-
公开(公告)号：CN108416385A
公开(公告)日：2018-08-17
申请号：CN201810184701.3
申请日：2018-03-07
Applicant: 北京工业大学
CPC classification number: G06K9/6201 , G06K9/4604
Abstract: 本发明提出了一种基于改进图像匹配策略的同时定位与建图的方法。该方法采用改进的ORB特征对图像各个区域进Oriented FAST(Oriented Features from Accelerated Segment Test)角点检测，计算特征点的描述子，之后利用改进的RANSAC算法进行特征匹配及筛选。最后使用PnP(Perspective-n-Point)方法求解机器人的初始位姿，利用得到的初始位姿生成位姿图，然后使用列文伯格-马夸尔特方法对位姿进行更新并利用g2o(General Graphic Optimization,G2O)优化库对位姿进行优化。最终把优化后的位姿以及相对应帧的结合在一起生成点云地图。此方法能够提高误匹配剔除的效率并且能够改善跟踪过程的鲁棒性得到较为准确的地图。
-
公开(公告)号：CN108338787A
公开(公告)日：2018-07-31
申请号：CN201810076888.5
申请日：2018-01-26
Applicant: 北京工业大学
IPC: A61B5/0476 , A61B5/00 , G06K9/62
Abstract: 本发明涉及一种多时段多元多尺度锁相值(MMMPLV)的相位特征提取方法，首先对运动想象脑电信号进行预处理，并采用噪声辅助多元经验模态分解(NAMEMD)将多导脑电信号同时进行分解，得到多元多尺度固有模态函数(IMFs)；然后根据各尺度IMF的频率范围选取有效的IMF分量；接着分时段计算任意两导联同一尺度IMFs的锁相值(PLV)，将任意两导联各尺度分时段的PLV串联，构成多时段多元多尺度锁相值特征，并将其作为脑电信号的相位特征；将相位特征输入到分类器中进行分类，根据分类正确率选取NAMEMD和MMMPLV中参数的最优值，最终获得最优参数下的脑电相位特征。本发明提高了运动想象脑电信号的分类正确率。
-
公开(公告)号：CN105700689B
公开(公告)日：2018-07-13
申请号：CN201610154660.4
申请日：2016-03-17
Applicant: 北京工业大学
IPC: G06F3/01
Abstract: 本发明涉及基于镜像虚拟和Skinner强化学习的个性化MI‑EEG训练与采集方法，该方法将康复治疗领域的镜像疗法和Skinner强化学习理论融合到MI‑EEG的训练与采集过程当中。在训练模式中设计个性化视听联合刺激，在一种较为放松的状态下通过健侧手佩戴数据手套并执行张/握动作，利用计算机串口实时读取并解码健侧手部动作的数据，进而钳制采集界面中镜像虚拟患侧手模型的动作。使受试者通过自身健侧手的动作激励诱导镜像虚拟手的运动，加强大脑运动功能区镜像神经元的电活动,并基于Skinner强化学习理论设计闭环脑电采集与控制模式检验训练效果，同时，通过Skinner在线奖励反馈，进一步增强内动机，提高MI‑EEG质量。本发明操作简单，以期取得更好的实际应用。
-
公开(公告)号：CN104134071A
公开(公告)日：2014-11-05
申请号：CN201410277452.4
申请日：2014-06-20
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于颜色描述的可变形部件模型物体检测方法，本发明属于图像目标检测技术领域，本发明方法提出一种智能的融合形状与颜色特征的物体检测方法，以可变形部件模型为底层框架，在训练模板时在原有的梯度方向直方图特征空间中加入基于语言学的Color Name颜色描述符，得到特定物体类型的形状模板与颜色模板，最后在检测阶段利用梯度方向直方图形状模板与Color Name颜色模板双模板匹配的滑动窗口方法检测物体。本发明方法克服了传统方法由于使用单一特征描述物体而产生误检测的缺点。
-
公开(公告)号：CN104036242A
公开(公告)日：2014-09-10
申请号：CN201410241967.9
申请日：2014-06-03
Applicant: 北京工业大学
Abstract: 本发明涉及基于centering trick卷积限制玻尔兹曼机的物体识别方法，包括构造训练数据库，对图像进行重构，进行白化预处理，采用融合centering trick的CRBM模型对训练集进行特征提取，将三维特征矩阵变换为一维特征向量，采用Softmax分类器对特征进行分类，获取测试集并对其进行重组和白化，计算池化层输出所对应的假设值Si，根据Si是否等于测试集标签判断分类是否正确。本发明在特征提取过程中充分利用图像自身的二维性及像素间的联系，使用CRBM模型实现权重共享，减少了运算所需内存，提高了运算速度。利用centering trick减少了每一层输入时的噪声，提高了运算的准确性和模型的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN104035563A
