-
公开(公告)号：CN102087530A
公开(公告)日：2011-06-08
申请号：CN201010577112.5
申请日：2010-12-07
Applicant: 东南大学
Abstract: 一种基于手绘地图和路径的移动机器人视觉导航方法，首先根据较小偏差的原则提取运行路径中的关键引导点，将原始路径分成多段；然后，在各段运行过程中，对预先绘制环境地图中对应的参考图像以及机器人摄像头实时采集到的信息进行匹配，估计当前视野中最可能存在的图像，并利用SURF算法检测图像的特征，依靠KD-TREE方法快速求得匹配点，采用RANSAC算法求解参考图像与实时图像的投影变换矩阵，进而得到参考图像在实时图像中的位置，并融合里程计数据，得到机器人的参考位置。再后，根据获得的机器人参考位置，计算下一段的运行方向，直至运动到最后一个参考点。该机器人不需要精确的环境地图及精确运行路径就能运行到指定区域，并能避开动态障碍物。
-
公开(公告)号：CN101966617A
公开(公告)日：2011-02-09
申请号：CN201010266458.3
申请日：2010-08-30
Applicant: 东南大学
Abstract: 本发明主要提出了一种用于机器人连续运动下的线结构光视觉视图模型的简约描述方法，该方法首先利用焊接机器人的非工艺运动的冗余自由度进行传感器检测姿态的规划，进一步通过沿规划好的检测运动轨迹采取传感器成像的仿真信号以获取原始的视图数据集，最后通过对成像采样信号定性分类得到整个机器人连续运动轨迹上的视图模型进行简约描述。该方法作为焊接机器人离线编程仿真系统的传感器仿真功能在一定程度上提升了机器人检测的自动化，该方法可应用于基于线结构光视觉传感的焊缝跟踪和焊缝搜索等典型任务中。
-
公开(公告)号：CN109871750B
公开(公告)日：2023-08-18
申请号：CN201910001618.2
申请日：2019-01-02
Applicant: 东南大学
IPC: G06V40/20 , G06V10/764 , G06V10/82 , G06V10/40 , G06V10/34 , G06N3/047 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于骨架图序列异常关节修复的步态识别方法，步骤如下：(1)利用姿态估计算法从视频中提取待检测步态目标的骨架图序列；(2)根据人体骨架的拓扑结构空间约束和上下文时间约束对骨架图序列进行纠错和平滑处理；(3)将处理好的骨架图的X轴坐标序列和Y轴坐标序列作为网络模型的输入，送入到训练好的CNN网络进行时空特征向量提取；(4)利用Softmax分类器对提取的特征向量进行分类，识别步态身份。本发明能够避免传统步态识别容易受到物体遮挡、衣着、视角和携带物等协变量因素的影响，同时弥补基于姿态检测的步态识别方法带来的识别率不高的问题。
-
公开(公告)号：CN113147294B
公开(公告)日：2022-06-14
申请号：CN202110482515.X
申请日：2021-04-30
Applicant: 东南大学
IPC: B60F5/02 , B62D57/032 , B64C1/30
Abstract: 本发明公开一种陆空两栖自主侦查机器人及工作方法，包括：折叠式机器人本体、四足结构、四旋翼结构、核心处理模块，视觉采集模块。上述机器人主体上设置有四旋翼结构、四足结构、核心处理模块和视觉采集模块，通过上述视觉采集模块获取场景中的图像及视频信息，并经核心处理模块实现自主作业。上述陆空两栖自主侦查机器人兼备四足式结构特有的地面行走和旋翼式飞行器的空中飞行功能，通过核心处理模块与地面系统进行信息交互，可实现空中与陆地的情报信息获取。本发明的技术方案结构简单、安装方便、体积小、飞行效率高，有利于实现两栖机器人的微型化设计并适用于城市楼群、野外等复杂环境中自主作业。
-
公开(公告)号：CN112966823B
公开(公告)日：2022-05-13
申请号：CN202011556111.2
申请日：2020-12-24
Applicant: 东南大学
IPC: G06F16/387
Abstract: 本发明公开了一种基于知识图谱推理的场所识别方法，在给出场所领域知识图谱构建方法的基础上，提出了一种基于知识图谱推理且可融合多种异类环境信息的一般化场所识别方法,步骤如下：(1)从各类异源信息中提取构成场所的主要物体、产生的事件、空间结构等主要线索，并将这些线索以自然语言文字进行描述；(2)利用自然语言处理方法对上述描述进行筛选，形成场所描述实体；(3)结合上述描述实体在实际环境中的发生频率，组建场所领域知识图谱；(4)运用深度神经网络实现基于知识图谱的推理分类，给出最终识别结果；本发明通过使用知识图谱推理方法，提升了场所识别准确率，并极大提升了场所识别过程中的语义可解释性。
