-
公开(公告)号：CN112613462A
公开(公告)日：2021-04-06
申请号：CN202011604949.4
申请日：2020-12-29
Applicant: 安徽大学
Abstract: 本发明涉及到了计算机视觉领域，具体公开了一种加权交并比方法，包括步骤A1：获取真值框G坐标锚框A坐标；步骤A2：计算每个真值框G和锚框A之间的交集I；步骤A3：计算每个真值框G和锚框A之间的并集U；步骤A4：给真值框G和锚框A的每个位置赋予权重；步骤A5：计算加权交并比值。本发明通过对目标框内的每个位置赋予不同的权重，提供一种更加合理的度量两个轴向包围盒重叠程度的方法，来解决交并比相同情况下，不同位置的预测框P评测准确度相同的问题，同时本发明可用作回归损失函数进行目标检测模型训练。本发明在目标检测模型评估时作为评测标准也表现更加鲁棒。
-
公开(公告)号：CN110349185A
公开(公告)日：2019-10-18
申请号：CN201910630002.1
申请日：2019-07-12
Applicant: 安徽大学
IPC: G06T7/246
Abstract: 本发明公开了一种RGBT目标跟踪模型的训练方法及装置，方法包括：1)、构建依次由稠密特征聚合模块以及分类模块组成的跟踪模型，稠密特征聚合模块包括提取可见光图像特征的第一卷积层序列；以及提取热红外图像特征的第二卷积层序列，第一卷积层中的与第二卷积层中深度相同的卷积层为配对卷积层；除第一个配对卷积层以外的配对卷积层均对应一个特征聚合层，第一个配对卷积层的卷积结果输入到下一个配对卷积层的特征聚合层中；分类模块包括依次串联的若干层全连接层；2)、使用预先标记的可见光图像样本以及预先标记的热红外图像样本训练跟踪模型，得到目标跟踪模型。本发明实施例可以使目标识别结果更加准确。
-
公开(公告)号：CN110349179A
公开(公告)日：2019-10-18
申请号：CN201910630336.9
申请日：2019-07-12
Applicant: 安徽大学
Abstract: 本发明公开了一种基于多适配器的可见光红外视觉跟踪方法及装置，方法包括：1)、预先构建由可见光模态适配器、通用适配器、热红外模态适配器以及实例适配器的初始识别模型；2)、使用预先标定好目标的样本视频训练初始识别模型，得到训练后的识别模型，其中，样本视频包括：若干个可见光-热红外光样本视频对；3)、使用训练后的初始识别模型跟踪待识别视频中的待识别目标。应用本发明实施例，可以达到良好的多模态视频跟踪效果。
-
公开(公告)号：CN107018419B
公开(公告)日：2019-07-05
申请号：CN201710280070.0
申请日：2017-04-26
Applicant: 安徽大学
IPC: H04N19/42 , H04N19/52 , H04N19/567
Abstract: 本发明公开一种基于AMBTC的图像压缩编码方法，包括编码和解码两个步骤，具体为：将原始图像以v×v大小的块为单位进行AMBTC压缩；发送方将每个块的量化值再次进行压缩编码；接收方进行解码得到AMBTC压缩图像。本发明对原始图像进行AMBTC压缩后，对其各个量化值求得预测误差，结合霍夫曼编码将预测误差进行分类编码，最终传输及存储的则为图像的预测误差编码及分区信息编码，使得图像冗余性减少，压缩比例进一步提高，同时也大大减少了图像在传输及存储的过程中所占用的资源，节省网络带宽及存储内存。
-
公开(公告)号：CN108898133A
公开(公告)日：2018-11-27
申请号：CN201810575274.1
申请日：2018-06-06
Applicant: 安徽大学 , 合肥寰景信息技术有限公司
Abstract: 本发明公开了一种基于图像分析的套牌车识别方法，获取两张车牌号信息相同的车辆图像；提取获取的车辆图像的特征点，并对特征点进行匹配；通过匹配的特征点对车辆图像进行对齐；提取对齐后的整个车辆图像的特征向量，并比较特征向量的相似度；按照每个尺度划分的块提取块的特征，对两张车辆图像在每个尺度下相同位置的块的特征进行比对，并记录每个尺度下相同位置存在差异的块；对于不同尺度下记录的块进行融合；对融合后的块进行后处理。本发明采用特征点检测、特征点匹配以及对齐，相比现有技术，可以保证车辆图像相对应的比对区域相同，较好的保证图像输入一致性；能够极大提高相似度较高车辆的分辨准确率。
-
Patent Agency Ranking
公开(公告)号：CN108846345A
公开(公告)日：2018-11-20
申请号：CN201810575278.X
申请日：2018-06-06
Applicant: 安徽大学
