0
1
2
3
4
5
0
1
2
3
4
5
1月前来过
算法工程师
北京全职 · 1000/日 · 21750/月信用正常
工作时间: 工作日19:00-22:00、周末10:00-22:00工作地点:
远程
服务企业:
0家累计提交:
0工时
联系方式:
********
********
********
****************
查看联系方式
个人介绍
本人于2010年毕业，一直从事图像处理/深度学习以及嵌入式移植等开发工作，有项目从0-1的开发经验，下面是我的工作技能：
1、熟悉 linux 开发环境，精通C、C++、python、OpenGL 语言编程；
2、精通 opencv ，并能熟练修改算法底层程序；
3、精通流行的目标检测、目标跟踪算法，并能熟练的使用及优化；
4、 熟练使用 QT 软件，搭建自测试环境；
5、 精通网络通信协议，MQTT、Socket等；
6、熟悉常规摄像头、深度摄像头，对视频抠图、视频美化有深入研究；
7、有过完整图像和视觉类类项目的开发经验，熟练使用 Darknet、PyTorch 等深度学习框架。
工作经历
2019-02-25 -至今航空企业算法工程师
AI智能样机 算法工程师 内容： 1.项目介绍： -公司承担的x项目旨在开发一套集成了先进人工智能技术的样机系统。 -该系统专门针对无人机航拍数据的后处理和分析结果的上传工作进行了优化。 -项目包含了从 AI 模块选择、底板硬件设计、驱动程序开发到算法软件设计的全过程。 -主要功能模块包括实时视频流采集、高效的 AI 数据处理以及精确的输出显示。 2.项目职责： -作为项目经理，负责整个项目的管理和协调工作。 -专注于算法软件的开发，特别是目标检测算法、目标跟踪算法、线程调度策略以及边缘计算平台的移植。 -成功开发适用于小数据量和复杂场景下的目标检测算法，并将其适配到比特大陆的 AI 加速模块上。 -实现了高效的线程调度机制，确保了数据采集和处理流程的实时性。 -在目标跟踪方面，实现了从经典的 KCF、Sort 算法到前沿的 FairMOT、DeepSort 等深度学习算法的集成。 -所有这些工作确保了整个系统的流畅运作和准确性，满足了项目的严格要求。
2016-04-04 -2019-02-14视频平台企业算法工程师
智慧防控系统 算法设计开发 内容： 1.项目介绍：在智慧防控系统中，我们专注于计算机视觉、增强现实、高性能3D图形、三维可视化以及模式识别等领域的研发。其中，视频标签系统、视频拼接技术以及人群密度分析等模块构成了本系统的核心，也是我们实现精准防控的关键技术。 2.视频标签算法：基于相机成像原理，通过选择特定角度来推算新图像上的成像位置。在球机转动时，我们成功实现了世界坐标的固定，从而有效地解决了图像识别中的位置变换问题。 3.视频拼接算法：采用了一系列先进的步骤，包括 surf 特征提取、相机参数估计、变形矫正、曝光处理以及多波段图像的精确缝合，以提高算法的整体效率和图像质量。 4.人群密度分析：采用了当前流行的 YOLO 系列模型，对公共区域的人群进行实时检测与分析。我们从样本数据的采集、模型的训练过程，到模型参数的调优，进行了全面的优化，以实现模型的高效运行和快速收敛，显著提升了检测效率和准确性。
2010-05-31 -2016-03-31交通安防企业算法工程师
1.主导开发周界入侵检测算法，通过图像分析技术，实现对非法入侵行为的准确识别和实时报警。 2.设计并实现了绊线算法，通过图像处理技术，辅助实现对特定区域的监控和保护。 3.研发徘徊检测算法，利用图像分析技术，自动识别并追踪在监控区域内长时间逗留的人员。 4.参与人群密度估计算法的开发，通过对监控视频中人群分布的智能分析，实现对公共安全事件的预警。 5.负责视频质量诊断算法的开发，确保视频流的清晰度和完整性，为后续处理提供高质量的输入。 6.实现视频浓缩技术，通过算法优化大幅降低视频数据量，便于存储和传输。 7.开发了安全带识别算法，运用于车辆监控场景，确保乘客安全。
教育经历
2007-09-01 - 2010-04-01长春工业大学计算机视觉硕士
技能
作品
作品的CSDN地址：https://blog.csdn.net/zhulong1984/article/details/135333822 交管局的工作需要，需要通过视觉算法的方式完成实现红绿灯识别及红绿灯故障检测，该产品已经移植到嵌入式平台。
02024-05-28 21:50
算法的博客地址：https://blog.csdn.net/zhulong1984/article/details/125155862 视频质量诊断，之前由于数据不足，采用传统的方法进行检测，当前已经积累了一些数据，采用分类模型做了训练和检测工作，主要有：亮度异常检测、偏色检测、图像噪声检测、条纹噪声检测、清晰度检测、信号丢失检测、遮挡检测和对比度检测。具体的检测方法如下： 一、对每类数据进行整理，每类数据需要准备大概1w张数据左右； 二、选择分类网络，可以使用ResNet系列、DenseNet系列、VGGNet、Densenet系列的分类模型，根据自己的使用习惯，随意选择一款即可； 三、模型转化，当模型训练完毕后，想要封装成C++代码，最好先转成onnx的模型，之后通过opencv的接口进行调用，通过模型训练后，检测的精度可以达到90%以上。 四、结合传统算法，深度学习模型只能解决部分算法问题，还有一些算法需要使用传统的分析方法，具体的算法实现，还需要参考我的另一篇博客，这样可以完美解决当前项目的需求。 整个数据的筛选也比较耗时，把之前积攒的十几年的数据和自己搜集的数据，加上一些预处理工作，大概花了2个月的时间，目前算法已经是C++代码，只依赖了opencv库，也算小有成就。通过深度学习进行训练之后，整个算法精度比传统算法提高20%，基本满足了项目的需求。
02024-05-28 21:42
作品的CSDN地址：https://blog.csdn.net/zhulong1984/article/details/89929718 视频实景地图 立体防控系统通过在空中俯看地面，结合视频标签独有的增强现实技术能对建筑物、道路、重点目标等进行语义化标注以及属性添加，整体效果就是一个实景地图，能给监控人员带来非常直观的临场感。 高低点联动的立体监控 立体防控系统通过高点摄像机掌握监控区域的整体情况，通过增强现实视频联动技术能调用监控区域周边的低点摄像机，从不同角度查看监控区域的视频。
12024-05-28 21:54
