-
公开(公告)号：CN108537771A
公开(公告)日：2018-09-14
申请号：CN201810086250.X
申请日：2018-01-30
申请人： 西安电子科技大学昆山创新研究院 , 西安电子科技大学
CPC分类号： G06T7/0002 , G06K2209/21 , G06T7/136 , G06T7/194 , G06T7/246 , G06T7/90 , G06T2207/10016
摘要： 本发明公开了一种基于HSV的MC-SILTP运动目标检测方法，主要解决现有技术在纹理少或无纹理区域检测准确度低的问题。其实现步骤是：1)在MC-SILTP纹理特征的基础上将HSV颜色空间的H和S通道颜色信息与MC-SILTP纹理信息相融合，得到HS-MC-SILTP特征，使得在时间域上拥有与HSV颜色特征一致的时间序列分布；2)使用HS-MC-SILTP特征建立码本背景模型；3)改进码本模型的更新策略，使其更加准确地拟合背景，从而检测出运动目标。本发明提高了对纹理“平坦”区域的区分能力，漏检率低，检测结果更加完整，可用于智能监控、智能交通、人机交互、视觉导航、虚拟现实、医学诊断和可视化手术。
-
公开(公告)号：CN107301381A
公开(公告)日：2017-10-27
申请号：CN201710404829.1
申请日：2017-06-01
申请人： 西安电子科技大学昆山创新研究院 , 西安电子科技大学
CPC分类号： G06K9/00536 , G01S7/021 , G06K9/0051 , G06N3/0454 , G06N3/08
摘要： 本发明公开了一种基于深度学习和多任务学习策略的雷达辐射源识别方法，主要解决现有技术识别准确度低的问题。其实现步骤是：1.将原始雷达辐射源信号进行数据预处理；2.对预处理后的雷达辐射源信号提取包络特征、模糊函数特征0切片特征、循环谱特征和频谱特征，并将这些特征的值线性变换到[0,255]，保存为图像集；3.设计卷积神经网络CNN，并在CNN中引入多任务学习和随机失活策略；4.分别用四个特征训练集训练卷积神经网络CNN，再利用四个训练好的卷积神经网络CNN模型分别对四个特征测试集进行分类，输出雷达辐射源识别结果。本发明识别准确率高，可用于电子情报侦察、电子支援侦察和雷达威胁告警系统。
-
公开(公告)号：CN107292905A
公开(公告)日：2017-10-24
申请号：CN201710379773.9
申请日：2017-05-25
申请人： 西安电子科技大学昆山创新研究院 , 西安电子科技大学
IPC分类号： G06T7/20
摘要： 本发明公开了一种基于改进混合高斯模型的运动目标检测方法，主要解决现有技术计算复杂度高和检测准确度低的问题。其实现步骤是：首先,采用高斯函数对输入视频集进行预处理，去除图像中的噪声；其次，使用图像的空间信息初始化高斯混合模型，自适应确定高斯模型的个数；然后，采用lambert光照模型检测全局光照变化，并对模型的权值进行分层次更新；最后，根据模型的权值和彩色图像与高斯混合模型的距离检测出运动目标图像，再对该目标图像进行后处理。本发明收敛速度快，计算复杂度低，对复杂场景适应性强，检测准确度高，可用于智能监控、智能交通、人机交互、视觉导航、虚拟现实、医学诊断和可视化手术。
-
公开(公告)号：CN108535708A
公开(公告)日：2018-09-14
申请号：CN201810078968.4
申请日：2018-01-26
申请人： 西安电子科技大学昆山创新研究院 , 西安电子科技大学
IPC分类号： G01S7/41
摘要： 本发明公开一种基于反对称变换的雷达目标自适应检测方法，步骤为：(1)生成训练样本；(2)对待检测距离单元的雷达回波信号和训练样本进行反对称变换；(3)将导向矢量失配敏感型检测器和导向矢量失配稳健型检测器进行参数化处理，构建参数化检测器；(4)利用蒙特卡洛实验确定检测器的检测门限；(5)计算参数化检测器的检测统计量；(6)进行目标检测。本发明相比现有技术，在小训练样本条件下仍有较好检测效果的优点，可以同时应用于雷达扫描模式和雷达跟踪模式，适用范围广。本发明方法适用于导向矢量失配条件下和小训练样本条件下的雷达目标自适应检测。
-
公开(公告)号：CN105427340B
公开(公告)日：2018-03-06
申请号：CN201510755799.X
申请日：2015-11-09
申请人： 西安电子科技大学昆山创新研究院 , 西安电子科技大学
IPC分类号： G06T7/20
摘要： 本发明公开了一种基于改进箱粒子滤波的视频目标跟踪方法，主要解决现有粒子滤波视频目标跟踪方法针对大动态范围目标跟踪中存在的搜索和捕捉性能差以及粒子采样效率低的问题。其实现步骤是：1.在粒子滤波框架下将普通点粒子拓展为箱粒子，通过目标状态预测得到候选目标，提取候选目标特征；2.通过计算候选目标特征与模板之间的距离，对箱粒子进行收缩，并得到对应权值；3.对箱粒子进行重采样，进而融合得到目标的状态估计，实现对目标的可靠跟踪。本发明实现了对目标状态空间的高效覆盖，提高了采样效率，提升了对大动态范围目标的搜索和捕捉性能，可用于视频监控、目标跟踪系统。
