-
公开(公告)号：CN110858280B
公开(公告)日：2023-02-28
申请号：CN201810960628.4
申请日：2018-08-22
Applicant: 西安工程大学
Abstract: 本发明公开了一种基于LGBPHS和CNN的大规模人脸识别方法，具体按照以下顺利进行：使用人眼检测器对所有训练图像和测试图像进行归一化处理；通过LGBPHS方法对经步骤1归一化处理后的训练图像和测试图像进行提取，得到K维人脸特征；通过卷积神经网络对经步骤1归一化处理后的训练图像和测试图像进行提取，得到128维人脸特征；将步骤2得到的K维人脸特征和步骤3得到的128维人脸特征进行融合，得到K+128维人脸特征；训练多类SVM对测试图像进行识别。该方法提高了图像旋转和噪声的鲁棒性，改善对宏观纹理和大的外观变化的有效性，提高非实验室环境下人脸识别的准确率。
-
公开(公告)号：CN110858280A
公开(公告)日：2020-03-03
申请号：CN201810960628.4
申请日：2018-08-22
Applicant: 西安工程大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于LGBPHS和CNN的大规模人脸识别方法，具体按照以下顺利进行：使用人眼检测器对所有训练图像和测试图像进行归一化处理；通过LGBPHS方法对经步骤1归一化处理后的训练图像和测试图像进行提取，得到K维人脸特征；通过卷积神经网络对经步骤1归一化处理后的训练图像和测试图像进行提取，得到128维人脸特征；将步骤2得到的K维人脸特征和步骤3得到的128维人脸特征进行融合，得到K+128维人脸特征；训练多类SVM对测试图像进行识别。该方法提高了图像旋转和噪声的鲁棒性，改善对宏观纹理和大的外观变化的有效性，提高非实验室环境下人脸识别的准确率。
-
公开(公告)号：CN111563920B
公开(公告)日：2023-04-07
申请号：CN202010295862.7
申请日：2020-04-15
Applicant: 西安工程大学
IPC: G06T7/33 , G06V10/762 , G06V10/764 , G06N3/006
Abstract: 本发明公开了一种全局优化与多约束条件迭代的3D彩色点云配准方法。首先，采用基于标记的多状态离群算法有效剔除噪声、离群点及离群点簇后；其次，利用PSO粒子群优化算法对其进行初步粗配准处理；再次，使用蚁群优化算法对其进行全局优化处理；最后，采用全局多约束条件迭代最近点精确配准算法对其进行精配准处理。在粗配准过程中，利用蚁群优化算法对其结果进行全局优化，不仅减少粗配准的错误配对，提高了粗配准精度，还为后续的精配准处理初始化一个精度较高的初始值，进而缩短整个配准的时间；在精配准过程中，采用对应点之间欧氏距离和曲率双约束条件ICP迭代精配准处理，使得配准的精度得到一定的提高。
-
公开(公告)号：CN110349094A
公开(公告)日：2019-10-18
申请号：CN201910506642.1
申请日：2019-06-12
Applicant: 西安工程大学
IPC: G06T5/00
Abstract: 本发明公开了基于统计离群和自适应双边混合滤波的3D点云去噪方法，首先，计算3D点云中每个点到其最近K邻域点的平均距离、平均距离的期望值、标准差及距离阈值；其次，判断若平均距离大于距离阈值，则滤除掉，否则，保留，得到初次去噪后的3D点云数据；最后，计算双边平滑滤波因子，并利用该平滑滤波器处理初次去噪后的3D点云数据，得到最终去噪后的3D点云数据。本发明方法是将统计离群消除滤波器和自适应双边滤波器有效的结合起来对3D点云数据进行去噪处理。结果表明，该发明方法不仅去除了离群噪音点，而且还去除了起伏噪音点。与此同时，去噪后3D点云数据的边界更平滑，为后续3D点云数据的分割和特征提取奠定良好的基础。
-
公开(公告)号：CN117557829A
公开(公告)日：2024-02-13
申请号：CN202311318321.1
申请日：2023-10-12
Applicant: 西安工程大学
IPC: G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明公开了基于双分支残差神经网络的食用油光谱图像分类方法，具体为：通过光谱收集系统收集油品样本高光谱信息，使用标准正态变量校正油品样本因颗粒散射引起的光谱误差；使用无信息变量去除算法提取光谱波长有效波段；使用双分支残差神经网络模型，对光谱特征进行训练，得到每个样本的分类结果，实现对食用油掺假的检测。本发明的方法，将标准正态变量校正(SNV)与无信息变量去除算法(UVE)结合，能够将光谱数据集进行误差校正并去除冗余信息。本发明的双分支残差神经网络模型，能够提取光谱数据的二维空间、三维空谱联合特征并进行特征融合，提高了食用油光谱数据的检测准确率。
