-
公开(公告)号：CN115862058A
公开(公告)日：2023-03-28
申请号：CN202211462570.3
申请日：2022-11-22
Applicant: 苏州大学
IPC: G06V40/10 , G06N3/08 , G06V10/82 , G06V10/774 , G06V10/40 , G06N3/0464 , G06T7/50 , G06V20/64
Abstract: 本发明涉及一种基于动静态锚点的手势估计方法,所述方法包括：S1：在深度图样本上设置静态锚点，得到设置静态锚点后的深度图样本；S2：基于设置静态锚点后的深度图样本，构建动静态锚点的手势估计网络；所述动静态锚点的手势估计网络包括：特征提取模块、静态锚点估计模块、静态锚点权重估计模块、动态锚点权重估计模块和动态锚点修正模块；S3：训练基于动静态锚点的手势估计网络至收敛，得到训练好的动静态锚点手势估计网络；S4：将测试的多个深度图样本输入至训练好的动静态锚点手势估计网络，实现手势估计。
-
公开(公告)号：CN110070070B
公开(公告)日：2021-03-02
申请号：CN201910363855.3
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括获取目标的三维骨骼关节点信息；设计跨层连接神经网络对训练集中动作序列的每帧骨骼关节点的三维坐标提取特征，得到该帧的特征向量；将训练集中所有特征向量聚类成K个簇；计算每个簇的权重和每个簇对各个动作类别的支持度；定义姿态子组及姿态子组对应第c类动作的分类器；挖掘每类动作的姿态子组集合；对于每类动作，先学习出多个初级分类器，再将该类动作学得的所有初级分类器加权组合成高级分类器；用跨层连接神经网络获取测试动作序列每一帧的特征向量并划分给与其距离最近的簇；分别计算每类动作的高级分类器对测试动作序列的响应值，响应值最大的高级分类器对应的动作类别即为该测试样本的动作类别。
-
公开(公告)号：CN110070068B
公开(公告)日：2021-03-02
申请号：CN201910361909.2
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种人体动作识别方法，包括对人体骨骼关节点的三维坐标数据进行特征提取；将所有的特征向量分到与之最近的聚类中心形成各个簇；计算各个簇的多元高斯分布函数的参数，得到各个簇的多元高斯分布概率密度函数；计算每一特征向量在各个簇的多元高斯概率密度值，重新分配至概率密度最大的簇中；更新高斯分布参数，重新分配各特征向量，直到每个特征向量的分配不再改变；计算各个动作类型对每个簇的隶属度，得到对所有簇的隶属度向量，对每个簇的隶属度向量进行加权；将动作样本每一帧的特征向量分到最近的若干个簇中，对加权隶属度向量加权求和，作为该帧的得分向量；对动作样本所有帧的得分向量求和，判断该动作属于得分最高的动作类型。
-
公开(公告)号：CN110084211A
公开(公告)日：2019-08-02
申请号：CN201910362475.8
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括获取目标的三维骨骼关节点信息；设计跨层连接神经网络对训练集中动作序列的每帧骨骼关节点三维坐标提取特征，得到该帧的特征向量；将训练集中所有特征向量聚类成K个簇；计算每个簇对各个动作类别的支持度；定义姿态子组，从训练集中抽取姿态子组，组成姿态子组集合；学习得到Z个层级分类器；用跨层连接神经网络获取测试动作序列每帧的特征向量并将其划分给与其距离最近的簇；分别计算Z个层级分类器对测试样本的分类结果；选取Z个层级分类器分类结果中出现次数最多的类别作为测试动作序列的类别。本发明减小了动作的类内差异对动作识别效果的影响，不受动作发生速率影响，能够处理任意时间长度的动作序列。
-
公开(公告)号：CN107203742A
公开(公告)日：2017-09-26
申请号：CN201710305721.7
申请日：2017-05-03
Applicant: 苏州大学
Abstract: 本发明公开了一种基于显著特征点提取的手势识别方法及装置，包括：提取模块，用于获取待识别手势的形状，由所述待识别手势形状边缘提取出一个不闭合的轮廓，获取该轮廓上所有轮廓点的坐标；计算模块，用于计算每个轮廓点的面积参数，并根据面积参数对轮廓点进行筛选，提取出显著特征点，以显著特征点序列的面积参数以及归一化后的点序参数作为该轮廓的特征参数；匹配模块，用于利用显著特征点的特征参数，将所述待识别手势与预设模板库中的模板进行匹配，得到所述待识别手势的最佳匹配模板，并确定所述最佳匹配模板的类别为所述待识别手势的类别。本发明在对手势形状特征的有效提取和表示的同时，还具有平移不变性、旋转不变性、尺度不变性和铰接不变性等优良性能，能有效抑制噪声干扰。
-
Patent Agency Ranking
公开(公告)号：CN104916152B
公开(公告)日：2017-09-19
申请号：CN201510253763.1
