-
公开(公告)号：CN110490899A
公开(公告)日：2019-11-22
申请号：CN201910624338.7
申请日：2019-07-11
Applicant: 东南大学
Abstract: 本发明提供一种结合目标跟踪的可变形施工机械的实时检测方法，首先通过目标检测将KCF手动框选变成自动框选。采用SSD模型进行施工机械的实时检测，一旦检测到施工机械，将其作为KCF跟踪器初始帧的目标位置。训练相关滤波器，捕获下一帧后进入目标跟踪预测阶段，获得预测样本进行响应值计算，找到响应最大的位置，如果响应值大于阈值则表明跟踪到目标，更新模型，重新训练权重参数，进行下一帧的预测。如果响应值小于阈值，则重新进行目标检测，更新目标位置状态，进行跟踪。本发明提出了一种结合目标跟踪的可变形施工机械的实时检测技术，适用于视频图像序列中场景复杂的情况下对可变形施工机械进行准确检测、跟踪并预警，具有广阔的应用前景。
-
公开(公告)号：CN107909081A
公开(公告)日：2018-04-13
申请号：CN201711027026.5
申请日：2017-10-27
Applicant: 东南大学
CPC classification number: G06K9/4647 , G06K9/40 , G06K9/6215
Abstract: 本发明公开了一种深度学习中图像数据集的快速获取和快速标定方法，将采集的视频经过电子稳像处理后，经中值滤波进行消噪和平滑处理，然后用高斯混合模型进行前景提取；根据提取出的前景的外轮廓的位置定位到原视频帧中对应的位置信息，以实现自动获取特定目标的最小包围盒；基于hog特征的局部模板匹配算法进行视频帧前景目标的分类；利用帧间匹配算法，将相邻帧中的对应连通区域进行同类别标记；得到了前景的位置信息和类别信息就实现了图像数据集的快速标定。本发明解决了深度学习中带标签数据数量非常少且获得新的带标签数据非常困难代价昂贵的问题，为特定类别的图像数据的训练和识别提供了很大的便利。
-
公开(公告)号：CN110378398A
公开(公告)日：2019-10-25
申请号：CN201910566224.1
申请日：2019-06-27
Applicant: 东南大学
Abstract: 本发明公开了一种基于多尺度特征图跳跃融合的深度学习网络改进方法，通过多尺度特征图层间的跳跃连接进行特征融合，通过融合高层语义和低层位置信息使网络能够充分利用高低层特征，提高模型对小目标的敏感性和感知度，同时提升了模型总体检测性能。其次通过多视角多分类策略，实现了高动态场景下目标类别的精准检测。本发明从速度、实用、鲁棒性等方面考虑，提出了一种基于多尺度特征图跳跃融合的深度学习网络改进方法，提高了SSD算法在高动态场景下的检测性能。
-
公开(公告)号：CN108932292B
公开(公告)日：2021-11-12
申请号：CN201810529562.3
申请日：2018-05-29
Applicant: 东南大学
IPC: G06F16/957 , G06T3/40 , G06T17/05
Abstract: 本发明公开了一种大范围遥感影像快速多分辨率调度显示方法，包括如下内容：计算最佳分辨率对应的影像金字塔的层数，将该层瓦片映射到屏幕空间，判断瓦片的长高是否都大于屏幕的长高，若是即为最佳大小，调用当前最佳分辨率瓦片层显示；当瓦片长和高至少有一个小于屏幕空间的长和高时：若屏幕上同时加载的瓦片数量未超过4，则不进行调整；若加载的瓦片数量大于4，则向影像金字塔上层搜索低分辨率但是更大的瓦片，直到影像金字塔的某一层的瓦片映射到屏幕空间后，长和高都大于屏幕空间的长和高，停止搜索，调用该层的瓦片进行显示。本发明可减少系统内存开销，提高影像加载速度，且控制屏幕加载的瓦片数不超过四张，保证了内存使用量的稳定。
-
公开(公告)号：CN108052917A
公开(公告)日：2018-05-18
申请号：CN201711419679.8
申请日：2017-12-25
Applicant: 东南大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于新旧时相变化发现的违章建筑自动识别的方法，包括如下步骤：将采集到的大量视频信息经过跳帧处理，通过高斯混合模型得到新旧时相背景图像；对其设定灰度阈值，剔除雾天视频信息；配准新旧时相背景图片以获得差值图片，进行形态学的去噪处理得到新时相图像的多个变化区域，分析各变化区域的纹理确定是否存在违章建筑物空间结构特征，得到疑似违章建筑变化；检测挖掘机，排除常见运动物体停留造成的误判，并以此为先验知识进一步筛选建筑物；本发明解决了视频监控自动发现违章建筑过程中，违章建筑与合法建筑区分的困难，并去除了新旧时相背景图片差值后产生的各种干扰因素，大大提高了违章建筑的识别率和检测结果的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN110084169B
