-
公开(公告)号：CN103839272A
公开(公告)日：2014-06-04
申请号：CN201410113556.1
申请日：2014-03-25
Applicant: 重庆大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于K均值聚类法的脑磁共振图像配准方法，首先利用Harris算子和SUSAN算子的混合角点检测获取总角点集，利用角点强度筛选出新的角点集，采用互相关系数法进行粗匹配筛选，然后引入K均值聚类法对角点进行聚类，之后结合归一化相关法和投票匹配法筛选出精准的角点对，最后采用Powell算法对角点集合进行优化，得到重建参数值，对图像进行最终配准。其显著效果是：本发明具有良好的稳定性，能够完整、正确地描述特征点信息，减少了后续运算中程序的运行时间，提高了配准精度，实现对图像配准算法更精确、更有效率的改进，能更好的兼容大范围波动的变换图像。
-
公开(公告)号：CN104835498B
公开(公告)日：2018-12-18
申请号：CN201510268063.X
申请日：2015-05-25
Applicant: 重庆大学
Abstract: 本发明提供了一种基于多类型组合特征参数的声纹识别方法，包括以下步骤：语音信号的采集输入、语音信号预处理、语音信号组合特征参数提取：即提取MFCC、LPCC、ΔMFCC、ΔLPCC、能量、能量的一阶差分、GFCC特征参数共同组成多维特征向量、采用遗传算法对多维特征参数进行筛选、引入通用背景模型UBM训练得到说话人的声音模型、最后利用GMM‑UBM模型对测试语音进行识别。与单一的语音信号特征参数进行声纹识别相比，采用组合特征参数并使用GMM‑UBM模型的声纹识别系统，有效地提高了声纹识别的识别准确率和系统稳定性。
-
Patent Agency Ranking
公开(公告)号：CN104900235A
公开(公告)日：2015-09-09
申请号：CN201510268390.5
申请日：2015-05-25
Applicant: 重庆大学
Abstract: 本发明提供了一种基于基音周期混合特征参数的声纹识别方法，包括以下步骤：语音信号的采集输入、语音信号预处理、语音信号组合特征参数提取：即提取基音周期、LPCC、ΔLPCC、能量、能量的一阶差分、GFCC特征参数共同组合成多维特征向量、采用离散二进制粒子群优化算法对多维特征参数进行筛选、引入通用背景模型UBM训练得到说话人的声音模型、最后利用GMM-UBM模型对测试语音进行识别。与单一的语音信号特征参数进行声纹识别相比，采用组合特征参数并使用GMM-UBM模型的声纹识别系统，有效地提高了声纹识别的识别准确率和系统稳定性。
-
公开(公告)号：CN103440665A
公开(公告)日：2013-12-11
申请号：CN201310418228.8
申请日：2013-09-13
Applicant: 重庆大学
Abstract: 本发明公开一种膝关节软骨图像自动分割方法，其特征在于：包括基于SVM的边缘定位步骤和基于区域生长法的图像分割步骤，其中：其中基于SVM的边缘定位步骤包括：膝关节MRI图像的采集和转换、自适应Canny边缘检测以及基于SVM软骨边缘分类，基于区域生长法的图像分割步骤主要采用改进的自动选取种子点的区域生长法分割软骨组织。本发明的有益效果为：对膝关节MRI图像进行软骨分割，有效的利用模式识别与边缘检测相结合实现精准定位，再与区域生长法结合充分定位互补，实现待分割区域的内部相似特性和外部差异特性相结合；有效克服了传统分割方法的结果过分割或分割不准确等缺点。
-
公开(公告)号：CN104900235B
公开(公告)日：2019-05-28
申请号：CN201510268390.5
申请日：2015-05-25
Applicant: 重庆大学
Abstract: 本发明提供了一种基于基音周期混合特征参数的声纹识别方法，包括以下步骤：语音信号的采集输入、语音信号预处理、语音信号组合特征参数提取：即提取基音周期、LPCC、ΔLPCC、能量、能量的一阶差分、GFCC特征参数共同组合成多维特征向量、采用离散二进制粒子群优化算法对多维特征参数进行筛选、引入通用背景模型UBM训练得到说话人的声音模型、最后利用GMM‑UBM模型对测试语音进行识别。与单一的语音信号特征参数进行声纹识别相比，采用组合特征参数并使用GMM‑UBM模型的声纹识别系统，有效地提高了声纹识别的识别准确率和系统稳定性。
-
公开(公告)号：CN103829944A
公开(公告)日：2014-06-04
申请号：CN201410113578.8
申请日：2014-03-26
Applicant: 重庆大学
IPC: A61B5/053
Abstract: 本发明公开了一种基于模式识别的胸阻抗信号处理方法，首先对获取的胸阻抗信号采用小波阈值去噪法去除胸阻抗信号中的高频噪声，其次采用形态学滤波法去除胸阻抗信号中的基线漂移，获得平滑的信号波形，接着采用多分辨率窗口搜索法进行波形定位，最后采用线性识别分析法对所获信号进行模式分类识别，获取正确的按压波形和通气波形。其显著效果是：本发明将小波去噪法、形态学滤波法和多分辨率窗口搜索法有机结合，能够有效的排除大部分畸变和噪声的干扰，正确地识别按压和通气波形，并达到实时处理的要求，从而计算出TTI信号的各项所需的参数，并反馈给心肺复苏操作人员对CPR过程提供指导。
-
公开(公告)号：CN104835498A
公开(公告)日：2015-08-12
申请号：CN201510268063.X
申请日：2015-05-25
Applicant: 重庆大学
Abstract: 本发明提供了一种基于多类型组合特征参数的声纹识别方法，包括以下步骤：语音信号的采集输入、语音信号预处理、语音信号组合特征参数提取：即提取MFCC、LPCC、ΔMFCC、ΔLPCC、能量、能量的一阶差分、GFCC特征参数共同组成多维特征向量、采用遗传算法对多维特征参数进行筛选、引入通用背景模型UBM训练得到说话人的声音模型、最后利用GMM-UBM模型对测试语音进行识别。与单一的语音信号特征参数进行声纹识别相比，采用组合特征参数并使用GMM-UBM模型的声纹识别系统，有效地提高了声纹识别的识别准确率和系统稳定性。
-
-
-
-
-
-
Search Results
7
records
(took 0.027 seconds)
