-
公开(公告)号：CN109033969B
公开(公告)日：2022-12-02
申请号：CN201810669568.0
申请日：2018-06-26
Applicant: 北京理工大学
Abstract: 本发明公开的基于贝叶斯显著图计算模型的红外目标检测方法，具体涉及基于视觉注意机制的红外目标检测方法，属于计算机视觉技术领域。本发明实现方法如下：以贝叶斯定理为基础，通过计算红外图像的先验概率和似然概率，建立基于贝叶斯定理的显著图计算模型；基于meanshift分割算法和侧抑制求解先验概率；基于像素点统计求解似然概率；基于求解的先验概率和似然概率，计算最终显著图，获取红外目标检测结果。本发明基于贝叶斯显著图计算模型实现对红外目标检测，具有如下优点：背景噪声抑制能力强，显著区域轮廓清晰完整。
-
公开(公告)号：CN113744311A
公开(公告)日：2021-12-03
申请号：CN202111024719.5
申请日：2021-09-02
Applicant: 北京理工大学
Abstract: 本发明公开的基于全连接注意力模块的孪生神经网络运动目标跟踪方法，属于计算机视觉跟踪技术领域。本发明在利用孪生神经网络提取图片特征后，利用全连接注意力模块对模板分支提取的模板特征处理，该模板特征融合原模板特征后作为注意力加强的模板特征与进行相同操作的更新模板特征相结合，得到的新模板特征与搜索特征融合，实现模板特征的自注意和互注意，提升鲁棒性；根据融合加强模板特征和搜索特征的响应图，得到对应搜索图中目标的位置信息和尺寸偏移信息；根据每固定帧的网络预测结果对更新模板分支的输入进行更新，提升跟踪精度。本发明在目标发生剧烈形变、短暂消失后重现或遮挡等条件下，仍然能持续稳定地实现目标跟踪。
-
公开(公告)号：CN109033969A
公开(公告)日：2018-12-18
申请号：CN201810669568.0
申请日：2018-06-26
Applicant: 北京理工大学
CPC classification number: G06K9/00624 , G06K9/40 , G06K9/4671 , G06K9/6247 , G06K9/6296 , G06K2209/21
Abstract: 本发明公开的基于贝叶斯显著图计算模型的红外目标检测方法，具体涉及基于视觉注意机制的红外目标检测方法，属于计算机视觉技术领域。本发明实现方法如下：以贝叶斯定理为基础，通过计算红外图像的先验概率和似然概率，建立基于贝叶斯定理的显著图计算模型；基于meanshift分割算法和侧抑制求解先验概率；基于像素点统计求解似然概率；基于求解的先验概率和似然概率，计算最终显著图，获取红外目标检测结果。本发明基于贝叶斯显著图计算模型实现对红外目标检测，具有如下优点：背景噪声抑制能力强，显著区域轮廓清晰完整。
-
Patent Agency Ranking
公开(公告)号：CN116403130A
公开(公告)日：2023-07-07
申请号：CN202310354849.8
申请日：2023-04-06
Applicant: 北京理工大学
IPC: G06V20/17 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开的一种基于图像划分的小目标检测和训练方法，属于计算机视觉技术领域。本发明通过强化图像拼接，完全破坏图片的语义特征，增加有效目标数量，提高背景的复杂性；利用改进后的拷贝粘贴的数据增强方式，模拟现实场景中具有挑战性的场景，提高检测器的检测精度。使用混合数据策略的划分检测方法，避免目标截断的同时能够处理所有尺度的目标；采用随机在线相对定目标裁剪的方式构建有效的训练子块，再通过尺度筛选对目标进行分配，根据不同的目标特点选择全局检测或局部检测，能够获得最优的预测结果且保持尺度不变。本发明适用于无人机航拍、交通管理等视觉技术领域，提高无人机应用场景下小目标检测的精度和效率。
-
公开(公告)号：CN110555870B
公开(公告)日：2021-07-27
申请号：CN201910856724.9
申请日：2019-09-09
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于神经网络的DCF跟踪置信度评价与分类器更新方法，属于计算机视觉技术领域。首先设计并训练响应图分析网络的小规模卷积神经网络。在相关滤波跟踪中，当分类器与搜索区域的特征进行卷积后，将产生的响应图输入到此网络中，并将输出作为这一帧分类器的跟踪置信度评分。当得分低于预设的低置信阈值时，认为目标受到了剧烈干扰，停止更新，以防止目标模型受污染，并且使更新的学习率与时间间隔受置信分数自适应调整，当分类器连续多帧都取得较高的置信分数时，认为目标外观处于高度相似状态，提高更新的间隔以缓解过拟合现象。本发明方法能够显著增强相关滤波跟踪对光照变化、遮挡、出视野等干扰因素的适应能力，提高空间与时间效率。
-
公开(公告)号：CN110276784B
公开(公告)日：2021-04-06
申请号：CN201910478278.2
申请日：2019-06-03
Applicant: 北京理工大学
Abstract: 本发明提出了一种基于记忆机制与卷积特征的相关滤波运动目标跟踪方法，属于计算机视觉技术领域。本发明方法利用预先训练过的深层卷积神经网络提取目标的卷积特征，受人类视觉信息处理认知行为中人脑记忆机制的启发，将记忆机制融入到相关滤波方法的分类器的检测、训练和更新过程之中。其中，记忆机制由响应图决策、自适应峰值检测和自适应融合系数三部分组成。本发明方法具有较强的鲁棒性，在目标发生剧烈形变、短暂消失后重现或遮挡等条件下，仍然能持续稳定地实现目标跟踪。同时，具有较高的目标跟踪速度，降低了复杂度，减小了运算量。
-
公开(公告)号：CN110555870A
公开(公告)日：2019-12-10
申请号：CN201910856724.9
申请日：2019-09-09
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于神经网络的DCF跟踪置信度评价与分类器更新方法，属于计算机视觉技术领域。首先设计并训练响应图分析网络的小规模卷积神经网络。在相关滤波跟踪中，当分类器与搜索区域的特征进行卷积后，将产生的响应图输入到此网络中，并将输出作为这一帧分类器的跟踪置信度评分。当得分低于预设的低置信阈值时，认为目标受到了剧烈干扰，停止更新，以防止目标模型受污染，并且使更新的学习率与时间间隔受置信分数自适应调整，当分类器连续多帧都取得较高的置信分数时，认为目标外观处于高度相似状态，提高更新的间隔以缓解过拟合现象。本发明方法能够显著增强相关滤波跟踪对光照变化、遮挡、出视野等干扰因素的适应能力，提高空间与时间效率。
-
公开(公告)号：CN110276784A
公开(公告)日：2019-09-24
申请号：CN201910478278.2
申请日：2019-06-03
Applicant: 北京理工大学
Abstract: 本发明提出了一种基于记忆机制与卷积特征的相关滤波运动目标跟踪方法，属于计算机视觉技术领域。本发明方法利用预先训练过的深层卷积神经网络提取目标的卷积特征，受人类视觉信息处理认知行为中人脑记忆机制的启发，将记忆机制融入到相关滤波方法的分类器的检测、训练和更新过程之中。其中，记忆机制由响应图决策、自适应峰值检测和自适应融合系数三部分组成。本发明方法具有较强的鲁棒性，在目标发生剧烈形变、短暂消失后重现或遮挡等条件下，仍然能持续稳定地实现目标跟踪。同时，具有较高的目标跟踪速度，降低了复杂度，减小了运算量。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.032 seconds)
