专利标题 公开号/公告号 公开日期 摘要 专利状态
基于视频流数据的遮挡目标持续跟踪方法及系统 CN202411505836.7 - 本发明公开了基于视频流数据的遮挡目标持续跟踪方法及系统，包括：S1：利用脉冲神经元收集同一邻域空间的所有视频流数据，判别包含的像素点位置处是否存在遮挡目标；S2：将脉冲神经收集的视频流数据，按照像素点索引进行排列，得到含有遮挡目标的二维图像；S3：以二维图像的特征点为中心，截取窗口图像，输入度量神经网络模型，得到遮挡目标类型；S4：对遮挡目标的像素索引进行转换，获得遮挡目标的实际位置；S5：将遮挡目标的实际位置按照时间序列排列，得到目标点迹，对点迹进行纠偏和插值操作，得到处理后的目标点迹。本发明采用脉冲神经元构建二维图像，实现遮挡目标准确识别；采用坐标转换和点迹纠偏实现遮挡目标精准定位跟踪。 公开
一种基于上下文空间信息的视频目标去噪方法及系统 CN202411495778.4 - 本发明公开了一种基于上下文空间信息的视频目标去噪方法及系统，所述方法包括：对时序相邻的视频图像进行融合，得到融合图像；基于时序相邻的视频图像，确定目标的运动状态，构建融合图像的属性矩阵；对融合图像提取卷积特征，与属性矩阵拼接，得到增强的特征矩阵；构建自编码器的代价函数，将增强的特征矩阵设置若干盲点后输入自编码器进行训练，直到代价函数收敛到预设数值；将增强的特征矩阵输入训练好的自编码器，对增强的特征矩阵进行重建，得到去噪后的特征矩阵；对去噪后的特征矩阵进行截取和转置卷积变换，得到去噪后的视频图像。本发明采用视频图像融合和自编码器，通过两阶段去噪处理，得到高质量的降噪模型，提升视频目标去噪性能。 公开
一种基于注意力机制图像预编码的方法 CN202411480121.0 - 本发明属于图像编码技术领域，具体公开了一种基于注意力机制图像预编码的方法。本发明提出针对图像执行实例分割后还需要进行图像传输的场景，先基于图像分割得到的结果对图像执行注意力机制运算，然后再对图像进行编码，不仅能够保证ROI区域图像质量和细节，还能够去除图像非ROI区域的冗余信息，并且，本发明还可以灵活地配置权重系数，从而能够在细节保留和冗余去除之间进行灵活地调整，从而平衡压缩比和质量。 公开
一种基于人工智能的驾驶员注意力监测方法和系统 CN202411482971.4 - 本发明公开了一种基于人工智能的驾驶员注意力监测方法和系统，所述方法包括：对驾驶员正面图像进行方向直方图特征提取以及支持向量机分类，得到驾驶员面部区域图像；检测驾驶员面部区域图像中的眼睛区域和嘴巴区域，输出左眼、右眼和嘴巴的中心位置坐标；根据中心位置坐标计算驾驶员头部的水平旋转角度、俯仰角度和侧倾角度；基于驾驶员头部的水平旋转角度、俯仰角度和侧倾角度构建注意力区域分类模型，获得驾驶员的注意力区域；使用人工智能驱动的长短时记忆网络处理驾驶员头部的水平旋转角度、俯仰角度和侧倾角度以及注意力区域，监测注意力分散，输出监测结果。本发明通过分析驾驶员头部姿态的连续变化，更加准确地识别出注意力分散的行为。 公开
多视频源融合的目标追踪方法及系统 CN202411322209.X - 本发明公开了一种多视频源融合的目标追踪方法及系统，包括：S1：对摄像机进行时间同步，基于参考目标确定摄像机畸变；S2：采集摄像机图像序列，利用预训练的卷积神经网络模型识别目标，记录该目标在图像中的坐标序列；S3：结合摄像机畸变，将目标在图像中的坐标序列转换为目标在笛卡尔坐标系中的位置序列；S4：利用目标在笛卡尔坐标系中的位置序列，定义节点集合和节点转移集合，建立有向图模型；S5：基于有向图模型，构建节点队列，并对位置相邻但时间不相邻的节点进行插值，得到目标完整轨迹。本发明通过卷积神经网络识别目标，通过校正处理准确定位目标；基于多源序列，通过有向图处理和节点插值，提高目标跟踪的准确性和连续性。 公开
