-
公开(公告)号：CN107578423B
公开(公告)日：2020-04-28
申请号：CN201710834972.4
申请日：2017-09-15
Applicant: 杭州电子科技大学
Abstract: 本发明涉及涉及一种多特征分层融合的相关滤波鲁棒跟踪方法。为提高目标跟踪的鲁棒性，针对相关滤波跟踪中的多特征融合问题，本发明提出了一种多特征分层融合策略。从目标和周围背景区域分别提取HOG特征、CN特征和颜色直方图特征三种特征。采用自适应加权融合策略进行HOG特征和CN特征的特征响应图融合。将该层融合结果与基于颜色直方图特征获得的特征响应图进行第二层融合时，采用固定系数融合策略进行特征响应图的融合。本发明在保证跟踪准确率的前提下，跟踪鲁棒性优于其它算法。当相关滤波跟踪算法采用了多个特征时，本发明的分层融合策略具有一定的借鉴性。
-
公开(公告)号：CN110133608A
公开(公告)日：2019-08-16
申请号：CN201910271671.4
申请日：2019-04-04
Applicant: 杭州电子科技大学
IPC: G01S7/41
Abstract: 本发明公开了一种合作外辐射源双基雷达协同路径规划多步优化方法。该方法以未来多步PCRLB位置误差的和作为优化函数，同时考虑到外辐射源和接收源平台自身的运动方式、避碰、通信距离等一系列实际约束，对合作机载外辐射源双基模式下协同定位联合路径优化问题进行建模。并通过内点法对该问题求解，实现接收站和机载外辐射源的最佳空间几何定位。本发明考虑到运动平台当前决策对目标未来定位跟踪性能的影响，通过多步优化实时获得发射源和接收源最优路径，进一步提高合作机载外辐射源雷达系统定位跟踪性能。
-
公开(公告)号：CN104835142B
公开(公告)日：2017-11-07
申请号：CN201510104348.X
申请日：2015-03-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于纹理特征的车辆排队长度检测方法。本发明针对交通路口拍摄的视频，首先提取不同光照条件、不同天气的该路口无车背景图建立一个背景库，根据该图像局部区域的灰度共生矩阵提取纹理特征形成特征向量对图像进行描述，将当前图像的特征向量与背景图中的特征向量进行相似度匹配，得到背景图像，然后将当前图像与背景图像在车道中间条状检测区域里进行差分，在图像的车道上对到停车线的实际距离进行标定，通过比对，得到车辆实际排队长度。本发明既能根据不同光照、天气选择相应的背景模板，提高检测准确率，又能避免对整幅图像进行计算处理，提高检测速度，满足实时性要求。
-
公开(公告)号：CN107194423A
公开(公告)日：2017-09-22
申请号：CN201710357950.3
申请日：2017-05-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开基于特征随机抽样集成超限学习机的高光谱图像分类方法。现有高光谱图像具有图谱合一、光谱分辨率高、光谱范围宽、光谱相关性强等特点，本发明针对高光谱图像分类方法过程复杂且难以实时化的问题，提出基于邻域光谱信息提取空谱特征，为降低算法设计的复杂度，考虑到空谱特征相邻波段间的相关性，先对原始空谱特征向量进行平均分组，然后从每个区间随机选择若干个特征进行组合，利用超限学习机的快速学习能力来训练弱分类器，最后通过投票表决法实现高光谱图像分类。测试表明，该方法无需复杂的优化过程，训练速度快，分类精度高，能够满足高光谱图像分类精度和实时性两方面的需求。
-
公开(公告)号：CN106157246A
公开(公告)日：2016-11-23
申请号：CN201610516653.4
申请日：2016-06-28
Applicant: 杭州电子科技大学
CPC classification number: G06T3/4038 , G06T3/0068
Abstract: 本发明公开一种全自动的快速柱面全景图像拼接方法。针对现有的算法中无法自动完成焦距估计的问题，本发明首先使用Harris特征点检测算法和HOG描述子得到平面图像的特征点，并使用一种基于预测的快速特征点匹配算法高效的计算出匹配特征点，使用RANSAC算法提纯匹配特征点，然后使用一种基于纯旋转运动的快速焦距估计算法估计出焦距，把平面图像投影至圆柱平面，并进行图像拼接，合成全景图像。该方法能够快速的合成高质量的全景图像，具有较高的实用价值。
-
Patent Agency Ranking
公开(公告)号：CN103364767B
公开(公告)日：2015-02-25
申请号：CN201310284129.5
申请日：2013-07-08
Applicant: 杭州电子科技大学
IPC: G01S7/40
