-
公开(公告)号：CN108242057A
公开(公告)日：2018-07-03
申请号：CN201710865220.4
申请日：2017-09-22
Applicant: 西安电子科技大学 , 江苏泽景汽车电子股份有限公司
Abstract: 本发明公开了一种基于嵌入边界约束因子的局部主动轮廓图像分割方法，主要解决现有图像分割方法的分割精确低和鲁棒性差的问题。其方法步骤是：(1)输入一幅待分割图像；(2)初始化轮廓曲线；(3)构建局部区域；(4)计算局部区域中初始轮廓曲线内外像素点的灰度均值；(5)构建局部区域的边界约束因子；(6)构建局部区域的能量函数；(7)在局部区域内部构建几何图；(8)优化局部区域的能量函数；(9)更新局部区域的能量函数；(10)输出分割图像。本发明提取图像的局部信息，在能量函数中嵌入边界约束因子，获得了更准确的分割结果。
-
公开(公告)号：CN108154133A
公开(公告)日：2018-06-12
申请号：CN201810023591.2
申请日：2018-01-10
Applicant: 西安电子科技大学
Abstract: 一种基于非对称联合学习的人脸画像-照片识别方法。其步骤为：(1)获得训练样本集和测试样本集；(2)划分样本子集；(3)获得训练伪样本集；(4)构建非对称特征矩阵；(5)计算非对称联合学习矩阵；(6)计算画像样本与照片样本的相似度值；(7)得到识别结果。本发明使用深度卷积网络提取样本的深度特征向量，利用非对称特征矩阵计算非对称联合学习矩阵，使用非对称联合学习矩阵计算画像与照片的相似度，找出与画像相似度最大的照片作为识别结果。本发明将训练伪样本集加入训练过程，并使用非对称联合学习方法增加类内信息，能准确地识别出画像对应的照片。
-
公开(公告)号：CN104992185B
公开(公告)日：2018-05-04
申请号：CN201510395890.5
申请日：2015-07-08
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于超像素的人脸画像生成方法，主要解决现有方法在对人脸图像分块细节不明显的问题。其实现步骤是：(1)划分训练画像样本集、训练照片样本集和测试样本集；(2)对训练画像样本集中的画像、训练照片样本集中的照片和测试照片进行超像素块划分；(3)根据划分的超像素块组成待选择照片超像素块集和待选择画像超像素块集；(4)计算待选择画像超像素块权值集；(5)根据待选择画像超像素块权值集计算伪画像超像素块集；(6)根据伪画像超像素块集，生成伪画像。本发明由于在分块过程采用超像素块划分，考虑了人脸图像本身的结构信息，使得生成的人脸画像细节部位明显，可用于公共安全领域中人脸检索与识别。
-
公开(公告)号：CN105046197B
公开(公告)日：2018-04-17
申请号：CN201510319875.2
申请日：2015-06-11
Applicant: 西安电子科技大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于聚类的多模板行人检测方法，主要解决现有手工分类训练样本繁琐、检索结果不准确的问题。其实现步骤为：1.获取行人样本图像并归一化尺度；2.求取样本图像的梯度方向直方图特征；3.对行人样本聚类得到多个簇，根据这些簇的行人样本生成多组训练数据集，用这些训练数据集训练分类器生成模板；4.求取待检测图像的特征金字塔；5.用多个模板对特征金字塔进行多尺度滑窗搜索，得到各模板的初步检测结果；6.滤除各模板初步检测结果中重复的检测结果，得到多组单个模板的检测结果；7.融合多模板的重复检测结果，得到最终的检测结果。本发明提高了行人检测的准确率，可用于视频监控和无人驾驶设备中的行人检测。
-
公开(公告)号：CN104992186B
公开(公告)日：2018-04-17
申请号：CN201510412383.8
申请日：2015-07-14
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了基于动态纹理模型的极光视频分类方法。其技术方案是利用极光视频帧之间的重复相关性，从极光视频帧之间的动态变化特性入手，对四类形态极光视频进行普适性建模并提取特征，对极光视频进行分类。实现步骤是：(1)获取训练极光视频和测试极光视频；(2)提取测试极光视频的动态纹理特征；(3)提取测试极光视频的状态转移矩阵；(4)求测试极光视频到训练集样本的马丁距离；(5)根据极光视频间的马丁距离，对测试极光视频进行最近距离分类。本发明能实现对四类极光视频的计算机自动分类，且具有分类准确率高的优点。可用于极光视频的特征提取和计算机图像识别。
-
Patent Agency Ranking
公开(公告)号：CN107908646A