Abstract: 本发明公开了一种监控场景中的运动目标尺度估计方法，获取某特定监控场景的少量视频；检测该视频场景中的所有目标，以行人目标为例，获得目标的包围盒；对包围盒数据进行线性拟合，获得场景中目标平均尺度的分布；利用场景中的几何特性分析目标在图像平面上移动时高度的变化规律；利用得到的平均尺度分布和高度的变化规律，得到该特定场景中目标从位置A移动到位置B的高度变化规律；获取某特定目标在该场景图像中的一个位置和对应位置的尺度；利用尺度预测模型及目标的位置和尺度，求得该目标在场景中的尺度分布。利用监控场景的几何特性对场景中目标的尺度进行分析，不依赖于目标的外观，在含有复杂挑战的监控场景下实现鲁棒的尺度自适应跟踪。
-
公开(公告)号：CN102568146B
公开(公告)日：2016-03-30
申请号：CN201210009436.8
申请日：2012-01-12
Applicant: 安徽大学
IPC: G08B17/12
Abstract: 本发明公开了一种基于红外热图像的火灾预警与早期消除系统，红外热像仪用于采集被监测设备的红外热图像；图像分析控制器，用于对上述红外热图像进行分析并生成分析结果；火灾报警及联动控制器，用于根据图像分析控制器的分析结果生成控制信号。通过获取设备的红外热图像，分析其温度场分布和变化以预防火灾发生，降低了设备发生火灾的可能性；并可实现与定点灭火装置联动对设备进行早期火灾消除，提高了火灾处理的及时性。其具有控制精度较高、误报率较低的特点。
-
公开(公告)号：CN104219048A
公开(公告)日：2014-12-17
申请号：CN201310217922.3
申请日：2013-06-04
Applicant: 安徽大学
IPC: H04L9/32 , G06K17/00 , G06K19/067
Abstract: 本发明公开了一种RFID协议的隐私保护属性证明方法和装置，属于物联网通信技术及安全技术领域。所述方法包括：读写器对通信范围内的所有标签发送询问信息；所述标签在接收到所述询问信息后，生成随机数，确定位信息的值，根据所述随机数、身份标识和位信息的值生成第一验证函数，并向所述读写器发送认证信息，所述读写器对所述标签发送的认证信息进行认证，并在认证成功后生成第二验证函数，向所述标签发送验证信息，所述标签在接收到所述验证信息后，对所述第二验证函数进行验证，并在所述验证通过后与所述读写器完成一次通信。
-
公开(公告)号：CN103870891A
公开(公告)日：2014-06-18
申请号：CN201410115140.3
申请日：2014-03-25
Applicant: 安徽大学 , 国网安徽省电力公司电力科学研究院 , 安徽继远电网技术有限责任公司
IPC: G06Q10/04
CPC classification number: Y02A90/15
Abstract: 本发明公开了一种基于网格流的输电线路火灾蔓延预测方法及系统，首先利用火点采集设备获取火点信息；将受灾区域GIS图像划分成网格图像，得到受灾区域的网格地形，识别每个网格的地物类别，再计算不同气象条件下的跨网格火灾蔓延强度，构造受灾区域的火灾蔓延加权网格图；在受灾区域的火灾蔓延加权网格图中搜索从火灾扩散路径，建立火情蔓延模型，计算受灾杆塔的坐标、蔓延的区域面积与火灾蔓延到杆塔的时间；最后对依据网格流方法预测的火灾蔓延的不同影响级别做出相应的告警。本发明的基于网格流的输电线路火灾蔓延预测方法及系统，具有能快速计算出火点蔓延到输电线路区域的时间和火情强度、及时通知火情、预警的准确性高等优点。
-
公开(公告)号：CN119850422A
公开(公告)日：2025-04-18
申请号：CN202510030759.2
申请日：2025-01-08
Applicant: 安徽大学
IPC: G06T3/4053 , G06T3/4046 , G06V10/40 , G06V10/771 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045
Abstract: 本发明提供一种基于Mamba的光学引导的合成孔径雷达图像超分辨率重建方法及系统，包括：浅层特征提取的步骤：采用卷积法将SAR图像和光学图像编码成统一的特征空间；多模态特征融合的步骤：将提取的浅层特征作为CFSM模块和FSAM模块的输入，动态选择相关和显著的光学特征，并根据状态空间参数在空间域和频域自适应地进行多模态特征融合，从而生成高质量的融合特征；高分辨率图像重建的步骤：将浅层特征和融合特征聚合，然后对聚合后的特征进行上采样，从而重建高分辨率图像。本发明利用视觉状态空间方程长距离建模的优势，渐进式选择光学信息中有用的信息并自适应地跨模态特征集成，有效利用空间域和频域特征，减少噪声干扰的同时恢复了更真实的纹理细节信息，实现了优越的性能。
-
-
-
-
-
-
-
-
-
Search Results
182
records
(took 0.046 seconds)
