-
公开(公告)号：CN106250870B
公开(公告)日：2019-10-08
申请号：CN201610673967.5
申请日：2016-08-16
Applicant: 电子科技大学
Abstract: 一种联合局部和全局相似性度量学习的行人再识别方法，首先将行人再识别数据库中的所有行人图像做预处理，提取每幅行人图的局部特征和全局特征；其次，在训练模块，联合行人样本的局部相似性和全局相似性，度量两行人样本的整体相似性，学习度量矩阵；最后，在测试模块，导入训练模块学习的度量矩阵，度量每一个待测行人样本和库行人样本的相似性，按照相似性大小排序，识别待测行人样本。
-
公开(公告)号：CN105513093A
公开(公告)日：2016-04-20
申请号：CN201510916027.X
申请日：2015-12-10
Applicant: 电子科技大学
IPC: G06T7/20
CPC classification number: G06T7/20 , G06T2207/10016
Abstract: 本发明公开了一种基于低秩矩阵表示的目标跟踪方法，属于图像处理技术领域，解决了传统方法中在目标遮挡等条件下跟踪不稳定的问题。本发明不仅对全局特征进行低秩矩阵表示，也对跟踪目标的局部特征进行低秩矩阵表示，从而使得对目标的描述不仅包含了全局特征也包含了局部特征，使得对目标的跟踪具有更好的鲁棒性。不同于稀疏表示对粒子单独进行处理的方法，本发明利用了粒子间的相似性，将各粒子的系数向量组成系数矩阵，并对系数矩阵加了秩最小的限制，从而降低了算法的运算量。而为了抑制目标跟踪过程中的漂移现象，本发明还纳入了与目标距离较远的背景模板，通过寻找背景模板系数尽可能小的目标模板尽可能大的目标，达到更好的跟踪效果。
-
公开(公告)号：CN105528591B
公开(公告)日：2019-04-16
申请号：CN201610023511.4
申请日：2016-01-14
Applicant: 电子科技大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于多象限编码的活体指纹识别方法。设计指纹识别方法技术领域。所述方法包括：采集足够数量的真假指纹图像；在采集到的指纹图像上随机采样大量不同尺寸图像块；通过正交簇保持学习算法学习出各个滤波器以最大化分割超平面与图像块数据的平均角度，得到每个尺度下的分割超平面的法向量；使用多象限编码获得指纹图像纹理特征；对得到的特征进一步降维，交叉验证参数并训练SVM分类器，挑选最佳参数训练得到最终分类器。所述方法通过采用多象限编码技术，可区分活体指纹与假指纹在纹理特征上的细微差别，将真假指纹区分开，不需要硬件系统的提升，提高了指纹识别系统的安全性。
-
公开(公告)号：CN105488809B
公开(公告)日：2018-04-17
申请号：CN201610023292.X
申请日：2016-01-14
Applicant: 电子科技大学
IPC: G06T7/10
Abstract: 本发明公开了一种基于RGB‑D描述符的室内场景语义分割方法。涉及图像处理方法技术领域。该方法包括：利用Kinect获取具有深度信息的室内图像；利用边界全局分割算法bgs分别对RGB图和深度图进行分层分割；将得到的bgs_rgb和bgs_d线性结合得到最终的分层分割结果图；利用得到的分层分割图和RGBD图确定房间的重力方向，获得与重力方向有关的位姿特征；提取RGBD描述符；将得到的位姿特征与RGBD描述符串联得到特征集；选用线性支撑矢量机SVM作为分类器作用于特征集产生语义分割结果。通过所述方法得到的室内物品的语义分割结果准确率较高，可为室内物体识别和室内监控等方面提供一种有效的方法。
-
Patent Agency Ranking
公开(公告)号：CN105488809A
公开(公告)日：2016-04-13
申请号：CN201610023292.X
申请日：2016-01-14
Applicant: 电子科技大学
IPC: G06T7/00
CPC classification number: G06T2207/20152
