-
公开(公告)号：CN117132527A
公开(公告)日：2023-11-28
申请号：CN202310256236.0
申请日：2023-03-16
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06T7/12 , G06T7/13 , G06T7/194 , G06F3/04845
Abstract: 本发明公开了基于机器视觉的水体分割与水位线提取系统及方法，包括，S1：采集并上传选定区域流域河流的监测视频图像；S2：使用画刷大致勾画图像前景背景；S3：精确分割水体与无关背景区域，提取水体部分；S4：框选绘制水位线区域并在区域内绘制水位线。本发明采用水文闸站的摄像装置采集特定水域的监控视频，通过改进后的图像分割算法和直线检测算法分割水体，进而实时获取水位线。能够实现对水库环境的实时动态监测。改进后的图像分割算法和直线检测算法交互性强，计算量小，无需大量存储空间。
-
公开(公告)号：CN112668711B
公开(公告)日：2023-04-18
申请号：CN202011379603.9
申请日：2020-11-30
Applicant: 西安电子科技大学
IPC: G06Q10/04 , G06F18/214 , G06F18/241 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的洪水流量预测方法、装置和电子设备，方法包括：获取原始降雨数据、原始流量数据以及水文站点的原始位置信息；将原始降雨数据、先验降雨数据、原始流量数据以及原始位置信息进行预处理，得到处理后降雨数据、处理后流量数据以及处理后位置信息；基于处理后降雨数据、处理后先验降雨数据以及处理后位置信息，形成网格化降雨数据；对网格化降雨数据提取空间分布特征，并提取历史T小时和未来P小时的降雨数据的时序特征，得到第一输出特征；对处理后流量数据，提取历史T小时的流量数据的时序特征，得到第二输出特征；对第一输出特征以及第二输出特征进行合并分类预测，得到目标水文站点未来P小时的流量预测值。
-
公开(公告)号：CN111832810A
公开(公告)日：2020-10-27
申请号：CN202010581924.0
申请日：2020-06-23
Applicant: 西安电子科技大学
Abstract: 本发明属于洪水预测技术领域，公开了一种洪水预报模型、信息处理方法、存储介质、计算机设备，时空特征抽象层，用于从地形-降雨量时空特征中提取特征；特征融合层，用于通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；预测输出层，用于预测未来T个小时的流量变化情况。本发明为了解决传统模型需要大量的参数率定和数据驱动模型无法对洪水过程进行准确预测的问题，将基于二维卷积的卷积神经网络CNN引入到洪水预报领域，利用CNN的特征抽象能力，融合降雨量时空分布特征、地形地貌特征和流量变化趋势特征，构建了预见期为24个小时和36个小时的洪水预报模型。经检验，模型符合洪水预报的要求。
-
公开(公告)号：CN106339665A
公开(公告)日：2017-01-18
申请号：CN201610659124.X
申请日：2016-08-11
Applicant: 电子科技大学
IPC: G06K9/00
CPC classification number: G06K9/00228 , G06K9/00288
Abstract: 本发明提供一种人脸的快速检测方法，将人脸检测问题建模为一个二分类模型，首先从图像中提取像素强度对比的特征，然后构建一棵级联的集成二叉决策树作为分类器，最后采用滑窗的方法，将每一个窗口包含的图像作为分类器的输入，判断该窗口是否为人脸。像素强度对比特征是一种十分简单有效的判别特征，它计算两个像素之间的显著性差异，计算量非常小。本文构建的级联的分类器将多个集成的二叉决策树按体积由小到大堆叠到一起，所以每一个层级能够检测到所有的人脸窗口并且拒绝一部分非人脸窗口，这样得到的结果是大部分的非人脸窗口在最开始的几个层级就被判定为非人脸，所以只需要很少量的计算时间。
-
公开(公告)号：CN106327527A
公开(公告)日：2017-01-11
申请号：CN201610657342.X
申请日：2016-08-11
Applicant: 电子科技大学
CPC classification number: G06T2207/10016 , G06T2207/20081 , G06T2207/30232
Abstract: 本发明提供了一种基于Online Boosting的目标轮廓跟踪方法，在目标精细跟踪的问题中使用超像素对含有跟踪目标的图像进行分块，每一个超像素被看做一个点，这降低了计算的复杂度；使用在线学习的方法来分割目标和背景。传统的Online Boosting算法中，训练样本的权重是相同的，不会随时间的变化而变化。但是在目标精细跟踪问题里面，由于运动目标时刻变化，所以对在线的分类器来说距离当前帧时间越久远的图像帧的权重应该越小，为了实现这种权重逐渐衰减的效果，本发明设计了一种样本权重随时间的久远程度而递减的Online Boosting分类器，随着视频帧数的增加，分类器的性能越来越好，从而实现准确的跟踪目标的精细轮廓。
