-
公开(公告)号：CN114140659A
公开(公告)日：2022-03-04
申请号：CN202111227686.4
申请日：2021-10-21
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于无人机视角下人体检测的社交距离监控方法，属于数字图像识别领域，包括：将无人机图像输入至行人检测模型，以获得各行人目标对应的边界框；对于每两个行人目标，分别获得预设的人体关键点在边界框中的位置坐标后，变换至世界坐标系下，以此计算两个行人目标之间的距离；人体关键点在边界框中的二维坐标(u,v)和在世界坐标系下的三维坐标(X,Y,Z)之间的变换关系为：Δh为先验身高，Δv为边界框高度；ax、ay、u0、v0为相机内参矩阵中的参数，θ为俯仰角。本发明无需在无人机飞行过程中对两个坐标系间的转换矩阵进行测量和矫正，减少了无人机测距的复杂度，从而针对低成本的无人机实现有效的社交距离监控。
-
Patent Agency Ranking
公开(公告)号：CN110751027A
公开(公告)日：2020-02-04
申请号：CN201910848519.8
申请日：2019-09-09
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于深度多示例学习的行人重识别方法，属于数字图像识别领域，本发明构建的行人重识别模型首先通过CNN获取多张不同尺寸的特征图；然后通过可学习的方式将每一张特征图划分为多个部分，得到深度多示例学习中的示例；最后对负示例进行丢弃后利用正示例对每张特征图生成对应的特征向量，得到不同尺度特征图对应的多个特征向量；根据行人身份对输出的多个特征向量进行分类以对训练模型进行训练；对训练好的行人重识别模型输出的多个特征向量进行加权串接用于测试。本发明结合深度多示例学习思想，采用NetVLAD和GhostVLAD提取图片中的局部特征，提高了网络的抗形变能力，进而提高了行人重识别算法的准确率。
-
公开(公告)号：CN109886102B
公开(公告)日：2020-11-17
申请号：CN201910032206.5
申请日：2019-01-14
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于深度图像的跌倒行为时空域检测方法，包括：获取深度图像；多时间窗视频序列选取；提取每段深度视频法向量特征；特征融合；动态图编码；行为检测网络进行检测；检测结果处理；记录检测结果；行为检测网络的训练。本发明提出的基于深度图像的跌倒行为时空域检测方法，充分挖掘深度图像特点，通过法向量和深度图的特征融合，动态图编码对特征序列进行编码，经过大量标注数据训练的目标检测网络，以及检测结果进行时间域和空间域的非极大抑制，对跌倒行为进行逐帧检测，保证了本方法具有较高的实时性，准确性，鲁棒性，隐私保护性和实用性。
-
公开(公告)号：CN114140659B
公开(公告)日：2024-07-09
申请号：CN202111227686.4
申请日：2021-10-21
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于无人机视角下人体检测的社交距离监控方法，属于数字图像识别领域，包括：将无人机图像输入至行人检测模型，以获得各行人目标对应的边界框；对于每两个行人目标，分别获得预设的人体关键点在边界框中的位置坐标后，变换至世界坐标系下，以此计算两个行人目标之间的距离；人体关键点在边界框中的二维坐标(u,v)和在世界坐标系下的三维坐标(X,Y,Z)之间的变换关系为：#imgabs0##imgabs1##imgabs2#Δh为先验身高，Δv为边界框高度；ax、ay、u0、v0为相机内参矩阵中的参数，θ为俯仰角。本发明无需在无人机飞行过程中对两个坐标系间的转换矩阵进行测量和矫正，减少了无人机测距的复杂度，从而针对低成本的无人机实现有效的社交距离监控。
-
公开(公告)号：CN110751027B
公开(公告)日：2022-09-20
申请号：CN201910848519.8
申请日：2019-09-09
Applicant: 华中科技大学
IPC: G06V40/10 , G06V10/40 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度多示例学习的行人重识别方法，属于数字图像识别领域，本发明构建的行人重识别模型首先通过CNN获取多张不同尺寸的特征图；然后通过可学习的方式将每一张特征图划分为多个部分，得到深度多示例学习中的示例；最后对负示例进行丢弃后利用正示例对每张特征图生成对应的特征向量，得到不同尺度特征图对应的多个特征向量；根据行人身份对输出的多个特征向量进行分类以对训练模型进行训练；对训练好的行人重识别模型输出的多个特征向量进行加权串接用于测试。本发明结合深度多示例学习思想，采用NetVLAD和GhostVLAD提取图片中的局部特征，提高了网络的抗形变能力，进而提高了行人重识别算法的准确率。
-
公开(公告)号：CN109886102A
公开(公告)日：2019-06-14
申请号：CN201910032206.5
申请日：2019-01-14
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于深度图像的跌倒行为时空域检测方法，包括：获取深度图像；多时间窗视频序列选取；提取每段深度视频法向量特征；特征融合；动态图编码；行为检测网络进行检测；检测结果处理；记录检测结果；行为检测网络的训练。本发明提出的基于深度图像的跌倒行为时空域检测方法，充分挖掘深度图像特点，通过法向量和深度图的特征融合，动态图编码对特征序列进行编码，经过大量标注数据训练的目标检测网络，以及检测结果进行时间域和空间域的非极大抑制，对跌倒行为进行逐帧检测，保证了本方法具有较高的实时性，准确性，鲁棒性，隐私保护性和实用性。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
