-
公开(公告)号：CN119649453A
公开(公告)日：2025-03-18
申请号：CN202411716074.5
申请日：2024-11-27
Applicant: 中北大学
IPC: G06V40/20 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种结合多尺度特征和双向时间的人群异常行为检测方法，属于计算机视觉技术领域。针对现有方法仅利用卷积神经网络提取单一尺度特征时，会造成不同尺度特征提取不足，同时，忽略了对反向时间信息有效提取的问题，通过在编码器中加入全局跨通道特征提取模块提取全局上下文特征，在编码器与解码器之间加入结合双分支操作的多尺度特征融合模块提取不同尺度下视频帧的局部空间信息和全局语义表示，并将其进行有效结合，同时加入双向卷积长短时记忆模块，充分利用正向和逆向时间信息以提高检测性能，提高网络整体检测精度，广泛适用于视频中的人群异常行为检测。
-
公开(公告)号：CN116088495A
公开(公告)日：2023-05-09
申请号：CN202211416730.0
申请日：2022-11-14
Applicant: 中北大学
IPC: G05D1/02
Abstract: 本发明属于强化学习领域，具体涉及一种室内移动机器人强化学习导航方法，为解决在复杂环境复杂奖励的情况下，智能体导航中的样本利用率低以及导航成功率不高的问题，本发明在D3QN算法基础上，引入优势后见经验回放算法和分层强化学习结构。首先，通过比较不同轨迹点的优势函数来选择新目标点，拥有最大优势函数的轨迹点作为新目标点，根据新目标点，对轨迹样本重新标记并存入经验池中。然后，在分层强化学习的结构下，训练智能体在复杂的环境下学习，顶层智能体负责学习大范围的路径规划，底层智能体负责导航到子目标，最后实现到总目标点的导航。
-
公开(公告)号：CN114332172A
公开(公告)日：2022-04-12
申请号：CN202111198375.X
申请日：2021-10-14
Applicant: 中北大学
IPC: G06T7/33 , G06T17/20 , G06K9/62 , G06V10/46 , G06V10/74 , G06V10/764 , G06V10/762
Abstract: 本发明公开了一种基于协方差矩阵改进的激光点云配准方法，属于图形学三维重建技术领域。本发明通过采用张量投票与ISS相结合的关键点提取方法，使其具有一定的抗噪性，同时可剔除部分边界点降低误匹配率。特征描述符的构建需要充分包含点云的邻域信息，且不易受平移旋转的影响，具有鲁棒性。协方差矩阵描述子是一种可以充分描述邻域信息的描述子，角度量不受平移旋转的影响，是构建特征描述向量的极佳选择。本发明结合特征直方图中三维坐标系的建立方法，构建一个包含角度量与曲率信息的协方差矩阵，特征匹配使用双向最近距离法，降低误匹配率。
-
公开(公告)号：CN112150523B
公开(公告)日：2022-04-12
申请号：CN202011017246.1
申请日：2020-09-24
Applicant: 中北大学
IPC: G06T7/33 , G06T17/00 , G06K9/62 , G06V10/762
Abstract: 本发明公开了一种低重叠率的三维点云配准方法，属于机器视觉技术领域。针对重叠率低的两片点云配准难度大、精度低等问题。首先，利用点云的曲率特征进行多尺度描述符的建立，确保点云数据完整并且使冗余数据最小；其次，利用多尺度描述符的角度差异进行对应关系聚类分块，获取源点云与目标点云的重叠区域；最后，将重叠区域的点云以及它们的对应关系代入凸优化问题，进行离群值的去除和对应关系的优化，实现粗配准并利用ICP算法进行细化。本发明能够缩小点云配准的有用搜索范围，减少配准计算量，为初始重叠程度较低的点云数据提供更具优势的配准精度和时间效率。本方法可广泛应用于三维模型重建、文化遗产管理、机器人导航定位等领域。
-
公开(公告)号：CN110211240A
公开(公告)日：2019-09-06
申请号：CN201910467466.5
申请日：2019-05-31
Applicant: 中北大学
IPC: G06T19/00 , G06K9/62 , G06F3/01 , G06F3/0487 , G06F3/16
Abstract: 本发明属于增强现实技术领域，公开了一种免注册标识的增强现实方法，该方法以C/S(客户端-服务端)架构，采用UDP协议进行信息传输，客户端提供人机交互、信息采集以及虚拟模型的动态加载功能，服务端将接收到的信息通过迁移学习训练的卷积神经网络进行识别分类，提供虚拟模型，从而实现增强现实的效果。人机交互包括本发明采用将虚拟物体模型上传服务端并由客户端动态加载，在降低客户端应用所需内存的同时，还可以在不更新客户端的情况下实现多种模型的加载以及交互；解决了了传统增强现实对新场景适应性差、对标识依赖高以及开发要求高的问题。该方法适用于需要大量虚拟模型的增强现实应用中，尤其在工程模型领域。
-
Patent Agency Ranking
公开(公告)号：CN108919955A
公开(公告)日：2018-11-30
