-
公开(公告)号：CN110223344B
公开(公告)日：2023-09-29
申请号：CN201910474487.X
申请日：2019-06-03
Applicant: 哈尔滨工程大学
Abstract: 本发明属于目标检测技术领域，具体涉及一种基于形态学和视觉注意机制的红外小目标检测方法。本发明包括以下步骤：利用形态学方法进行图像增强；利用利用高斯差分DoG滤波器对增强后图像进行处理；将高斯滤波后的目标周围区域分为A0、A1和A2三部分，并统计各区域之间的亮度关系，如果其像素亮度关系满足草帽型分布，则将该区域标记为候选目标区域，并记录区域的大小；根据A0、A1、A2之间的亮度关系以及A0区域的大小，对候选区域做进一步增强处理；经过上述处理之后，将图像矩阵亮度最大值的位置记作红外小目标位置。本发明能够自动判别红外小目标的大小，在增强小目标的同时抑制复杂背景杂波干扰。
-
公开(公告)号：CN113838091B
公开(公告)日：2023-12-12
申请号：CN202111117021.8
申请日：2021-09-23
Applicant: 哈尔滨工程大学
Abstract: 本发明属于目标跟踪技术领域，具体涉及一种稀疏目标跟踪方法。本发明利用Mask R‑CNN获得各目标的精确前景图像区域，并利用ReID网络提取各目标的128维前景特征；在原视频图像上以各个目标为中心，裁剪出包含背景的目标图像块，并将裁剪后各个目标图像块输入到ReID网络，提取128维前景+背景特征；利用卡尔曼滤波进行轨迹预测，并利用余弦距离和匈牙利算法获得目标前景特征匹配结果和目标前景+背景特征匹配结果；对级联匹配后的结果进行IoU匹配；利用IoU匹配结果对各个目标轨迹进行更新。本发明通过引入目标前景信息、目标前景+背景信息和近邻目标信息来提高跟踪精度、改善跟踪性能。
-
公开(公告)号：CN110796599A
公开(公告)日：2020-02-14
申请号：CN201910977225.5
申请日：2019-10-15
Applicant: 哈尔滨工程大学
IPC: G06T3/40
Abstract: 本发明属于图像重建领域，特别是涉及一种视网膜图像超分辨率重建的通道加权生成式对抗网络方法。本发明包括：1)预处理视网膜图像数据集；2)在原始SRGAN模型中加入SENet，构建基于通道加权的生成网络和判别网络；3)设计新的融合损失函数，用于保留有用的低频信息和局部纹理细节信息；4)用训练数据集训练模型；5)使用训练好的生成模型对视网膜图像进行重建，得到相应的超分辨率重建图像。本发明重建图像与原始视网膜图像亮度更加一致，重建后的视网膜图像的细节信息丰富。
-
公开(公告)号：CN110796599B
公开(公告)日：2023-08-01
申请号：CN201910977225.5
申请日：2019-10-15
Applicant: 哈尔滨工程大学
IPC: G06T3/40
Abstract: 本发明属于图像重建领域，特别是涉及一种视网膜图像超分辨率重建的通道加权生成式对抗网络方法。本发明包括：1)预处理视网膜图像数据集；2)在原始SRGAN模型中加入SENet，构建基于通道加权的生成网络和判别网络；3)设计新的融合损失函数，用于保留有用的低频信息和局部纹理细节信息；4)用训练数据集训练模型；5)使用训练好的生成模型对视网膜图像进行重建，得到相应的超分辨率重建图像。本发明重建图像与原始视网膜图像亮度更加一致，重建后的视网膜图像的细节信息丰富。
-
Patent Agency Ranking
公开(公告)号：CN113947782A
公开(公告)日：2022-01-18
申请号：CN202111197529.3
申请日：2021-10-14
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于注意力机制的行人目标对齐方法，本发明为解决目标丢失和遮挡问题，通过过程优化和局部特征提取来提高对齐精度、改善对齐性能。本发明对齐精度高，充分利用行人图像特征的全局结构信息和局部原始信息，有效处理行人目标遮挡问题并缓解了局部特征不对齐问题对算法性能的影响。
-
公开(公告)号：CN113947782B
公开(公告)日：2024-06-07
申请号：CN202111197529.3
申请日：2021-10-14
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于注意力机制的行人目标对齐方法，本发明为解决目标丢失和遮挡问题，通过过程优化和局部特征提取来提高对齐精度、改善对齐性能。本发明对齐精度高，充分利用行人图像特征的全局结构信息和局部原始信息，有效处理行人目标遮挡问题并缓解了局部特征不对齐问题对算法性能的影响。
-
公开(公告)号：CN115424182A
公开(公告)日：2022-12-02
申请号：CN202211130499.9
申请日：2022-09-16
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于图卷积神经网络的多目标跟踪方法，将目标外观特征、目标运动特征和交互特征用于跟踪过程。采用的方案是：首先，构建由重识别(Re‑identification，ReID)模块、外观GCN、运动GCN、外观融合模块、位置融合模块、边权重融合模块和特征相似度融合模块构成的跟踪模型。然后，将目标外观信息和位置信息作为模型输入，利用跟踪模型中的多种融合模块实现目标外观信息和运动信息的多层次融合。接下来，利用Adam优化器和二元交叉熵损失函数训练上述目标跟踪模型。然后，将检测器获得检测结果输入训练好的跟踪模型，得到关联矩阵，并利用匈牙利算法得到初步匹配结果。最后，使用线性插值算法得到多目标跟踪结果。
-
公开(公告)号：CN113838091A
公开(公告)日：2021-12-24
申请号：CN202111117021.8
申请日：2021-09-23
Applicant: 哈尔滨工程大学
Abstract: 本发明属于目标跟踪技术领域，具体涉及一种稀疏目标跟踪方法。本发明利用Mask R‑CNN获得各目标的精确前景图像区域，并利用ReID网络提取各目标的128维前景特征；在原视频图像上以各个目标为中心，裁剪出包含背景的目标图像块，并将裁剪后各个目标图像块输入到ReID网络，提取128维前景+背景特征；利用卡尔曼滤波进行轨迹预测，并利用余弦距离和匈牙利算法获得目标前景特征匹配结果和目标前景+背景特征匹配结果；对级联匹配后的结果进行IoU匹配；利用IoU匹配结果对各个目标轨迹进行更新。本发明通过引入目标前景信息、目标前景+背景信息和近邻目标信息来提高跟踪精度、改善跟踪性能。
-
公开(公告)号：CN110223344A
公开(公告)日：2019-09-10
申请号：CN201910474487.X
申请日：2019-06-03
Applicant: 哈尔滨工程大学
Abstract: 本发明属于目标检测技术领域，具体涉及一种基于形态学和视觉注意机制的红外小目标检测方法。本发明包括以下步骤：利用形态学方法进行图像增强；利用利用高斯差分DoG滤波器对增强后图像进行处理；将高斯滤波后的目标周围区域分为A0、A1和A2三部分，并统计各区域之间的亮度关系，如果其像素亮度关系满足草帽型分布，则将该区域标记为候选目标区域，并记录区域的大小；根据A0、A1、A2之间的亮度关系以及A0区域的大小，对候选区域做进一步增强处理；经过上述处理之后，将图像矩阵亮度最大值的位置记作红外小目标位置。本发明能够自动判别红外小目标的大小，在增强小目标的同时抑制复杂背景杂波干扰。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.03 seconds)