申请日：2015-05-19
Applicant: 苏州大学
IPC: G08G1/0962
Abstract: 本发明涉及一种基于车路协同的交叉口车辆右转引导系统及其引导方法，该引导系统包括路侧设备和监控中心及至少一个车载设备，当车辆进入路侧设备的交叉口通信范围时，车载主控模块根据本车的静态信息、车辆运行位置信息、车辆的行驶方向和车辆速度及本车所处的交叉口交通状态信息进行分析判断，若判断未来时间内会发生机动车和非机动车冲突或机动车与机动车冲突，则车载主控模块分析得出右转所需的安全车速至提示模块和车速控制模块，通过提示模块提示驾驶员右转所需的安全车速，同时车载主控模块会监控车辆是否按所给安全车速行驶，若监测到车辆未按安全车速行驶则车速控制模块自动控制车辆的速度。
-
公开(公告)号：CN106022297A
公开(公告)日：2016-10-12
申请号：CN201610382507.7
申请日：2016-06-01
Applicant: 苏州大学
CPC classification number: G06K9/00389 , G06F3/017
Abstract: 本发明公开了一种手势识别方法，所述方法包括如下步骤：S1、获取待识别手势，并获取轮廓上的所有轮廓点及每个轮廓点的坐标；S2、确定当前所有轮廓点所在的轮廓的层数为1，计算当前所有轮廓点对应于当前层的特征参数；S3、将当前层加1作为当前层，计算当前所有轮廓点对应于当前层的特征参数，然后计算差异，并判断比值是否小于差异阈值，如果是，则确定当前层减1得到的层数为轮廓的层数,并执行步骤S5,如果否，则执行步骤S4；S4、返回步骤S3；S5、利用每个轮廓点的特征参数，将待识别手势输入预设BP神经网络，得到输出手势类别。本发明特征参数的维度较低，计算复杂度降低，从而本发明能同时保证较高的识别效率和识别准确率。
-
公开(公告)号：CN105740882A
公开(公告)日：2016-07-06
申请号：CN201610041524.4
申请日：2016-01-22
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6204 , G06K2209/21
Abstract: 本发明公开了一种基于多尺度不变量描述的目标识别方法及装置，首先获得待识别目标的形状作为目标形状，进而由目标形状的边缘提取封闭的轮廓并得到轮廓点及每个轮廓点的坐标，以实现目标形状的轮廓信息的提取；然后计算每个轮廓点在每个轮廓的层的参数，即面积参数、弧长参数和重心参数，作为每个轮廓点完整的多尺度不变量描述子，以实现全局特征和局部特征的提取及有效表示，最后依据目标形状中每个轮廓点的多尺度不变量描述子将待识别目标与模板进行匹配，得到与待识别目标对应的最佳匹配模板，以确定待识别目标的类别。由此，对目标形状实现了全局特征和局部特征的提取及有效表示，实现了同时保证较高的识别效率及识别准确率。
-
公开(公告)号：CN105139677A
公开(公告)日：2015-12-09
申请号：CN201510446762.9
申请日：2015-07-28
Applicant: 苏州大学张家港工业技术研究院
IPC: G08G1/0962
CPC classification number: G08G1/0962
Abstract: 本发明公开了一种基于车路协同的无控交叉口车辆通行引导系统及其引导方法，该引导系统包括车载设备、路侧设备和监控中心，所述车载设备与路侧设备之间、车载设备与车载设备之间、以及路侧设备与监控中心之间均通过无线通信网络进行信息传递，该基于车路协同的无控交叉口车辆通行引导系统及其引导方法可有效避免无控交叉口处的车辆碰撞，并提高交叉口处的通行效率，真正实现交通管控一体。
-
公开(公告)号：CN113221693B
公开(公告)日：2023-07-28
申请号：CN202110472752.8
申请日：2021-04-29
Applicant: 苏州大学
IPC: G06V40/20 , G06V20/40 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/048 , G06N3/08
Abstract: 本发明提出一种动作识别方法，包括计算动作视频样本的动态图像；将动作视频样本的动态图像输入特征提取器，获取动态图像中的特征向量；构建特征中心组；将所有特征向量输入特征中心，累加每个特征中心上的所有输出，得到直方图表达；将直方图表达输入多层感知器，构成特征量化网络；训练特征量化网络至收敛，找出每个动作类别的共现特征中心组；构造图像特征共现层；构造基于共现图像特征的动作识别网络并训练至收敛，找出每个动作类别的共现图像特征神经元组；构造语义特征共现层；构造基于层级共现特征的动作识别网络并训练至收敛，计算测试动作视频样本的动态图像，输入训练好的基于层级共现特征的动作识别网络，实现动作识别。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.028 seconds)
