公开(公告)号：CN111273215B

公开(公告)日：2021-01-12

申请号：CN201911281522.2

申请日：2019-12-13

Applicant: 哈尔滨工程大学

Inventor： 邓志安 ,  张佳豪 ,  司伟建 ,  冯建翔 ,  曲志昱 ,  侯长波 ,  张春杰 ,  汲清波

IPC: G01S3/02 ,  G01S3/14 ,  H04W4/021 ,  H04W4/33

Abstract: 本发明公开了信道状态信息的通道不一致性误差校正测向方法，属于室内定位技术领域。实现步骤如下：对CSI测向算法进行建模；利用单天线数据计算直达波飞行时间ToF；成对天线间CSI数据平滑处理增加接收阵列孔径；利用直达波飞行时间ToF和直达波入射角度先验信息进行成对天线间幅相误差计算；根据离线数据建立不同来波方向情况下幅相误差表格，在线过程中对照表格动态选取Γ值，进行通道幅相误差校正和迭代测向。本发明解决了商用Wi‑Fi网卡复杂的通道间幅相误差校正问题，保证了Wi‑Fi网卡CSI测向的精度，有效降低基于商用Wi‑Fi网卡的室内定位系统部署使用的复杂度和成本，应用前景广阔，而且操作简单、不需要专用设备、能有效适应室内多径环境。

公开(公告)号：CN112198481A

公开(公告)日：2021-01-08

申请号：CN202011072664.0

申请日：2020-10-09

Applicant: 哈尔滨工程大学

Inventor： 张春杰 ,  刘俞辰 ,  司伟建 ,  曲志昱 ,  邓志安 ,  侯长波 ,  汲清波 ,  张悦

IPC: G01S7/28

Abstract: 本发明公开了一种脉冲丢失混叠情况下的PRI抖动雷达信号分选方法，能够在脉冲丢失混叠等情况下，分选抖动雷达信号，判断抖动信号抖动率，完成对抖动雷达信号的搜索与提取。本发明改进PRI交叠箱结构，利用多级箱结构提高脉冲丢失混叠情况下的抖动信号检测能力；通过对多级箱PRI变换结果以及箱内脉冲对个数曲线分析，实现对抖动信号抖动率进行判断，提升信号分析能力；结合PRI估计值与抖动率，利用相关性判断置信度，分情况提取脉冲序列，有效降低电磁空间复杂度。可证明该方法分选算法性能良好，易于工程实现。

公开(公告)号：CN111398896B

公开(公告)日：2020-12-22

申请号：CN202010253329.4

申请日：2020-04-02

Applicant: 哈尔滨工程大学

Inventor： 邓志安 ,  张天宝 ,  张春杰 ,  冯建翔 ,  汲清波 ,  司伟建

IPC: G01S5/06

Abstract: 本发明一种基于基准线成对交叉定位点距离的虚假点去除预处理方法，形成双站交叉定位点集合；以某一个站点A的某条视线矢量为基准线，与另一站点B的某个视线矢量的交叉定位点为基准点，计算基准点对应的站点C的成对交叉定位点集合；利用成对交叉定位点距离判断基准点是否为虚假点，若为虚假点，从双站交叉定位点集合中去除；遍历所有基准线对应的所有基准点，重复执行第二步与第三步；将预处理后的双站交叉定位点集合，用于后续数据关联，提高数据关联的效率，降低虚假点的干扰。本发明利用一种基于基准线成对交叉定位点距离的虚假点预处理方法，能够去除大量虚假点，降低了后续数据处理的计算复杂度。

公开(公告)号：CN111460051A

公开(公告)日：2020-07-28

申请号：CN202010253442.2

申请日：2020-04-02

Applicant: 哈尔滨工程大学

Inventor： 邓志安 ,  冯建翔 ,  侯长波 ,  张天宝 ,  汲清波 ,  司伟建

IPC: G06F16/28 ,  G06F16/22

Abstract: 本发明提供一种基于树形结构与逐层次节点删减的数据关联方法，得到角度观测值；计算三站交叉定位结果；计算交叉定位点角度误差；逐层建立一个树形结构，并进行初步的节点删减；对树形结构进行进一步的逐层次节点删减；获取最终的数据关联组合；本方法综合利用节点的当前角度误差与数据组合累积角度误差进行节点删减，有效地降低了计算复杂度，较好地兼顾了数据关联准确率与计算实时性的要求；本发明通过建立树形结构，并对每一层节点进行逐层处理与删减，可以保证较高的统计关联准确率，并有较低的运算复杂度。相对遍历所有数据关联组合的暴力破解法，该方法计算复杂度较低，速度快，有效的保证了算法实时性。

公开(公告)号：CN110473167A

公开(公告)日：2019-11-19

申请号：CN201910615378.5

申请日：2019-07-09

Applicant: 哈尔滨工程大学

Inventor： 汲清波 ,  曲志昱 ,  李逊

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/13 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G16H30/40 ,  G16H50/20 ,  G01N33/493

Abstract: 本发明涉及医学图像处理领域，具体涉及一种基于深度学习的尿沉渣图像识别系统及方法。图像采集模块对尿液样本采集得到原始图像；图像分割模块对原始图像进行分割处理，得到分割好的尿沉渣成分图像；基于深度学习的图像识别模块对分割好的尿沉渣成分图像进行识别，整合三个网络模型的识别结果，得到基于深度学习的图像识别模块的输出；计数模块对输出结果进行统计处理，得到定量的医学指标参考；系统输出为基于深度学习的图像识别模块的结果和计数模块的结果。本发明可以自动实现端到端的特征提取与分类，有效提取出尿沉渣有形成分中难以被肉眼发现的微小特征，从而高质量地解决11种尿沉渣成分的复杂分类问题，具有很强的医学应用价值。

