-
公开(公告)号：CN109697727A
公开(公告)日：2019-04-30
申请号：CN201811425898.1
申请日：2018-11-27
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种基于相关滤波和度量学习的目标跟踪方法、系统及存储介质，该目标跟踪方法包括：步骤S1：在跟踪视频的第一帧获取目标的大小和位置；步骤S2：根据得到的目标信息获取目标特征和与目标相似的负样本并训练相关滤波的模板；步骤S3：通过训练得到的模板预测目标的位置，并根据响应图得到此次预测的置信度来判断是否使用度量学习网络来精确定位目标。本发明的有益效果是：本发明针对目标追踪视频的特点，先使用相关滤波模型来对当前帧进行预测，找出和目标相近的候选区域；针对这些候选区域，使用深度网络来判断其与目标的相似度；对目标追踪来说，其是对相关滤波模型的优化，加入了度量学习算法，提出了使用度量学习来优化相关滤波结果的方法；从而能准确、实时地追踪目标。
-
公开(公告)号：CN108805909A
公开(公告)日：2018-11-13
申请号：CN201810400252.1
申请日：2018-04-28
Applicant: 哈尔滨工业大学深圳研究生院
IPC: G06T7/262
CPC classification number: G06T7/262 , G06T2207/20081
Abstract: 本发明提供了一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，包括以下步骤：S1、计算响应图，采用相关滤波框架进行初步的跟踪测试，通过相关滤波跟踪器给出目标区域的响应图；S2、决策函数判别，通过决策函数对相关滤波跟踪器给出的目标区域的响应图的可信程度进行判别，并给出响应图是否可信的结果；S3、目标跟踪定位。本发明的有益效果是：使用相关滤波跟踪框架给出响应图，结合决策函数判别响应图是否可信，如果响应图可信，则采用相关滤波跟踪器给出目标位置，反之采用粒子滤波重检测策略重新检测目标的位置信息，从而提升跟踪器的跟踪效率。
-
公开(公告)号：CN102509094A
公开(公告)日：2012-06-20
申请号：CN201110381974.5
申请日：2011-11-25
Applicant: 哈尔滨工业大学深圳研究生院
Abstract: 本发明涉及一种基于结构光的嵌入式3D指纹采集方法及系统，通过采集多幅指纹图像，然后对图像进行编码，根据编码图像及四步相移法得到指纹图像的相位值，然后根据参考平面的相位值得出指纹的高度信息，至此，得到指纹的三维图像。本发明基于结构光的嵌入式3D指纹采集方法及系统，指纹采集精度高、便于移动。
-
公开(公告)号：CN109816140A
公开(公告)日：2019-05-28
申请号：CN201811520457.X
申请日：2018-12-12
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种基于跨市场影响的股价预测方法，该预测方法包括：将多个股票市场的股票的数据分别输入到特征提取神经网络，以提取该多个股票市场的股票的特征数据；将该多个市场的特征数据输入到多维长短期记忆网络，以预测该多个股票市场中的一个股票市场的股票价格波动。本发明通过将多个股票市场的股票的数据分别输入到特征提取神经网络模型中，即可获得多个股票市场的股票的特征数据，将该特征数据输入到多维长短期记忆网络模型中，即可预测某个股票市场的股价波动趋势。本发明的多维长短期记忆网络模型可以刻画多个市场之间的相互关联性，使得预测准确性高。该方法使用方便，且效率高，适应金融市场的快速变幻。
-
公开(公告)号：CN109711258A
公开(公告)日：2019-05-03
申请号：CN201811425855.3
申请日：2018-11-27
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种基于卷积网络的轻量级人脸关键点检测方法、系统及存储介质，该方法包括：使用多任务网络并行完成人脸检测和人脸回正参数计算，并将原始的倾斜人脸进行回正；将回正人脸送入轻量关键点检测网络；检测人脸关键点，针对多人脸关键点检测任务，使用非冻结迁移学习的预训练方案，逐步训练多个人脸关键点，训练时使用并行人脸回正机制；人脸旋转返回原始角度。本发明的有益效果是:本发明针对人脸关键点检测任务的特点进行改进，引入注意力机制对卷积网络的网络输出进行打分选择，缓解了人脸关键点检测的损失函数不均衡问题；同步训练人脸检测任务与人脸回正参数计算任务，提升了整体架构的效率，降低了模型复杂度。
-
Patent Agency Ranking
公开(公告)号：CN109685825A
公开(公告)日：2019-04-26
申请号：CN201811426910.0
