您的位置: 专家智库 > >

胡欢

作品数:18 被引量:0H指数:0
供职机构:电子科技大学更多>>
相关领域:自动化与计算机技术电子电信更多>>

文献类型

  • 16篇专利
  • 2篇学位论文

领域

  • 4篇自动化与计算...
  • 1篇电子电信

主题

  • 13篇车型
  • 12篇车型识别
  • 8篇图像
  • 7篇车辆
  • 7篇车型识别系统
  • 6篇向量
  • 5篇支持向量
  • 5篇支持向量机
  • 5篇网络
  • 5篇线性支持向量...
  • 5篇向量机
  • 4篇卷积
  • 3篇神经网
  • 3篇神经网络
  • 2篇端到端
  • 2篇多尺度
  • 2篇多模块
  • 2篇行人
  • 2篇行人检测
  • 2篇行人检测方法

机构

  • 18篇电子科技大学

作者

  • 18篇胡欢
  • 16篇曹滨
  • 16篇李鸿升
  • 14篇周辉
  • 14篇范峻铭
  • 4篇刘海军

年份

  • 1篇2020
  • 4篇2019
  • 1篇2017
  • 12篇2016
18 条 记 录,以下是 1-10
排序方式:
一种基于深度学习的多方向车型检测识别系统
本发明公开了一种基于深度学习的多方向车型检测识别系统,对于非固定视角下拍摄的汽车图像,该系统首先采用基于卷积神经网络的车辆检测定位算法检测出图像中的汽车位置,然后将汽车所在位置部分的图像送入同样基于卷积神经网络的车型识别...
李鸿升范峻铭周辉胡欢曹滨
文献传递
一种基于车型图像的模式集直方图的车型识别方法
本发明公开了一种基于车型图像的模式集直方图的车型识别方法,首先对车型图像数据库,根据词袋模型构建图像的直方图表示;接着对图像的直方图进行多次随机投影,然后进行二值化处理,得到图像的二值化事务项数据集;再将二值化事务项数据...
李鸿升胡欢周辉范峻铭曹滨
文献传递
一种基于池化车辆图片原始特征的车型识别方法
一种基于池化车辆图片原始特征的车型识别方法,首先对于训练的车型图像库,设置车型图像的M种图像块大小,分别提取车型图像的每种大小的局部图像块;将每个局部图像块视为一个行向量,对其进行归一化和PCA降维;然后进行极性分离,构...
李鸿升胡欢刘海军曹滨周辉
文献传递
一种基于池化多尺度深度卷积特征的车型识别方法
本发明公开了一种基于池化多尺度深度卷积特征的车型识别方法,首先对车型数据库的每个车型图像,按不同尺度提取其深度卷积特征,第一个尺度不处理;将余下每个尺度的深度卷积特征,进行PCA降维;再进行局部特征聚合描述子编码;然后再...
李鸿升胡欢曹滨周辉范峻铭
文献传递
一种端到端的卷积神经网络的行人检测方法
本发明公开了一种端到端的卷积神经网络的行人检测方法,用以解决现有行人检测算法检测精度不高、算法复杂和多模块融合困难等问题。采用了一种新的端到端的卷积神经网络,通过构建带有标注的训练样本集,采用端到端训练,得到一个能预测行...
李鸿升范峻铭周辉胡欢曹滨
一种基于视频费舍尔向量描述符的车型识别方法
一种基于视频费舍尔向量描述符的车型识别方法,首先对用于训练的车辆视频,跟踪视频中每一种车型的图像,提取该车型每一帧图像的SIFT特征;然后对车型图像的所有SIFT特征进行费舍尔向量编码计算;接着对得到的费舍尔向量描述符进...
李鸿升胡欢刘海军曹滨周辉
文献传递
车辆特征学习与车型识别
汽车业的快速发展给我们的生活带来了巨大的便利,同时也带来了很多问题,如交通堵塞、盗抢机动车辆、利用机动车辆犯罪等等。通过现有技术自动识别车辆车型可以对该类问题快速反应,加快解决效率。车辆特征学习是车型识别的重要环节,而有...
胡欢
关键词:车型识别车辆图像特征提取
一种基于局部二值相似性模式的运动目标检测方法
本发明公开了一种基于局部二值相似性模式的运动目标检测方法,属于目标检测技术领域,解决场景的变化导致目标的位置、大小发生改变,从而影响运动目标检测的效果。步骤为:(1)抽取包含运动目标的视频中的第一帧图像,提取第一帧图像中...
李鸿升曹滨胡欢周辉范峻铭
文献传递
一种基于循环神经网络的多目标跟踪方法
本发明公开了一种基于循环神经网络的多目标跟踪方法,包括下述步骤:构建标注了每帧行人位置的监控视频数据集;对标注了每帧行人位置的监控视频数据集进行人工扩充,得到训练集样本;对训练集样本进行分组,得到多个训练组;构建多目标跟...
李鸿升范峻铭周辉胡欢曹滨
文献传递
一种基于深度费舍尔网络的车型识别方法
一种基于深度费舍尔网络的车型识别方法,首先构建费舍尔网络的第0层,对有K种车型图像的数据库,提取出每种车型车辆图像的SIFT特征;然后构建费舍尔网络的第1层,对提取到的SIFT特征进行费舍尔向量编码,将编码后的向量在空间...
李鸿升刘海军胡欢曹滨范峻铭
文献传递
共2页<12>
聚类工具0