-
Patent Agency Ranking
公开(公告)号：CN101813727A
公开(公告)日：2010-08-25
申请号：CN201010157184.4
申请日：2010-04-23
Applicant: 电子科技大学
Abstract: 一种圆柱形波导谐振腔，属于微波测试技术领域，涉及微波电介质电参数测量技术，具体涉及一种用于测量杆状介质材料电参数的TM0n0模圆柱形波导谐振腔。本发明在现有圆柱形波导谐振腔的基础上，通过在腔壁沿径向方向开缝的方式抑制大量非TM0n0的干扰模式，使得TM0n0的工作模式得到谐振加强，从而提高介质杆电参数的测量精度。
-
公开(公告)号：CN112949624A
公开(公告)日：2021-06-11
申请号：CN202110099933.0
申请日：2021-01-25
Applicant: 西安电子科技大学 , 北京金水信息技术发展有限公司
Abstract: 本发明公开了一种基于水尺的水位检测方法、装置、电子设备及存储介质，包括：获取含有水尺的待检测水域图像；输入预先训练的第一水尺检测模型，得到待检测水域图像中水尺的位置信息；利用位置信息从待检测水域图像中得到水尺图像；输入预先训练的第二水尺检测模型，得到水尺图像中各字符对应的坐标信息；利用各字符对应的坐标信息得到水位值；其中，字符包括数字；本发明用于训练第一水尺检测模型的样本水域图像是通过预先获取各种场景的水域水面和水尺模板图像进行图像融合得到的。本发明扩大了样本数据的场景，可以针对各种复杂场景的图像实现良好的目标检测效果，因此可以实现针对不同的复杂水文环境得到准确率高的水位检测结果的目的。
-
公开(公告)号：CN111310968A
公开(公告)日：2020-06-19
申请号：CN201911329550.7
申请日：2019-12-20
Applicant: 西安电子科技大学
Abstract: 本发明属于数据处理技术领域，公开了一种基于互信息的LSTM神经网络循环水文预报方法，通过互信息分析对原始数据进行筛选和分类，将降雨、水库水位、流量水文特征作为长短期记忆循环预测模型的输入特征；通过模拟降雨过程训练和确定LSTMC模型的结构，反映洪水的长期变化；利用实际洪水资料对模型的输出进行验证。本发明采用基于互信息的方法分析数据集，充分的捕获当前时刻流量与之前较长时间段的各个水文特征，动态的选取模型的输入特征。本发明利用深度学习算法，采用基于LSTM神经网络的循环预测模型，在用于洪水流量时间序列预测时，克服了水文变化过程受前期各方面因素影响较大的问题，能够较好的自动捕获有效特征。
-
公开(公告)号：CN105868711B
公开(公告)日：2020-04-17
申请号：CN201610184336.7
申请日：2016-03-28
Applicant: 电子科技大学
Abstract: 本发明属于数字图像处理技术领域，涉及计算机视觉、模式识别、机器学习和数据挖掘等相关理论知识。本发明首先利用光流直方图对相邻两帧图片提取光流特征，并对单帧图像提取梯度直方图信息，获得监测场景内的运动特征信息，采用低维空间的特征信息并按照[动作1|动作2|动作3|……]的方式排列；然后用K均值的方式聚类，得到聚类中心后，将聚类中心作为过完备字典，求解测试样本在过完备字典下的稀疏低秩表达，得到表达矩阵；最后根据表达矩阵中的最大值求解出该测试样本所属的行为类别。本发明采用基于低秩稀疏的人体动作识别，采用交叉验证的方法，识别率92.3～98.79％，误识率1.21～7.6％。本发明具有具有低秩特点，且识别率上达到92.3～98.79％，误识率1.21～7.6％。
-
公开(公告)号：CN106203401B
公开(公告)日：2019-07-19
申请号：CN201610657364.6
申请日：2016-08-11
Applicant: 电子科技大学
Abstract: 本发提供一种车道线的快速检测方法，针对车道线有实线和虚线两种情况，且车道线本身为长条状，不易于进行样本的标注的特点，本发明将车道线分块，以小块为单位进行检测；针对车道线简单的颜色和轮廓信息，采用计算量很小的梯度特征，能快速的找到车道线的一些小块，使得车道线能够被快速的检测出来；使用两级的SVM分类器，第一级SVM采用梯度特征检测车道线目标，第二级SVM对不同尺度的图像赋予不同的权重，从而得到更为准确的检测结果；最后，将欧式空间的距离投影到截距‑斜率空间进行聚类，使同一条车道线的小块聚为一类，使用直线拟合得到车道线的位置。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.026 seconds)
