-
公开(公告)号：CN105979120A
公开(公告)日：2016-09-28
申请号：CN201610393336.8
申请日：2016-06-03
Applicant: 华南农业大学
IPC: H04N5/21
CPC classification number: H04N5/21
Abstract: 本发明公开了基于分布式计算的视频去雾系统及视频去雾方法，本发明系统包括部署在分布式计算架构上的输入节点、透射率估计模块、大气光照估计模块、无雾图像生成模块，输出节点，每个模块均有多台计算机以分布式架构的方式负责执行，本发明方法将输入的有雾视频将被分拆成帧流，透射率估计模块同时计算数帧的透射率，大气光照度估计模块计算出对应帧的大气光照度，无雾图像生成模块产生有雾帧所对应的无雾图像，并按照帧的正确序列顺序输出。本发明拥有更高的处理速度，具备实时处理能力。
-
公开(公告)号：CN105719247B
公开(公告)日：2019-05-17
申请号：CN201610025389.4
申请日：2016-01-13
Applicant: 华南农业大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于特征学习的单幅图像去雾方法，首先通过稀疏自动编码机对有雾图像进行多尺度的纹理结构特征提取，与此同时，抽取各种与雾相关的颜色特征。然后，采用多层神经网络进行样本训练，学习得到雾天条件下纹理结构特征及颜色特征与场景深度间的映射关系，并估算出有雾图像的场景深度图。在此基础上，利用场景深度图近似地估算出透射率图。该透射率能图有效反映了有雾图像中各个局部区域的雾气浓度。最后，结合大气散射模型，根据透射率图进一步复原出无雾图像。本方法能够对有雾图像进行复原，得到更高质量的无雾图像，并且与现有的去雾方法相比，具有更好的场景普适能力。
-
公开(公告)号：CN105678338A
公开(公告)日：2016-06-15
申请号：CN201610024953.0
申请日：2016-01-13
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于局部特征学习的目标跟踪方法，将目标物体和背景分解成大量的具有尺度和形状不变性的局部单元，将其作为目标和背景分类模型的训练样本，采用深度学习的方式，从训练样本中学习出目标物体以及背景的局部表达。再判断出图像中每个特定区域属于目标物体的置信度，实现目标物体的准确定位。因这种由大量样本学习得出的局部表达具有高度的目标识别能力，该跟踪方法对目标形变、目标遮挡等情况具有较高的适应能力。更新物体表观模型时，抽取出目标置信度较高的局部区域作为模型的训练样本，并对模型进行更新。本方法在目标跟踪的过程中，不断更新表观模型，学习目标物体的关键特征，在外观变化较大的情景下能够取得更好的跟踪效果。
-
Patent Agency Ranking
公开(公告)号：CN107133935A
公开(公告)日：2017-09-05
申请号：CN201710377210.6
申请日：2017-05-25
Applicant: 华南农业大学
CPC classification number: G06T5/001 , G06N3/08 , G06T7/40 , G06T2207/20024 , G06T2207/20081
Abstract: 本发明公开了一种基于深度卷积神经网络的单图像精细去雨方法，首先通过初始去雨网络对输入的雨图进行背景纹理结构的提取、非线性映射和雨线区域复原，最终得到初步清晰的无雨图像，然后将初步清晰无雨图像和原始图像同时输入到具有单个卷积层的精细去雨网络，从而恢复背景区域的更多细节，最终得到高清晰去雨图像，本方法通过采用caffe框架，对初始去雨网络和精细去雨网络进行训练，以准确得到每个卷积层的参数，并且对有雨图像进行精细去雨处理，与传统卷积神经网络去雨方法相比，能得到更高质量的无雨图像，并且本方法实用性强，可广泛使用多个场景。
-
公开(公告)号：CN105678338B
公开(公告)日：2020-04-14
申请号：CN201610024953.0
申请日：2016-01-13
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于局部特征学习的目标跟踪方法，将目标物体和背景分解成大量的具有尺度和形状不变性的局部单元，将其作为目标和背景分类模型的训练样本，采用深度学习的方式，从训练样本中学习出目标物体以及背景的局部表达。再判断出图像中每个特定区域属于目标物体的置信度，实现目标物体的准确定位。因这种由大量样本学习得出的局部表达具有高度的目标识别能力，该跟踪方法对目标形变、目标遮挡等情况具有较高的适应能力。更新物体表观模型时，抽取出目标置信度较高的局部区域作为模型的训练样本，并对模型进行更新。本方法在目标跟踪的过程中，不断更新表观模型，学习目标物体的关键特征，在外观变化较大的情景下能够取得更好的跟踪效果。
-
公开(公告)号：CN105719247A
公开(公告)日：2016-06-29
申请号：CN201610025389.4
申请日：2016-01-13
Applicant: 华南农业大学
IPC: G06T5/00
CPC classification number: G06T5/003 , G06T2207/20081 , G06T2207/20084
Abstract: 本发明公开了一种基于特征学习的单幅图像去雾方法，首先通过稀疏自动编码机对有雾图像进行多尺度的纹理结构特征提取，与此同时，抽取各种与雾相关的颜色特征。然后，采用多层神经网络进行样本训练，学习得到雾天条件下纹理结构特征及颜色特征与场景深度间的映射关系，并估算出有雾图像的场景深度图。在此基础上，利用场景深度图近似地估算出透射率图。该透射率能图有效反映了有雾图像中各个局部区域的雾气浓度。最后，结合大气散射模型，根据透射率图进一步复原出无雾图像。本方法能够对有雾图像进行复原，得到更高质量的无雾图像，并且与现有的去雾方法相比，具有更好的场景普适能力。
-
公开(公告)号：CN107133935B
公开(公告)日：2019-07-02
申请号：CN201710377210.6
申请日：2017-05-25
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于深度卷积神经网络的单图像精细去雨方法，首先通过初始去雨网络对输入的雨图进行背景纹理结构的提取、非线性映射和雨线区域复原，最终得到初步清晰的无雨图像，然后将初步清晰无雨图像和原始图像同时输入到具有单个卷积层的精细去雨网络，从而恢复背景区域的更多细节，最终得到高清晰去雨图像，本方法通过采用caffe框架，对初始去雨网络和精细去雨网络进行训练，以准确得到每个卷积层的参数，并且对有雨图像进行精细去雨处理，与传统卷积神经网络去雨方法相比，能得到更高质量的无雨图像，并且本方法实用性强，可广泛使用多个场景。
-
公开(公告)号：CN105979120B
公开(公告)日：2019-03-12
申请号：CN201610393336.8
申请日：2016-06-03
Applicant: 华南农业大学
IPC: H04N5/21
Abstract: 本发明公开了基于分布式计算的视频去雾系统及视频去雾方法，本发明系统包括部署在分布式计算架构上的输入节点、透射率估计模块、大气光照估计模块、无雾图像生成模块，输出节点，每个模块均有多台计算机以分布式架构的方式负责执行，本发明方法将输入的有雾视频将被分拆成帧流，透射率估计模块同时计算数帧的透射率，大气光照度估计模块计算出对应帧的大气光照度，无雾图像生成模块产生有雾帧所对应的无雾图像，并按照帧的正确序列顺序输出。本发明拥有更高的处理速度，具备实时处理能力。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
