-
公开(公告)号：CN110135365A
公开(公告)日：2019-08-16
申请号：CN201910418050.4
申请日：2019-05-20
Applicant: 厦门大学
Abstract: 基于幻觉对抗网络的鲁棒目标跟踪方法，涉及计算机视觉技术。首先提出一种新的幻觉对抗网络，旨在于学习样本对间的非线性形变，并将学习到的形变施加在新目标以此来生成新的目标形变样本。为了能有效训练所提出的幻觉对抗网络，提出形变重构损失。基于离线训练的幻觉对抗网络，提出基于幻觉对抗网络的目标跟踪方法，该方法能有效缓解深度神经网络在目标跟踪过程中由于在线更新发生的过拟合问题。此外，为了能进一步提升形变迁移质量，提出选择性性变迁移方法，进一步提升了跟踪精度。提出的目标跟踪方法在当前主流目标跟踪数据集上取得了具有竞争力的结果。
-
公开(公告)号：CN110111391A
公开(公告)日：2019-08-09
申请号：CN201910418346.6
申请日：2019-05-20
Applicant: 厦门大学
Abstract: 基于改进的下逼近非负矩阵对极几何估计方法，涉及计算机视觉技术。提供伴随着离群点和模型假设修剪技术的基于改进的下逼近非负矩阵对极几何估计方法。首先，使用误匹配修剪技术分析匹配对之间的关系剔除离群点(误匹配点)的影响。接着，使用模型假设修剪技术来选择有意义的模型假设。然后，引入空间约束项(空间上相邻的数据点更可能属于相同的模型假设)和稀疏约束项(稀疏非负元素更能体现数据点对模型的一致特征)到下逼近非负矩阵。最后，使用交替迭代法求解下逼近非负矩阵的u和v，从u中提取多结构模型。
-
公开(公告)号：CN105868789B
公开(公告)日：2019-04-26
申请号：CN201610212736.4
申请日：2016-04-07
Applicant: 厦门大学
Abstract: 一种基于图像区域内聚测度的目标发现方法，涉及计算机视觉技术。提供可快速给出少量的目标建议窗口，使得目标建议窗口内尽可能包含目标的一种基于图像区域内聚测度的目标发现方法。同时解决目标检测和显著性检测问题。提出的图像区域内聚测度的方法还被应用于显著性检测，显著性检测也被作为计算机视觉任务的一项基本任务并广泛被应用于其他计算机视觉任务。
-
公开(公告)号：CN105335500B
公开(公告)日：2018-11-20
申请号：CN201510710221.2
申请日：2015-10-28
Applicant: 厦门大学
IPC: G06F17/30
Abstract: 协变局部特征聚集的图像特征表示法，涉及计算机视觉与多媒体信息检索。提取图像局部特征；离线训练一个小的视觉词汇集合；将每幅图的局部特征用简化的费舍尔核方法进行聚集；聚集时，同时考虑每个局部特征的主方向信息,将主方向分为8个量化区间，根据量化后的主方向值，聚集到不同的费舍尔子向量，8个子向量拼接为一个长向量，作为图像的特征表示；将8个费舍尔子向量重组得一系列8维的子向量。对每个子向量进行一维离散余弦变换，变换到该特征的频率域；再对频率域的特征重组，得不同频段的8个子向量，对每个子向量做主成分分析，再对降维后的8个子向量重组得一系列8维的子向量；在子向量上定义相似度度量，以计算图像两两间的相似度。
-
公开(公告)号：CN103942550B
公开(公告)日：2018-11-02
申请号：CN201410184072.6
申请日：2014-05-04
Applicant: 厦门大学
Abstract: 一种基于稀疏编码特征的场景文本识别方法，涉及计算机视觉和模式识别。输入待识别的自然场景文本图像；采用多尺度滑动窗口的方法，用字符分类器对图像中的窗口区域进行检测和识别，对每一个字符类别，将分类器输出较大的区域判定为候选字符区域，输出较小的区域认为是背景区域，这样找出图像中包含的候选字符区域，再采用非极大值抑制方法，对重叠率较大的区域只保留分类器输出值最大的区域和相应的字符类别，除去重复冗余的候选字符区域，得到字符检测结果；将检测到的字符合并成一个词或文本行；输出场景文本识别结果。能够更加有效地表示和提取字符的结构特征，从而提高场景文本的识别率。
-
Patent Agency Ranking
公开(公告)号：CN107491785A
公开(公告)日：2017-12-19
申请号：CN201710690910.0
申请日：2017-08-14
Applicant: 厦门大学
IPC: G06K9/62
CPC classification number: G06K9/6218
