-
公开(公告)号：CN116503943B
公开(公告)日：2024-06-25
申请号：CN202310447810.0
申请日：2023-04-24
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于优选动态几何特征的可解释步态识别方法，以发现对识别行人身份起到重要作用的人体局部区域。本发明包括：从采集到的RGB步态序列中，提取步态序列的二值轮廓图；对步态序列进行人体关键点提取，根据人体骨骼的刚性结构对获得的关键点进行扩充；基于训练好的关键区域推断模型，对人体关键点的位置进行几何结构限制区域内的动态优化，推断并选择出人体重要局部区域；通过端到端的联合训练关键区域推断模型和深度步态识别模型，得到对步态识别最有利的人体关键部位。实施本发明，在保证步态识别精度的同时，能很好的解释人体的哪些局部区域在步态识别任务中是关键的，为任何深度步态识别模型提供可解释性的特征。
-
公开(公告)号：CN104217211B
公开(公告)日：2017-05-24
申请号：CN201410386741.8
申请日：2014-08-07
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于最优判别耦合投影的多视角步态识别方法。对训练集里多个已知视角的步态视频序列进行提取，得到最优判别耦合投影矩阵对；对注册集中标准视角的步态视频序列进行提取、存储；对测试集中的多个步态视频序列进行提取和估计；将注册集中标准视角步态特征和测试集中步态特征通过视角估计选取的最优判别耦合投影矩阵对，投影到具有最优判别能力或最优类可分性的共同耦合步态特征空间中，并在其中进行相似性度量，得到步态识别结果。本发明将测试视角步态特征和注册标准视角步态特征投影到共同的最具判别能力的耦合空间中，使得测试步态视角与注册集中标准步态视角存在显著差异时，多视角步态识别系统仍能获得高识别率。
-
公开(公告)号：CN117011768B
公开(公告)日：2024-07-23
申请号：CN202310983360.7
申请日：2023-08-07
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于鲁棒性数据关联的多船舶目标检测与跟踪方法，包括以下步骤：基于鲁棒性数据关联度量的损失函数，构建目标检测模型并训练；获取海事视频，基于训练后的目标检测模型对海事视频进行检测，获得船舶目标的检测结果；设计状态预测算法，基于所述状态预测算法获得船舶目标的预测结果；构建跟踪匹配策略，获取所述检测结果和预测结果的鲁棒性数据关联度量，进而获得相似度矩阵；将所述相似度矩阵输入到匈牙利算法中，获得船舶目标跟踪结果。本发明提出的多船舶目标检测与跟踪方法更稳定，更简单，精度更高，适用于多船舶跟踪问题。
-
公开(公告)号：CN106778520A
公开(公告)日：2017-05-31
申请号：CN201611055782.4
申请日：2016-11-25
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/00885 , G06K9/342 , G06K9/40 , G06K9/4604 , G06K2009/00932 , G06T9/007
Abstract: 本发明提供的是一种手指静脉模糊保险箱加密方法。包括手指静脉图像预处理、特征点提取、模糊保险箱算法加密及模糊保险箱算法解密，图像预处理得到细化的指静脉图像，特征点提取后保存为特征模板用于加密与解密，通过提取出的手指静脉特征点的坐标信息和密钥构成的编码多项式通过数学方法的结合来建立模糊保险箱，提取测试用户的现场手指静脉特征样本对模糊保险箱进行解密、搜索出真实点集、进行编码多项式重构、通过重构的编码多项式系数来恢复密钥。本发明的手指静脉图像预处理后得到的特征点具有唯一性，而模糊保险箱算法具有简便的优点，同时利用生物特征与传统密码相互融合，解决了密码安全性问题。
-
公开(公告)号：CN106682574A
公开(公告)日：2017-05-17
申请号：CN201611019290.X
申请日：2016-11-18
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/00496 , G06N3/0454 , G06N99/005
Abstract: 本发明提供的是一种一维深度卷积网络的水下多目标识别方法。采用6dB/倍频的一阶数字滤波器增强高频部分使信号频谱平坦；选用窗函数对信号进行截取，获得时长为170ms的信号作为卷积神经网络的最佳输入帧长；采用一维深度卷积网络对声音信号进行特征提取；使用训练样本集对卷积网络进行学习得到能获取最佳特征的网络结构参数；选择极限学习机对卷积网络的输出特征进行分类识别。本发明利用深度学习中的深度卷积网络对声音信号进行特征提取，替代传统的人工提取特征，自动提取的声音特征包含有更为丰富的识别信息。利用极限学习机对卷积网络自动提取的特征进行分类识别，能有效找出不同于传统人工分析的特征，提高了水下声音信号的识别率。
