-
公开(公告)号：CN106096561A
公开(公告)日：2016-11-09
申请号：CN201610430945.6
申请日：2016-06-16
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于图像块深度学习特征的红外行人检测方法，属于图像处理与计算机视觉技术领域。该方法将数据集分为训练集和测试集，在训练阶段，首先在红外行人数据集的正负样本上滑动提取小图像块，然后进行聚类，对每一类图像块训练一个卷积神经网络。然后用训练好的卷积神经网络组对正负样本进行特征提取，并训练SVM分类器。在测试阶段，首先对测试图像提取感兴趣区域，然后对感兴趣区域使用训练好的卷积神经网络组提取特征，最后利用SVM分类器进行预测。本发明以检验每个感兴趣区域是否属于行人区域的方式，达到行人检测的目的，能够在检测场景复杂、环境温度较高、行人尺度姿态差异大等情况下准确的检测出红外图像中的行人，并为后续智能视频等相关领域的研究提供支持。
-
公开(公告)号：CN105787458B
公开(公告)日：2019-01-04
申请号：CN201610139450.8
申请日：2016-03-11
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于人工设计特征和深度学习特征自适应融合的红外行为识别方法，包括以下步骤：S1：通过人工设计特征模块，对原始视频进行改进的密集轨迹特征提取；S2：对提取到的人工设计特征进行特征编码；S3：通过CNN特征模块，对原始视频图像序列，利用一种变分光流算法提取光流信息，得到对应光流图像序列；S4：利用卷积神经网络，对步骤S3中得到的光流图序列提取CNN特征；S5：将数据集分为训练集和测试集；对训练集数据，通过权重优化网络学习权重，利用学习到的权重将CNN特征分类网络和人工设计特征分类网络的概率输出进行加权融合，通过对比识别结果得出最优权重，并将其应用于测试集数据分类。本方法创新了特征融合方式，提高了红外视频中行为识别的可靠性，对后续视频分析工作有重大意义。
-
公开(公告)号：CN105787458A
公开(公告)日：2016-07-20
申请号：CN201610139450.8
申请日：2016-03-11
Applicant: 重庆邮电大学
CPC classification number: G06K9/00335 , G06K9/00711 , G06K9/00744 , G06K9/6267 , G06K9/6292 , G06N3/084
Abstract: 本发明涉及一种基于人工设计特征和深度学习特征自适应融合的红外行为识别方法，包括以下步骤：S1：通过人工设计特征模块，对原始视频进行改进的密集轨迹特征提取；S2：对提取到的人工设计特征进行特征编码；S3：通过CNN特征模块，对原始视频图像序列，利用一种变分光流算法提取光流信息，得到对应光流图像序列；S4：利用卷积神经网络，对步骤S3中得到的光流图序列提取CNN特征；S5：将数据集分为训练集和测试集；对训练集数据，通过权重优化网络学习权重，利用学习到的权重将CNN特征分类网络和人工设计特征分类网络的概率输出进行加权融合，通过对比识别结果得出最优权重，并将其应用于测试集数据分类。本方法创新了特征融合方式，提高了红外视频中行为识别的可靠性，对后续视频分析工作有重大意义。
-
公开(公告)号：CN106096561B
公开(公告)日：2020-02-07
申请号：CN201610430945.6
申请日：2016-06-16
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于图像块深度学习特征的红外行人检测方法，属于图像处理与计算机视觉技术领域。该方法将数据集分为训练集和测试集，在训练阶段，首先在红外行人数据集的正负样本上滑动提取小图像块，然后进行聚类，对每一类图像块训练一个卷积神经网络。然后用训练好的卷积神经网络组对正负样本进行特征提取，并训练SVM分类器。在测试阶段，首先对测试图像提取感兴趣区域，然后对感兴趣区域使用训练好的卷积神经网络组提取特征，最后利用SVM分类器进行预测。本发明以检验每个感兴趣区域是否属于行人区域的方式，达到行人检测的目的，能够在检测场景复杂、环境温度较高、行人尺度姿态差异大等情况下准确的检测出红外图像中的行人，并为后续智能视频等相关领域的研究提供支持。
-
-
-
Search Results
4
records
(took 0.018 seconds)
