-
公开(公告)号：CN118379799A
公开(公告)日：2024-07-23
申请号：CN202410804149.9
申请日：2024-06-21
Abstract: 本发明涉及一种基于解耦和鉴别联合学习的跨视角步态识别方法及系统，属于深度学习和模式识别技术领域。本发明创新的提出了通过信息瓶颈理论对行人步态特征进行解耦。相较于此前的人为设计损失函数的解耦方法，本发明基于信息瓶颈理论的指导，具有合理的可解释性；此外，采用密度比技巧和对抗训练的方式，使得模型可以自适应地学习如何有效地解耦身份特征和风格特征，而无需手动调整损失函数的权重或设计复杂的解耦规则。综合而言，这种基于信息瓶颈理论的解耦方法通过结合深度学习和信息论，提供了一种更为理论完备和自适应的方式来处理行人步态特征的解耦问题。
-
公开(公告)号：CN109902605A
公开(公告)日：2019-06-18
申请号：CN201910126867.4
申请日：2019-02-20
Applicant: 哈尔滨工程大学
Abstract: 本发明属于步态识别领域，具体涉及一种基于单能量图自适应分割的步态识别方法。包括训练过程和识别过程，训练过程包括将一整幅步态能量图分割成头部、躯体和腿部三部分，其中头部区域分割时去除左右两侧的无用信息。去除差异较大的上半身区域，使同一人的步态信息更加接近和集中，只将行走过程中变化最多最明显的腿部区域送进步态识别网络中训练，此时训练集只包括正常形态时样本的腿部区域；识别过程包括分别使用背包形态时样本分割后的腿部区域及穿外套形态时样本分割后的腿部区域作为测试集，得到识别效果。本发明提出的方法可以很好地应对行人形态发生变化后的识别，更具有实用性，可广泛应用于步态识别领域，有效地提高识别效果。
-
公开(公告)号：CN103971096B
公开(公告)日：2017-11-21
申请号：CN201410195919.0
申请日：2014-05-09
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于MB‑LBP特征和人脸能量图的多姿态人脸识别方法。本发明通过建立多姿态人脸图像训练库，将人脸图像进行尺寸归一化处理后，构建训练库的人脸均值能量图和方差能量图；再对所得到人脸均值能量图和方差能量图进行MB‑LBP特征提取，并存储作为匹配库信息；在进行人脸检测时，检测人脸图像并提取出人脸区域，并对人脸区域图像做尺寸归一化处理，得到标准人脸图像；对标准人脸图像进行MB‑LBP特征提取；最后采用最近邻分类器完成多姿态人脸的分类识别。本发明能够较好地保留多姿态人脸固有的外貌特征，并保留了人脸图像模式微观结构和宏观结构，可以除去单个像素噪声所带来的影响，所需的存储空间小，具有优异的识别率和识别速度。
-
公开(公告)号：CN106778520A
公开(公告)日：2017-05-31
申请号：CN201611055782.4
申请日：2016-11-25
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/00885 , G06K9/342 , G06K9/40 , G06K9/4604 , G06K2009/00932 , G06T9/007
Abstract: 本发明提供的是一种手指静脉模糊保险箱加密方法。包括手指静脉图像预处理、特征点提取、模糊保险箱算法加密及模糊保险箱算法解密，图像预处理得到细化的指静脉图像，特征点提取后保存为特征模板用于加密与解密，通过提取出的手指静脉特征点的坐标信息和密钥构成的编码多项式通过数学方法的结合来建立模糊保险箱，提取测试用户的现场手指静脉特征样本对模糊保险箱进行解密、搜索出真实点集、进行编码多项式重构、通过重构的编码多项式系数来恢复密钥。本发明的手指静脉图像预处理后得到的特征点具有唯一性，而模糊保险箱算法具有简便的优点，同时利用生物特征与传统密码相互融合，解决了密码安全性问题。
-
公开(公告)号：CN106682574A
公开(公告)日：2017-05-17
申请号：CN201611019290.X
申请日：2016-11-18
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/00496 , G06N3/0454 , G06N99/005
Abstract: 本发明提供的是一种一维深度卷积网络的水下多目标识别方法。采用6dB/倍频的一阶数字滤波器增强高频部分使信号频谱平坦；选用窗函数对信号进行截取，获得时长为170ms的信号作为卷积神经网络的最佳输入帧长；采用一维深度卷积网络对声音信号进行特征提取；使用训练样本集对卷积网络进行学习得到能获取最佳特征的网络结构参数；选择极限学习机对卷积网络的输出特征进行分类识别。本发明利用深度学习中的深度卷积网络对声音信号进行特征提取，替代传统的人工提取特征，自动提取的声音特征包含有更为丰富的识别信息。利用极限学习机对卷积网络自动提取的特征进行分类识别，能有效找出不同于传统人工分析的特征，提高了水下声音信号的识别率。