-
Patent Agency Ranking
公开(公告)号：CN104899604B
公开(公告)日：2018-07-24
申请号：CN201510306292.6
申请日：2015-06-08
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于数据集合并的特征级融合方法。包括训练过程和识别过程，从两个传感器分别获取数据集，基于耦合映射方法的特性将耦合空间里的所有数据合并为同一个数据集，其数据容量为原始两个集合的样本数之和，之后进行二次特征提取，得到一个最终所需的特征集合，而后加入常规特征级融合方法得到另一个更具分类判别能力的特征集合，从而提高模式识别系统的识别率。对任意形式的测试对象进行变换得到最终特征，并采用这一特征与训练特征集合里的特征进行匹配，得到识别结果。本发明能够扩大特征级融合的应用范围，提高识别率。
-
公开(公告)号：CN106599800A
公开(公告)日：2017-04-26
申请号：CN201611055921.3
申请日：2016-11-25
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/00302 , G06K9/00268 , G06K9/00288 , G06K9/6256 , G06K9/6267
Abstract: 本发明提供的是一种基于深度学习的人脸微表情识别方法。包括：步骤A：建立微表情数据库；步骤B：对微表情图像进行预处理；步骤C：利用卷积块代替大卷积核提取特征；步骤D：利用卷积块构建基于卷积块的微表情识别网络结构，并用利用微表情识别网络结构对微表情进行识别。本发明构建的数据库克服了传统微表情库背景单一、光照变化不明显、缺少遮挡等的限制，更接近于自然状态微表情。本发明仅依赖一个卷积神经网络对微表情进行识别，无需复杂的特征提取过程，利用网络自动分析特征，改善了传统人脸识别方法特征不易提取的劣势。
-
公开(公告)号：CN104463099A
公开(公告)日：2015-03-25
申请号：CN201410619411.9
申请日：2014-11-05
Applicant: 哈尔滨工程大学
CPC classification number: G06K9/00348 , G06K9/6276
Abstract: 本发明属于模式识别领域，具体涉及一种基于图的半监督耦合度量的多角度步态识别方法。本发明包括：采用码本检测方法从视频流中得到目标轮廓序列；在一个周期中采用步态能量图提取步态的整体特征；构建多视角步态识别系统的离线训练阶段，训练得到基于图的半监督耦合投影矩阵对；对测试视频进行目标轮廓的提取，对大小归一化的轮廓序列检测步态周期，生成单周期的步态能量图特征，通过视角估计选取的基于图的半监督耦合投影矩阵对。本发明解决了传统步态识别方法需要存储所有视角下步态特征的高存储需求问题，对任意角度行走的步态的身份识别有效。
-
公开(公告)号：CN104899604A
公开(公告)日：2015-09-09
申请号：CN201510306292.6
申请日：2015-06-08
Applicant: 哈尔滨工程大学
IPC: G06K9/62
CPC classification number: G06K9/627
Abstract: 本发明公开了一种基于数据集合并的特征级融合方法。包括训练过程和识别过程，从两个传感器分别获取数据集，基于耦合映射方法的特性将耦合空间里的所有数据合并为同一个数据集，其数据容量为原始两个集合的样本数之和，之后进行二次特征提取，得到一个最终所需的特征集合，而后加入常规特征级融合方法得到另一个更具分类判别能力的特征集合，从而提高模式识别系统的识别率。对任意形式的测试对象进行变换得到最终特征，并采用这一特征与训练特征集合里的特征进行匹配，得到识别结果。本发明能够扩大特征级融合的应用范围，提高识别率。
-
公开(公告)号：CN104217211A
公开(公告)日：2014-12-17
申请号：CN201410386741.8
申请日：2014-08-07
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于最优判别耦合投影的多视角步态识别方法。对训练集里多个已知视角的步态视频序列进行提取，得到最优判别耦合投影矩阵对；对注册集中标准视角的步态视频序列进行提取、存储；对测试集中的多个步态视频序列进行提取和估计；将注册集中标准视角步态特征和测试集中步态特征通过视角估计选取的最优判别耦合投影矩阵对，投影到具有最优判别能力或最优类可分性的共同耦合步态特征空间中，并在其中进行相似性度量，得到步态识别结果。本发明将测试视角步态特征和注册标准视角步态特征投影到共同的最具判别能力的耦合空间中，使得测试步态视角与注册集中标准步态视角存在显著差异时，多视角步态识别系统仍能获得高识别率。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.03 seconds)
