-
公开(公告)号：CN116563183A
公开(公告)日：2023-08-08
申请号：CN202310354899.6
申请日：2023-04-06
Applicant: 北京理工大学
IPC: G06T5/50 , G06T5/00 , G06N3/045 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明提出了基于单张RAW图像的高动态范围图像重构方法和系统，属于计算摄像与图像处理技术领域。本发明通过分析RAW图像和高动态范围图像的性质，设计输入为单张RAW图像，输出为高动态范围图像的深度神经网络。通过构建卷积神经网络的曝光掩码估计模块，分离高动态范围图像中过暗和过亮区域。分析不同颜色通道的亮度差异性，分别为过暗和过亮区域引入亮度引导，并构建全局空间引导，从更大的空间范围内提取场景特征。使用采集的真实成对数据集对深度神经网络进行训练。利用训练好的模型完成单张RAW图像到高动态范围图像的重构。系统包括数据模块、构建模块、训练模块和成像模块。本发明显著提高了从单张RAW图像到高动态范围图像的重构精度。
-
公开(公告)号：CN116229564A
公开(公告)日：2023-06-06
申请号：CN202211682281.4
申请日：2022-12-27
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于动态聚合网络的步态识别方法及系统，属于计算机视觉及生物识别技术领域。首先获取步态剪影序列，对步态剪影序列进行预处理，获得统一大小的输入数据。然后训练基于动态聚合的步态识别网络。最后，将未知身份的步态特征与已知身份的步态特征库进行比对，从身份已知的步态特征库中匹配出身份信息。系统包括图像获取模块、图像预处理模块、特征提取模块和步态识别模块。本发明能够有效的建立步态序列中每个特征点之间的关系，有益于提取具有区分性的局部运动模式，同时减少噪声的影响。同时，本发明能够从局部运动模式中选择具有代表性的局部特征，有益于提取具有区分性的全局运动模式，有效解决步态特征表达不充分的问题。
-
公开(公告)号：CN116091346A
公开(公告)日：2023-05-09
申请号：CN202211670529.5
申请日：2022-12-23
Applicant: 北京理工大学
Abstract: 本发明提出了用于滤波阵列式光谱图像的纹理信息引导增强方法及系统，属于计算机视觉和计算摄像技术领域。本发明设计了一种从图像中提取高频纹理信息的方法，并基于此方法设计了纹理引导增强网络和纹理引导损失函数。在训练过程中，纹理引导增强网络对输入图像取平均后提取纹理信息，并将提取到的信息作为引导嵌入到网络当中；纹理引导损失函数在目标图像上提取纹理信息，并将该信息作为引导对每个像素点的权重进行重新分配，使得网络能够更加关注高频纹理信息，进而获得更好的增强效果。同时，提出了一种全自动化的滤波阵列式光谱图像增强系统，能够有效解决在低弱光条件下滤波阵列式光谱相机成像质量差的问题。
-
公开(公告)号：CN112560578B
公开(公告)日：2022-12-20
申请号：CN202011295796.X
申请日：2020-11-18
Applicant: 北京理工大学
Abstract: 本申请提出了一种免成像的车牌内容识别方法及系统，其中，方法包括：根据深度神经网络设计单像素免成像的多目标识别网络；建立免成像的多目标识别数据集，包含单像素一维测量值和对应的车牌字符；使用该数据集对多目标识别网络进行训练，得到优化的多目标识别模型参数；利用单像素探测器采集场景经编码调制后的一维耦合测量值，将一维耦合测量值输入多目标识别网络中进行处理，输出车牌内容识别结果。该方法利用深度神经网络直接根据单像素探测器采集的一维耦合测量值识别车牌上的字符，无需成像过程，同时无需依次进行单个字符的识别，降低了计算复杂度，减少了数据采集量，并且单像素探测器对于其他光谱范围适用，简单易实现。
-
公开(公告)号：CN114577760A
公开(公告)日：2022-06-03
申请号：CN202210014838.0
申请日：2022-01-07
IPC: G01N21/64
Abstract: 本申请涉及荧光光谱检测技术领域，尤其涉及一种多重荧光耦合检测方法、装置及系统、终端和存储介质。其中，该方法包括对至少两个目标样本中每一个目标样本利用至少两种荧光物质进行荧光标记，得到至少两个标记后的目标样本；采用宽谱光源照射至少两个标记后的目标样本，利用集成式光谱成像传感器对所有照射后的目标样本进行拍摄，以得到一张采集图像；对采集图像进行解耦重建，从而得到每个标记后的目标样本对应的混合荧光光谱曲线；基于多重荧光耦合模型，根据每个标记后的目标样本对应的混合荧光光谱曲线确定每个标记后的目标样本中包含的检测物种类和浓度。采用上述方案的本申请可以一次性测量实现多样本、多重荧光检测的定性分析和定量分析。