-
公开(公告)号：CN107292905B
公开(公告)日：2020-08-04
申请号：CN201710379773.9
申请日：2017-05-25
申请人： 西安电子科技大学昆山创新研究院 , 西安电子科技大学
IPC分类号： G06T7/20
摘要： 本发明公开了一种基于改进混合高斯模型的运动目标检测方法，主要解决现有技术计算复杂度高和检测准确度低的问题。其实现步骤是：首先,采用高斯函数对输入视频集进行预处理，去除图像中的噪声；其次，使用图像的空间信息初始化高斯混合模型，自适应确定高斯模型的个数；然后，采用lambert光照模型检测全局光照变化，并对模型的权值进行分层次更新；最后，根据模型的权值和彩色图像与高斯混合模型的距离检测出运动目标图像，再对该目标图像进行后处理。本发明收敛速度快，计算复杂度低，对复杂场景适应性强，检测准确度高，可用于智能监控、智能交通、人机交互、视觉导航、虚拟现实、医学诊断和可视化手术。
-
公开(公告)号：CN105913457B
公开(公告)日：2018-11-16
申请号：CN201610230000.X
申请日：2016-04-14
申请人： 西安电子科技大学昆山创新研究院 , 西安电子科技大学
摘要： 本发明公开了一种基于加强粒子群优化的粒子滤波目标跟踪方法，主要解决粒子滤波视频跟踪算法在跟踪过程中出现的粒子匮乏问题。其实现步骤是：1.在粒子滤波框架下，通过目标状态预测得到候选目标；2.通过提取候选目标的局部二值特征LBP统计直方图作为候选目标特征；3.通过计算候选目标特征与模板之间的距离，得到对应权值；4.通过加强粒子群优化算法对预测粒子进行优化；5.对优化后的粒子进行重采样；6.将重采样后的粒子进行融合得到目标的状态估计值，实现对目标的可靠跟踪。本发明能有效提高粒子对目标状态的描述能力，增加粒子多样性，解决了粒子滤波过程中的粒子匮乏问题，可用于智能视频监控、机器人导航、道路交通管制系统。
-
公开(公告)号：CN105913457A
公开(公告)日：2016-08-31
申请号：CN201610230000.X
申请日：2016-04-14
申请人： 西安电子科技大学昆山创新研究院 , 西安电子科技大学
CPC分类号： G06N3/006 , G06T2207/10016
摘要： 本发明公开了一种基于加强粒子群优化的粒子滤波目标跟踪方法，主要解决粒子滤波视频跟踪算法在跟踪过程中出现的粒子匮乏问题。其实现步骤是：1.在粒子滤波框架下，通过目标状态预测得到候选目标；2.通过提取候选目标的局部二值特征LBP统计直方图作为候选目标特征；3.通过计算候选目标特征与模板之间的距离，得到对应权值；4.通过加强粒子群优化算法对预测粒子进行优化；5.对优化后的粒子进行重采样；6.将重采样后的粒子进行融合得到目标的状态估计值，实现对目标的可靠跟踪。本发明能有效提高粒子对目标状态的描述能力，增加粒子多样性，解决了粒子滤波过程中的粒子匮乏问题，可用于智能视频监控、机器人导航、道路交通管制系统。
-
公开(公告)号：CN108537771B
公开(公告)日：2020-10-09
申请号：CN201810086250.X
申请日：2018-01-30
申请人： 西安电子科技大学昆山创新研究院 , 西安电子科技大学
摘要： 本发明公开了一种基于HSV的MC‑SILTP运动目标检测方法，主要解决现有技术在纹理少或无纹理区域检测准确度低的问题。其实现步骤是：1)在MC‑SILTP纹理特征的基础上将HSV颜色空间的H和S通道颜色信息与MC‑SILTP纹理信息相融合，得到HS‑MC‑SILTP特征，使得在时间域上拥有与HSV颜色特征一致的时间序列分布；2)使用HS‑MC‑SILTP特征建立码本背景模型；3)改进码本模型的更新策略，使其更加准确地拟合背景，从而检测出运动目标。本发明提高了对纹理“平坦”区域的区分能力，漏检率低，检测结果更加完整，可用于智能监控、智能交通、人机交互、视觉导航、虚拟现实、医学诊断和可视化手术。
-
公开(公告)号：CN108446583A
公开(公告)日：2018-08-24
申请号：CN201810079476.7
申请日：2018-01-26
申请人： 西安电子科技大学昆山创新研究院 , 西安电子科技大学
摘要： 本发明公开了一种基于姿态估计的人体行为识别方法，主要解决现有技术在视频人体行为中处理速度过慢的问题。其实现步骤是：1.利用Open-pose方法对视频中人体进行姿态估计，提取视频中每帧人体关节点位置坐标；2.根据每帧人体关节点位置坐标，计算相邻两帧人体关节点距离变化量矩阵；3.将视频进行分段，利用每段视频距离变化量矩阵生成视频特征；4.将数据集中视频分为训练集和测试集两部分，用训练集的视频特征训练分类器，利用训练好的分类器对测试集中的视频进行分类。本发明提高了视频中人体行为识别的速度，可用于智能视频监控、人机交互、视频检索。
-
-
-
-
-
-
-
-
-
搜索结果
157 条记录 (耗时 0.031 秒)