-
Patent Agency Ranking
公开(公告)号：CN113147294A
公开(公告)日：2021-07-23
申请号：CN202110482515.X
申请日：2021-04-30
Applicant: 东南大学
IPC: B60F5/02 , B62D57/032 , B64C1/30
Abstract: 本发明公开一种陆空两栖自主侦查机器人及工作方法，包括：折叠式机器人本体、四足结构、四旋翼结构、核心处理模块，视觉采集模块。上述机器人主体上设置有四旋翼结构、四足结构、核心处理模块和视觉采集模块，通过上述视觉采集模块获取场景中的图像及视频信息，并经核心处理模块实现自主作业。上述陆空两栖自主侦查机器人兼备四足式结构特有的地面行走和旋翼式飞行器的空中飞行功能，通过核心处理模块与地面系统进行信息交互，可实现空中与陆地的情报信息获取。本发明的技术方案结构简单、安装方便、体积小、飞行效率高，有利于实现两栖机器人的微型化设计并适用于城市楼群、野外等复杂环境中自主作业。
-
公开(公告)号：CN109871750A
公开(公告)日：2019-06-11
申请号：CN201910001618.2
申请日：2019-01-02
Applicant: 东南大学
Abstract: 本发明公开了一种基于骨架图序列异常关节修复的步态识别方法，步骤如下：(1)利用姿态估计算法从视频中提取待检测步态目标的骨架图序列；(2)根据人体骨架的拓扑结构空间约束和上下文时间约束对骨架图序列进行纠错和平滑处理；(3)将处理好的骨架图的X轴坐标序列和Y轴坐标序列作为网络模型的输入，送入到训练好的CNN网络进行时空特征向量提取；(4)利用Softmax分类器对提取的特征向量进行分类，识别步态身份。本发明能够避免传统步态识别容易受到物体遮挡、衣着、视角和携带物等协变量因素的影响，同时弥补基于姿态检测的步态识别方法带来的识别率不高的问题。
-
公开(公告)号：CN108664924A
公开(公告)日：2018-10-16
申请号：CN201810443651.6
申请日：2018-05-10
Applicant: 东南大学
Abstract: 本发明公开了一种基于卷积神经网络的多标签物体识别方法，该方法利用标签之间的包含关系，并按照包含顺序依次构建各个标签的CNN特征提取部分，通过卷积运算操作不断抽象提取各层特征，并在网络的不同深度分别设置各个标签的分类器，将相应标签的CNN特征提取部分所提取的特征图，输入到对应的分类器，同时利用多个分类器进行误差反向传播，监督训练相应各层的网络权值参数，最终获取各标签类别以完成识别。本发明采用的多标签卷积神经网络，可以很好地解决多个标签之间信息的融合，解决了传统多标签物体识别准确率不高的问题，同时提高了训练和识别的效率。
-
公开(公告)号：CN104835173B
公开(公告)日：2018-04-24
申请号：CN201510263245.8
申请日：2015-05-21
Applicant: 东南大学
Abstract: 本发明公开了一种基于机器视觉的AGV定位方法。本发明首先通过设计定位数字标签将环境数字化，车载视觉系统获取包含标签的图像。然后运用一定的算法对图像进行处理并识别出标签的位置、内容与偏转角度，最终通过标定相机的距离关系表与相关坐标变换将其转化为小车在环境中的位置与姿态信息，实现小车在环境中的定位。不同于其他基于机器视觉的AGV定位方法，本方法识别过程运算量小，定位精度与速度都可以满足AGV导航要求。
-
公开(公告)号：CN107247917A
公开(公告)日：2017-10-13
申请号：CN201710273326.5
申请日：2017-04-21
Applicant: 东南大学
CPC classification number: G06K9/00624 , G06K9/4604 , G06K9/6269 , G06K9/629
Abstract: 本发明公开了一种基于ELM与DSmT的飞机姿态识别方法。将飞机的360度飞行姿态分为7大类。对于待识别的飞机图像，经过去噪、灰度化、二值化处理后，提取具备平移、旋转、缩放不变性的SIFT特征与轮廓局部奇异值特征，可以有效解决单一特征提供的目标信息有限而造成算法识别率差这一问题；然后，采用学习速度快的ELM算法训练泛化能力强的SLFNs，将训练好的SLFNs作为算法的分类器；最后，采用DSmT融合理论中的PCR5公式，实现多特征的决策级融合，给出最终的识别结果。基于ELM与DSmT的飞机姿态识别方法可以解决飞机姿态识别中由于飞机姿态种类繁多、外界干扰等造成的识别率低下这一问题，同时在实时性方面，本方法也有一定的优越性。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.023 seconds)
