-
公开(公告)号：CN104835142A
公开(公告)日：2015-08-12
申请号：CN201510104348.X
申请日：2015-03-10
Applicant: 杭州电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于纹理特征的车辆排队长度检测方法。本发明针对交通路口拍摄的视频，首先提取不同光照条件、不同天气的该路口无车背景图建立一个背景库，根据该图像局部区域的灰度共生矩阵提取纹理特征形成特征向量对图像进行描述，将当前图像的特征向量与背景图中的特征向量进行相似度匹配，得到背景图像，然后将当前图像与背景图像在车道中间条状检测区域里进行差分，在图像的车道上对到停车线的实际距离进行标定，通过比对，得到车辆实际排队长度。本发明既能根据不同光照、天气选择相应的背景模板，提高检测准确率，又能避免对整幅图像进行计算处理，提高检测速度，满足实时性要求。
-
公开(公告)号：CN104134076A
公开(公告)日：2014-11-05
申请号：CN201410328277.7
申请日：2014-07-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于CS和SVM决策级融合的SAR图像目标识别方法。本发明结合了压缩感知和支持向量机各自的优势，利用压缩感知的优化求解数据校正方位角，并对压缩感知和支持向量机的识别结果进行决策级融合。首先将SAR图像目标识别问题转化为稀疏信号恢复问题，基于恢复的稀疏系数分别获得目标分类结果和目标方位角估计，然后对测试图像进行姿态校正，利用支持向量机获取目标分类结果，最后将三者分类结果根据投票法进行决策级融合。实验结果表明，在不进行姿态校正的情况下，基于压缩感知的目标识别算法与其它算法相比，显著提高了SAR图像变形目标识别的准确率；当样本数较少情况下，本发明显著提高了SAR变形目标的识别率。
-
公开(公告)号：CN103473557A
公开(公告)日：2013-12-25
申请号：CN201310393099.1
申请日：2013-09-02
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种空谱一体化的高光谱遥感图像分类方法。常规的高光谱图像分类技术主要关注于如何更好地利用光谱空间的分类信息，往往忽视图像空间域信息。本发明在利用数据进行自身光谱特征分类的同时采用区域生长法和二值形态学法相结合的空间域有效信息对光谱分类结果进行补充。本发明首先采用基于支持向量机的分类方法对数据进行谱域分类。之后采用区域生长法和二值形态学法引入空间域有效信息对光谱分类结果进行修正。本发明更加充分地利用了高光谱数据包含的信息，提高了高光谱图像分类精度。
-
公开(公告)号：CN119888169A
公开(公告)日：2025-04-25
申请号：CN202411861558.9
申请日：2024-12-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于特征纹理增强的SAR船舰小目标检测方法，该方法首先获取船舰SAR图像数据集，并划分为训练集和测试集。其次设计联合表征增强模块和特征增强注意模块CSAT，在YOLO结构的主干网络Backbone最后三个卷积阶段后分别加入CSAT。然后在YOLO结构中的特征融合部分，将跨尺度通道特征拼接模块，改成自注意力特征融合模块FFM。最后经过上述改进后得到SAR船舰小目标模型，输出检测结果，通过改进的损失函数NWD，由训练集和测试集进行训练和测试。本发明减少岸边其他目标对船舶检测的干扰，对复杂海场景下的舰船有较好的识别率，并改善训练样本匹配中小目标困难的问题。
-
公开(公告)号：CN119150108B
公开(公告)日：2025-02-07
申请号：CN202411658987.6
申请日：2024-11-20
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/25 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了一种基于多源信息特征级融合的舰船分类方法，首先获取舰船目标的HRRP和SAR原始雷达数据，并对HRRP原始雷达数据预处理，生成两种格式的HRRP样本。其次在第一种格式的HRRP样本上进行特征提取，构成传统特征。然后构建时序网络模型分支，以第二种格式的HRRP样本作为输入，并嵌入传统特征，输出混合特征；构建二维卷积模型分支，将SAR原始雷达数据通过轻量级的CNN网络，提取舰船目标结构特征。最后设计注意力加权机制的特征融合模块，将混合特征与舰船目标结构特征加权融合，输出舰船分类结果。本发明解决了自动目标雷达识别基于单一模态数据识别精度和性能有限的问题，提高分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN109376580B