申请号：CN201810708999.3
申请日：2018-07-02
Applicant: 中北大学
IPC: G06F3/01 , G06F3/0484
Abstract: 本发明属于虚拟沙画绘制方法技术领域，具体涉及一种基于多体感设备的虚拟沙画交互结合方法。本方法首先运用leap motion的数据捕捉功能，来获取手部原始数据，进而采用已有的特征提取方法对原始数据预处理，引入新的手部特征数据，完成对动态手势的跟踪，通过模板匹配进行手势识别，结合渲染效果完成非接触式虚拟沙画的绘制。利用PQ Labs G4S触摸屏获取触摸信息，产生触摸事件，并通过图嵌入的方法将其转化为特征向量以供手势识别，同时结合沙粒渲染效果完成接触式虚拟沙画绘制。本发明通过leap motion和触摸屏的辅助进行虚拟沙画绘制：与真实沙画相比，既有空中的三维绘制，又有接触式的二维绘制，能够很好地用于虚拟沙画绘制中。
-
公开(公告)号：CN119958567A
公开(公告)日：2025-05-09
申请号：CN202510117484.6
申请日：2025-01-24
Applicant: 中北大学
Abstract: 本发明公开了一种基于复杂环境下改进A*算法的路径规划方法，属于机器人路径规划技术领域。针对传统A*算法在复杂环境中在规划路径时搜索不必要区域的问题，通过构建地图模型；读取机器人在地图中的节点坐标，并将起始节点设置为当前节点；对A*算法代价函数中从当前节点到目标节点的估计代价h(n)进行改进，引入全局障碍物比例和局部障碍物比例，同时对当前节点的邻域节点分配优先级，得到路径点；用多阶段路径优化算法对A*算法规划的路径进行拐点优化；根据多阶段路径优化算法优化的路径，识别路径附近的凹型障碍物区域，逐步扩展并填充凹型障碍物区域。本发明相比于传统的A*算法显著提升了规划效率，大幅改善路径的整体质量。
-
公开(公告)号：CN119851036A
公开(公告)日：2025-04-18
申请号：CN202510030230.0
申请日：2025-01-08
Applicant: 中北大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06T3/4038 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/09
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于注意机制的抓取位姿检测方法。针对点云特征能力提取不足，生成的位姿估计不完整的问题，本发明提出双通道双分支挤压和激励注意力融合残差的模块(DDSER)，该模块与UNet融合作为主干网络，提取点云通道特征；为了减少通过最远点采样(FPS)获取点向量所造成的通道特征损失，提出融合亲和矩阵的多头自注意力通道模块(MSCAM)，避免了冗余特征，增强了点向量通道方向的全局特征表示，提高了网络整体检测精度，广泛适用于工业机械臂抓取。
-
公开(公告)号：CN118803232A
公开(公告)日：2024-10-18
申请号：CN202410787387.3
申请日：2024-06-18
Applicant: 中北大学
IPC: H04N17/02 , H04N19/20 , H04N19/42 , H04N19/172 , H04N19/52 , G06V20/40 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明属于视频异常检测技术领域，具体涉及一种基于外观和运动特征交互融合的视频异常检测方法。针对深度神经网络对异常行为预测的泛化能力过强问题，本发明提出了基于外观和运动特征交互融合的视频异常行为检测算法，即AMFCFBMem‑Net网络模型。AMFCFBMem‑Net网络模型首先使用外观和运动双编码器分别提取外观和运动特征，并设计了外观和运动特征交互融合模块(AMFCFB)，将外观和运动特征交互融合，以抑制模型对异常行为的预测；其次，为记录正常样本不同模型的潜在特征，在编码器和解码器的瓶颈结构处引入记忆模块，以进一步提高模型的异常检测性能。
-
公开(公告)号：CN118430838A
公开(公告)日：2024-08-02
申请号：CN202410500192.6
申请日：2024-04-24
Applicant: 中北大学
Abstract: 本发明公开了一种基于图像深度学习网络集成模型的流感预测方法，属于流行病监测技术领域。针对现有方法在特征提取方面存在局限，无法有效挖掘序列中的深层信息，从而影响其预测精度这一问题，首先，通过基于格拉姆角场将一维数字序列编码为二维图像序列，为模型提供基于图像的独特信息特征，在此基础上，通过集成麻雀搜索优化算法设计搭建深度学习网络模型，利用卷积神经网络的图像处理能力进行特征提取，完成流感预测。将一维流感序列图像编码引入再进一步搭建通过集成麻雀搜索算法优化后的非线性流感预测模型，以提高模型预测精度，同时验证卷积神经网络图像处理能力在流感时序预测领域中的优势和实用性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.04 seconds)
