-
公开(公告)号：CN113487713A
公开(公告)日：2021-10-08
申请号：CN202110665786.9
申请日：2021-06-16
申请人： 中南民族大学
摘要： 本申请公开了一种点云特征提取方法、装置及电子设备，涉及图像处理技术领域，其包括：获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域；以质心点为原点构建八象限坐标系，并于每个象限构建一个核点，每个核点均附带权值矩阵；基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征；将各点的新特征输入多层感知机后，通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，以此时的权值矩阵为最优权值矩阵，提取三维点云特征。本申请，可提取三维场景中大物体边界和小物体本身信息。
-
公开(公告)号：CN113487713B
公开(公告)日：2022-09-02
申请号：CN202110665786.9
申请日：2021-06-16
申请人： 中南民族大学
摘要： 本申请公开了一种点云特征提取方法、装置及电子设备，涉及图像处理技术领域，其包括：获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域；以质心点为原点构建八象限坐标系，并于每个象限构建一个核点，每个核点均附带权值矩阵；基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征；将各点的新特征输入多层感知机后，通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，以此时的权值矩阵为最优权值矩阵，提取三维点云特征。本申请，可提取三维场景中大物体边界和小物体本身信息。
-
公开(公告)号：CN111860138A
公开(公告)日：2020-10-30
申请号：CN202010519217.9
申请日：2020-06-09
申请人： 中南民族大学
摘要： 本发明公开了一种基于全融合网络的三维点云语义分割方法及系统，涉及计算机视觉的三维场景语义分割领域。该方法包括以下步骤：对点云进行层级下采样，提取高层语义特征和多尺度特征；对高层语义特征进行渐进式逐层解码，得到渐进式解码特征图；对多尺度特征分别进行特征解码，得到多层次解码特征图；将渐进式解码特征图与多层次解码特征图融合，得到的特征用于预测每个点的类别标签；根据预测的标签，更新网络参数。本发明能保留大小物体信息，准确预测点云类别。
-
公开(公告)号：CN111860138B
公开(公告)日：2024-03-01
申请号：CN202010519217.9
申请日：2020-06-09
申请人： 中南民族大学
摘要： 本发明公开了一种基于全融合网络的三维点云语义分割方法及系统，涉及计算机视觉的三维场景语义分割领域。该方法包括以下步骤：对点云进行层级下采样，提取高层语义特征和多尺度特征；对高层语义特征进行渐进式逐层解码，得到渐进式解码特征图；对多尺度特征分别进行特征解码，得到多层次解码特征图；将渐进式解码特征图与多层次解码特征图融合，得到的特征用于预测每个点的类别标签；根据预测的标签，更新网络参数。本发明能保留大小物体信息，准确预测点云类别。
-
公开(公告)号：CN110009611B
公开(公告)日：2021-05-14
申请号：CN201910238702.6
申请日：2019-03-27
申请人： 中南民族大学
摘要： 本发明公开了面向图像序列的视觉目标动态计数方法及系统，涉及计算机视觉技术领域，所述方法包括步骤：构建用于检测图像中目标位置的深度卷积网络，构建用于对图像中目标进行跟踪的目标跟踪器；使用所述目标跟踪器跟踪上一帧图像中出现的目标，得到每一个目标在当前帧图像中的位置；根据跟踪得到的每一个目标在当前帧图像中的位置，判断每一个目标是否通过预设的计数线，得到通过计数线的目标的个数，并相应增加目标计数值；将当前帧图像输入到已完成学习训练的深度卷积网络，计算深度卷积网络的输出，检测每一个目标可能出现的位置；去除检测得到的目标和跟踪得到的目标中相互重叠的目标，得到新增的目标；根据新增的目标，更新目标跟踪器。
-
公开(公告)号：CN110009611A
公开(公告)日：2019-07-12
申请号：CN201910238702.6
申请日：2019-03-27
申请人： 中南民族大学
摘要： 本发明公开了面向图像序列的视觉目标动态计数方法及系统，涉及计算机视觉技术领域，所述方法包括步骤：构建用于检测图像中目标位置的深度卷积网络，构建用于对图像中目标进行跟踪的目标跟踪器；使用所述目标跟踪器跟踪上一帧图像中出现的目标，得到每一个目标在当前帧图像中的位置；根据跟踪得到的每一个目标在当前帧图像中的位置，判断每一个目标是否通过预设的计数线，得到通过计数线的目标的个数，并相应增加目标计数值；将当前帧图像输入到已完成学习训练的深度卷积网络，计算深度卷积网络的输出，检测每一个目标可能出现的位置；去除检测得到的目标和跟踪得到的目标中相互重叠的目标，得到新增的目标；根据新增的目标，更新目标跟踪器。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.023 秒)
