-
公开(公告)号：CN106851365B
公开(公告)日：2018-03-09
申请号：CN201510884736.4
申请日：2015-12-03
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京永新视博数字电视技术有限公司 , 北京数字太和科技有限责任公司
IPC: H04N21/418 , H04N21/4367 , H04N21/4385 , H04N21/4623 , H04N21/4627 , H04N21/266
CPC classification number: H04N21/418
Abstract: 一种用于智能操作系统的条件接收方法，包括可信执行环境，数字电视模块获取全部频道信息和控制管理信息，媒体播放模块根据从直播应用模块获得的所切换的频道节目标识向数字电视模块获取该频道节目的videoPid、audioPid、casId、ecmPid、emmPid，并分配解扰器Descramblerid，传送给条件接收模块；条件接收模块根据casId选择注册的条件接收应用模块，将频道的videoPid、audioPid、ecmPid、emmPid、Descramblerid发送给条件接收应用模块；条件接收应用模块根据ecmPid和emmPid向数字电视模块获取相应的ecm Data和emm Data连同videoPid、audioPid、Descramblerid发送给条件接收模块；条件接收模块将这些信息发送给可信执行环境中的可信应用；由可信应用进行解析从而获得EK1、EK2和ECW，连同videoPid、audioPid、Descramblerid发送给高安芯片，高安芯片根据所获得的信息控制DescramblerID对应的解扰器解扰并进行播放。
-
公开(公告)号：CN106851365A
公开(公告)日：2017-06-13
申请号：CN201510884736.4
申请日：2015-12-03
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京永新视博数字电视技术有限公司 , 北京数字太和科技有限责任公司
IPC: H04N21/418 , H04N21/4367 , H04N21/4385 , H04N21/4623 , H04N21/4627 , H04N21/266
CPC classification number: H04N21/418 , H04N21/4181 , H04N21/26606 , H04N21/42623 , H04N21/4367 , H04N21/43853 , H04N21/4623 , H04N21/4627
Abstract: 一种用于智能操作系统的条件接收方法，包括可信执行环境，数字电视模块获取全部频道信息和控制管理信息，媒体播放模块根据从直播应用模块获得的所切换的频道节目标识向数字电视模块获取该频道节目的videoPid、audioPid、casId、ecmPid、emmPid，并分配解扰器Descramblerid，传送给条件接收模块；条件接收模块根据casId选择注册的条件接收应用模块，将频道的videoPid、audioPid、ecmPid、emmPid、Descramblerid发送给条件接收应用模块；条件接收应用模块根据ecmPid和emmPid向数字电视模块获取相应的ecm Data和emm Data连同videoPid、audioPid、Descramblerid发送给条件接收模块；条件接收模块将这些信息发送给可信执行环境中的可信应用；由可信应用进行解析从而获得EK1、EK2和ECW，连同videoPid、audioPid、Descramblerid发送给高安芯片，高安芯片根据所获得的信息控制DescramblerID对应的解扰器解扰并进行播放。
-
公开(公告)号：CN106803980A
公开(公告)日：2017-06-06
申请号：CN201710116619.2
申请日：2017-02-28
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京永新视博数字电视技术有限公司 , 北京数码视讯科技股份有限公司 , 深圳市海思半导体有限公司
IPC: H04N21/418 , H04N21/426 , H04N21/4623 , H04N21/266
CPC classification number: H04N21/26606 , H04N21/26613 , H04N21/4182 , H04N21/42623 , H04N21/4623
Abstract: 本发明实施例公开了一种加密控制字的保护方法、硬件安全模块、主芯片和终端，应用于包括前端和终端的可下载条件接收系统，终端包括主芯片和硬件安全模块，该方法包括：接收主芯片发送的硬件安全模块授权管理消息和加密控制字，其中，硬件安全模块授权管理消息中包括用于解密加密控制字的密钥；根据硬件安全模块授权管理消息和硬件安全模块中存储的硬件安全模块根密钥，对加密控制字进行解密，得到控制字；根据硬件安全模块中存储的重加密密钥对控制字进行重加密，得到重加密控制字；将重加密控制字发送到主芯片，以便主芯片根据前端发送的主芯片授权管理消息解密重加密控制字，得到控制字。本发明实施例利用该硬件安全模块增强了DCAS的安全性。
-
公开(公告)号：CN106803980B
公开(公告)日：2019-01-11
申请号：CN201710116619.2
申请日：2017-02-28
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京永新视博数字电视技术有限公司 , 北京数码视讯科技股份有限公司 , 深圳市海思半导体有限公司
IPC: H04N21/418 , H04N21/426 , H04N21/4623 , H04N21/266
Abstract: 本发明实施例公开了一种加密控制字的保护方法、硬件安全模块、主芯片和终端，应用于包括前端和终端的可下载条件接收系统，终端包括主芯片和硬件安全模块，该方法包括：接收主芯片发送的硬件安全模块授权管理消息和加密控制字，其中，硬件安全模块授权管理消息中包括用于解密加密控制字的密钥；根据硬件安全模块授权管理消息和硬件安全模块中存储的硬件安全模块根密钥，对加密控制字进行解密，得到控制字；根据硬件安全模块中存储的重加密密钥对控制字进行重加密，得到重加密控制字；将重加密控制字发送到主芯片，以便主芯片根据前端发送的主芯片授权管理消息解密重加密控制字，得到控制字。本发明实施例利用该硬件安全模块增强了DCAS的安全性。
