-
公开(公告)号：CN116486457A
公开(公告)日：2023-07-25
申请号：CN202310410387.7
申请日：2023-04-18
Applicant: 济南大学
IPC: G06V40/16 , G06V20/40 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明提供了一种基于多级感知自编码网络的视频人脸识别方法及系统，所述系统包括：视频数据采集模块：获取用于计算机识别与处理的视频数据；数据预处理模块：对采集到的视频数据进行预处理，获得图像集数据，并把获取的图像集数据每类中所有样本平均分配，一半样本作为训练集，一半样本作为验证集；模型构建模块：本发明通过获取可用于计算机识别与处理的视频帧序列，并对数据进行预处理操作，以获得图像集数据；对所述的图像集数据随机分成训练集与测试集，所述训练集中的数据再次随机平均分配为训练集与验证集用于训练；将所述的训练集和验证集中的数据输入到多级感知自编码网络的视频特征生成模块中，生成每个图像集的深度概念级特征表示。
-
公开(公告)号：CN106789063B
公开(公告)日：2019-06-07
申请号：CN201611103468.9
申请日：2016-12-05
Applicant: 济南大学
Abstract: 本发明公开了一种基于卷积和循环双重编码的双因子认证方法，包括加密过程与解密过程，加密过程包括对原始掌纹图像的掌纹特征图像进行置乱处理，得到第一掌纹特征密钥；然后随机产生原始密钥，并进行卷积编码和循环编码处理得到中间密钥；将中间密钥和第一掌纹特征密钥进行异或处理得到加密信息；解密过程包括将加密信息与再次取得的掌纹特征密钥进行异或处理，然后进行卷积译码和循环译码处理来恢复原始密钥。本发明实现了掌纹生物特征与随机密钥的双因子认证，安全性高，并且解密过程中将加密信息与置乱后的掌纹特征相异或处理，然后进行卷积译码和循环译码可以完全恢复原始密钥，提高了认证精度。
-
公开(公告)号：CN116958631A
公开(公告)日：2023-10-27
申请号：CN202310352099.0
申请日：2023-03-30
Applicant: 济南大学
IPC: G06V10/764 , G06V10/774 , G06V10/772 , G06V20/40
Abstract: 本发明提供了一种快速图像集合分类方法及系统，所述方法通过对获得的图像集合数据使用静态建模方法进行建模表示，生成每个图像集合的协方差矩阵；使用对数函数将所述协方差矩阵映射到切空间，把矩阵数据转换为向量，并使用PCA进行降维，最后将降维后的数据输入到流形低秩字典对学习方法中，优化求解后得到每类所对应的最优的合成字典及分析字典。本发明通过输入视频序列数据；对视频数据进行预处理操作，以获得图像集数据；对获得的图像集合数据使用静态建模方法进行建模表示，即生成每个图像集合的协方差矩阵；使用对数函数将协方差矩阵映射到切空间；把矩阵数据转换为向量，并使用PCA进行降维，最后将降维后的数据输入到流形低秩字典对学习方法中，优化求解后得到每类所对应的最优的合成字典及分析字典。
-
公开(公告)号：CN107832786B
公开(公告)日：2019-10-25
申请号：CN201711042488.4
申请日：2017-10-31
Applicant: 济南大学
Abstract: 本发明公开了一种基于字典学习的人脸识别分类方法，构建训练集并将训练集中的样本人脸图像映射到低维空间得到训练集矩阵；建立字典学习模型，将训练集矩阵输入到字典学习模型中并对模型进行求解，得到被学习的字典以及均值系数向量；对待识别人脸图像，基于学习到的字典利用协同表示分类算法得到该图像的系数向量，将系数向量输入至分类器中进行分类识别。本发明针对字典学习模型，着重增加字典原子的不相干程度以及字典学习模型的重构能力、判别能力，并采用多条件进行后续的人脸分类识别，以提高人脸识别分类正确率。
-
公开(公告)号：CN106789063A
公开(公告)日：2017-05-31
申请号：CN201611103468.9
申请日：2016-12-05
Applicant: 济南大学
CPC classification number: H04L9/3231 , G06K9/00067 , G06K9/00087 , H04L9/3228
Abstract: 本发明公开了一种基于卷积和循环双重编码的双因子认证方法，包括加密过程与解密过程，加密过程包括对原始掌纹图像的掌纹特征图像进行置乱处理，得到第一掌纹特征密钥；然后随机产生原始密钥，并进行卷积编码和循环编码处理得到中间密钥；将中间密钥和第一掌纹特征密钥进行异或处理得到加密信息；解密过程包括将加密信息与再次取得的掌纹特征密钥进行异或处理，然后进行卷积译码和循环译码处理来恢复原始密钥。本发明实现了掌纹生物特征与随机密钥的双因子认证，安全性高，并且解密过程中将加密信息与置乱后的掌纹特征相异或处理，然后进行卷积译码和循环译码可以完全恢复原始密钥，提高了认证精度。
-
Patent Agency Ranking