申请日：2018-11-27
Applicant: 哈尔滨工业大学(深圳)
CPC classification number: G06T7/246 , G06K9/4604 , G06T2207/10048
Abstract: 本发明提供了一种用于热红外目标跟踪的局部自适应特征提取方法、系统及存储介质，该局部自适应特征提取方法包括：步骤S1：接收输入的图像，在当前帧中利用相邻像素之间的差值计算当前帧水平方向梯度以及垂直方向梯度；步骤S2：使用步骤S1已计算出的当前帧水平方向梯度以及垂直方向梯度，计算每一像素位置的梯度协方差矩阵。本发明的有益效果是：本发明的局部自适应特征提取方法，替换目标跟踪器中特征提取部分的其他特征提取技术，能够提高跟踪器在热红外目标跟踪任务中的性能，能够提取出更适用于热红外目标跟踪的稳定的、具有更多判别信息的特征。
-
公开(公告)号：CN108710834A
公开(公告)日：2018-10-26
申请号：CN201810400230.5
申请日：2018-04-28
Applicant: 哈尔滨工业大学深圳研究生院
CPC classification number: G06K9/00335 , G06K9/6256
Abstract: 本发明提供了一种滤波区域的相关滤波目标跟踪方法，包括以下步骤：S1、训练阶段，将滤波区域图嵌入到标准相关滤波建模中，过滤训练样本中的干扰区域，从而学到滤波器；S2、预测阶段，将上一帧中学到的滤波器作用到当前帧的搜索区域，得到目标的位置。本发明的有益效果是：为了适应目标较大步长的运动，同时利用更多的训练样本，采用较大的搜索区域，经过过滤训练样本中的干扰区域后，跟踪算法在遮挡、目标形变、光照变化等条件下的跟踪效果有明显增强，提高了跟踪算法的性能。
-
公开(公告)号：CN104052824A
公开(公告)日：2014-09-17
申请号：CN201410317772.8
申请日：2014-07-04
Applicant: 哈尔滨工业大学深圳研究生院
IPC: H04L29/08
Abstract: 本发明提供了一种分布式缓存方法及系统，该分布式缓存方法包括HDFS数据获取步骤：通过HDFS的API把HDFS上存储的文件内容读取出来加载到共享内存当中；共享内存管理步骤：用于连接客户端动态缓存库和服务器端缓存服务单元；交互控制步骤：用于完成同一个主机的交互工作，用于与ZooKeeper服务器完成远程交互，用于计算想要获得的文件并且定位到缓存。本发明的有益效果是本发明的分布式缓存方法及系统通过对HDFS上的文件进行缓存，在进行文件读取的过程，直接读取缓存中的文件，这样就会极大的降低文件读取的时间，从而提高实时云服务的吞吐量和降低云服务的响应时间。
-
公开(公告)号：CN103402119A
公开(公告)日：2013-11-20
申请号：CN201310306345.5
申请日：2013-07-19
Applicant: 哈尔滨工业大学深圳研究生院
IPC: H04N21/234 , H04N21/238 , H04N7/26
Abstract: 本发明提供了一种面向传输的SVC码流提取方法及系统，根据各个可伸缩增强层的效用函数曲线进行比较，选择增长最快的提取点进行提取，形成提取路径，以此来接近目标码率，当达到目标码率或其范围后则停止。本发明采用基于效用函数的方式，对各增强层进行效用函数转换，通过效用函数，比较各层对视频的影响。在此基础上，根据效用函数曲率的变化(曲线拐点)，按照一定规则选取最优的增强层进行提取，此过程持续进行直到当前码流的码率符合目标码率。实验表明，本发明提出的方法来确定三个增强层之间的提取路径比JSVM的基本提取方法更加有效，同时简化了提取过程。可以在充分利用当前可用带宽的情况下，提供尽可能好的视频质量。
-
公开(公告)号：CN112598739B
公开(公告)日：2023-09-01
申请号：CN202011564825.8
申请日：2020-12-25
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种基于时空特征聚合网络的移动机器人红外目标跟踪方法、系统及存储介质，目标跟踪方法包括：根据跟踪视频第一帧给定的目标大小和位置获取目标模板帧；将目标模板帧送入孪生网络的模板分支提取目标模板特征；将当前搜索帧和历史帧送入孪生网络的搜索分支提取特征；根据孪生网络模板分支和搜索分支提取的特征计算响应图，确定目标在下一帧中的位置。本发明的有益效果是：本发明针对红外目标跟踪中物体特征提取，在提取语义与空间结构特征的基础上，将物体的运动信息网络化，融合多帧信息加强表观模型的判别能力，并结合已有的空间感知网络形成了一个端到端的时空特征聚合孪生网络，更好地区分相似物干扰，提高跟踪的准确性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.035 seconds)