-
Patent Agency Ranking
公开(公告)号：CN113163201B
公开(公告)日：2022-03-22
申请号：CN202110241030.1
申请日：2021-03-04
Applicant: 北京理工大学
IPC: H04N19/192 , H04N19/159 , H04N19/126
Abstract: 一种基于单像素相机的视频多帧重建方法和装置，该方法利用单像素相机获取连续多帧图像对应的一维测量值；基于一维测量值建立视频多帧重建模型，视频多帧重建模型使得多帧图像在时间维度上具有低秩性，在空间维度上具有全变分正则化先验；通过增广拉格朗日乘子法求解所述视频多帧重建模型，得出各变量迭代表达式；代入测量值和已知的调制掩膜矩阵，经多次迭代，从所述测量值中解耦合出多帧图像。由此，在多帧图像帧间低秩性先验和视频帧内全变分正则化约束下的本申请实施例，可在较低采样率下，同时重建多帧图像，提高重建效率和重建精度，对噪声具有鲁棒性，也就是说，本申请实施例具有高信噪比、高精度、低成本、效率高、适应性好等特性。
-
公开(公告)号：CN114201988A
公开(公告)日：2022-03-18
申请号：CN202111423556.8
申请日：2021-11-26
Applicant: 北京理工大学
Abstract: 本发明公开了一种卫星导航复合干扰信号识别方法和系统，方法包括：将待识别的复合干扰信号进行预处理，并获取所述预处理后的待识别复合干扰信号的多域特征；将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型，一维序列特征输入到一维序列特征提取模块，多维序列特征输入到多维序列特征提取模块，然后分别对不同维度的域特征进行提取；将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中，得到所述复合干扰信号的分类识别结果。本发明能够达到更好的复合干扰信号识别效果。
-
公开(公告)号：CN114187176A
公开(公告)日：2022-03-15
申请号：CN202111400008.3
申请日：2021-11-19
Applicant: 北京理工大学
Abstract: 本发明公开了一种去除振幅和相位混叠的复数域成像方法和系统，其中，该方法包括：构造波前解析函数；基于波前解析函数，获取满足克喇末‑克勒尼希解析关系的多个强度测量值；根据多个强度测量值，利用克喇末‑克勒尼希关系恢复多个子孔径复数值；对多个子孔径复数值进行频谱拼接，获得复数域波前的初值；基于复数域波前的初值，联合神经网络和物理模型去除振幅相位混叠，以重建复数域图像。本发明能解决复数域成像中振幅相位混叠导致的降质问题，并利用神经网络的非线性建模能力实现抗噪、高保真的复数域成像。
-
公开(公告)号：CN113556300A
公开(公告)日：2021-10-26
申请号：CN202110819832.6
申请日：2021-07-20
Applicant: 北京理工大学
IPC: H04L25/02
Abstract: 本发明提出了一种基于时域训练序列的联合活跃终端检测与信道估计方法，能够适用于类似低轨卫星物联网等具有快时变信道的场景，保证快时变信道下可靠的活跃终端设备检测与信道估计性能。通过在数据符号中插入时域训练序列；利用设计出的基于时域训练序列的数据帧结构，在接收端设计了一种适用于快时变信道的活跃终端设备检测与信道估计方法，可以在得到活跃终端设备集合的基础上利用信道的结构化特性，给出信道参数的超分辨率估计，进而实现超可靠的信道估计。同时，通过充分利用信道的稀疏性和数据传输的零星流量特性，该方法可以大幅度降低时域训练序列的开销，进而降低接入延时。
-
公开(公告)号：CN110443865B
公开(公告)日：2021-10-15
申请号：CN201910690025.1
申请日：2019-07-29
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于RGB相机和深度神经网络的多光谱成像方法和装置，其中，方法包括以下步骤：设计输入为马赛克图像，输出为对应多光谱图像的卷积神经网络；利用已有多光谱数据集对卷积神经网络进行训练，得到最优网络模型；采用RGB彩色相机拍摄得到实际场景的当前马赛克图像，将马赛克图像作为最优网络模型的输入，得到目标多光谱图像。该方法可以利用深度神经网络直接完成从马赛克图像到多光谱图像的计算成像，更贴合实际应用，简单易实现。
-
-
-
-
-
-
-
-
-
Search Results
199
records
(took 0.051 seconds)
