公开(公告)号：CN108648233A

公开(公告)日：2018-10-12

申请号：CN201810248258.1

申请日：2018-03-24

Applicant: 北京工业大学

Inventor： 贾松敏 ,  鞠增跃 ,  张国梁 ,  李秀智 ,  张祥银

IPC: G06T7/73 ,  G06T7/11 ,  G06T7/194 ,  G06K9/62

Abstract: 本发明公开了一种基于深度学习的目标识别与抓取定位方法，属于机器视觉领域。首先，利用Kinect相机采集场景的深度和彩色图像，然后使用Faster R-CNN深度学习算法识别场景目标，根据识别的类别选择抓取的目标区域，并作为GrabCut图像分割算法的输入，通过图像分割获取目标的轮廓，进而获取目标的具体位置，并作为级联神经网络的输入进行最优抓取位置检测，最终获取机械臂的抓取位置和抓取姿态。通过该方法提高目标识别与定位的实时性、准确性以及智能性。

公开(公告)号：CN106127112A

公开(公告)日：2016-11-16

申请号：CN201610425612.4

申请日：2016-06-15

Applicant: 北京工业大学

Inventor： 贾松敏 ,  徐涛 ,  鞠增跃 ,  张鹏 ,  李秀智

IPC: G06K9/00 ,  G06K9/62

CPC classification number: G06K9/00342 ,  G06K9/6274

Abstract: 基于DLLE模型的数据降维与特征理解方法，属于计算机视觉领域。首先，通过视觉传感器获取图像序列，进而对输入的动作图像序列进行分析，通过背景减除法提取出前景人体轮廓区域并二值化，研究动作的周期特性，对每个动作序列进行关键帧提取，提取出一个完整的动作周期序列。通过DLLE算法进行流行降维，得到低维特征向量，将其保存到动作数据库中。通过比较测试序列与训练样本库中动作序列的均值Hausdorff距离经最近邻分类器进行识别。本文提出了基于差分函数与类别信息的邻域保持嵌入算法在人体动作识别中的运用，DLLE模型在降维时既能保持流形的局部几何结构，又能充分利用原始高维数据的类别信息，实现了从无监督到有监督的扩展。

公开(公告)号：CN108648233B

公开(公告)日：2022-04-12

申请号：CN201810248258.1

申请日：2018-03-24

Applicant: 北京工业大学

Inventor： 贾松敏 ,  鞠增跃 ,  张国梁 ,  李秀智 ,  张祥银

IPC: G06T7/73 ,  G06T7/11 ,  G06T7/194 ,  G06V10/762 ,  G06V10/764 ,  G06K9/62

Abstract: 本发明公开了一种基于深度学习的目标识别与抓取定位方法，属于机器视觉领域。首先，利用Kinect相机采集场景的深度和彩色图像，然后使用Faster R‑CNN深度学习算法识别场景目标，根据识别的类别选择抓取的目标区域，并作为GrabCut图像分割算法的输入，通过图像分割获取目标的轮廓，进而获取目标的具体位置，并作为级联神经网络的输入进行最优抓取位置检测，最终获取机械臂的抓取位置和抓取姿态。通过该方法提高目标识别与定位的实时性、准确性以及智能性。