公开(公告)号：CN110245459A

公开(公告)日：2019-09-17

申请号：CN201910575724.1

申请日：2019-06-28

Applicant: 北京师范大学

Inventor： 何珺 ,  孙波 ,  余乐军 ,  张迎辉

IPC: G06F17/50 ,  G06K9/62 ,  G06N3/04 ,  B08B7/00

Abstract: 本发明实施例提供一种激光清洗效果预览方法及装置，该方法包括：获取待清洗区域图片；将所述待清洗区域图片及清洗参数，输入至预设的生成对抗网络模型，输出与清洗参数对应的预览图片；其中，所述生成对抗网络模型根据清洗前图片、相应清洗参数以及清洗前图片对应的清洗结果图片作为样本，进行训练后得到。该方法实现了根据待清洗区域图片及激光参数，生成清洗后的预览图片，从而有利于根据清洗后的预览图片评估当前清洗参数的合理性，进而避免激光参数设置的不合理导致耗时耗成本的问题。

公开(公告)号：CN106250843A

公开(公告)日：2016-12-21

申请号：CN201610607532.0

申请日：2016-07-28

Applicant: 北京师范大学

Inventor： 孙波 ,  何珺 ,  余乐军 ,  张迪

IPC: G06K9/00

CPC classification number: G06K9/00248 ,  G06K9/00268 ,  G06K9/00288

Abstract: 本发明提供了一种基于额头区域的人脸检测方法及系统。该方法包括：采用滑窗的方式对待检测图像进行遍历；获取各个待检测滑窗的方差，若所述待检测滑窗的方差大于预设阈值，则提取待检测滑窗的扩展的Haar-Like特征和多通道颜色频率特征；根据训练的级联的额头分类器获得所述待检测图像中的目标额头区域；通过肤色检测和边缘检测，采用改进的最小二乘法获得各个目标额头区域对应的人脸区域。本发明实施例通过提取扩展的Haar-Like特征和多通道颜色频率特征，更加丰富的描述额头区域的发色和肤色的概率分布特征，利用具有丰富形状和颜色特征的额头区域实现对人脸的检测，提高了人脸检测的精度。

公开(公告)号：CN103049760A

公开(公告)日：2013-04-17

申请号：CN201210581686.9

申请日：2012-12-27

Applicant: 北京师范大学

Inventor： 何珺 ,  孙波 ,  吴学文 ,  葛凤祥 ,  余乐军

IPC: G06K9/62

Abstract: 本发明涉及模式识别技术领域，公开了一种基于图像分块和位置加权的稀疏表示目标识别方法，所述方法包括以下步骤：S1、获取样本图像库，并对所述样本图像库中的样本图像进行图像分割，得到样本图像块库；S2、根据样本图像块库中各样本图像块的位置序号和稀疏表示误差，求得识别字典和位置权重向量；S3、根据所述识别字典和位置权重向量设计分类器；S4、逐像素地分割待识别图像，得到待识别图像块集；S5、对所述待识别图像块求解稀疏方程，并根据所述稀疏方程的解，利用所述分类器对待识别图像块进行类型识别。本发明能够用于识别外观不完整的物体。

公开(公告)号：CN101630401B

公开(公告)日：2011-12-21

申请号：CN200910090193.3

申请日：2009-07-31

Applicant: 北京师范大学

Inventor： 何珺 ,  胡晓雁 ,  孙波 ,  余乐军 ,  张熙予

IPC: G06T1/00 ,  G01S17/89

Abstract: 本发明涉及图像处理技术领域。本发明提出了一种简单的ATGP-VCA的投影向量获取方法，不仅提高了多次端元提取的稳定度，还大大降低了算法的复杂度。所述方法包括：S1：根据观测得到的高光谱向量r设置初始投影向量值w0，并构造辅助矩阵U；S2：迭代计算开始，根据所述辅助矩阵获得当前迭代次数n下向量空间内每一维度i上的最大投影值向量与最小投影值向量的差值向量ai；S3：判断当前迭代次数n是否为p-1，若是，则迭代结束，所述差值向量ai即为投影向量值wn，其中p为期望提取的端元数；S4：若当前迭代次数n不为p-1，则更新辅助矩阵U＝[w1......wn]，返回步骤S2，进入下次迭代。

公开(公告)号：CN101630401A

公开(公告)日：2010-01-20

申请号：CN200910090193.3

申请日：2009-07-31

Applicant: 北京师范大学

Inventor： 何珺 ,  胡晓雁 ,  孙波 ,  余乐军 ,  张熙予

IPC: G06T1/00 ,  G01S17/89

Abstract: 本发明涉及图像处理技术领域。本发明提出了一种简单的ATGP-VCA的投影向量获取方法，不仅提高了多次端元提取的稳定度，还大大降低了算法的复杂度。所述方法包括：S1：根据观测得到的高光谱向量r设置初始投影向量值w 0 ，并构造辅助矩阵U；S2：迭代计算开始，根据所述辅助矩阵获得当前迭代次数n下向量空间内每一维度i上的最大投影值向量与最小投影值向量的差值向量a i ；S3：判断当前迭代次数n是否为p-1，若是，则迭代结束，所述差值向量a i 即为投影向量值w n ，其中p为期望提取的端元数；S4：若当前迭代次数n不为p-1，则更新辅助矩阵U＝[w 1 ......w n ]，返回步骤S2，进入下次迭代。