公开(公告)日：2014-09-10
申请号：CN201410274341.8
申请日：2014-06-19
Applicant: 北京工业大学
IPC: G06F3/01
Abstract: 本发明涉及基于W-PCA和无监督GHSOM的脑电信号识别方法。所述方法包括：脑电信号采集，脑电信号预处理，基于小波变换结合主元分析对脑电信号进行特征提取，利用无监督GHSOM神经网络对特征向量进行分类。GHSOM神经网络在训练中能自组织学习，无需标记训练数据，根据数据的相似性进行分类，克服了现实中许多数据无标签的困难；同时，GHSOM神经网络根据数据结构自适应地确定分类所需要的神经元个数，减少了被抑制神经元的浪费现象，进而加快训练速度，缩短训练所有时间，更有利于在线分析；此外，在对数据训练的过程中，能够提供多层次、可视化的拓扑结构图，有利于对数据进行解释。
-
公开(公告)号：CN102306303B
公开(公告)日：2012-10-31
申请号：CN201110274365.X
申请日：2011-09-16
Applicant: 北京工业大学
Abstract: 本发明涉及脑-机接口(Brain-ComputerInterface，BCI)装置中想象动作电位的特征提取方法，具体讲的是正则化方法与CSSD算法相结合的特征提取方法。本发明引入正则化参数，在正则化参数的作用下将目标实验者训练数据的协方差矩阵和辅助实验者训练数据的协方差矩阵相结合构成正则化协方差矩阵，然后构造正则化空间滤波器。然后利用正则化空间滤波器对目标实验者的测试数据进行特征分析，在处理小样本问题时，解决了CSSD算法中特征值不稳定和分类准确率等问题。
-
公开(公告)号：CN102629328A
公开(公告)日：2012-08-08
申请号：CN201210062379.X
申请日：2012-03-12
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 融合颜色的显著特征概率潜在语义模型物体图像识别方法属于图像识别技术领域，其特点在于，利用SIFT算法提取图像的局部显著特征，同时加入颜色特征，生成HSV_SIFT特征，并引入TF-IDF权重信息进行特征重构，使局部显著特征更具有区分度，利用潜在语义特征模型得到图像潜在语义特征，最后采用最近邻KNN分类器进行分类。本发明既考虑了图像的彩色信息，又充分考虑了视觉单词在整个图像集合中的分布情况，使物体的局部显著特征更具有可区分性，提高了识别能力。
-
公开(公告)号：CN102609719A
公开(公告)日：2012-07-25
申请号：CN201210017692.1
申请日：2012-01-19
Applicant: 北京工业大学
Abstract: 一种基于改进概率主题模型的地点图像识别方法，属于图像识别技术领域。目的在于更好地解决地点图像识别中由于不同角度、光照，以及人物和物体的高度动态变化导致的不确定性问题。包括以下步骤：图像获取步骤；图像预处理步骤；特征提取步骤，采用SIFT算法对图像进行特征提取；特征聚类步骤，将所有特征聚类，得到若干聚类中心；特征分配步骤，将每幅图像的特征在聚类中心上投票，得出对应每个聚类中心的频数向量；潜在主题建模步骤，采用改进的概率主题模型学习图像的潜在主题分布；采用分类器识别未知地点图像。本发明在LDA模型中加入量化函数，通过改进LDA模型学习图像的潜在主题，在保证实时性的前提下，可有效提高识别性能。
-
公开(公告)号：CN101869477A
公开(公告)日：2010-10-27
申请号：CN201010178035.6
申请日：2010-05-14
Applicant: 北京工业大学
IPC: A61B5/0476 , G06F19/00
Abstract: 本发明提出了一种自适应脑电信号中眼电伪迹的自动去除方法，属于生物信息技术领域，主要应用于脑电信号获取的预处理过程中。具体包括：对采集的含有眼电伪迹的脑电数据实时地进行经验模态分解(EMD)；并对得到的全部模态分量进行希尔伯特变换，求得瞬时频率；根据脑电信号中眼电伪迹的时频特性，并结合经验模态分量的统计特性，对得到的全部模态分量进行阈值滤波；利用滤波后的全部模态分量进行数据重构。本发明解决了包含眼电伪迹的经验模态分量的手动筛选问题，从而达到从脑电信号中自动去除眼电伪迹的目的。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.024 seconds)
