公开(公告)号：CN111160416B

公开(公告)日：2023-03-21

申请号：CN201911275811.1

申请日：2019-12-12

Applicant: 杭州电子科技大学 ,  浙江省疾病预防控制中心

Inventor： 陈华华 ,  余帅东 ,  孙文胜 ,  侯娟 ,  缪梓萍 ,  刘钦梅

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/50

Abstract: 本发明公开了一种基于支持向量机的伊蚊识别方法。本发明方法包括训练阶段和测试阶段。其中训练阶段首先进行图像预处理，对收集的彩色蚊子图像尺寸规范化；然后进行图像特征提取，分别提取颜色直方图特征和方向梯度直方图特征并以串接的方式融合；最后训练支持向量机分类器，采用线性核支持向量机函数对样本进行训练。测试阶段是将测试蚊子图像依次按训练阶段预处理和特征提取，把获得的特征输入到训练好的模型中，输出蚊子图像的类别。本发明方法简单易实现，提取的特征对图像本身的尺寸、方向、视角的依赖性小，对图像几何和光学的形变都能保持良好的不变性，从而具有较强的鲁棒性。

公开(公告)号：CN115223158A

公开(公告)日：2022-10-21

申请号：CN202210836076.2

申请日：2022-07-15

Applicant: 杭州电子科技大学

Inventor： 王宁 ,  郭春生 ,  应娜 ,  陈华华

IPC: G06V20/62 ,  G06V10/774

Abstract: 本发明公开了基于自适应扩散先验变分自编码器的车牌图像生成方法及系统，方法包括：S1.收集车牌图像数据集；S2.构造自适应扩散先验的变分自编码器网络，确定构建生成车牌图像的字符类及字符域；S3.将训练数据输入变分自编码器的编码网络，得到后验分布；S4.采样数据并输入扩散模型前向过程中，对扩散时间自适应调整，得到隐变量；S5.将隐变量输入得分网络，得到不同扩散时刻的隐变量的得分；S6.确定目标字符域及目标字符类，并解码得到变分自编码器重构出的图像数据；S7.求解重构损失及先验分布和后验分布的KL散度距离损失，对变分自编码器和扩散模型的参数进行更新训练并进行测试生成图像；S8.保存最优模型权重，用已训练好的模型生成图像数据。

公开(公告)号：CN112487187B

公开(公告)日：2022-06-10

申请号：CN202011386651.0

申请日：2020-12-02

Applicant: 杭州电子科技大学

Inventor： 朱小草 ,  郭春生 ,  陈华华 ,  应娜

IPC: G06F16/35 ,  G06F40/194 ,  G06N3/04 ,  G06K9/62

Abstract: 本发明公开了一种基于图网络池化的新闻文本分类方法，包括步骤：S1.在注意力机制中将结构信息与特征信息相结合，并计算图神经网络中一阶邻域内节点之间的相似性得分，得到具有相似性节点的注意力机制；S2.采用稀疏概率激活函数sparsemax算法将得到的注意力机制进行稀疏化，得到节点相对应的集群；S3.采用局部聚合卷积计算每个集群的分数，并通过得分高低来判断集群所含有的信息量；S4.采用topk选出得分最高的前个集群，并将选择出的集群进行重新连边得到最终池化后的神经网络。

公开(公告)号：CN108509834B

公开(公告)日：2022-05-31

申请号：CN201810048588.6

申请日：2018-01-18

Applicant: 杭州电子科技大学

Inventor： 郭春生 ,  汪洪流 ,  陈华华 ,  应娜

IPC: G06V20/40 ,  G06V10/46 ,  G06V10/774 ,  G06K9/62

Abstract: 本发明属于视频特征优化的技术领域，具体涉及一种基于多元对数高斯分布下视频特征的图结构规约方法。基于多元对数高斯分布下视频特征的图结构规约方法，在保持视频特征的空间相关结构前提下，构建出光流特征网络图结构，图结构顶点处光流特征向量的相位信息蕴藏在序列光流场中，光流特征向量的幅度体现了在相连的两帧中目标的变化情况。鉴于光流特征向量幅度值均大于零，视频场景中图结构顶点处的光流特征向量的幅度服从多元对数高斯分布。本发明提出了一种有效降低特征数据量并能实现快速异常检测的视频特征的图结构规约方法。

公开(公告)号：CN110110670B

公开(公告)日：2022-03-25

申请号：CN201910384046.0

申请日：2019-05-09

Applicant: 杭州电子科技大学

Inventor： 郭春生 ,  刘洋 ,  应娜 ,  陈华华 ,  章建武

IPC: G06T7/246 ,  G06V40/10 ,  G06V10/74 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于Wasserstein度量的行人跟踪中的数据关联方法，包括：获取行人的外观特征，把提取到的外观特征输入到一个特征提取网络，使用这个网路提取行人的外观特征，对于每个行人都会得到一个特征向量；制作数据集，同一个行人相邻视频帧的特征向量组成一个正样本，正样本的label为0；不同行人的特征向量组成一个负样本，负样本的label为1；由于Wasserstein距离的值反映了行人的外观匹配度，将Wasserstein距离与神经网络相结合进行求解；对于满足外观匹配度的行人，利用行人的运动匹配度进行筛选，再利用Hungarian算法实现行人跟踪中的数据关联。有效的减少行人跟踪中漏报行人的个数达到良好的跟踪效果。

