-
Patent Agency Ranking
公开(公告)号：CN108509925B
公开(公告)日：2020-04-14
申请号：CN201810307805.9
申请日：2018-04-08
Applicant: 东北大学
Abstract: 本发明公开了一种基于视觉词袋模型的行人重识别方法，方法包括：101、提取每张图像的局部区域的行人特征；102、获取每一个行人特征的字典和稀疏表示向量；103、依据所有行人特征的所述字典、稀疏表示向量，构建每张图像的视觉词袋模型；104、采用每张图像的视觉词袋模型，获取该图像的视觉词袋直方图；105、将任意两张图像的每一个行人特征的稀疏表示向量和视觉词袋模型进行匹配，获取匹配结果，所述任意两张图像中的一张图像为一个摄像机中的图像，另一张图像为另一个摄像机中的图像。上述方法能够解决Office文档在转换过程中文档格式跑版的问题。上述方法能够提高行人重识别的准确率，减少运算量。
-
公开(公告)号：CN108520226B
公开(公告)日：2020-07-28
申请号：CN201810288204.8
申请日：2018-04-03
Applicant: 东北大学
Abstract: 本发明公开了一种基于躯体分解和显著性检测的行人重识别方法，方法包括：首先，将行人图像解析为语义具有深度分解网络(DDN)的地区，利用滑动窗口和颜色的方法匹配将行人从杂乱环境中分离出来。接下来，行人图像被分成小块，根据背景扣除的结果和显著性区域，自动选择有效的图片区域。最后，提出一个局部描述的方法协助提取背景扣除后的全局视觉特征以重新识别人。具体地，提取了PHOG，HSV直方图和SIFT特征从选定的图片区域和从整个图像提取LOMO特征。本发明中局部描述算子和全局特征紧密结合，有效提高不同摄像机中行人图像的重识别率。
-
公开(公告)号：CN108520226A
公开(公告)日：2018-09-11
申请号：CN201810288204.8
申请日：2018-04-03
Applicant: 东北大学
Abstract: 本发明公开了一种基于躯体分解和显著性检测的行人重识别方法，方法包括：首先，将行人图像解析为语义具有深度分解网络(DDN)的地区，利用滑动窗口和颜色的方法匹配将行人从杂乱环境中分离出来。接下来，行人图像被分成小块，根据背景扣除的结果和显著性区域，自动选择有效的图片区域。最后，提出一个局部描述的方法协助提取背景扣除后的全局视觉特征以重新识别人。具体地，提取了PHOG，HSV直方图和SIFT特征从选定的图片区域和从整个图像提取LOMO特征。本发明中局部描述算子和全局特征紧密结合，有效提高不同摄像机中行人图像的重识别率。
-
公开(公告)号：CN108520527A
公开(公告)日：2018-09-11
申请号：CN201810264378.0
申请日：2018-03-28
Applicant: 东北大学
Abstract: 本发明公开了一种基于颜色属性和PCA的时空上下文快速追踪方法，方法包括：建立目标跟踪的空间上下文模型；建立上下文先验概率模型；建立目标位置置信图模型来表示目标位置；获取关于目标位置的似然函数模型；将构造的似然函数模型从空间域转换到频域；根据上下文先验概率模型和转换到频域的似然函数模型来训练学习空间上下文模型；提取待识别目标物体的多维度颜色属性特征；归一化处理颜色属性特征，利用PCA算法对提取并归一化后的颜色属性特征做降维处理，获得最终特征向量；获取新的置信图模型，根据新的置信图模型最大值所对应的变量来确定目标的最大可能出现位置。上述方法能够提高跟踪准确度和鲁棒性，同时提高跟踪速度。
-
公开(公告)号：CN108509925A
公开(公告)日：2018-09-07
申请号：CN201810307805.9
申请日：2018-04-08
Applicant: 东北大学
Abstract: 本发明公开了一种基于视觉词袋模型的行人重识别方法，方法包括：101、提取每张图像的局部区域的行人特征；102、获取每一个行人特征的字典和稀疏表示向量；103、依据所有行人特征的所述字典、稀疏表示向量，构建每张图像的视觉词袋模型；104、采用每张图像的视觉词袋模型，获取该图像的视觉词袋直方图；105、将任意两张图像的每一个行人特征的稀疏表示向量和视觉词袋模型进行匹配，获取匹配结果，所述任意两张图像中的一张图像为一个摄像机中的图像，另一张图像为另一个摄像机中的图像。上述方法能够解决Office文档在转换过程中文档格式跑版的问题。上述方法能够提高行人重识别的准确率，减少运算量。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
