公开(公告)号：CN110502995A

公开(公告)日：2019-11-26

申请号：CN201910658690.2

申请日：2019-07-19

Applicant: 南昌大学

Inventor： 闵卫东 ,  杨浩 ,  韩清 ,  熊辛 ,  张愚 ,  汪琦

IPC: G06K9/00

Abstract: 本发明提供了基于细微面部动作识别的驾驶员打哈欠检测方法，包括以下步骤：步骤1，对车载摄像机捕捉到的驾驶员驾驶视频进行预处理，进行人脸检测和分割，图像大小归一化和去噪；步骤2，提出关键帧提取算法，通过图片直方图相似度阈值筛选以及离群相似度图片剔除相结合的方法，来提取细微动作序列中的关键帧；步骤3，根据选择的关键帧，建立具有低时间采样率的3D深度学习网络(3D-LTS)以检测各种打哈欠行为，本发明通过关键帧提取算法提取细微动作的关键帧，然后通过建立的3D-LTS网络，提取时空特征和检测各种面部细微动作；在识别率和整体性能方面优于现有方法，能有效区分打哈欠和其他面部细微动作，有效降低了驾驶员打哈欠行为的误检率。

公开(公告)号：CN109583305B

公开(公告)日：2022-05-20

申请号：CN201811282149.8

申请日：2018-10-30

Applicant: 南昌大学

Inventor： 闵卫东 ,  李祥鹏 ,  黄杰 ,  赵浩宇 ,  张愚 ,  刘瑞康 ,  汪琦 ,  朱梦 ,  韩清

IPC: G06V20/10 ,  G06V20/62 ,  G06V10/82 ,  G06N3/04

Abstract: 本发明提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R‑CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k‑倒数编码，将紧凑特征与k‑倒数特征相结合，对车辆重识别结果进行重新排序，本发明具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。

公开(公告)号：CN109583305A

公开(公告)日：2019-04-05

申请号：CN201811282149.8

申请日：2018-10-30

Applicant: 南昌大学

Inventor： 闵卫东 ,  李祥鹏 ,  黄杰 ,  赵浩宇 ,  张愚 ,  刘瑞康 ,  汪琦 ,  朱梦 ,  韩清

IPC: G06K9/00 ,  G06K9/32 ,  G06N3/04

Abstract: 本发明提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R-CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k-倒数编码，将紧凑特征与k-倒数特征相结合，对车辆重识别结果进行重新排序，本发明具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。

公开(公告)号：CN110502995B

公开(公告)日：2023-03-14

申请号：CN201910658690.2

申请日：2019-07-19

Applicant: 南昌大学

Inventor： 闵卫东 ,  杨浩 ,  韩清 ,  熊辛 ,  张愚 ,  汪琦

IPC: G06V20/59 ,  G06V40/16 ,  G06V10/26 ,  G06V10/50 ,  G06V10/74 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明提供了基于细微面部动作识别的驾驶员打哈欠检测方法，包括以下步骤：步骤1，对车载摄像机捕捉到的驾驶员驾驶视频进行预处理，进行人脸检测和分割，图像大小归一化和去噪；步骤2，提出关键帧提取算法，通过图片直方图相似度阈值筛选以及离群相似度图片剔除相结合的方法，来提取细微动作序列中的关键帧；步骤3，根据选择的关键帧，建立具有低时间采样率的3D深度学习网络(3D‑LTS)以检测各种打哈欠行为，本发明通过关键帧提取算法提取细微动作的关键帧，然后通过建立的3D‑LTS网络，提取时空特征和检测各种面部细微动作；在识别率和整体性能方面优于现有方法，能有效区分打哈欠和其他面部细微动作，有效降低了驾驶员打哈欠行为的误检率。

公开(公告)号：CN110110602A

公开(公告)日：2019-08-09

申请号：CN201910282569.4

申请日：2019-04-09

Applicant: 南昌大学

Inventor： 闵卫东 ,  廖艳秋 ,  熊鹏文 ,  韩清 ,  张愚 ,  徐剑强 ,  邹松 ,  熊辛 ,  汪琦

IPC: G06K9/00 ,  G06K9/32 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T7/194

Abstract: 本发明提供了一种基于三维残差神经网络和视频序列的动态手语识别方法，所述方法提出了基于三维残差神经网络的新模型B3D ResNet，包括以下步骤：步骤1，在视频帧中，采用Faster R-CNN模型检测手的位置，并从背景中分割出手；步骤2，利用B3D ResNet模型对输入的视频序列进行手势的时空特征提取和特征序列分析；步骤3，通过对输入的视频序列进行分类，可以识别手势，有效地实现动态手语识别。本发明通过分析视频序列的时空特征，可以提取有效的动态手势时空特征序列，从而达到识别不同手势的目的，并且在复杂或类似的手语识别上也获得了良好的性能。通过测试数据集的实验结果表明，本发明可以准确有效地区分不同的手语，以及相似的手势对。