-
公开(公告)号：CN108960141A
公开(公告)日：2018-12-07
申请号：CN201810721706.5
申请日：2018-07-04
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
CPC classification number: G06K9/00362 , G06K9/6247 , G06K9/627
Abstract: 本发明涉及一种基于增强型深度卷积神经网络的行人再识别方法，使用基础深度学习卷积神经网络模型提取行人图像的基础深度特征，同时使用传统手动特征提取方法提取行人图像的手动特征并降维；应用特征重建模块将基础深度特征和手动特征融合成增强型深度特征；通过特征比较预测两张图像中行人是否为同一个人，联合使用分类损失函数和验证损失函数对输入图像进行分类和异同验证，以最小化联合损失为目标来训练网络，使得网络生成更有判别力的行人图像特征。本发明充分利用了手动特征和深度特征之间的互补性，提出了联合使用分类损失和验证损失函数用于监督网络训练的策略，获得了良好的性能，有效地提高行人再识别准确率。
-
Patent Agency Ranking
公开(公告)号：CN107292914A
公开(公告)日：2017-10-24
申请号：CN201710450318.3
申请日：2017-06-15
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于小型单支卷积神经网络的视觉目标跟踪方法，其主要技术特点是：搭建小型单支卷积神经网络；设计损失函数用于卷积神经网络的训练；对测试序列进行目标跟踪，当新视频帧到来时，根据损失函数的结果判断网络参数的更新与否；将卷积神经网络的输出结果送给二元分类器，预测出目标位置。本发明利用了深度卷积网络对目标物体强大的表示能力，构建小型单支卷积神经网络，提出新的损失函数和更新策略，增加了整体算法的跟踪精度，提高了跟踪结果的稳定性以及跟踪速率，获得了很好的目标跟踪结果。
-
公开(公告)号：CN106203450A
公开(公告)日：2016-12-07
申请号：CN201610542676.2
申请日：2016-07-11
Applicant: 国家新闻出版广电总局广播科学研究院
CPC classification number: G06K9/4604 , G06K9/42 , G06K9/6269 , G06K2209/21
Abstract: 本发明涉及一种基于深度学习框架对图像进行特征提取的目标检测方法，其技术特点是：基于MCG算法对图像进行预处理，提取出可能存在的目标位置的图像块；基于MTSE算法优化已提取出来的图像块；将得到的图像块利用超像素优化的方法迭代调整到caffe框架输入要求的大小；利用caffe深度学习框架对图像块进行特征提取，其中模型的配置利用R-CNN算法完成；对得到的特征利用SVM算法进行分类，得到最终结果。本发明设计合理，通过对图像进行预处理减少了特征的计算量，然后利用caffe深度学习框架提取图像的深度特征，能更好地表示物体，并用SVM分类算法对特征进行分类，获得了良好的检测结果。
-
公开(公告)号：CN107886116B
公开(公告)日：2021-03-26
申请号：CN201711033084.9
申请日：2017-10-30
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种针对视频数据行人再识别的LOMO3D特征提取方法，其技术特点是：将视频数据中的各帧分离出来，组织成图像序列的形式，并分割为一定长度的等长序列；将每个序列水平分割为若干扁平区域，并在这些区域中进一步划分子块，作为直方图统计的最小单位；对于每个子块，统计形成纹理直方图特征和HSV色域下的颜色直方图特征；将每个水平区域中的纹理和颜色直方图特征根据最大化原则进行整合并进行拼合，得到最终的LOMO3D特征描述子。本发明设计合理，充分利用了图像序列中的时空特征和时间信息，使得特征的描述能力性能远远高于单纯的空间域特征，试验表明本发明能够使得系统整体匹配率大大提升，优于目前其他的行人再识别算法。
-
公开(公告)号：CN107886116A
公开(公告)日：2018-04-06
申请号：CN201711033084.9
申请日：2017-10-30
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
CPC classification number: G06K9/629 , G06K9/00369 , G06K9/4647 , G06K9/4652
Abstract: 本发明涉及一种针对视频数据行人再识别的LOMO3D特征提取方法，其技术特点是：将视频数据中的各帧分离出来，组织成图像序列的形式，并分割为一定长度的等长序列；将每个序列水平分割为若干扁平区域，并在这些区域中进一步划分子块，作为直方图统计的最小单位；对于每个子块，统计形成纹理直方图特征和HSV色域下的颜色直方图特征；将每个水平区域中的纹理和颜色直方图特征根据最大化原则进行整合并进行拼合，得到最终的LOMO3D特征描述子。本发明设计合理，充分利用了图像序列中的时空特征和时间信息，使得特征的描述能力性能远远高于单纯的空间域特征，试验表明本发明能够使得系统整体匹配率大大提升，优于目前其他的行人再识别算法。
-
公开(公告)号：CN108960141B
公开(公告)日：2021-04-23
申请号：CN201810721706.5
申请日：2018-07-04
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于增强型深度卷积神经网络的行人再识别方法，使用基础深度学习卷积神经网络模型提取行人图像的基础深度特征，同时使用传统手动特征提取方法提取行人图像的手动特征并降维；应用特征重建模块将基础深度特征和手动特征融合成增强型深度特征；通过特征比较预测两张图像中行人是否为同一个人，联合使用分类损失函数和验证损失函数对输入图像进行分类和异同验证，以最小化联合损失为目标来训练网络，使得网络生成更有判别力的行人图像特征。本发明充分利用了手动特征和深度特征之间的互补性，提出了联合使用分类损失和验证损失函数用于监督网络训练的策略，获得了良好的性能，有效地提高行人再识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.075 seconds)