Abstract: 本发明公开了一种地基雷达与移动平台雷达的时空配准方法。本发明首先将所有时刻雷达对目标的量测、雷达的地理坐标以及平台姿态角量测上报融合中心并将各雷达对目标的本地量测转换到地心地固坐标系，其次进行时间配准，利用内插外推法将高采样频率的雷达量测同步到低采样频率的时间点上，然后获得等效伪量测方程，根据广义最小二乘原理得雷达组网的系统误差和平台姿态角偏差估计，最后用估计的系统误差和平台姿态角偏差估计对各雷达的系统误差和平台姿态角偏差进行补偿，实现雷达组网的时空配准。本发明通过合理的数学建模，获得了各雷达的绝对系统误差估计，且本方法适用于雷达之间相距较远的情况，更加符合实际。
-
公开(公告)号：CN103364767A
公开(公告)日：2013-10-23
申请号：CN201310284129.5
申请日：2013-07-08
Applicant: 杭州电子科技大学
IPC: G01S7/40
Abstract: 本发明公开了一种地基雷达与移动平台雷达的时空配准方法。本发明首先将所有时刻雷达对目标的量测、雷达的地理坐标以及平台姿态角量测上报融合中心并将各雷达对目标的本地量测转换到地心地固坐标系，其次进行时间配准，利用内插外推法将高采样频率的雷达量测同步到低采样频率的时间点上，然后获得等效伪量测方程，根据广义最小二乘原理得雷达组网的系统误差和平台姿态角偏差估计，最后用估计的系统误差和平台姿态角偏差估计对各雷达的系统误差和平台姿态角偏差进行补偿，实现雷达组网的时空配准。本发明通过合理的数学建模，获得了各雷达的绝对系统误差估计，且本方法适用于雷达之间相距较远的情况，更加符合实际。
-
公开(公告)号：CN102819745A
公开(公告)日：2012-12-12
申请号：CN201210231579.3
申请日：2012-07-04
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于AdaBoost的高光谱遥感影像分类方法。传统的模式识别方法无法满足对数据维数高、数据量大的高光谱数据进行高效率高精度的分类，神经网络、支持向量机虽然能够对遥感数据进行有效的分类，但是参数没有理想的选择方法。本发明首先对高光谱数据进行预处理，去掉大气吸收等因素影响下的异常波段。之后利用MNF变换进行波段优选，达到优化数据、去除噪声和数据降维的目的。然后划分训练样本以及测试样本，选择决策树桩作为弱分类器，对弱分类器训练利用AdaBoost算法得到强分类器，选择合适的迭代次数，最后用一对一的方法构建多分类器，本发明增强了分类器收敛速度，提高了高光谱图像的分类性能。
-
公开(公告)号：CN112487912B
公开(公告)日：2024-02-06
申请号：CN202011331077.9
申请日：2020-11-24
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/084 , G06T7/73
Abstract: 本发明公开了基于改进YOLOv3的任意方向舰船检测方法。首先，检测网络能同时输出垂直框和旋转框的预测结果。其次，基于垂直框和旋转框预测结果定义了多任务损失函数。最后，采用基于旋转框的非极大值抑制方法剔除重叠检测结果时，通过融合垂直框和旋转框预测结果进行目标方位角估计校正，以进一步提高检测性能。本发明提出的改进模型适用于纯海洋背景下SAR图像中的舰船目标检测，能够准确估计目标的方位角，并满足舰船目标检测的实时性需求。
-
公开(公告)号：CN117493994A
公开(公告)日：2024-02-02
申请号：CN202311437118.6
申请日：2023-11-01
Applicant: 杭州电子科技大学
IPC: G06F18/2413 , G06F16/29 , G06F18/23 , G06F18/2321 , G06N3/0455 , G06N3/0442 , G06F18/22
Abstract: 本发明公开了一种基于AIS数据的船舶航迹预测方法，包括如下步骤：获取船舶自动识别系统AIS的原始数据并进行预处理，得到船舶航迹数据集；对船舶航迹数据进行聚类处理，将相似的航迹归为一类；预构建船舶航迹预测网络，并将得到的船舶航迹数据集输入构建好的船舶航迹预测网络进行训练，得到训练好的船舶航迹预测网络模型；将所要识别的船舶轨迹数据输入船舶航迹预测网络模型中，输出船舶轨迹数据的预测结果。该方法使用深度学习的方法通过层次航迹聚类和Seq2Seq的组合模型，并对了轨迹聚类效率进行优化，充分利用AIS数据中的时空信息，考虑了不同类型或不同区域航迹的差异性，具备良好的数据扩充和泛化能力，可以实现对船舶航迹实时的准确预测。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.034 seconds)
