-
公开(公告)号:CN107301394A
公开(公告)日:2017-10-27
申请号:CN201710476038.X
申请日:2017-06-21
Applicant: 哈尔滨工业大学深圳研究生院
CPC classification number: G06K9/00711 , G06K9/00362 , G06K9/46 , G06K9/4642 , G06K9/6269 , G06K2009/4695 , H04N5/262
Abstract: 本发明提供了一种基于视频数据的人流检测方法,包括以下步骤:S1、对视频进行低秩稀疏矩阵分解;S2、获取稀疏部分;S3、对稀疏部分进行阈值处理;S4、训练SVM;S5、对图像进行HOG+SVM检测;S6、判断是否有剩余检测框,如果没有,则结束,如果有,则进入下一步骤;S7、判断对应辅助图像相同位置是否有足够像素,如果没有,则删除检测框并返回步骤S6,如果有,则保留检测框并返回步骤S6。本发明的有益效果是:结合低秩稀疏矩阵分解的方法,将一段视频中的稀疏部分提取出来,并进行处理,低空监测影像的检测效果较好。
-
公开(公告)号:CN108921875B
公开(公告)日:2021-08-17
申请号:CN201810746646.2
申请日:2018-07-09
Applicant: 哈尔滨工业大学(深圳)
IPC: G06T7/246
Abstract: 本发明提供了一种基于航拍数据的实时车流检测与追踪方法,包括以下步骤:S1、基于弱监督学习的预训练部分,使用弱监督学习的方式训练好一个YOLO网络的预训练模型;S2、基于航拍数据的实时车流检测部分,采用全卷积神经网络以及具有先验信息的多目标框检测方法对YOLO网络的预训练模型进行改进,得到YOLO检测网络。本发明的有益效果是:基于YOLO算法进行改进,采用全卷积神经网络以及具有先验信息的多目标框检测方法,有效地利用了无人机航拍数据集多视角和多分辨率的图像特点进行训练,在不损失太多检测时间的情况下提升了算法的检测准确率,达到了准确率与时间的平衡。
-
公开(公告)号:CN107330387B
公开(公告)日:2021-04-23
申请号:CN201710475390.1
申请日:2017-06-21
Applicant: 哈尔滨工业大学深圳研究生院
Abstract: 本发明提供了一种基于图像数据的行人检测方法,包括以下步骤:(1)对于数据的预处理,在网络结构的第一层添加一层用来将数据读入;(2)YOLO原来的全连接层用卷积层替代,每个卷积层后面加一个ReLU层,然后用Reshape层改变输入的维度;(3)对于Loss Function的实现。本发明的有益效果是:将Fast YOLO实现为基于Caffe接口和GoogLeNet的网络,原网络中的全连接层改成卷积层实现,这不仅可以加快检测速度,而且实验结果表明还可以提升检测率。
-
公开(公告)号:CN108921875A
公开(公告)日:2018-11-30
申请号:CN201810746646.2
申请日:2018-07-09
Applicant: 哈尔滨工业大学(深圳)
IPC: G06T7/246
Abstract: 本发明提供了一种基于航拍数据的实时车流检测与追踪方法,包括以下步骤:S1、基于弱监督学习的预训练部分,使用弱监督学习的方式训练好一个YOLO网络的预训练模型;S2、基于航拍数据的实时车流检测部分,采用全卷积神经网络以及具有先验信息的多目标框检测方法对YOLO网络的预训练模型进行改进,得到YOLO检测网络。本发明的有益效果是:基于YOLO算法进行改进,采用全卷积神经网络以及具有先验信息的多目标框检测方法,有效地利用了无人机航拍数据集多视角和多分辨率的图像特点进行训练,在不损失太多检测时间的情况下提升了算法的检测准确率,达到了准确率与时间的平衡。
-
公开(公告)号:CN107330387A
公开(公告)日:2017-11-07
申请号:CN201710475390.1
申请日:2017-06-21
Applicant: 哈尔滨工业大学深圳研究生院
CPC classification number: G06K9/00711 , G06N3/084
Abstract: 本发明提供了一种基于图像数据的行人检测方法,包括以下步骤:(1)对于数据的预处理,在网络结构的第一层添加一层用来将数据读入;(2)YOLO原来的全连接层用卷积层替代,每个卷积层后面加一个ReLU层,然后用Reshape层改变输入的维度;(3)对于Loss Function的实现。本发明的有益效果是:将Fast YOLO实现为基于Caffe接口和GoogLeNet的网络,原网络中的全连接层改成卷积层实现,这不仅可以加快检测速度,而且实验结果表明还可以提升检测率。
-
-
-
-