一种基于特征融合与自适应滤波的图像去湍流方法和系统 CN202411297040.7 2024-12-03 本发明公开了一种基于特征融合与自适应滤波的图像去湍流方法和系统，包括：S1：对获取的图像进行局部块划分，计算每个局部块的均值和方差，然后计算自适应滤波器的权重并进行加权平均滤波，获得去噪后的图像；S2：提取去噪后的图像的多尺度图像，对多尺度图像进行归一化，获得归一化多尺度图像；S3：计算归一化多尺度图像的局部方差，基于局部方差计算权重并融合多尺度图像，得到融合后的图像；S4：将融合后的图像进行低秩与稀疏分解，构建低秩与稀疏分解优化目标并进行优化，获得优化后的低秩图像；S5：使用基于梯度幅值的自适应权重提升优化后的低秩图像的细节，获得去湍流后的图像。本发明能够目的在于在不同的场景和气象条件下提供高质量的去湍流图像。 授权
基于图神经网络的视频目标跟踪及预测方法及系统 CN202411226692.1 2024-11-22 本发明公开了一种基于图神经网络的视频目标跟踪及预测方法及系统，所述方法包括：S1：分别采用预训练的Faster‑RCNN模型1和Faster‑RCNN模型2，对视频中的目标和目标关系进行识别，标注目标类别和目标关系类别；S2：基于识别的目标类别和目标关系类别，构建空间图；S3：对空间图的正确性进行判断，并对不正确的空间图进行更新；S4：基于已确认的空间图，确定目标跟踪的起始时刻；S5：对目标进行跟踪，基于已获得的目标轨迹，采用长短时记忆网络对目标轨迹预测。本发明基于图神经网络，利用目标的空间关系，实现目标跟踪的准确起始，采用长短时记忆网络，对目标轨迹进行准确预测。 授权
一种基于多光谱图像融合的小目标检测方法和系统 CN202411171362.7 2024-11-19 本发明公开了一种基于多光谱图像融合的小目标检测方法和系统，包括：使用多光谱相机在不同波段上采集目标区域的图像以获得多光谱图像，并对多光谱图像中的各波段图像进行预处理；将预处理后的多光谱图像进行像素级别融合，获得最终融合图像；使用预训练的深度卷积神经网络提取最终融合图像的深度特征；基于深度特征以及提取预处理后的多光谱图像的特征构建注意力机制的目标检测网络；设定目标检测网络的损失函数并使用带有标注结果的多光谱图像进行训练，使用训练完成的目标检测网络对没有标注结果的多光谱图像进行小目标检测。本发明能够利用多光谱图像的丰富信息，结合深度特征和注意力机制，有效提高小目标检测的精度和鲁棒性。 授权
一种深度学习驱动的小目标跟踪方法和系统 CN202411064693.0 2024-09-27 本发明公开了一种深度学习驱动的小目标跟踪方法和系统，包括：S1：以连续图像帧作为输入进行去噪、灰度化和归一化，利用Sobel算子进行边缘检测，并使用边缘检测信息进行特征提取；S2：应用背景减除方法分离移动目标区域，背景减除方法通过计算当前帧与背景模型之间的差异，识别出移动目标区域；S3：使用光流法分析连续图像帧之间的像素运动模式来估计移动目标区域中目标的速度；S4：将估计的目标的速度与提取的特征融合，输入到深度卷积神经网络中进行特征提取，获得深度特征；S5：基于深度特征，使用深度度量学习算法对小目标进行跟踪。本发明能够实现对小目标的快速识别、稳定跟踪，以及在多样化环境条件下的自适应能力。 专利权的授权
一种图像自适应增强与去湍流方法和系统 CN202410993030.0 2024-11-15 本发明公开了一种图像自适应增强与去湍流方法和系统，方法包括：S1：输入湍流干扰图像作为原始图像，并对原始图像进行预处理，获得预处理后的图像；S2：对预处理后的图像中的湍流特征进行检测，提取受到湍流影响的区域；S3：对受到湍流影响的区域进行增强；S4：基于深度卷积神经网络构建去湍流网络；S5：设定损失函数并对去湍流网络进行训练，将湍流干扰图像按照步骤S1至S3处理后输入训练完成的去湍流网络，获得去湍流的结果图像。本发明能够通过一系列精细的预处理步骤和深度学习技术，显著提升图像在湍流条件下的清晰度和保真度。 授权