公开(公告)号：CN106920207A

公开(公告)日：2017-07-04

申请号：CN201710144510.X

申请日：2017-03-13

Applicant: 哈尔滨工程大学

Inventor： 郜丽鹏 ,  汲清波 ,  游世勋 ,  杜旭华

IPC: G06T1/20

Abstract: 本发明提供一种基于硬件实现的空间平台像平面投影点实时计算的方法，DSP在接收图像的内外方位元素信息后，按照当前图像尺寸给其分块，首先按照一般的求解方式计算出这些像素块中心对应地心坐标系下的投影坐标，再根据这些求得的坐标，利用线性插值估计的方法，建立起像素之间对应的距离关系，然后通过这种关系，用FPGA恢复出所有像素的投影坐标，最后传送给DSP存于储存器。本发明既能够避免DSP进行重复大规模的计算，又能在保证数据精度的前提下，充分利用FPGA的数据处理能力，进而达到实时计算的效果。

公开(公告)号：CN104463125A

公开(公告)日：2015-03-25

申请号：CN201410765020.8

申请日：2014-12-11

Applicant: 哈尔滨工程大学

Inventor： 汲清波 ,  王飞祥 ,  任超 ,  谢宇 ,  岳新启 ,  曲乐炜

IPC: G06K9/00

CPC classification number: G06K9/00228

Abstract: 本发明公开了基于DSP的人脸自动检测跟踪装置及其方法。摄像机获取实时模拟视频图像数据，通过视频输入端口传送给解码模块；解码模块将其转换为数字视频图像数据；DSP数字信号处理器将数字视频图像数据存储于同步动态存储器中，DSP数字信号处理器包括人脸检测单元和人脸跟踪单元，人脸检测单元从同步动态存储器中读取数字视频图像数据，对数字视频图像数据进行人脸检测处理得到人脸区域；人脸跟踪单元读取数字视频图像进行人脸跟踪处理得到跟踪结果，将跟踪结果图像通过OSD FPGA模块传送给编码模块；编码模块进行数模转换后，传送给监视器进行跟踪结果图像显示。本发明具有检测速度快、跟踪精度高的优点。

公开(公告)号：CN115471697A

公开(公告)日：2022-12-13

申请号：CN202211073150.6

申请日：2022-09-02

Applicant: 哈尔滨工程大学

Inventor： 汲清波 ,  章强 ,  陈奎丞 ,  姜月 ,  王玲婕 ,  刘清泉

IPC: G06V10/764 ,  G06N3/04 ,  G06N3/08 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明公开了一种尿红细胞、白细胞及草酸钙晶体的开集识别方法。本发明通过以下步骤实现：收集显微镜下尿红细胞、白细胞、草酸钙晶体和相似杂质的图像，经过专业医师标注后构成数据集；对数据集进行组合式数据增强操作，并完成数据归一化；其次，构建基于条件变分自编码器的尿沉渣开集识别网络；设置多约束优化目标函数和网络训练参数；然后，获得预训练模型，将其进一步迁移至尿沉渣数据集上训练；最后，测试模型分类性能，计算识别准确率。本发明主要应用于医学图像领域和尿液有形成分检验场景，具有较高的准确率和良好的适用性。

公开(公告)号：CN115424177A

公开(公告)日：2022-12-02

申请号：CN202211073134.7

申请日：2022-09-02

Applicant: 哈尔滨工程大学

Inventor： 汲清波 ,  陈奎丞 ,  候长波 ,  李子琦 ,  吴江江 ,  孔德强 ,  戚宇飞

IPC: G06V20/40 ,  G06N3/04 ,  G06N3/08 ,  G06V10/764 ,  G06V10/77 ,  G06V10/82

Abstract: 本发明公开了一种基于增量学习的孪生网络目标跟踪的方法，将增量学习应用到目标跟踪网络模型的更新过程中；首先，将跟踪网络SiamRPN++的RPN复制为学生模型，利用跟踪过程中产生的高可信度目标作为在线训练的小样本集；然后，利用增量学习的方式学习上一帧网络产生的小样本集，对模型通过域扩展以及知识蒸馏的方式训练学生模型；最后，利用学生网络模型产生的目标信息和教师网络模型产生的目标信息进行动态加权融合以更新位置；本发明利用增量学习的方式使离线训练的模型具有自适应的学习能力，不仅有效利用了跟踪过程中目标的历史信息，还避免了对模型进行大规模的离线训练，提升了孪生网络算法在跟踪过程中处理目标形变情况的能力。

公开(公告)号：CN114863425A

公开(公告)日：2022-08-05

申请号：CN202210346555.6

申请日：2022-03-31

Applicant: 哈尔滨工程大学

Inventor： 汲清波 ,  刘清泉 ,  姜月 ,  王玲婕 ,  章强 ,  陈奎丞

IPC: G06V20/69 ,  G06V10/82 ,  G06V10/764 ,  G06V10/774 ,  G06V10/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于有监督对比学习的尿红细胞的分类方法，步骤一：收集和扩充数据集；步骤二：构建基于ResNet‑50卷积神经网络的SRRN特征提取网络模型；步骤三：构造损失函数；步骤四：训练SRRN特征提取网络；步骤五：训练分类器；步骤六：测试模型；本发明使用SRRN网络模型训练后在测试集上准确率提高了0.36％；使用加入以欧式距离为基础的对比损失函数训练后的SRRN网络模型在测试集上的准确率提高了0.49％；以权重惩罚机制微调分类器后的模型在测试集上的准确率提高了0.71％；在模型测试阶段使用了TTA策略，模型在测试集上的准确率提高了0.13％，最后本发明准确率达到92.39％。