公开(公告)日：2023-07-04
申请号：CN201910323850.8
申请日：2019-04-22
Applicant: 东南大学
IPC: G06V20/52 , G06V20/40 , G06V10/44 , G06V10/762 , G06V10/74 , G06V10/764
Abstract: 本发明公开了一种基于K‑Means聚类和轮廓拓扑约束的违章建筑物识别方法，包括以下步骤：采集到的图像信息经预处理后得到图像直线段，通过K‑Means聚类对图像直线中点进行分类；检测每类直线簇的直线数量，并计算直线间相对位置距离及角度关系；构建常见违章建筑物直线轮廓角度分布直方图，并将其与检测图像的直线角度分布情况相匹配，计算欧氏距离；然后根据每个直线簇直线数量、位置距离约束及角度分布与常见违章建筑物角度分布直方图相似度对违章建筑物特征进行识别。本发明解决了利用定点视频监控自动发现违章建筑物时，违章建筑物特征提取困难及受自然场景下各种物体干扰多的问题，大大提高了违章建筑物自动识别的效率和检测结果的鲁棒性。
-
公开(公告)号：CN108052917B
公开(公告)日：2021-06-11
申请号：CN201711419679.8
申请日：2017-12-25
Applicant: 东南大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于新旧时相变化发现的违章建筑自动识别的方法，包括如下步骤：将采集到的大量视频信息经过跳帧处理，通过高斯混合模型得到新旧时相背景图像；对其设定灰度阈值，剔除雾天视频信息；配准新旧时相背景图片以获得差值图片，进行形态学的去噪处理得到新时相图像的多个变化区域，分析各变化区域的纹理确定是否存在违章建筑物空间结构特征，得到疑似违章建筑变化；检测挖掘机，排除常见运动物体停留造成的误判，并以此为先验知识进一步筛选建筑物；本发明解决了视频监控自动发现违章建筑过程中，违章建筑与合法建筑区分的困难，并去除了新旧时相背景图片差值后产生的各种干扰因素，大大提高了违章建筑的识别率和检测结果的鲁棒性。
-
公开(公告)号：CN110378398B
公开(公告)日：2023-08-25
申请号：CN201910566224.1
申请日：2019-06-27
Applicant: 东南大学
Abstract: 本发明公开了一种基于多尺度特征图跳跃融合的深度学习网络改进方法，通过多尺度特征图层间的跳跃连接进行特征融合，通过融合高层语义和低层位置信息使网络能够充分利用高低层特征，提高模型对小目标的敏感性和感知度，同时提升了模型总体检测性能。其次通过多视角多分类策略，实现了高动态场景下目标类别的精准检测。本发明从速度、实用、鲁棒性等方面考虑，提出了一种基于多尺度特征图跳跃融合的深度学习网络改进方法，提高了SSD算法在高动态场景下的检测性能。
-
公开(公告)号：CN107909081B
公开(公告)日：2022-04-08
申请号：CN201711027026.5
申请日：2017-10-27
Applicant: 东南大学
Abstract: 本发明公开了一种深度学习中图像数据集的快速获取和快速标定方法，将采集的视频经过电子稳像处理后，经中值滤波进行消噪和平滑处理，然后用高斯混合模型进行前景提取；根据提取出的前景的外轮廓的位置定位到原视频帧中对应的位置信息，以实现自动获取特定目标的最小包围盒；基于hog特征的局部模板匹配算法进行视频帧前景目标的分类；利用帧间匹配算法，将相邻帧中的对应连通区域进行同类别标记；得到了前景的位置信息和类别信息就实现了图像数据集的快速标定。本发明解决了深度学习中带标签数据数量非常少且获得新的带标签数据非常困难代价昂贵的问题，为特定类别的图像数据的训练和识别提供了很大的便利。
-
公开(公告)号：CN108230364B
公开(公告)日：2022-02-11
申请号：CN201810028891.X
申请日：2018-01-12
Applicant: 东南大学
Abstract: 本发明公开了一种基于神经网络的前景物体运动状态分析方法，将采集的视频经过高斯混合模型进行前景提取；采用深度学习中的SSD模型将提取出的前景进行目标分类，得到各个前景物体的类别信息；利用SIFT特征匹配算法得到相邻帧的前景物的对应信息；基于前景的质心计算其运动轨迹，利用RNN时空序列模型分析其运动状态以及对下一时刻物体运动状态进行预判。本发明从速度、实用、鲁棒性等方面考虑，提出了一种基于运动目标重心分析的新思路，适用于视频图像序列中场景复杂的情况下对监控视频范围内出现的运动物体进行准确识别、跟踪并预警，实用价值高，具有广阔的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.012 seconds)