公开(公告)日：2018-04-13
申请号：CN201710937041.7
申请日：2017-10-10
Applicant: 西安电子科技大学
Abstract: 本发明公开的基于分层卷积神经网络的图像检索方法，主要解决现有全天空极光图像检索中准确率较低的问题。其实现步骤为：①采用自适应极化栅栏法确定全天空极光图像的局部关键点；②提取全天空极光图像的局部SIFT特征并构建视觉字典；③对卷积神经网络进行预训练和微调并构建极化区域池化层；④提取全天空极光图像的区域CNN特征和全局CNN特征；⑤对所有特征进行二值化处理并构建分层特征；⑥构建倒排索引表并分开保存全局CNN特征；⑦提取查询图像的分层特征并计算其与数据库图像的相似度，输出检索结果。本发明使用分层特征实现了局部关键点之间的匹配，解决了现有图像检索方法中虚警率较高的问题，具有检索准确率高的优点，适用于实时图像检索。
-
公开(公告)号：CN104680189B
公开(公告)日：2018-04-10
申请号：CN201510117478.7
申请日：2015-03-15
Applicant: 西安电子科技大学
IPC: G06K9/64
Abstract: 本发明公开了一种基于改进词袋模型的不良图像检测方法，主要解决传统词袋模型在检测不良图像过程中颜色描述不准确、关键特征点提取不全面、特征描述复杂、局部区域描述不精确的问题。其实现步骤为：(1)提取关键特征点；(2)对关键特征点提取颜色特征和梯度特征；(3)根据颜色特征和梯度特征分别建立颜色词典和梯度词典；(4)根据先验知识计算每个特征点颜色单词的类条件概率；(5)根据类条件概率对相应的梯度单词加权，并统计加权后的梯度单词直方图，(6)利用直方图训练分类器；(7)用训练好的分类器检测不良图像。本发明提高了颜色描述信息的丰富性，避免了关键特征点的丢失，能更加精确描述图像局部区域，可用于过滤色情图像。
-
公开(公告)号：CN107845064A
公开(公告)日：2018-03-27
申请号：CN201710781808.1
申请日：2017-09-02
Applicant: 西安电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于主动采样和高斯混合模型的图像超分辨率重建方法，可用于受限设备采集图像的超分辨率重建。其实现步骤为：(1)获取训练图像块；(2)对训练图像块进行主动采样；(3)提取联合训练特征向量；(4)训练高斯混合模型；(5)获取低分辨率测试特征向量；(6)重建高分辨率测试图像。本发明提高了重建图像的清晰度，尤其在重建结构轮廓、自然纹理等细节时，表现更佳。
-
公开(公告)号：CN107688821A
公开(公告)日：2018-02-13
申请号：CN201710560024.6
申请日：2017-07-11
Applicant: 西安电子科技大学
CPC classification number: G06K9/6262 , G06K9/6256 , G06N3/084
Abstract: 本发明属于计算机视觉与自然语言处理技术领域，公开了一种基于视觉显著性与语义属性跨模态图像自然语言描述方法，采用卷积神经网络提取图像各区域的多尺度深度视觉特征；利用预训练的显著性模型，回归出图像显著性图对原图像进行加权；建立预定义字典作为语义属性类别，并对视觉显著性图像进行语义属性检测；采用多示例学习计算语义属性；利用语义属性对图像特征加权；采用长短期记忆网络对基于视觉显著性的语义属性特征进行解码，生成图像描述。本发明具有准确度高的优点。可用于复杂场景下的图像检索及多目标图像语义理解等。
-
公开(公告)号：CN107292341A
公开(公告)日：2017-10-24
申请号：CN201710466702.2
申请日：2017-06-20
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于成对协同正则化和NMF的自适应多视图聚类方法，用于解决现有多视图聚类方法中存在的精度低和归一化交互信息低的技术问题，实现步骤为：获取原始图像集的归一化非负多视图数据；计算多视图数据的拉普拉斯矩阵；构建成对协同正则化和NMF的自适应多视图聚类的目标函数；分别获取基矩阵、系数矩阵和权重参数的迭代更新表达式；获取更新后的基矩阵、系数矩阵和权重参数；对更新后的系数矩阵进行K-均值聚类，得到聚类结果。本发明利用成对协同正则化方法保持视图间的相似性，并利用自适应方法自动学习视图内的相似性约束项的权重参数，有效提高了多视图聚类的性能，可应用于客户信息分析、金融分析和医学等领域。
-
-
-
-
-
-
-
-
-
Search Results
492
records
(took 0.046 seconds)