Abstract: 一种基于边缘侵蚀的聚类方法，涉及聚类问题。计算输入数据每个点的近邻关系或者直接获得每个数据点的近邻关系；计算边缘侵蚀密度；根据所述点的等级高低依次分配类标签，具体方法如下：(1)按照点的等级由高到低排列，即删除先后顺序的逆序；(2)依次访问每个点，若当前点的近邻没有类标，则分配一个新的类标，若有，则用已被标记的近邻中离当前点最近的点的类标标记当前点；(3)重复步骤(2)直到所有点被标记；按照剔除点的顺序的逆序分配类标签，类中心区域将最先被标记，一个类标签将从类中心向外扩展，自动终止于类的边界，类的边界即为那些初始密度较低的点。
-
公开(公告)号：CN104616324B
公开(公告)日：2017-07-28
申请号：CN201510099974.4
申请日：2015-03-06
Applicant: 厦门大学
Abstract: 基于自适应表观模型和点‑集距离度量学习的目标跟踪方法，涉及计算机视觉技术。首先利用收集到的目标模板和由这些目标模板的正则化仿射组合进行目标表示，同时学习一个点‑集距离度量矩阵，并将该点‑集距离度量矩阵整合在表观模型建立过程中，在粒子滤波框架下进行目标跟踪。根据一个生成式跟踪算法，给出一个基于目标模板集和正则化仿射包的自适应目标表观模型。该正则化仿射包由模板集中的目标模板的仿射连接生成。同时，学习一个点‑集距离度量矩阵，并整合该矩阵在目标表示优化过程中，从而获得一个自适应的目标表观模型。在线学习的点‑集距离度量用来测量一个目标候选块与目标模板集之间的距离。具有很好的跟踪效果和鲁棒性。
-
公开(公告)号：CN106683062A
公开(公告)日：2017-05-17
申请号：CN201710018297.8
申请日：2017-01-10
Applicant: 厦门大学
CPC classification number: G06T5/002
Abstract: 一种静止摄像机下的基于ViBe的运动目标检测方法，A初始化视频帧每个像素点前景计数和鬼影计数。B对二值图预处理。C对二值图进行前景区块划分，去除像素少的前景区块并修改前景计数。D每隔p帧对C中得到的前景计数去噪再鬼影检测。E对经C或D处理后得到的二值图中的前景区块进行内部空洞消除，再进行标记。F每隔q帧对当前视频帧和经E处理后得到的二值图进行边缘检测，生成边缘二值图后执行逻辑与操作，再边缘划分，对得到的边缘标记；统计每个前景区块中的每条边缘被所包括的前景像素个数和其对应的边缘像素个数，判断边缘有效性。G根据F中得到的有效边缘，统计每个前景区块中的有效边缘，修改鬼影计数再进行鬼影检测。
-
公开(公告)号：CN106203533A
公开(公告)日：2016-12-07
申请号：CN201610592954.5
申请日：2016-07-26
Applicant: 厦门大学
Abstract: 基于混合训练的深度学习人脸验证方法。准备人脸数据集；对每幅图像进行人脸和人脸关键点检测；对所有人脸归一化，得人脸图像训练集，再划分为训练和验证数据集，计算所有人脸图像的均值图像；将所有人脸图像都减去均值图像得均值化的训练数据集和验证数据集；训练深度卷积神经网络；对每幅人脸图像生成对应的三元组，构成三元组训练数据集和三元组验证数据集；再次训练深度卷积神经网络；对于给定待验证的两幅图像进行人脸和人脸特征点检测，并减去均值图像，输入深度卷积神经网络中，进行网络前馈操作，并提取特征；根据选定的阈值，当两幅图像提取特征之间的距离大于阈值，判定两张图像中的人脸属于同一个人，否则判定为不同人。
-
公开(公告)号：CN103268497B
公开(公告)日：2016-03-09
申请号：CN201310241306.1
申请日：2013-06-18
Applicant: 厦门大学
Abstract: 一种人脸姿态检测方法与在人脸识别中的应用，涉及一种人脸识别。对训练集中的图像分类，通过训练集的HOG特征计算出对应于三种人脸姿态的姿态估计滤波器组，通过训练集的Gabor特征计算出对应于三种人脸姿态的识别滤波器组，根据测试图片的HOG特征判定图像中人脸的姿态方向并利用相应的识别滤波器组做识别。将人脸姿态分为三类：左侧、正面、右侧姿态人脸。分别提取三类人脸姿态的HOG和Gabor特征。用PCA分别对三类人脸姿态的HOG和Gabor特征去噪和降维。提取每类人脸的轮廓信息。提取测试图像的HOG特征并以此信息判定该测试人脸的姿态方向。根据测试人脸的姿态方向利用相应的Gabor滤波器组识别测试图像。
-
-
-
-
-
-
-
-
-
Search Results
158
records
(took 0.026 seconds)