Abstract: 本发明公开了一种基于RGB-D描述符的室内场景语义分割方法。涉及图像处理方法技术领域。该方法包括：利用Kinect获取具有深度信息的室内图像；利用边界全局分割算法bgs分别对RGB图和深度图进行分层分割；将得到的bgs_rgb和bgs_d线性结合得到最终的分层分割结果图；利用得到的分层分割图和RGBD图确定房间的重力方向，获得与重力方向有关的位姿特征；提取RGBD描述符；将得到的位姿特征与RGBD描述符串联得到特征集；选用线性支撑矢量机SVM作为分类器作用于特征集产生语义分割结果。通过所述方法得到的室内物品的语义分割结果准确率较高，可为室内物体识别和室内监控等方面提供一种有效的方法。
-
公开(公告)号：CN113470035A
公开(公告)日：2021-10-01
申请号：CN202110657558.7
申请日：2021-06-15
Applicant: 桂林电子科技大学 , 桂林智慧产业园有限公司
Abstract: 本发明的目的是提供一种基于序列图像和误差网络辅助校正图像分割结果的方法，包括以下步骤：S1:获得三维新冠肺炎CT图像并预处理；S2:预训练分割网络；S3:分割结果与金标准作差取绝对值得到误差金标准；S4:预训练误差网络；S5:协同训练分割和误差网络；S6:测试分割网络得到分割结果。该方法能够有效地利用图像的序列信息，并通过学习分割网络的分割误差来协同调整分割网络，提升其性能的性能，即为了提升CT图像中病灶分割精度，提升分割效率。
-
公开(公告)号：CN106296699A
公开(公告)日：2017-01-04
申请号：CN201610669230.6
申请日：2016-08-16
Applicant: 电子科技大学
IPC: G06T7/00
CPC classification number: G06T7/0012 , G06T2207/10088 , G06T2207/20081 , G06T2207/20084 , G06T2207/30096
Abstract: 本发明公开了一种基于深度学习和多模态MRI图像的脑肿瘤分割方法。该方法包括：构造深度神经网络，包含2个3层的卷积层和1个3层全连接及1个分类层深度卷积神经网络，输入层对应着多模态MRI图像，输出层每个节点对应一个肿瘤类别标签；MRI图像预处理；训练网络模型；测试模型，采用训练过程中的MRI图像序列中的图像块及其均值和标准差来归一化待分割肿瘤图像序列，并将归一化后的图像序列输入到具有优化网络连接权重的深度神经网络，得到分类层的节点值，据此得到待分割的脑肿瘤图像的肿瘤类别。本方法利用深度神经网络来挖掘和提取多模态MRI图像中的肿瘤抽象拓扑特征信息，在多模态MRI图像的脑肿瘤分割中可以保证较高的分割准确率和分割精度。
-
公开(公告)号：CN106250870A
公开(公告)日：2016-12-21
申请号：CN201610673967.5
申请日：2016-08-16
Applicant: 电子科技大学
Abstract: 一种联合局部和全局相似性度量学习的行人再识别方法，首先将行人再识别数据库中的所有行人图像做预处理，提取每幅行人图的局部特征和全局特征；其次，在训练模块，联合行人样本的局部相似性和全局相似性，度量两行人样本的整体相似性，学习度量矩阵；最后，在测试模块，导入训练模块学习的度量矩阵，度量每一个待测行人样本和库行人样本的相似性，按照相似性大小排序，识别待测行人样本。
-
公开(公告)号：CN105528591A
公开(公告)日：2016-04-27
申请号：CN201610023511.4
申请日：2016-01-14
Applicant: 电子科技大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于多象限编码的活体指纹识别方法。设计指纹识别方法技术领域。所述方法包括：采集足够数量的真假指纹图像；在采集到的指纹图像上随机采样大量不同尺寸图像块；通过正交簇保持学习算法学习出各个滤波器以最大化分割超平面与图像块数据的平均角度，得到每个尺度下的分割超平面的法向量；使用多象限编码获得指纹图像纹理特征；对得到的特征进一步降维，交叉验证参数并训练SVM分类器，挑选最佳参数训练得到最终分类器。所述方法通过采用多象限编码技术，可区分活体指纹与假指纹在纹理特征上的细微差别，将真假指纹区分开，不需要硬件系统的提升，提高了指纹识别系统的安全性。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.025 seconds)
