|
搜索
搜 索
高等教育领域数字化综合服务平台
人脸图像的智能识别和手势姿态分析的人机交互技术
作为计算机视觉和模式识别领域中最为成功的应用之一，生物特征识别技术一直受到学术界和业界非常高的重视，生物特征识别技术应用领域非常广泛，比如法律执行部门、军事、政府部门、金融服务、游戏产业、医疗产业、高科技与电信产业、工业制造、零售业、旅游和运输业等。
西安交通大学
2021-04-11
一种图像中不同区域视觉显著程度的检测方法
现代高速计算机的计算能力已达到惊人的程度，但计算机视觉系统却无法指导诸如过马路之类对 人来说非常简单的视觉任务。本成果模拟人眼选择性关注视觉场景中显著变化区域的模式，提出一种 图像中不同区域视觉显著程度的检测方法，从而达到提高计算机图像分析效率的目的。
北京工业大学
2021-04-13
基于体视显微镜的显微立体图像成像与分析系统
基于体视显微镜的显微立体图像成像与分析系统利用立体成像原理，采用Motic体视显微镜，外接左右两路视频图像采集相机，实现双路图像实时采集、三维立体实时显示、三维表面成像、三维测量等功能。立体显微镜的设计采用Motic专利技术，具有自主知识产权，系统可应用于材料学表面、医学解剖大体标本、印刷电路板表面的三维成像和测量分析，可测量表面的粗糙度、剖线长度、曲率、表面积等参数。 本系统为国内自主知识产权开发的软、硬件系统，在图像软件方法上集成了课题组多年在显微图像分析上的研究经验可与国内材料学、医学等应用接合，在应用方法上已取得了多项创新。该软件系统与显微镜硬件接合可实现小批量的生产，为材料学、医学、工业等领域的科研和生产检测提供的技术支持。
北京航空航天大学
2021-04-13
高清晰度监控视频图像内容分析识别设备
面向交通安全、社区治安和城市管理等实际应用需求，突破监控视频 的内容分析、事件检测和目标识别等关键技术，研制高清晰度海量监 控视频图像数据的深度分析和挖掘系统，在示范应用区域进行部署应 用，以满足高效率、高精度的视频图像监控应用的要求。
复旦大学
2021-01-12
一种图像中不同区域视觉显著程度的检测方法
北京工业大学
2021-04-14
一种基于深度图像的跌倒行为实时检测方法
本发明公开了一种基于深度图像的跌倒行为实时检测方法,包括深度图像获取，人体图像识别，深度差分特征提取，人体部位解析，·704·关节点提取，高度特征提取和跌倒检测步骤；基于深度图像，在识别出的人体图像上选择特定的深度差分特征，使用随机森林分类器对人体部位进行解析，将人体分为头部与躯干两个部位类型，随后检测关节点，然后提取高度特征向量，再通过支持向量机分类器检测对象是否处于跌倒状态的信息；本发明提供跌倒行为
华中科技大学
2021-04-14
面向大规模图像视觉特征的多维倒排索引与快速检索算法
本发明公开了面向大规模图像视觉特征的多维倒排索引与快速检索算法，包括：利用图像的视觉特征训练增强型残差量化所需的多层码书，并利用所训练的码书构建多维倒排索引；根据已训练完成的码书，对图像视觉特征进行量化和编码，同时根据计算得到的编码将其插入到倒排索引中对应的倒排列表；利用查询图像视觉特征对所构建的多维倒排索引进行查询，获得查询候选集；利用自适应超球体过滤对查询候选集进行优化，对过滤后的查询结果排序，从而完成图像视觉特征的检索。本发明的方法通过对图像特征进行量化和编码，提高图像特征的量化效率；利用所生
华中科技大学
2021-04-14
一种基于平面图像的静态集成成像方法及系统
本发明提供一种基于平面图像的静态集成成像方法及系统，包括分别确定平面图像的前景、中景和 后景；分别对前景、中景和后景复制位移得到相应的 M×M 幅阵列图像，包括计算前景位移量和后景位 移量，根据预设的行列数 M 进行复制位移；将相同视角的前景、中景和后景组合得到 M×M 幅子图像阵 列；将 M×M 幅子图像阵列抽样合成得到一幅单元图像阵列；将单元图像阵列通过输出设备打印在打印 纸上，覆上立体显示透镜阵列或正交柱透镜光栅再现立体图像。本发明具有计
武汉大学
2021-04-14
知识约束的公路车辆目标图像气动光学效应校正方法
本发明公开了一种知识约束的公路车辆红外图像气动光学效应校正方法，该方法先建立车辆模板和多尺度公路模板，再使用多尺度公路模板提取高超声速条件下实时模糊图像中的公路区域；利用 HU矩约束的最大似然估计算法校正气动光学效应图像中的公路区域，得到公路区域校正图像；使用车辆模板在公路区域校正图像中匹配车辆区域位置，得到所要提取的车辆区域；利用 HU 矩约束的最大似然估计算法校正车辆区域，得到车辆区域校正图像。本发明是由粗到细递
华中科技大学
2021-04-14
基于同质块均值核类内协同表示的高光谱图像分类
该成果提出了一种基于同质块均值核类内协同表示分类方法。同质块均值核能够有效地为目标样本确定其邻域区域内的同质样本，并将目标样本和同质块内的样本与训练样本之间的相似度作为新的特征向量，在有效提高类别区分度和空间表征能力的同时，提升了特征生成的效率。其后在分类过程中，利用类内协同表示分类中的吉洪诺夫正则项加强测试样本和各个类别训练样本之间的相关性的同时进一步提高分类效率。
主要技术指标
不同数据集下的训练样本与测试样本数与在该训练样本集数量下的分类结果表现参阅表 1。
（1）相比于传统分类器 SVM，OA 提高了约 15%；相比于 JCR 方法，OA 提高了约 2-4%。
（2）该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。同时有效降低了离散错分样本的数量，改善了过平滑的分类效果。参见表 1 与图 1。
（3）同时该成果特征提取方法有效提高了特征提取效率，参见表 2。
表 1.PaviaU 大学数据的训练样本选取与分类结果
表 2. 不同窗口大小下的特征生成时间比较
西安电子科技大学
2023-04-19