-
公开(公告)号：CN101651810A
公开(公告)日：2010-02-17
申请号：CN200910023988.2
申请日：2009-09-22
Applicant: 西安交通大学
Abstract: 本发明公开了一种处理交错式行交叉立体复合视频信号的装置及方法，首先在3D复合视频解码器中完成交错式交叉立体复合视频信号解码，然后进行格式转换为16bit的YUV4:2:2，利用SDRAM帧存储器控制存储、读出，经过两个二选一多路选择器后使得左路视频输出始终为奇场，右路视频输出始终为偶场，最后经过图像缩放和OSD叠加后输出到OLED微屏显示。本发明在仅使用一片32bit的帧存储器SDRAM的前提下，同时实现的对立体复合视频信号帧频的提升和完成3D复合视频信号解码功能，提高了SDRAM的使用率、带宽和装置的集成度。
-
公开(公告)号：CN119511332A
公开(公告)日：2025-02-25
申请号：CN202411619356.3
申请日：2024-11-13
Applicant: 西安交通大学
IPC: G01S19/47 , G01S19/40 , G01C21/16 , G01C3/00 , G01C11/02 , G06V10/75 , G06V10/40 , G06V10/82 , G06T7/73 , G06V10/80 , G06V10/46
Abstract: 本发明GNSS拒止环境下的无人机多模态视觉定位方法及系统，该方法包括：构建基于深度学习特征提取和匹配的视觉惯性里程计算法，计算无人机的相对定位，输出得到高频的6‑DoF位姿信息；采用基于Efficient‑LoFTR进行红外RGB图像多模态融合的景象匹配，并通过求解当前关键帧图片与匹配的卫星图像之间的相对位姿得到在世界系下的绝对定位；采用因子图优化的方式根据在世界系下的绝对定位的置信度与相对定位进行自适应权重的信息融合，输出一个高频且精度更高的6‑DoF位姿信息；基于高频且精度更高的6‑DoF位姿信息，在无人机回收后，对所有的航拍图像与卫星图像进行融合更新。该系统包括计算模块和融合更新模块。本发明能够提供更加精确且高频的位姿输出。
-
公开(公告)号：CN114677417B
公开(公告)日：2024-10-29
申请号：CN202210269649.8
申请日：2022-03-18
Applicant: 西安交通大学
Abstract: 本发明公开了用于立体视觉在线自校正与自监督视差估计的优化方法，在立体校正子网络中，利用权重共享的特征提取器对输入的未校正图像进行特征提取，得到未校正图像对的特征，对未校正图像对的特征进行拼接，接着利用编解码器结构输出四点法参数化后的单应性参数，再利用归一化的直接线性变换算法得到单应性变换矩阵，最终实现图像的自校正。在立体匹配子网络中，以立体校正子网络输出的校正后图像作为输入，用特征提取模块得到若干尺度特征，再用关联的方式构建对应的多尺度代价体，最后用跨尺度聚合模块进行代价聚合，利用视差回归得到最终的视差预测结果。与现有工作相比，本发明可以显著提升立体视觉系统在实际应用中的鲁棒性。
-
公开(公告)号：CN118428557A
公开(公告)日：2024-08-02
申请号：CN202410691670.6
申请日：2024-05-30
Applicant: 西安交通大学
IPC: G06Q10/04 , G06F17/16 , G06F17/18 , G06Q10/0639
Abstract: 本发明公开了一种面向多目标的自适应威胁度排序方法及系统，该方法包括：S1，目标威胁度基础指标选取；S2，针对各个目标进行实时动向预测；S3，针对各个目标的意图进行分析判断；S4，对S1到S3得到的各个目标基础指标信息进行量化与归一化处理；S5，基于S4得到的归一化指标信息，利用熵权法计算各个目标指标的权重信息；S6，基于S5得到的各个目标指标权重信息，利用TOPSIS理论，对各个目标的威胁度进行评估排序；针对每个目标分别循环S1‑S6。该系统包括基础指标模块、动向预测模块、意图分析模块、威胁度指标归一化模块、威胁度指标权重计算模块以及威胁度计算模块。本发明可以更为实时地应对各种复杂场景。
-
公开(公告)号：CN112435282B
公开(公告)日：2023-09-12
申请号：CN202011176728.1
申请日：2020-10-28
Applicant: 西安交通大学
IPC: G06T7/33 , G06T7/593 , G06N3/0464
Abstract: 本发明公开了一种基于自适应候选视差预测网络的实时双目立体匹配方法。该方法首先利用二维卷积神经网络对立体图像对进行多尺度特征提取，得到高、低分辨率的特征图。然后，第一阶段视差估计利用低分辨率特征图进行视差粗估计。在利用粗估计结果和左图信息预测得到自适应候选视差以后，第二阶段视差估计则利用预测结果和高分辨率特征图进行精细视差估计。最后，对视差图进行层次化精修得到全尺寸视差图。与现有的由粗到精立体匹配神经网络相比，本发明可以为精细视差估计阶段预测更准确的动态偏移量，以满足图像中各种目标不同的视差校正需求。由于动态预测的有效性，本发明设计了两级处理结构以大幅提高实时双目立体匹配网络的计算精度和速度。
