-
公开(公告)号：CN115083018A
公开(公告)日：2022-09-20
申请号：CN202210749094.7
申请日：2022-06-28
Applicant: 北京理工大学
Abstract: 一种在实时2D/3D人体姿势估计系统中使用检测到的姿势的实时缓冲区来校正人体姿势的系统和方法。尽管许多现有的人体姿势估计系统有很高的准确度，但仍然由于问题的复杂性而无法避免错误的输出。在许多情况下，对于两个相似的图像(具有相似的姿势)，系统可能会输出不同的关节定位，或者缺少关节定位。所提出的系统将检测到的置信度得分较高的姿势存储到实时姿势缓冲区中。将下一帧中检测到的姿势与姿势缓冲区进行比较以匹配姿势相似度，并将具有最高姿势置信度和关节置信度的姿势视为当前帧的候选姿势。
-
公开(公告)号：CN113837098A
公开(公告)日：2021-12-24
申请号：CN202111127680.X
申请日：2021-09-26
Applicant: 北京理工大学
Abstract: 本研究提出一种用于根据实时2D人体姿势估计系统中的简约面部界标估计头部姿势的系统和方法。本方法结合了简单的面部关键点，面部关键点包含左眼，右眼，左耳，右耳，鼻子和颈部的2D定位。本方法将简单标面部关键点作为输入，并生成包含侧倾，俯仰和偏转角度的三元组，该三元组可以用于2D姿态估计系统中的瞬时头部姿态定向。与基于深度卷积神经网络和机器学习技术的方法不同，本方法作为后处理操作，可大大减少处理开销。
-
公开(公告)号：CN100582653C
公开(公告)日：2010-01-20
申请号：CN200810116375.9
申请日：2008-07-09
Applicant: 北京理工大学
Abstract: 本发明涉及一种采用多束光确定位置姿态的系统和方法，属于人机交互技术领域。本发明的系统包括基准平面、需要确定位姿的物体、固定在物体上的光束发射装置、摄像机、计算装置，其中基准平面为位置和姿态已知的光滑平面，并具有反射光束发射装置发出的光的功能；光束发射装置固定在需要确定位姿的物体上，并向基准平面发射三束或以上光束；摄像机对包括投射图案在内的基准平面的原始图像进行采集，并传输给计算装置；计算装置获取原始图像进行图像处理，并进行光束投射图案的位置计算，进而完成需要确定位姿的物体的位置和姿态的计算。本发明还提出了一种使用所述系统确定物体位置姿态的方法。该方法具有非接触测量、造价低廉、实用性强等优点。
-
公开(公告)号：CN113643362A
公开(公告)日：2021-11-12
申请号：CN202110682875.4
申请日：2021-06-18
Applicant: 北京理工大学
Abstract: 一种在2D人体姿势估计系统中用于校正肢体深度的系统和方法，该系统和方法使用深度传感器和人体测量学来实现2D到3D的映射。在将2D人体姿势映射成3D姿势时，深度图中空洞、自我遮挡和物体间遮挡这些因素可能会导致深度传感器为每个关节返回的深度产生错误。该系统和方法，依赖于一个2D人体姿势估计器、深度传感器数据和一个平均人体测量数据。该方法从2D人体姿势估计器中获取2D人体姿势信息，并使用深度图和平均人体测量值生成精确的3D姿势。本方法利用了肢体的2D投影和肢体长度信息可以辅助计算深度上的投影这一原理。与姿势匹配、深度神经网络等传统技术不同，本方法具有计算低的特点，这使得从2D到3D的投影过程易于实现且更加适合实时姿态估计系统。
-
公开(公告)号：CN100583141C
公开(公告)日：2010-01-20
申请号：CN200810117814.8
申请日：2008-08-04
Applicant: 北京理工大学
Abstract: 本发明属于计算机图形虚拟仿真应用领域，涉及一种多通道的分布式绘制系统与方法。本发明采用客户机/服务器结构，系统包括一台客户机、一台或多台服务器以及将它们连接起来的网络。客户机和每台服务器都安装有支持OpenGL库的图形适配器，客户机和每台服务器各自运行相应的软件，每台服务器连接显示器或投影等显示设备。在客户机采用多进程共享场景数据，通过提取并打包各进程的OpenGL绘制命令并分别发送给对应的服务器的方法实现了分布式节点的拼接显示和多视点显示，扩大了系统的适应性和灵活性。
-
Patent Agency Ranking
公开(公告)号：CN115937965A
公开(公告)日：2023-04-07
申请号：CN202210749376.7
申请日：2022-06-28
Applicant: 北京理工大学
