-
公开(公告)号：CN111898621B
公开(公告)日：2023-09-05
申请号：CN202010777341.5
申请日：2020-08-05
Applicant: 苏州大学
IPC: G06V10/44 , G06V10/46 , G06V10/82 , G06V10/75 , G06V10/774 , G06N3/0464 , G06T7/62 , G06T7/90 , G06F17/16
Abstract: 本发明提出一种轮廓形状识别方法，抽样提取形状样本的轮廓显著特征点；使用三种形状描述子，计算形状样本在半全局尺度中的特征函数；以单像素为间距划分尺度，得到全尺度空间下的形状特征函数；将各个尺度下的特征函数值存入矩阵，得到全尺度空间下形状样本三种特征的灰度图表达；将该形状样本的三种灰度图表达作为RGB三个通道合成一张彩色特征表达图像；将该形状样本与特征表达图像同时作为输入，构成双流卷积神经网络；训练双流卷积神经网络，将测试样本输入至训练好的网络模型中，实现形状分类。
-
公开(公告)号：CN113191361B
公开(公告)日：2023-08-01
申请号：CN202110418108.2
申请日：2021-04-19
Applicant: 苏州大学
IPC: G06V10/26 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种形状识别方法，提取形状样本的轮廓关键点；定义各关键点处的近似偏置曲率值并判断关键点处的凹凸性，以获取候选分割点；调整曲率筛选阈值，得到形状分割点；计算最小分割代价进行形状分割，得到若干子形状部分；构建形状样本的拓扑结构；使用形状的全尺度可视化表示方法，得到对应子形状部分的特征表达图像；将各特征表达图像输入卷积神经网络进行训练，学习得到各子形状部分的特征向量；构造形状样本的特征矩阵；构建图卷积神经网络；训练图卷积神经网络，获取测试样本的特征矩阵和邻接矩阵，并输入至训练好的图卷积网络模型中，实现形状分类识别。
-
公开(公告)号：CN113191361A
公开(公告)日：2021-07-30
申请号：CN202110418108.2
申请日：2021-04-19
Applicant: 苏州大学
Abstract: 本发明提出一种形状识别方法，提取形状样本的轮廓关键点；定义各关键点处的近似偏置曲率值并判断关键点处的凹凸性，以获取候选分割点；调整曲率筛选阈值，得到形状分割点；计算最小分割代价进行形状分割，得到若干子形状部分；构建形状样本的拓扑结构；使用形状的全尺度可视化表示方法，得到对应子形状部分的特征表达图像；将各特征表达图像输入卷积神经网络进行训练，学习得到各子形状部分的特征向量；构造形状样本的特征矩阵；构建图卷积神经网络；训练图卷积神经网络，获取测试样本的特征矩阵和邻接矩阵，并输入至训练好的图卷积网络模型中，实现形状分类识别。
-
公开(公告)号：CN111898621A
公开(公告)日：2020-11-06
申请号：CN202010777341.5
申请日：2020-08-05
Applicant: 苏州大学
Abstract: 本发明提出一种轮廓形状识别方法，抽样提取形状样本的轮廓显著特征点；使用三种形状描述子，计算形状样本在半全局尺度中的特征函数；以单像素为间距划分尺度，得到全尺度空间下的形状特征函数；将各个尺度下的特征函数值存入矩阵，得到全尺度空间下形状样本三种特征的灰度图表达；将该形状样本的三种灰度图表达作为RGB三个通道合成一张彩色特征表达图像；将该形状样本与特征表达图像同时作为输入，构成双流卷积神经网络；训练双流卷积神经网络，将测试样本输入至训练好的网络模型中，实现形状分类。
-
-
-
Search Results
4
records
(took 0.015 seconds)
