-
公开(公告)号：CN105243352A
公开(公告)日：2016-01-13
申请号：CN201510562853.9
申请日：2015-09-07
Applicant: 苏州大学张家港工业技术研究院
IPC: G06K9/00
CPC classification number: G06K9/00335
Abstract: 本发明公开了一种3D运动识别的方法，包括：获取物体3D运动轨迹上的预定个数的轨迹点；根据轨迹点的位置信息，将轨迹点按照预定规则形成至少一个轨迹原子；按照预定算法对每个轨迹原子中的所有轨迹点进行计算，得到每个轨迹点的积分不变描述子，并将每个轨迹原子中的所有轨迹点的积分不变描述子按轨迹顺序排列，作为每个轨迹原子的积分不变描述子；将物体3D运动轨迹的所有轨迹原子的积分不变描述子与数据库中所有运动轨迹的积分不变描述子进行匹配，确定物体3D运动轨迹的类型；该方法提高了3D复杂运动的识别精度和准确率；本发明还公开了一种3D运动识别的装置。
-
公开(公告)号：CN104916152A
公开(公告)日：2015-09-16
申请号：CN201510253763.1
申请日：2015-05-19
Applicant: 苏州大学
IPC: G08G1/0962
Abstract: 本发明涉及一种基于车路协同的交叉口车辆右转引导系统及其引导方法，该引导系统包括路侧设备和监控中心及至少一个车载设备，当车辆进入路侧设备的交叉口通信范围时，车载主控模块根据本车的静态信息、车辆运行位置信息、车辆的行驶方向和车辆速度及本车所处的交叉口交通状态信息进行分析判断，若判断未来时间内会发生机动车和非机动车冲突或机动车与机动车冲突，则车载主控模块分析得出右转所需的安全车速至提示模块和车速控制模块，通过提示模块提示驾驶员右转所需的安全车速，同时车载主控模块会监控车辆是否按所给安全车速行驶，若监测到车辆未按安全车速行驶则车速控制模块自动控制车辆的速度。
-
公开(公告)号：CN104050461A
公开(公告)日：2014-09-17
申请号：CN201410307841.7
申请日：2014-06-30
Applicant: 苏州大学
IPC: G06K9/00
Abstract: 本发明提供了一种复杂3D运动识别方法及装置，本发明首先采样运动轨迹获得多个轨迹点，然后在分别获得每个轨迹点的类别和尺度信息，将每个轨迹点类别和尺度信息依次排列作为整个运动轨迹的描述子，从而获得运动轨迹的特征信息，依据特征信息与数据库进行匹配，从而获得匹配后的运动类型，完成运动识别。本发明能够有效的利用运动轨迹的显著特征来进行运动识别，从而提高了3D复杂运动识别精度和准确率。
-
公开(公告)号：CN111274908B
公开(公告)日：2023-04-14
申请号：CN202010046088.6
申请日：2020-01-16
Applicant: 苏州大学
IPC: G06V40/20 , G06V10/762 , G06V10/764 , G06V10/82 , G06V10/28 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种人体动作识别方法，获取动作样本的动态特征；获取每个骨骼关节点的运动特征并进行聚类；将每个动作样本分成N1个片段；得到每个片段的直方图表达；关节点按身体部位分为五组，获取每个部位在同一时间片段的运动特征；提取所有动作样本每个部位的初始运动特征序列，并对运动特征进行聚类；将每个动作样本的每个部位的运动特征序列分成N2个片段；得到每个部位每个片段的直方图表达；将五个身体部位同一时间片段的直方图连接，作为该时间片段的身体特征；提取所有动作样本的初始身体特征序列，对身体特征进行聚类；得到身体特征的直方图表达；构成并训练时空层级软量化网络，将测试样本输入至网络模型，实现动作识别。
-
公开(公告)号：CN108764262B
公开(公告)日：2021-09-28
申请号：CN201810556686.0
申请日：2018-05-31
Applicant: 苏州大学
Abstract: 本发明公开了一种共生图像模式挖掘方法，包括如下步骤：（1）利用SIFT算法提取图像中的视觉基元；（2）利用语境感知聚类将视觉基元聚类成语境相似组；（3）利用空间聚类将语境相似组分成对象组；（4）合并匹配模式，圈定对象组；（5）对每个对象组进行SVD‑SIFT检测；（6）在双层过滤规则下筛选出有意义的共生模式；（7）限定框精修。本发明能快速，准确的发现图片中的共生视觉模式，以便于后续的视觉任务。
-
Patent Agency Ranking
公开(公告)号：CN113221694A
公开(公告)日：2021-08-06
