-
公开(公告)号：CN104463099B
公开(公告)日：2017-10-31
申请号：CN201410619411.9
申请日：2014-11-05
Applicant: 哈尔滨工程大学
Abstract: 本发明属于模式识别领域，具体涉及一种基于图的半监督耦合度量的多角度步态识别方法。本发明包括：采用码本检测方法从视频流中得到目标轮廓序列；在一个周期中采用步态能量图提取步态的整体特征；构建多视角步态识别系统的离线训练阶段，训练得到基于图的半监督耦合投影矩阵对；对测试视频进行目标轮廓的提取，对大小归一化的轮廓序列检测步态周期，生成单周期的步态能量图特征，通过视角估计选取的基于图的半监督耦合投影矩阵对。本发明解决了传统步态识别方法需要存储所有视角下步态特征的高存储需求问题，对任意角度行走的步态的身份识别有效。
-
公开(公告)号：CN103020986B
公开(公告)日：2016-05-04
申请号：CN201210487250.3
申请日：2012-11-26
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种运动目标跟踪方法，包括以下步骤：第一步，基于码本模型的快速运动目标检测方法准确检测到运动目标；第二步，对在线Adaboost算法弱分类器组初始化，得到强分类器，运动目标特征的选取融合了局部方向直方图特征与颜色特征；第三步，将在线Adaboost跟踪算法的特征矩阵和弱分类器运算得到置信图，在置信图上应用CamShift跟踪算法，根据得到的运动目标位置更新弱分类器，最后得到整段视频序列的跟踪结果。本发明本提供一种对短时间内发生较大形变的、发生遮挡甚至是大面积遮挡的、与背景及其他运动目标颜色相近、快速变化且有加速度的运动目标都能有效跟踪的一种运动目标跟踪方法。
-
公开(公告)号：CN103020986A
公开(公告)日：2013-04-03
申请号：CN201210487250.3
申请日：2012-11-26
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种运动目标跟踪方法，包括以下步骤：第一步，基于码本模型的快速运动目标检测方法准确检测到运动目标；第二步，对在线Adaboost算法弱分类器组初始化，得到强分类器，运动目标特征的选取融合了局部方向直方图特征与颜色特征；第三步，将在线Adaboost跟踪算法的特征矩阵和弱分类器运算得到置信图，在置信图上应用CamShift跟踪算法，根据得到的运动目标位置更新弱分类器，最后得到整段视频序列的跟踪结果。本发明本提供一种对短时间内发生较大形变的、发生遮挡甚至是大面积遮挡的、与背景及其他运动目标颜色相近、快速变化且有加速度的运动目标都能有效跟踪的一种运动目标跟踪方法。
-
公开(公告)号：CN104217211B
公开(公告)日：2017-05-24
申请号：CN201410386741.8
申请日：2014-08-07
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于最优判别耦合投影的多视角步态识别方法。对训练集里多个已知视角的步态视频序列进行提取，得到最优判别耦合投影矩阵对；对注册集中标准视角的步态视频序列进行提取、存储；对测试集中的多个步态视频序列进行提取和估计；将注册集中标准视角步态特征和测试集中步态特征通过视角估计选取的最优判别耦合投影矩阵对，投影到具有最优判别能力或最优类可分性的共同耦合步态特征空间中，并在其中进行相似性度量，得到步态识别结果。本发明将测试视角步态特征和注册标准视角步态特征投影到共同的最具判别能力的耦合空间中，使得测试步态视角与注册集中标准步态视角存在显著差异时，多视角步态识别系统仍能获得高识别率。
-
公开(公告)号：CN103927524B
公开(公告)日：2017-04-12
申请号：CN201410172289.5
申请日：2014-04-25
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种多角度的步态周期检测方法，其特征在于：步骤1：从步态视频流中得到二值化的步态序列，对序列进行正面步态和非正面步态分类；步骤2：若序列为正面步态，则前臂、小腿和脚部区域的图像像素变化，求取极值点，得到步态周期；步骤3：若序列为非正面步态，则检测腿部区域的能量变化，求取极值点，得到步态周期。
-
Patent Agency Ranking
公开(公告)号：CN104899604A
公开(公告)日：2015-09-09
申请号：CN201510306292.6
申请日：2015-06-08