公开(公告)日：2022-05-20
申请号：CN201811002575.1
申请日：2018-08-30
Applicant: 杭州电子科技大学
IPC: G06V20/13 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于深度学习的无人机电力塔架部件识别方法。本发明包含以下步骤：1、使用无人机搭载图像采集设备采集包含电力塔架部件的图片；2、从采集的图片中选取合适数量图片进行预处理，并按一定比例制作成训练集、验证集和测试集；3、利用改进的YOLOv2算法对处理好的数据集进行训练；4、利用训练好的模型对测试集进行测试并对结果进行评价。本发明提出的改进的YOLOv2算法与YOLOv2算法相比，有效地提高了模型对电力塔架部件的识别准确率和速率，同时具有更好的鲁棒性。
-
公开(公告)号：CN112926442A
公开(公告)日：2021-06-08
申请号：CN202110205006.2
申请日：2021-02-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种图像目标数据集均衡完备的构建方法，包括步骤：S11.基于数据集评价指标体系中各个指标的分级对多个样本数据集进行统计，得到样本数据集对应的原始数据，并利用卡方检验方法确定原始数据与满足均匀分布数据的偏离程度；S12.将确定的偏离程度作为比较序列，将实际识别准确率作为参考数列，计算比较序列与参考数列的关联系数和关联度，并根据计算得到的关联系数和关联度确定指标权重值；S13.统计待评价数据集的指标数据，计算统计的指标数据对应的卡方值，设定最优方案和最劣方案，并根据步骤S12中确定的指标权重值，比较待评价数据集与最优方案的贴近度；S14.根据贴近度计算整体、局部评价结果，输出最终评价结果。
-
公开(公告)号：CN108122008B
公开(公告)日：2020-09-08
申请号：CN201711405236.3
申请日：2017-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明涉及基于稀疏表示和多特征决策级融合的SAR图像识别方法。为提高SAR目标识别算法的识别率和识别速度，本发明将SAR切片图像提取灰度特征和降维随机卷积特征向量，然后采用字典学习算法对从每一类别训练样本提取的特征向量构成的字典进行优化，构成字典，最后通过字典恢复样本稀疏系数得到分类结果。本发明提出的方法在极大地提高了识别速度的同时，提高了识别精度，具有更好的应用前景。
-
公开(公告)号：CN107194423B
公开(公告)日：2020-04-28
申请号：CN201710357950.3
申请日：2017-05-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开基于特征随机抽样集成超限学习机的高光谱图像分类方法。现有高光谱图像具有图谱合一、光谱分辨率高、光谱范围宽、光谱相关性强等特点，本发明针对高光谱图像分类方法过程复杂且难以实时化的问题，提出基于邻域光谱信息提取空谱特征，为降低算法设计的复杂度，考虑到空谱特征相邻波段间的相关性，先对原始空谱特征向量进行平均分组，然后从每个区间随机选择若干个特征进行组合，利用超限学习机的快速学习能力来训练弱分类器，最后通过投票表决法实现高光谱图像分类。测试表明，该方法无需复杂的优化过程，训练速度快，分类精度高，能够满足高光谱图像分类精度和实时性两方面的需求。
-
公开(公告)号：CN109376580A
公开(公告)日：2019-02-22
申请号：CN201811002575.1
申请日：2018-08-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于深度学习的无人机电力塔架部件识别方法。本发明包含以下步骤：1、使用无人机搭载图像采集设备采集包含电力塔架部件的图片；2、从采集的图片中选取合适数量图片进行预处理，并按一定比例制作成训练集、验证集和测试集；3、利用改进的YOLOv2算法对处理好的数据集进行训练；4、利用训练好的模型对测试集进行测试并对结果进行评价。本发明提出的改进的YOLOv2算法与YOLOv2算法相比，有效地提高了模型对电力塔架部件的识别准确率和速率，同时具有更好的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.027 seconds)