申请号：CN202110473438.1
申请日：2021-04-29
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，将动作视频样本分段，计算每个视频片段的动态图像；将每个视频片段的动、静态图像输入特征提取器；提取动态图像的运动特征向量；构建特征中心组，得到直方图表达；将直方图表达输入直方图连接层，得到动作视频样本的完整直方图表示；然后输入多层感知器，构成运动特征量化网络；训练其至收敛；将动态、静态图像输入训练好的运动特征量化网络中的特征提取器、增强器和软量化器，得到直方图表达；将直方图表达输入显著运动特征提取器，得到显著运动特征图；将显著运动特征图输入卷积神经网络，构成动作分类器；训练其至收敛；计算测试动作视频样本每个片段的动态、静态图像，并输入训练好的动作分类器，实现动作识别。
-
公开(公告)号：CN113221693A
公开(公告)日：2021-08-06
申请号：CN202110472752.8
申请日：2021-04-29
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括计算动作视频样本的动态图像；将动作视频样本的动态图像输入特征提取器，获取动态图像中的特征向量；构建特征中心组；将所有特征向量输入特征中心，累加每个特征中心上的所有输出，得到直方图表达；将直方图表达输入多层感知器，构成特征量化网络；训练特征量化网络至收敛，找出每个动作类别的共现特征中心组；构造图像特征共现层；构造基于共现图像特征的动作识别网络并训练至收敛，找出每个动作类别的共现图像特征神经元组；构造语义特征共现层；构造基于层级共现特征的动作识别网络并训练至收敛，计算测试动作视频样本的动态图像，输入训练好的基于层级共现特征的动作识别网络，实现动作识别。
-
公开(公告)号：CN113191361A
公开(公告)日：2021-07-30
申请号：CN202110418108.2
申请日：2021-04-19
Applicant: 苏州大学
Abstract: 本发明提出一种形状识别方法，提取形状样本的轮廓关键点；定义各关键点处的近似偏置曲率值并判断关键点处的凹凸性，以获取候选分割点；调整曲率筛选阈值，得到形状分割点；计算最小分割代价进行形状分割，得到若干子形状部分；构建形状样本的拓扑结构；使用形状的全尺度可视化表示方法，得到对应子形状部分的特征表达图像；将各特征表达图像输入卷积神经网络进行训练，学习得到各子形状部分的特征向量；构造形状样本的特征矩阵；构建图卷积神经网络；训练图卷积神经网络，获取测试样本的特征矩阵和邻接矩阵，并输入至训练好的图卷积网络模型中，实现形状分类识别。
-
公开(公告)号：CN110097008B
公开(公告)日：2021-02-19
申请号：CN201910363482.X
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括正则化坐标系，对动作样本每一帧骨骼关节点的三维坐标进行标准化处理；设计二阶自循环神经网络，提取每一帧骨骼关节点坐标特征，得到每一帧的特征向量；从每种动作类型的训练样本中选择一个作为该动作类型的参考动作样本，将测试动作样本内的各帧与每个参考动作样本各帧进行匹配，建立时序对应关系；计算测试动作样本与每个参考动作样本的匹配代价，找出与测试动作样本有最小匹配代价的参考动作样本，该参考动作样本的动作类型即为测试动作样本的动作类型。本发明提取的特征维度较小，算法效率高，通过时间序列匹配，该方法对同类型动作在时间长度和时间形态上的差异有良好的适应性，提高了动作识别的准确率。
-
公开(公告)号：CN110084211B
公开(公告)日：2020-12-18
申请号：CN201910362475.8
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括获取目标的三维骨骼关节点信息；设计跨层连接神经网络对训练集中动作序列的每帧骨骼关节点三维坐标提取特征，得到该帧的特征向量；将训练集中所有特征向量聚类成K个簇；计算每个簇对各个动作类别的支持度；定义姿态子组，从训练集中抽取姿态子组，组成姿态子组集合；学习得到Z个层级分类器；用跨层连接神经网络获取测试动作序列每帧的特征向量并将其划分给与其距离最近的簇；分别计算Z个层级分类器对测试样本的分类结果；选取Z个层级分类器分类结果中出现次数最多的类别作为测试动作序列的类别。本发明减小了动作的类内差异对动作识别效果的影响，不受动作发生速率影响，能够处理任意时间长度的动作序列。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.017 seconds)