-
Patent Agency Ranking
公开(公告)号：CN108961271B
公开(公告)日：2022-01-07
申请号：CN201810679746.8
申请日：2018-06-27
Applicant: 西安工程大学
Abstract: 本发明公开了一种彩色3D点云超体素凹凸分割算法，首先，分别利用统计离群消除滤波器和体素网格滤波器对3D点云数据进行去噪和简化处理，再划分成若干个大小形同的体素，计算各个体素的平均曲率，并将平均曲率最小的体素作为种子体素，进行区域增长，形成超体素，之后构建超体素邻接关系图，并判断相邻超体素间凹凸性、连续性、色差值是都满足要求，进行增长，最后将所有的超体素都归并标记处理完，结束增长，即可得到分割结果。本发明方法在凹凸分割过程中加入了连续性检测和颜色检测准则，减少了处理的时间，提高了分割效果。
-
公开(公告)号：CN114022486A
公开(公告)日：2022-02-08
申请号：CN202111215394.9
申请日：2021-10-19
Applicant: 西安工程大学
Abstract: 本发明公开了一种基于改进型U‑net网络的医学图像分割方法，包括：S1：获取医学图像；S2：对所述医学图像进行预处理；S3：将所述预处理后的所述医学图像，输入训练后的基于inception的U‑net神经网络，得到医学图像分割结果。本发明实施例提供的一种基于改进型U‑net网络的医学图像分割方法，与现有技术相比较，分割边缘清晰，分割精度高，网络的泛化能力强；同时参数量小，使得训练时间减少，提高了训练效率。
-
公开(公告)号：CN110348310A
公开(公告)日：2019-10-18
申请号：CN201910506043.X
申请日：2019-06-12
Applicant: 西安工程大学
Abstract: 本发明公开了一种霍夫投票3D彩色点云识别方法，首先，分别提取测试物体和3D模型的关键点，计算每一个关键点的SHOT特征描述子，并计算测试物体关键点和模型关键点的特征匹配度函数δ(a，b)；其次，选择3D模型表面任意一个点作为参考点，计算关键点到参考点之间的参考向量，并将此参考向量经坐标转换为测试物体的参考向量；最后，对测试物体的参考向量进行霍夫投票，若投票数达到给定的阈值且投票位置在物体表面时，则认为测试物体为模型物体，识别成功，否则，识别失败。由于本发明在识别过程中采用均匀采样算法提取关键点，选择3D模型表面任意一点为参考点，以及特征匹配度函数的加入，减少了识别时间，提高了识别的准确率。
-
公开(公告)号：CN108961271A
公开(公告)日：2018-12-07
申请号：CN201810679746.8
申请日：2018-06-27
Applicant: 西安工程大学
CPC classification number: G06T7/11 , G06T5/002 , G06T7/64 , G06T7/90 , G06T2207/10028
Abstract: 本发明公开了一种彩色3D点云超体素凹凸分割算法，首先，分别利用统计离群消除滤波器和体素网格滤波器对3D点云数据进行去噪和简化处理，再划分成若干个大小形同的体素，计算各个体素的平均曲率，并将平均曲率最小的体素作为种子体素，进行区域增长，形成超体素，之后构建超体素邻接关系图，并判断相邻超体素间凹凸性、连续性、色差值是都满足要求，进行增长，最后将所有的超体素都归并标记处理完，结束增长，即可得到分割结果。本发明方法在凹凸分割过程中加入了连续性检测和颜色检测准则，减少了处理的时间，提高了分割效果。
-
公开(公告)号：CN114022486B
公开(公告)日：2024-07-23
申请号：CN202111215394.9
申请日：2021-10-19
Applicant: 西安工程大学
IPC: G06T7/10 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于改进型U‑net网络的医学图像分割方法，包括：S1：获取医学图像；S2：对所述医学图像进行预处理；S3：将所述预处理后的所述医学图像，输入训练后的基于inception的U‑net神经网络，得到医学图像分割结果。本发明实施例提供的一种基于改进型U‑net网络的医学图像分割方法，与现有技术相比较，分割边缘清晰，分割精度高，网络的泛化能力强；同时参数量小，使得训练时间减少，提高了训练效率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
