中提取弧支持线段的集合；步骤二、基于弧支持线段的连续性与凸性，实现对弧支持线段进行分组；步骤三、采用两种方式分别从弧支持线段的分组中提取初始椭圆，得到初始椭圆集合；步骤四、运用椭圆类聚合算法对初始椭圆集合进行聚类分析，产生候选椭圆；步骤五、应用椭圆的集合性质，对候选椭圆进行验证，检测出椭圆。其具有高鲁棒性，精确，低误识，高效的性能，能够应对复杂环境干扰。
-
公开(公告)号：CN107084748B
公开(公告)日：2019-09-10
申请号：CN201710372894.0
申请日：2017-05-24
Applicant: 东南大学
IPC: G01C25/00
Abstract: 本发明公开了一种基于视觉的激光投线仪自动检测系统，包括待检测激光投线仪、用于放置激光投线仪的平台，以及四块竖放板和一块横放板，横放板放置在投线仪的正前方，四块竖放板位于投线仪四周的四个方向上；横放板和竖放板至少在两端和中间各设置一个刻度板；刻度板前方设有一摄像头，摄像头与树莓派连接，树莓派连接到局域网交换机，接收上位机的指令并将获取的图像传送至上位机，上位机通过图像处理得到激光投线仪的精度指标。本发明通过机器视觉检测技术获取激光线和刻度线的位置信息，可以降低生产成本，也避免了检测过程中的人为误差和对人眼的伤害，且系统装配方便，结构合理，稳定性好，完全可以满足各项精度指标的要求。
-
公开(公告)号：CN108549892A
公开(公告)日：2018-09-18
申请号：CN201810599569.2
申请日：2018-06-12
Applicant: 东南大学
Abstract: 本发明公开了一种基于卷积神经网络的车牌图像清晰化方法，能够对受到运动模糊影响的车牌图像进行清晰化，该方法包括以下步骤：建立一种轻量级的卷积神经网络模型，设置网络的结构和训练参数；制作卷积神经网络的训练集；训练卷积神经网络，得到网络的权重；基于卷积神经网络的训练模型，即可以对道路监控设备拍摄到的模糊车牌图像进行清晰化。本发明应用于刑侦和OCR识别等方面，针对一处道路监控设备，由于车辆的运动速度和出现位置不同，车牌图像的模糊程度和模糊角度在一定范围内变化，传统的去运动模糊方法无法有效处理，通过卷积神经网络的方法可以对车牌图像一定范围内的运动模糊进行清晰化，且具有较快的处理速度。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.112 seconds)