公开(公告)号：CN109035149B

公开(公告)日：2021-07-09

申请号：CN201810205661.6

申请日：2018-03-13

Applicant: 杭州电子科技大学

Inventor： 陈华华 ,  毛勇 ,  叶学义

IPC: G06T5/00 ,  G06K9/20 ,  G06K9/34 ,  G06K9/62

Abstract: 本发明提出一种基于深度学习的车牌图像去运动模糊方法。本发明分为数据集预处理阶段、训练阶段以及测试阶段。在数据集预处理阶段，确定图像中的车牌区域，分割车牌字符并规范化图像尺寸，添加高斯噪声，得到训练集。在训练阶段，采用生成对抗网络学习图像去运动模糊模型，以网络复原结果的均方误差、梯度误差及判别误差三者的线性和作为网络损失交替训练判别器和生成器。在测试阶段，分割车牌字符并依次作为生成器的输入，将去模糊结果按照车牌字符原次序组合得到去模糊车牌图像。本发明所提出的模型有效地约束了车牌图像的边缘，从而提高车牌图像去运动模糊的质量，同时缩短了复原的时间。

公开(公告)号：CN110069978B

公开(公告)日：2021-04-13

申请号：CN201910160098.X

申请日：2019-03-04

Applicant: 杭州电子科技大学

Inventor： 罗宵晗 ,  叶学义 ,  王鹏 ,  陈泽 ,  陈华华

IPC: G06K9/00

Abstract: 本发明公开了一种非凸低秩分解和叠加线性稀疏表示的人脸识别方法。本发明步骤如下：1、根据低秩矩阵分解理论，将γ范数取代核范数用于低秩矩阵分解，并引入结构不相干判别项，形成判别性非凸低秩分解；2、对判别性非凸低秩分解进行求解，把人脸样本矩阵分解为低秩矩阵和稀疏矩阵；3、将低秩矩阵通过叠加线性表示分解为原型字典和变异字典，然后把两个字典通过线性加权联合作为测试时用的字典；4、利用稀疏表示算法，运用同伦法求得l1范数的稀疏系数，通过重构最小化稀疏残差模型对人脸图片进行分类识别，将待测试人脸样本归为误差最小的一类中，从而实现人脸识别。本发明在遮挡和噪声污染情况下，能保持较好鲁棒性和高效性。

公开(公告)号：CN111709886A

公开(公告)日：2020-09-25

申请号：CN202010461626.8

申请日：2020-05-27

Applicant: 杭州电子科技大学

Inventor： 罗凌杰 ,  陈华华 ,  余帅东

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于U型空洞残差网络的图像去高光方法。现有在高光方法需要多幅多角度的图像，限制了其应用，并且处理流程复杂，步骤繁琐，实时性较弱。本发明方法包括训练阶段和测试阶段。首先构建去高光网络模型，模型由U型结构、空洞残差结构组成。U型结构使用压缩部分提取图像深层信息，使用扩展部分重构得到图像的边缘、纹理特征，空洞残差结构利用原图以及U型结构提取到的特征对无高光图像进行预测。模型训练完成后，直接将测试图像缩放为固定大小并由模型预测无高光图像。本发明的模型结构能够实时高效地去除图像中的高光现象，并对色彩、纹理复杂的图像具有较大的适应性和较强的鲁棒性。

公开(公告)号：CN111311652A

公开(公告)日：2020-06-19

申请号：CN202010058698.8

申请日：2020-01-19

Applicant: 杭州电子科技大学

Inventor： 郭春生 ,  韩鹏举 ,  应娜 ,  陈华华

IPC: G06T7/33 ,  G06T3/40 ,  G06T3/00 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于回归校正网络的声呐图像配准方法及系统。本发明涉及的一种基于回归校正网络的声呐图像配准方法，包括步骤：S11.创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；S12.创建3D投影变换的几何变换网络；S13.创建计算图像相似度的比较网络；S14.根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。本发明将复杂的配准任务分解为可以单独学习的两个简单子任务，通过组合技术优化配准结果。

公开(公告)号：CN111179196A

公开(公告)日：2020-05-19

申请号：CN201911385343.3

申请日：2019-12-28

Applicant: 杭州电子科技大学

Inventor： 陈华华 ,  罗凌杰 ,  郭春生 ,  应娜 ,  叶学义

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于分而治之的多分辨率深度网络图像去高光方法。本发明方法包括训练方法和测试方法。首先构建去高光网络模型，模型由金字塔结构、嵌套残差网络、融合结构组成。金字塔结构使用拉普拉斯金字塔对图像块进行分级，在不同层次上处理高光，嵌套残差网络中采用卷积网络以及残差网络提取不同级别图像块的特征，融合结构结合嵌套残差网络的输出对无高光图像进行预测。模型训练完成后，直接将测试图像分块并由模型预测无高光图像，最后对预测结果进行拼接即可得到无高光整图。本发明的模型结构能够实时高效地去除图像中的高光现象，并对色彩、纹理复杂的图像具有较大的适应性和较强的鲁棒性。