-
Patent Agency Ranking
公开(公告)号：CN116205287A
公开(公告)日：2023-06-02
申请号：CN202310146623.9
申请日：2023-02-21
Applicant: 西安交通大学
Abstract: 本发明公开了一种近似计算批量归一化层的硬件架构及方法，硬件架构包括：前向传播模块，用于在深度神经网络正向传播过程中近似计算BN层的前向计算过程；反向传播模块，用于深度神经网络在反向梯度传播时进行梯度信息的计算。本发明提出通过一个批次特征图中，每张特征图的最大神经元和最小神经元的平均值来近似计算小批量的总体均值；同时，使用比例调整因子C，通过将其与小批量的每个特征图的最大神经元与最小神经元差值的均值相乘，来近似计算小批量的总体标准差，从而近似计算BN层。本发明能够有效减少BN层(即批量归一化层)的浮点运算次数和外部存储器访问次数。
-
公开(公告)号：CN114677417A
公开(公告)日：2022-06-28
申请号：CN202210269649.8
申请日：2022-03-18
Applicant: 西安交通大学
Abstract: 本发明公开了用于立体视觉在线自校正与自监督视差估计的优化方法，在立体校正子网络中，利用权重共享的特征提取器对输入的未校正图像进行特征提取，得到未校正图像对的特征，对未校正图像对的特征进行拼接，接着利用编解码器结构输出四点法参数化后的单应性参数，再利用归一化的直接线性变换算法得到单应性变换矩阵，最终实现图像的自校正。在立体匹配子网络中，以立体校正子网络输出的校正后图像作为输入，用特征提取模块得到若干尺度特征，再用关联的方式构建对应的多尺度代价体，最后用跨尺度聚合模块进行代价聚合，利用视差回归得到最终的视差预测结果。与现有工作相比，本发明可以显著提升立体视觉系统在实际应用中的鲁棒性。
-
公开(公告)号：CN112964271A
公开(公告)日：2021-06-15
申请号：CN202110276175.5
申请日：2021-03-15
Applicant: 西安交通大学
IPC: G01C21/34
Abstract: 本发明公开了一种面向多场景的自动驾驶规划方法及系统，方法包括：S1，获取全局参考路线；S2，根据是否已有最优轨迹、自车位置以及全局参考路线生成局部参考路线：若无最优轨迹，根据自车位置和全局参考路线进行路径点采样得到第一局部参考路线，同时利用混合A*算法搜索生成对应交通路段的参考路线并拼接整合到第一局部参考路线中；在考虑车辆运动学约束和障碍物约束条件下对参考路线进行平滑处理；若已有最优轨迹，根据自车位置和全局参考路线进行路径点采样得到第一局部参考路线，并进行平滑处理；S3，根据自车位置、障碍物信息和最终的局部参考路线获取最优轨迹；S4，循环进行S2‑S3。本发明使得自动驾驶车辆能够更鲁棒的应对多样化的交通场景。
-
公开(公告)号：CN112819716A
公开(公告)日：2021-05-18
申请号：CN202110130545.4
申请日：2021-01-29
Applicant: 西安交通大学
Abstract: 基于高斯‑拉普拉斯金字塔的无监督学习X光图像增强方法，该方法首先使用高斯‑拉普拉斯金字塔算法生成高对比度高噪声图像XGL；然后，将原始图像Xori输入至X光图像增强网络中，得到网络输出图像Xnet；在整个过程中，使用对比度相似度损失函数计算图像Xnet与图像XGL之间的对比度相似度值，使用结构相似度损失函数计算图像Xnet与原始图像Xori之间的结构相似度值，将两者乘以相应的系数后相加得到总相似度值，不断迭代优化使之收敛至最小。最终完成优化，满足要求的生成图像Xnet即为最终的输出图像Xoutput。与现有X光图像增强方法相比，本发明处理后的图像对比度增强幅度合适、图像局部和整体的语义信息完整，同时处理后的图像结构平滑，噪声少，整体图像质量高。
-
公开(公告)号：CN112116634A
公开(公告)日：2020-12-22
申请号：CN202010754142.2
申请日：2020-07-30
Applicant: 西安交通大学
Abstract: 一种半在线机置的多目标跟踪方法，根据行人或运动目标视频，得到行人或运动目标的检测框，在一段时间窗口内，根据检测框之间的位置变化信息，得到卡尔曼序列谱，根据卡尔曼序列谱找到一对卡尔曼头，通过外观模型、运动模型与尺寸变化模型的相似度，得到下一帧中要追踪的目标或运动物体的检测框，并使得该目标或运动物体处于该帧内的检查框中，否则表示该目标被跟丢；对相似度高于阈值的检测框，拼接到卡尔曼序列谱中，并更新卡尔曼序列谱中的运动模型和外观模型，追踪下一帧内的行人或运动物体目标。适用于任何轨迹拼接式的多目标跟踪算法，即不受限与多个目标如行人、运动物体等产生的不同轨迹的约束，可以有效提升跟踪精度，降低身份转换值。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.028 seconds)