-
Patent Agency Ranking
公开(公告)号：CN103927524B
公开(公告)日：2017-04-12
申请号：CN201410172289.5
申请日：2014-04-25
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种多角度的步态周期检测方法，其特征在于：步骤1：从步态视频流中得到二值化的步态序列，对序列进行正面步态和非正面步态分类；步骤2：若序列为正面步态，则前臂、小腿和脚部区域的图像像素变化，求取极值点，得到步态周期；步骤3：若序列为非正面步态，则检测腿部区域的能量变化，求取极值点，得到步态周期。
-
公开(公告)号：CN103226699B
公开(公告)日：2016-06-29
申请号：CN201310131912.8
申请日：2013-04-16
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及的是一种生物特征身份识别领域，特别涉及一种基于分离度差有监督局部保持投影的人脸识别方法。本发明包括以下步骤：从人脸库中读取人脸图像；对人脸图像进行特征提取，形成人脸特征；对人脸区域图像进行特征提取，从而获得特征提取所需变换矩阵和训练人脸图像的特征；针对测试人脸图像进行特征提取，并通过基于欧氏距离的最近邻分类器进行分类识别。本发明避免了人脸识别中的小样本问题，同时也使得有监督局部保持投影方法不再受限于PCA过程保留特征维数。避免了由于小样本导致的类内分离度矩阵奇异的问题和难以选取PCA与SLPP最优匹配维数的问题。
-
公开(公告)号：CN104021573A
公开(公告)日：2014-09-03
申请号：CN201410264193.1
申请日：2014-06-13
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于关节姿态角的人体动作分类识别方法。(1)采用基于惯性传感器的动作捕捉系统获取人体动作数据信号；(2)对所采集到的人体动作数据信号进行滤波去噪、归一化预处理；(3)用异步隐马尔科夫模型对每种动作建模，训练异步隐马尔科夫模型，对其进行特征提取和选择；(4)用训练好的异步隐马尔科夫模型对输入动作进行分类识别。本发明不但解决了人体动作不存在严格划分的问题，填补了目前人体运动研究对象相对单一，没有相应的理论体系的空白。而且，由于采用关节姿态角表征人体动作特征，所以本发明所采用的特征对个体的依赖性很低，对不同的人都有比较稳健的特征，识别速度和识别率较均有较大幅度的提高。
-
公开(公告)号：CN103971096A
公开(公告)日：2014-08-06
申请号：CN201410195919.0
申请日：2014-05-09
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于MB-LBP特征和人脸能量图的多姿态人脸识别方法。本发明通过建立多姿态人脸图像训练库，将人脸图像进行尺寸归一化处理后，构建训练库的人脸均值能量图和方差能量图；再对所得到人脸均值能量图和方差能量图进行MB-LBP特征提取，并存储作为匹配库信息；在进行人脸检测时，检测人脸图像并提取出人脸区域，并对人脸区域图像做尺寸归一化处理，得到标准人脸图像；对标准人脸图像进行MB-LBP特征提取；最后采用最近邻分类器完成多姿态人脸的分类识别。本发明能够较好地保留多姿态人脸固有的外貌特征，并保留了人脸图像模式微观结构和宏观结构，可以除去单个像素噪声所带来的影响，所需的存储空间小，具有优异的识别率和识别速度。
-
公开(公告)号：CN103853941A
公开(公告)日：2014-06-11
申请号：CN201310714093.X
申请日：2013-12-23
Applicant: 哈尔滨工程大学
IPC: G06F19/22
Abstract: 本发明属于分子生物信息检测领域，具体涉及只用在已有高通量DNA测序数据匹配基础上，基于贝叶斯技术进一步增加测序数据的匹配数量，以提高测序数据的利用效率和实验检测效果的高通量DNA测序数据匹配增强方法。本发明包括：初步匹配高通量DNA测序数据；求取高通量DNA测序数据错配先验概率；计算高通量DNA测序数据错配后验概率；求取高通量DNA测序数据不成功匹配集中数据发生成功匹配的评估值；提取高通量DNA测序数据不成功匹配集中成功匹配数据。本发明在原有高通量DNA测序数据匹配映射基础上，通过评估不成功匹配测序数据集中数据发生成功匹配的可能，进一步增加成功匹配映射的数据数量，以提高测序数据的利用效率。
-
-
-
-
-
-
-
-
-
Search Results
111
records
(took 0.033 seconds)
