公开(公告)号：CN113011324B

公开(公告)日：2023-03-24

申请号：CN202110290895.7

申请日：2021-03-18

Applicant: 安徽大学

Inventor： 江波 ,  张盼盼 ,  肖云

IPC: G06V20/40 ,  G06V10/75 ,  G06V10/764 ,  G06T7/10

Abstract: 本发明公开了基于特征图匹配和超像素图排序的目标跟踪方法及装置，所述方法包括：提取连续两帧的图像对的特征并进行特征点匹配；对前一帧图像进行超像素以及对当前帧图像进行超像素分割；确定超像素图排序的指示向量，使用半监督的图排序技术得到当前帧图像的排序结果，进而获得当前帧图像的二进制分割掩码；根据当前帧图像的二进制分割掩码对目标进行定位和跟踪；本发明的优点在于：目标跟踪过程中将分割和跟踪一体化，实现更便捷的分割与跟踪功能。

公开(公告)号：CN109934298B

公开(公告)日：2022-10-28

申请号：CN201910209027.4

申请日：2019-03-19

Applicant: 安徽大学

Inventor： 张悦 ,  江波

IPC: G06V10/74 ,  G06V10/75 ,  G06V10/762

Abstract: 本发明公开了一种基于聚类的形变图的渐进式图匹配方法及装置，方法包括：1)、获取待匹配图像的图像特征；2)、将差异值小于预设阈值的相邻两个图像特征进行合并为一个图像特征，得到图像特征簇；3)、根据图像特征簇之间的匹配关系，获取候选匹配的相似性值，并根据相似性值的最大值获取候选匹配的指示向量；4)、判断指示向量对应的相似性值是否收敛；5)、若否，根据各个候选匹配的指示向量，获取指示向量的置信度，得到更新后的匹配矩阵；并返回执行步骤3)，直至指示向量对应的相似性值收敛；6)、若是，将匹配矩阵中的各个图像特征的对应关系作为待匹配图像的匹配结果。应用本发明实施例，可以提高图像特征匹配的效率。

公开(公告)号：CN114595772A

公开(公告)日：2022-06-07

申请号：CN202210236093.2

申请日：2022-03-11

Applicant: 安徽大学

Inventor： 李彬 ,  江波 ,  王妍

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于Transformer融合模型的婴儿哭声分类方法；通过音频处理模块对输入的音频样本进行变换，得到音频的频谱图；将得到的频谱图通过预训练的Resnet‑50模型，得到频谱图特征；将得到的频谱图特征分别输入至频谱图增强模块和注意力机制模块，分别提取出数据增强后的特征表示和通道内和通道之间的可区分性特征表示；通过Transformer融合模块对双线性生成的特征表示进行融合，突出有用信息，抑制冗余信息，进一步增强特征图的表征能力；将融合后的特征图用于婴儿哭声分类，通过多次迭代训练得到最后分类结果。

公开(公告)号：CN108846404B

公开(公告)日：2021-10-01

申请号：CN201810658629.3

申请日：2018-06-25

Applicant: 安徽大学

Inventor： 江波 ,  关媛媛 ,  汤进 ,  罗斌

IPC: G06K9/46

Abstract: 本发明公开了一种基于相关约束图排序的图像显著性检测方法及装置，方法包括：对待检测图像进行超像素分割，建立一个闭环图模型，进而计算每一个超像素节点的先验信息；提取输入图像的颜色、纹理、位置等信息；获取每一个超像素节点的前景概率值；将前景概率值大于第一预设阈值的节点的集合作为前景种子点集合ind_fore；将前景概率值小于第二预设阈值的节点的集合作为背景种子点集合ind_back；第一预设阈值大于第二预设阈值；使用相关约束图排序的模型计算得到每个超像素节点的前景概率S_f，并使用前景概率值S_f作为最终的显著估计值S_final。应用本发明实施例，可以使显著性检测结果更加准确。

公开(公告)号：CN108932729B

公开(公告)日：2021-06-04

申请号：CN201810939906.8

申请日：2018-08-17

Applicant: 安徽大学

Inventor： 涂铮铮 ,  郭林林 ,  李成龙 ,  江波 ,  汤进 ,  罗斌

IPC: G06T7/246 ,  G06T7/194

Abstract: 本发明公开了一种最小障碍距离加权跟踪方法，在搜索窗口内进行采样产生一组候选样本；将当前帧的边界框分为不重叠的图像块并扩大为扩展边界框，提取每个图像块的特征；以边框图像作为种子节点，计算其他节点与种子节点的最小障碍距离，然后得到距离转换图；将最小障碍距离作为权重加于对应的图像块特征上，得到空间有序的加权图像块特征描述子，带有图像特征的组合权重被合并到结构化支持向量机中以执行跟踪。本发明结合图像颜色直方图特征和方向梯度直方图特征计算得到基于背景种子节点集合的距离转换图，根据图像图像块与背景节点的最小障碍距离，解决了遮挡和形变的问题，同时能够减少漂移，增强跟踪的稳定性和鲁棒性。

公开(公告)号：CN112085127A

公开(公告)日：2020-12-15

申请号：CN202011153006.4

申请日：2020-10-26

Applicant: 安徽大学

Inventor： 何天琪 ,  丁宏强 ,  江波

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种混合高低阶邻居信息的半监督分类方法，包括如下步骤：A)、图卷积神经网络对一阶邻居信息进行平均聚合，进行图节点分类任务；B)、混合高阶邻接矩阵网络GCN‑H对图中不同阶数的邻居且含有不同重要信息的中心节点进行采集；C)、以右向左相乘的方式，并以稀疏矩阵的形式存储；D)、新卷积算子经过H(K+1)_b＝β4 A2HW，用于计算图像灰度函数的近似梯度；本方案提出了一个新的图卷积层使用的是邻接矩阵的多阶信息，从而使得模型能够学习更高阶的信息，能够学习更高阶的邻居信息来聚合并更新当前节点的表示，而且计算复杂度并没有提升。