公开(公告)号：CN111898533B

公开(公告)日：2023-11-28

申请号：CN202010750583.5

申请日：2020-07-30

Applicant: 中国计量大学

Inventor： 王修晖 ,  陈彬彬

IPC: G06V40/20 ,  G06V10/62 ,  G06V10/44 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/045

Abstract: 本发明涉及一种基于时空特征融合的步态分类方法，首先对步态视频进行随机稀疏时序采样得到时序步态图像集，并在此基础上，通过对时序增强子网络和残差子网络的输出融合大幅度提升了对空间维度和时间维度上步态信息的提取能力，从而缓解了步态视频采集视角变化和着装不同等因素对步态特征提取的干扰，有效地提升了步态分类的正确率。

公开(公告)号：CN114913606A

公开(公告)日：2022-08-16

申请号：CN202210691592.0

申请日：2022-06-17

Applicant: 中国计量大学

Inventor： 陈彬彬 ,  王修晖 ,  王亚茹 ,  李学盛 ,  贾波 ,  包其富

IPC: G06V40/20 ,  G06V10/82 ,  G06V10/80 ,  G06V10/774 ,  G06V10/40 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/04 ,  G06Q50/08

Abstract: 本发明公开了一种基于YOLO的深度学习的工业现场生产工作区域的违规检测方法，搭建图像采集系统，收集训练样本，再通过数据增强将数据集扩充并进行人工标注，建立工业现场生产工作区域违规行为数据集；基于YOLO的深度学习的方法，根据工地现场违规行为数据集的特点，提出全新的自适应注意力结构嵌入模型(ASAM)和增强特征提取的网络模块GFPN，并且使用alpha‑iou Loss优化Loss函数，使用diou‑NMS替代传统的NMS，最终得到一个新的YOLO网络模型；利用数据集对改进后的YOLO网络模型进行训练，得到能够精确检测是否具有违规行为(工业现场生产工作区域未佩戴安全帽、抽烟等行为)的网络模型；利用训练得到的网络模型，实现对工业现场生产工作区域的违规行为进行检测。本发明能够有效地提高工业现场生产工作区域违规行为检测的精度，具有广阔的应用前景。

公开(公告)号：CN111898533A

公开(公告)日：2020-11-06

申请号：CN202010750583.5

申请日：2020-07-30

Applicant: 中国计量大学

Inventor： 王修晖 ,  陈彬彬

IPC: G06K9/00 ,  G06K9/60 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明涉及一种基于时空特征融合的步态分类方法，首先对步态视频进行随机稀疏时序采样得到时序步态图像集，并在此基础上，通过对时序增强子网络和残差子网络的输出融合大幅度提升了对空间维度和时间维度上步态信息的提取能力，从而缓解了步态视频采集视角变化和着装不同等因素对步态特征提取的干扰，有效地提升了步态分类的正确率。