公开(公告)号：CN106712957A
公开(公告)日：2017-05-24
申请号：CN201611102220.0
申请日：2016-12-05
Applicant: 济南大学
CPC classification number: H04L9/3231 , G06K9/00067 , G06K9/00087 , H04L9/3228
Abstract: 本发明公开了一种基于卷积编码的双因子认证方法，包括加密过程与解密过程，加密过程包括对原始掌纹图像的掌纹特征图像进行置乱处理，得到第一掌纹特征密钥；然后随机产生原始密钥，并进行周期延拓和卷积编码处理得到中间密钥；将中间密钥和第一掌纹特征密钥进行异或处理得到加密信息；解密过程包括将加密信息与再次取得的掌纹特征密钥进行异或处理，然后进行卷积译码和投票方式处理来恢复原始密钥。本发明实现了掌纹生物特征与随机密钥的双因子认证，安全性高，并且解密过程中将加密信息与置乱后的掌纹特征相异或处理，然后进行卷积译码和投票可以完全恢复原始密钥，提高了认证精度。
-
公开(公告)号：CN106446867A
公开(公告)日：2017-02-22
申请号：CN201610892093.2
申请日：2016-10-13
Applicant: 济南大学
CPC classification number: G06K9/00067 , G06K9/00087 , G06K9/00885 , G06K9/4604 , G06K9/6215 , G06K9/6232 , G06K9/6288 , G06K2009/00953 , H04L9/0869
Abstract: 本发明公开了一种基于随机投影加密的双因子掌纹识别方法，首先采集两个原始掌纹图像，预处理后得到两个掌纹特征图像，对两个掌纹特征图像分别通过随机投影变换进行降维和归一化，然后与归一化后的两个随机投影矩阵进行数值比较后得到两个特征矩阵，作为两个原始掌纹图像的编码特征矩阵，最后采用距离匹配算法对获得的两个编码特征矩阵进行匹配，匹配合格则识别通过。本发明使用随机投影矩阵作为掌纹识别密钥，通过特定不可逆变换，融合掌纹特征，生成具有隐私保护和可重复发布能力的可撤除掌纹特征模板，进而进行掌纹识别，可实现通过密钥与生物特征相结合的双因子掌纹识别，具有复杂度低，识别精度高，安全性好等有益效果。
-
公开(公告)号：CN118626675A
公开(公告)日：2024-09-10
申请号：CN202410750171.X
申请日：2024-06-12
Applicant: 济南大学
IPC: G06F16/783 , G06F16/735 , G06V20/40 , G06V10/82 , G06V10/80
Abstract: 本发明提供一种基于大模型的粗细粒度相结合的哈希视频检索方法，通过获取视频数据集数据；对视频数据集进行划分和预处理操作；将视频输入分别输入到CLIP帧特征提取模块和Transformer视频特征提取模块；将得到的帧特征信息通过提出的多粒度融合模块中的空间注意力机制进行加权得到帧融合视频信息；将得到的粗粒度视频信息与帧融合视频信息按照给定的特定超参数进行加权融合，最终得到视频信息；将得到的视频信息输入哈希码生成模块中，并通过损失函数，优化网络；将测试样本与数据库中的样本根据汉明距离进行排序，检索到的正确结果。通过采用本发明的技术方案，能够有效增加视频检索的速度，提高视频检索的精度。
-
公开(公告)号：CN116309638A
公开(公告)日：2023-06-23
申请号：CN202310234689.3
申请日：2023-03-13
Applicant: 济南大学 , 济南嘲风智能科技有限公司
IPC: G06T7/11 , G06T7/136 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及图像分析方法，特别涉及一种基于语义增强变分自动编码器的图像异常分割方法。包括训练阶段和测试阶段，所述训练阶段为通过引入图像和特征空间分布约束，构建一个语义增强变分自动编码器模型，对正常图像分布进行刻画；所述测试阶段为通过计算融合通道域和空间域的异常注意力图，捕获全局和局部异常变化，分割异常图像中与正常图像有明显差异的异常区域。
-
公开(公告)号：CN116664483A
公开(公告)日：2023-08-29
申请号：CN202310405451.2
申请日：2023-04-17
Applicant: 济南大学
Abstract: 本发明公开了一种多指标协同的OCT视网膜图像病变演进预测方法，所述方法通过融合多种影像和临床指标的空间和时序特征，建模患者前两次随访的OCT视网膜图像与病变区域发展的关系。具体来说，首先通过多种技术提取前两次随访的OCT视网膜图像与病变发展有关的影像与临床指标。接着，使用全卷积神经网络和长短时记忆网络分别提取OCT视网膜图像和多种指标的空间和时序特征。最后，将时序和空间特征融合，预测后续随访时间病变区域的发展。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.037 seconds)
