-
公开(公告)号：CN114627490B
公开(公告)日：2024-10-18
申请号：CN202111535889.X
申请日：2021-12-15
Applicant: 浙江工商大学
IPC: G06V40/10 , G06T7/70 , G06V10/82 , G06N3/0464 , G01C21/16
Abstract: 本发明公开了一种基于惯性传感器与多功能相机的多人姿态估计方法，一种基于惯性传感器与多功能相机的多人姿态估计方法，包括以下步骤：S1，对多目标人物进行红外油墨标注；S2，拍摄获取多视角图像；S3，重建出人体3D姿态；S4，优化得到所有目标人物的精确3D姿态。利用多功能相机中的红外功能得到多个目标人物的标签，根据目标人物与惯性传感器的匹配关系，从惯性传感器中提取出目标人物对应关节的朝向信息，建立人体运动学模型，利用关节朝向信息，优化运动参数并根据优化后的运动参数计算出更加准确的目标人物的三维姿态，显著提高多人三维姿态估计的准确性。
-
公开(公告)号：CN114821737B
公开(公告)日：2024-06-04
申请号：CN202210522721.3
申请日：2022-05-13
Applicant: 浙江工商大学
IPC: G06V40/16 , G06V10/774 , G06V10/82 , G06T19/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于三维人脸对齐的移动端实时假发试戴方法。本发明首先使用关键点损失函数、形状一致损失函数、光度一致损失函数训练教师模型，再通过参数损失由学生模型学习教师模型，并使用顶点损失函数优化学生模型，最后通过增强现实技术绘制实现假发试戴。本发明通过压缩标准3DMM模型大幅度减少了计算量，真正做到了在移动端设备上进行实时的假发试戴，同时具有逼真的效果和流畅的体验，为假发试戴技术的大范围推广提供了技术支持。
-
公开(公告)号：CN117690054A
公开(公告)日：2024-03-12
申请号：CN202311672944.9
申请日：2023-12-07
Applicant: 浙江工商大学
IPC: G06V20/40 , G06V40/20 , G06V10/54 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0475 , G06N3/0464 , G06N3/094
Abstract: 本发明公开了一种基于外观表征增强的视频动作迁移方法，属于计算机视觉领域，本发明构建语义图生成模块将通用的姿态表示转化为拥有个人特征的姿态表示，提高了姿态表示的准确性；通过构建分块纹理多码本结构来处理身体各部分纹理数据的映射，实现了身体各纹理部分之间的精确划分，对外观表征进行了进一步的加强；通过纹理信息注入操作来实现纹理信息的正确映射，进一步减少纹理映射错误、姿态纹理耦合的影响；通过逐帧融合的方式，提高了每一帧图像的质量；本发明通过将隐式时间一致性应用于语义生成模块，单帧图像生成应用于图像合成模块，减少了用单帧动作迁移来处理视频动作迁移带来的剧烈抖动问题，同时提高了视频动作迁移的质量。
-
公开(公告)号：CN115757851A
公开(公告)日：2023-03-07
申请号：CN202211326417.8
申请日：2022-10-27
Applicant: 浙江工商大学
IPC: G06F16/583 , G06V40/10 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种考虑知识不平衡的知识迁移图像检索方法及装置，本发明通过平衡传输教师网络中的类间知识和类内知识到学生模型中，来提高学生模型对不同类别知识的认识能力，最终提高图像检索模型的准确率同时减少模型参数，加快检索速度。
-
公开(公告)号：CN115661561A
公开(公告)日：2023-01-31
申请号：CN202210767390.X
申请日：2022-06-30
Applicant: 浙江工商大学
IPC: G06V10/774 , G06V10/80 , G06V20/40 , G06V40/20
Abstract: 本发明公开了一种多模态融合的小样本舞蹈动作识别方法及装置，提出使用基于视频预览指导的多模态数据融合的方法，将多模态数据的特征学习方式应用至小样本舞蹈动作识别任务中，并通过不同模态数据交汇融合的方式，缓解了小样本领域因数据量过少而导致的识别困难问题。相较于传统小样本动作识别方法，本方法利用多模态信息，有效解决了rgb单模态数据在视频动作识别时性能不够鲁棒的问题；此外，使用的视频预览指导多模态数据融合的方法，加强了模型在各模态空间中的语义提取能力。相较于传统小样本动作识别方法，本发明所提出的方法识别性能更强，利用视频信息特征更充分，更适应于小样本舞蹈动作识别任务。