Applicant: 哈尔滨工程大学
IPC: G06K9/62
CPC classification number: G06K9/627
Abstract: 本发明公开了一种基于数据集合并的特征级融合方法。包括训练过程和识别过程，从两个传感器分别获取数据集，基于耦合映射方法的特性将耦合空间里的所有数据合并为同一个数据集，其数据容量为原始两个集合的样本数之和，之后进行二次特征提取，得到一个最终所需的特征集合，而后加入常规特征级融合方法得到另一个更具分类判别能力的特征集合，从而提高模式识别系统的识别率。对任意形式的测试对象进行变换得到最终特征，并采用这一特征与训练特征集合里的特征进行匹配，得到识别结果。本发明能够扩大特征级融合的应用范围，提高识别率。
-
公开(公告)号：CN104217211A
公开(公告)日：2014-12-17
申请号：CN201410386741.8
申请日：2014-08-07
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于最优判别耦合投影的多视角步态识别方法。对训练集里多个已知视角的步态视频序列进行提取，得到最优判别耦合投影矩阵对；对注册集中标准视角的步态视频序列进行提取、存储；对测试集中的多个步态视频序列进行提取和估计；将注册集中标准视角步态特征和测试集中步态特征通过视角估计选取的最优判别耦合投影矩阵对，投影到具有最优判别能力或最优类可分性的共同耦合步态特征空间中，并在其中进行相似性度量，得到步态识别结果。本发明将测试视角步态特征和注册标准视角步态特征投影到共同的最具判别能力的耦合空间中，使得测试步态视角与注册集中标准步态视角存在显著差异时，多视角步态识别系统仍能获得高识别率。
-
公开(公告)号：CN101564300B
公开(公告)日：2011-03-16
申请号：CN200910072171.4
申请日：2009-06-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于区域特征分析的步态周期检测方法。包括行人目标轮廓的获取和步态周期检测；所述的行人目标轮廓的获取的方法为，首先从视频中提取单帧图像进行灰度变换，然后计算各像素点在逐帧中的中值，作为整个序列的背景图像，最后采用背景减除法提取人体目标，用数学形态学填补二值化图像的空洞、单连通分析提取人的侧影，使人体居中，将图像的大小统一为64*64像素；所述的步态周期检测是将步态周期分析问题转化为单帧的图形区域特征分析问题，即根据每帧中图形区域的特征变化情况来分析步态的周期。本发明不但计算量小，而且已经达到人主观判断步态周期的精度，为实时的步态识别提供了可能。
-
公开(公告)号：CN104899604B
公开(公告)日：2018-07-24
申请号：CN201510306292.6
申请日：2015-06-08
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于数据集合并的特征级融合方法。包括训练过程和识别过程，从两个传感器分别获取数据集，基于耦合映射方法的特性将耦合空间里的所有数据合并为同一个数据集，其数据容量为原始两个集合的样本数之和，之后进行二次特征提取，得到一个最终所需的特征集合，而后加入常规特征级融合方法得到另一个更具分类判别能力的特征集合，从而提高模式识别系统的识别率。对任意形式的测试对象进行变换得到最终特征，并采用这一特征与训练特征集合里的特征进行匹配，得到识别结果。本发明能够扩大特征级融合的应用范围，提高识别率。
-
公开(公告)号：CN104463099A
公开(公告)日：2015-03-25
申请号：CN201410619411.9
申请日：2014-11-05
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/00348 , G06K9/6276
Abstract: 本发明属于模式识别领域，具体涉及一种基于图的半监督耦合度量的多角度步态识别方法。本发明包括：采用码本检测方法从视频流中得到目标轮廓序列；在一个周期中采用步态能量图提取步态的整体特征；构建多视角步态识别系统的离线训练阶段，训练得到基于图的半监督耦合投影矩阵对；对测试视频进行目标轮廓的提取，对大小归一化的轮廓序列检测步态周期，生成单周期的步态能量图特征，通过视角估计选取的基于图的半监督耦合投影矩阵对。本发明解决了传统步态识别方法需要存储所有视角下步态特征的高存储需求问题，对任意角度行走的步态的身份识别有效。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.032 seconds)
