-
公开(公告)号：CN114529939B
公开(公告)日：2024-08-06
申请号：CN202210047848.4
申请日：2022-01-17
Applicant: 华南理工大学
IPC: G06V40/10 , G06V10/762 , G06V10/82 , G06N3/045 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于毫米波雷达点云聚类和深度学习的行人识别方法，包括：1)对毫米波雷达采集的原始点云数据进行点云聚类的预处理；2)使用预处理的点云数据训练由空间特征提取模块、注意力模块、时间特征提取模块组成的深度学习网络模型，再输入待测数据，得到行人识别的结果；其中，使用PointNet++网络作为空间特征提取模块，批次提取每帧点云的空间特征；使用注意力模块衡量每一帧提取到的空间特征并对空间特征向量加权；使用两个堆叠的长短期记忆网络作为时间特征提取模块。本发明使用毫米波雷达采集的点云数据，在深度学习网络中提取点云的空间特征和时间特征并加入注意力模块，更好地提取不同特征通道之间更深层次的关系特征，提高识别准确度。
-
Patent Agency Ranking
公开(公告)号：CN114529939A
公开(公告)日：2022-05-24
申请号：CN202210047848.4
申请日：2022-01-17
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于毫米波雷达点云聚类和深度学习的行人识别方法，包括：1)对毫米波雷达采集的原始点云数据进行点云聚类的预处理；2)使用预处理的点云数据训练由空间特征提取模块、注意力模块、时间特征提取模块组成的深度学习网络模型，再输入待测数据，得到行人识别的结果；其中，使用PointNet++网络作为空间特征提取模块，批次提取每帧点云的空间特征；使用注意力模块衡量每一帧提取到的空间特征并对空间特征向量加权；使用两个堆叠的长短期记忆网络作为时间特征提取模块。本发明使用毫米波雷达采集的点云数据，在深度学习网络中提取点云的空间特征和时间特征并加入注意力模块，更好地提取不同特征通道之间更深层次的关系特征，提高识别准确度。
-
公开(公告)号：CN114677758A
公开(公告)日：2022-06-28
申请号：CN202210286405.0
申请日：2022-03-23
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于毫米波雷达点云的步态识别方法，包括：1)对雷达输出的原始点云进行聚类、追踪获取目标点；2)坐标转换；3)使用随机采样的方法固定每一帧的目标点云数量；4)使用PointNet与双向LSTM获取步态的时间特征向量，使用T‑Net结合PointNet获取步态的空间特征向量；5)对全局特征进行距离计算，确认身份类别。本发明采用毫米波雷达采集人行走过程中的步态信息，降低了环境光照、水汽的影响；采用3D点云学习人行走过程中的运动特征，点既有3D空间坐标又有信噪比、速度信息，保证步态特征的丰富性；通过随机采样固定每一帧的点云数量，与RGB图像相比，降低了计算开销；通过计算人在行走过程中的时序特征与空间特征，进一步提高步态识别精度。
-
公开(公告)号：CN114373108A
公开(公告)日：2022-04-19
申请号：CN202111666209.8
申请日：2021-12-31
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度学习的时序点云数据增强方法，包括：1)按采集的时间顺序对点云进行排序；2)抽取k个点云作为原始样本，并指定网络的总共迭代次数为T，网络包含增强器和分类器；3)将原始样本输入到增强器中进行数据增强，得到增强样本；4)将原始样本与增强样本输入到分类器中，利用分类器的分类结果得到分类损失值与增强损失值；5)利用分类损失值与增强损失值，采用反向传播算法更新增强器与分类器的参数，若网络的迭代次数t小于网络的总共迭代次数T，则跳转至步骤2)，否则终止训练，得到最终的分类器参数。本发明为使用时序点云作为输入样本的深度学习模型提供一种数据增强方法，缓解深度学习模型的过拟合情况，协助对点云进行分类的任务。
-
公开(公告)号：CN114677758B
公开(公告)日：2024-09-20
申请号：CN202210286405.0
申请日：2022-03-23
Applicant: 华南理工大学
IPC: G06V40/20 , G06N3/0442 , G06N3/08 , G06V10/762 , G06V10/82
Abstract: 本发明公开了一种基于毫米波雷达点云的步态识别方法，包括：1)对雷达输出的原始点云进行聚类、追踪获取目标点；2)坐标转换；3)使用随机采样的方法固定每一帧的目标点云数量；4)使用PointNet与双向LSTM获取步态的时间特征向量，使用T‑Net结合PointNet获取步态的空间特征向量；5)对全局特征进行距离计算，确认身份类别。本发明采用毫米波雷达采集人行走过程中的步态信息，降低了环境光照、水汽的影响；采用3D点云学习人行走过程中的运动特征，点既有3D空间坐标又有信噪比、速度信息，保证步态特征的丰富性；通过随机采样固定每一帧的点云数量，与RGB图像相比，降低了计算开销；通过计算人在行走过程中的时序特征与空间特征，进一步提高步态识别精度。
-
公开(公告)号：CN114373108B
公开(公告)日：2024-09-17
申请号：CN202111666209.8
申请日：2021-12-31
Applicant: 华南理工大学
IPC: G06V10/774 , G06V10/62 , G06V10/42 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的时序点云数据增强方法，包括：1)按采集的时间顺序对点云进行排序；2)抽取k个点云作为原始样本，并指定网络的总共迭代次数为T，网络包含增强器和分类器；3)将原始样本输入到增强器中进行数据增强，得到增强样本；4)将原始样本与增强样本输入到分类器中，利用分类器的分类结果得到分类损失值与增强损失值；5)利用分类损失值与增强损失值，采用反向传播算法更新增强器与分类器的参数，若网络的迭代次数t小于网络的总共迭代次数T，则跳转至步骤2)，否则终止训练，得到最终的分类器参数。本发明为使用时序点云作为输入样本的深度学习模型提供一种数据增强方法，缓解深度学习模型的过拟合情况，协助对点云进行分类的任务。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