-
Patent Agency Ranking
公开(公告)号：CN115346259A
公开(公告)日：2022-11-15
申请号：CN202210985164.9
申请日：2022-08-17
Applicant: 浙江工商大学
IPC: G06V40/16 , G06V20/40 , G06V10/774
Abstract: 本发明提出一种结合上下文信息的多粒度学业情绪识别方法，采集动态学生视频，从动态学生视频中提取静态人脸图像，进行以下处理，对人脸图像数据进行预处理；构建自监督解耦人脸图像重建网络；实现学业情绪数据集增广；对人脸图像数据进行再处理；构建结合上下文信息的多粒度学业情绪识别网络；对面向学业情绪的人脸表情图像进行分类。本发明采用隐私安全的学业情绪数据集增广方法，相较于常用数据增强方法而言实现对原数据的身份掩盖并保证数据的有效扩充；面向学业情绪的人脸情识别方法有效提高表情识别准确率，且相较于基本表情识别而言扩展了复杂表情在实际场景中的识别应用。
-
公开(公告)号：CN114627490A
公开(公告)日：2022-06-14
申请号：CN202111535889.X
申请日：2021-12-15
Applicant: 浙江工商大学
Abstract: 本发明公开了一种基于惯性传感器与多功能相机的多人姿态估计方法，一种基于惯性传感器与多功能相机的多人姿态估计方法，包括以下步骤：S1，对多目标人物进行红外油墨标注；S2，拍摄获取多视角图像；S3，重建出人体3D姿态；S4，优化得到所有目标人物的精确3D姿态。利用多功能相机中的红外功能得到多个目标人物的标签，根据目标人物与惯性传感器的匹配关系，从惯性传感器中提取出目标人物对应关节的朝向信息，建立人体运动学模型，利用关节朝向信息，优化运动参数并根据优化后的运动参数计算出更加准确的目标人物的三维姿态，显著提高多人三维姿态估计的准确性。
-
公开(公告)号：CN111598995A
公开(公告)日：2020-08-28
申请号：CN202010326837.0
申请日：2020-04-23
Applicant: 浙江工商大学
Abstract: 本发明公开了一种基于原型分析的自监督多目三维人体姿态估计方法，包括以下步骤：标定相机参数并对多目图像进行预处理；构建Two-Stage的深度网络；构建3D-Pose-Refine模块。上述技术方案通过使用可学习关节点预测置信度的网络结构对三维姿态进行重构，提高了重构结果的鲁棒性；运用原型分析方法构造出一组强大的三维姿态表示原型，利用该原型对三维姿态预测进行修正，实现了一种高效的三维姿态估计自监督算法，在构造三维姿态原型时只需要三维骨架信息，通过合成等方式直接构造出大量的三维姿态，进而方便地扩充原型的表征空间，提高了算法的自监督能力，实现了三维姿态估计网络的有效学习。
-
公开(公告)号：CN104424658B
公开(公告)日：2017-09-29
申请号：CN201410563614.0
申请日：2014-10-22
Applicant: 浙江工商大学
IPC: G06T13/80
Abstract: 本发明公开了一种保结构的二维形状内插方法，本发明的计算机中设有两个分别称为“源形状”和“目标形状”二维形状；首先，引入一种简单的结构来表示源形状中相邻线条之间的空间布局关系，称该结构为“源空间框架”；类似地，通过相似的结构来表示目标形状中相邻线条之间的空间布局关系，称该结构为“目标空间框架”。然后，通过插值源空间框架到目标空间框架，最终实现源形状到目标形状的自然过渡。本发明具有不仅能够保持单条线条上的显著性几何特征，并且能够保持相邻线条之间的空间结构关系，从而能够在过渡形状序列中保持源和目标形状的语义特征，最终生成“视觉美观的”形状过渡序列的特点。
-
公开(公告)号：CN103473766B
公开(公告)日：2016-08-17
申请号：CN201310396506.4
申请日：2013-09-03
Applicant: 浙江工商大学
Inventor： 杨文武
IPC: G06T7/00
Abstract: 本发明公开了一种基于视觉感知的二维形状特征点匹配方法，该方法结合人眼视觉感知的特点，通过算法首先为各个特征点建立视觉支撑区域，然后根据各个特征点的视觉支撑区域的几何属性，计算出给定特征点之间的视觉相似度大小，从而保证产生准确可靠，编码简单，算法高效，符合用户满意度的最佳特征点匹配结果的一种基于视觉感知的二维形状特征点匹配方法。该方法效地解决了二维形状之间的特征点匹配问题，能够准确地完成两个二维形状之间的特征点匹配。主要用于动画制作的二维形状对应技术中。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.029 seconds)