IPC: G06V40/20 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 一种基于图卷积网络的扩展动作识别方法。然而，传统GCN中的静态骨架图拓扑不反映非相邻关节的隐含关系，其中包含动作序列中骨架姿势的重要潜在信息。此外，传统的三分类节点划分策略丢弃了非物理连接边沿时间维度的大部分运动相关性。该方法提出了一个扩展的骨架图拓扑以及扩展的分区策略，以提取模型中的大部分非相邻关节的关系信息。扩展骨架图将关节表示为顶点，加权边分别表示物理连接和非物理连接关节之间的内在和外在关系。此外，扩展分区策略将GCN的输入图划分为五类固定长度张量，以包含最大运动相关性。最后，采用时空图卷积网络(ST‑GCN)实现扩展骨架图和分区策略。此外，该方法还采用关键点信息和骨骼信息作为输入的双分支结构，每个分支网络结构相同。在两个大型数据集NTU‑RGB+D和Kinetics‑Skeleton上进行的实验表明，其性能优于传统的最先进的ST‑GCN。
-
公开(公告)号：CN113762616A
公开(公告)日：2021-12-07
申请号：CN202111031195.2
申请日：2021-09-03
Applicant: 北京理工大学
Abstract: 一种用于预测高校博士招生指标的方法和系统。该方法基于深度学习理论，提出了一种新的预测模型CNN‑LSTM‑Attention混合神经网络模型对博士招生指标进行预测。该方法在LSTM层前添加一个CNN特征提取层，在LSTM层之后添加注意力机制层形成三层混合模型。该方法解决了现有模型影响因子确定复杂，模型使用期短，模型泛化能力弱，预测值与真实值误差较大等问题，提升了博士招生指标预测的准确率，并实现了博士招生指标预测系统供招生单位使用。
-
公开(公告)号：CN101706771A
公开(公告)日：2010-05-12
申请号：CN200910237434.2
申请日：2009-11-06
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于模板的针对Word文档的智能格式检查方法，属于计算机应用技术领域。本发明通过对标准Word文档模板进行分析，得出文档版式、样式等规则；可对规则进行编辑、设置、保存和载入；然后按照规则对Word文档进行格式检查，给出检查结果，包括指出不符合格式规范的内容以及修改建议，以帮助用户进行修改。本发明提出的针对Word文档的智能格式检查方法是通过在计算机上编写程序实现，程序是指运行在Microsoft Word可以运行的操作系统上的应用程序、Web应用或Word可以运行的动态链接库或宏。本方法使用简单、适用范围广并可以极大地提高检查效率、减少疏漏，从而提高文档质量、并减轻用户的工作量。
-
公开(公告)号：CN101308014A
公开(公告)日：2008-11-19
申请号：CN200810116375.9
申请日：2008-07-09
Applicant: 北京理工大学
Abstract: 本发明涉及一种采用多束光确定位置姿态的系统和方法，属于人机交互技术领域。本发明的系统包括基准平面、需要确定位姿的物体、固定在物体上的光束发射装置、摄像机、计算装置，其中基准平面为位置和姿态已知的光滑平面，并具有反射光束发射装置发出的光的功能；光束发射装置固定在需要确定位姿的物体上，并向基准平面发射三束或以上光束；摄像机对包括投射图案在内的基准平面的原始图像进行采集，并传输给计算装置；计算装置获取原始图像进行图像处理，并进行光束投射图案的位置计算，进而完成需要确定位姿的物体的位置和姿态的计算。本发明还提出了一种使用所述系统确定物体位置姿态的方法。该方法具有非接触测量、造价低廉、实用性强等优点。
-
公开(公告)号：CN117617620A
公开(公告)日：2024-03-01
申请号：CN202311684885.7
申请日：2023-12-08
Applicant: 北京理工大学
IPC: A42B3/04 , G06V20/50 , G06V10/10 , G06V10/25 , G06V10/82 , G06T7/50 , G06T7/70 , G06T7/80 , H04N7/18 , G01C9/00 , G01C17/32 , G01S19/14
Abstract: 本发明公开了一种基于目标检测和深度估计的智能安全头盔，包括头盔本体和配置在头盔本体上的传感器集成模块、主控模块和报警模块，以及可选的显示模块和通讯模块。其中传感器集成模块包括一系列传感器，用于采集数据；主控模块的主体是微型计算机，用于执行数据处理、目标检测和深度估计；报警模块用于向佩戴者播报危险源的种类及方位信息；显示模块用于显示捕捉到的危险源及其方位信息；通讯模块用于实现智能安全头盔佩戴者之间的通讯功能。该头盔采用基于深度学习技术的目标检测和深度估计算法精确判断危险源的类别和位置信息，并通过报警模块向佩戴者提供警示，实现主动安全防护。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.023 seconds)
