公开(公告)号：CN109561311A

公开(公告)日：2019-04-02

申请号：CN201811491526.9

申请日：2018-12-07

申请人： 莆田学院

发明人： 严涛 ,  黄金火 ,  闻辉 ,  徐航 ,  陈建辉 ,  车艳

IPC分类号： H04N19/146 ,  H04N19/597 ,  H04N19/184 ,  H04N19/176 ,  H04N19/124

摘要： 本发明属于三维视频编码技术领域，特别涉及一种基于ρ域的三维视频编码码率控制方法及存储设备。所述一种基于ρ域的三维视频编码码率控制方法，包括步骤：建立ρ域码率模型；根据视点间的图像相似性进行视点间比特分配；根据帧率、目标缓冲区容量、实际缓冲区大小以及该帧的活动时域复杂度进行帧层、基本单元层比特分配与码率控制。通过建立ρ域码率模型，并基于高效率视点视频编码的基础上，根据视点间的图像相似性进行视点间比特分配(即：采用视点间相关性分析进而给每个视点进行合理的比特分配)，且根据帧率、实际缓冲区大小以及该帧的活动时域复杂度进行帧层、基本单元层比特分配与码率控制，克服了现有技术中目标比特分配的局限性。

公开(公告)号：CN110059764A

公开(公告)日：2019-07-26

申请号：CN201910344865.2

申请日：2019-04-26

申请人： 莆田学院

发明人： 闻辉 ,  黄金火 ,  严涛 ,  陈德礼 ,  林元模 ,  李同彬 ,  车艳 ,  徐航

IPC分类号： G06K9/62

摘要： 本发明涉及一种基于势函数聚类的优化下采样SVM分类方法及存储介质，所述方法包括以下步骤：通过势函数密度聚类从原始训练样本集中筛选出新的样本集合；根据新的样本集合训练得到SVM分类曲面。通过势函数密度聚类从原始训练样本集中筛选出新的样本集合，对原始训练样本控制的不同子区域进行覆盖，已抽选出具有代表性的样本集合来构造SVM的下采样训练集，可以有效逼近原始样本控制结构分布，因此确保了所得SVM决策曲面的分类性能。克服了随机采样SVM方法中样本采样不足导致的样本空间结构失真问题，可以以相对少数量的训练样本来逼近原始样本空间结构分布；克服了聚类SVM方法中的聚类个数需要手动调整和聚类子空间覆盖范围尺度不一致的问题。

公开(公告)号：CN110139089A

公开(公告)日：2019-08-16

申请号：CN201910384022.5

申请日：2019-05-09

申请人： 莆田学院

发明人： 严涛 ,  闻辉 ,  黄金火 ,  黄淋云 ,  谢莹

IPC分类号： H04N13/106 ,  H04N13/111 ,  H04N13/122 ,  H04N13/133 ,  H04N13/139 ,  H04N13/161

摘要： 本发明属于三维视频编码技术领域，特别涉及一种结合场景检测的三维视频编码码率控制方法及存储设备。所述一种结合场景检测的三维视频编码码率控制方法，包括步骤：检测是否发生视频场景切换，若发生视频场景切换，则自适应调整画面组编码长度；根据视点间相关性进行视点间比特分配，并对帧层、宏块层码率等进行相关分配。通过上述方法，保证了图像质量的平稳过渡，且在视觉上不会感觉到明显的图像质量变化，且根据视点间相关性进行视点间比特分配，并且对帧层和宏块层的码率都进行针对性的分配，使得整个码率偏差较小，视频压缩性能提高，视觉效果得到提升。

公开(公告)号：CN109858533A

公开(公告)日：2019-06-07

申请号：CN201910049409.5

申请日：2019-01-18

申请人： 莆田学院

发明人： 闻辉 ,  黄金火 ,  严涛 ,  徐航 ,  陈德礼 ,  林元模 ,  李同彬

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种前置核的RBF-MLP混合结构神经网络分类器，包括输入层、输出层；还包括RBF隐藏层，由一组不同参数的高斯核函数组成；MLP隐藏层，由RBF隐藏层到输出层之间的各层节点组成。本发明将RBF网络稳定性好的优点和MLP网络泛化能力强的优点有效结合，经过RBF网络核映射后，使得原始样本的可分性得到了改善，当映射后的样本作为后续所连接MLP网络的输入，可以有效改善MLP神经网络的收敛速度及陷入局部最小的风险，同时降低了对MLP网络隐节点参数的经验选取的依赖。因此可以对训练样本空间进行更有效的学习，同时有效改善了单一RBF网络及MLP网络的分类性能。

公开(公告)号：CN109784409A

公开(公告)日：2019-05-21

申请号：CN201910049436.2

申请日：2019-01-18

申请人： 莆田学院

发明人： 闻辉 ,  黄金火 ,  严涛 ,  徐航 ,  陈德礼 ,  车艳 ,  李同彬 ,  林元模

IPC分类号： G06K9/62

摘要： 本发明公开了一种核整体学习划分的优化神经网络分类器的方法，包括以下步骤：(1)建立RBF核完成对原始训练样本空间的优化覆盖，并生成新的RBF核个数及参数；(2)以每个RBF核的中心及核宽为参数，在各RBF核所覆盖的有效区域内建立与原始样本相近似的概率分布来生成新的样本数据；(3)判断新生成的样本数据是否保留，最终构成一个新的模式矢量子集；(4)将原始样本和最终保留的所有模式矢量一起构成新的样本集合，以训练输出分类器权值参数。本发明改善了当样本集规模过小或样本空间维数过高导致的学习算法失效问题；从概率上而言，核整体划分的方式可以使得学习后的分类器边界更加远离原来的样本，使得分类器的鲁棒性和泛化能力得到加强。